Performance analysis of complex-valued convolutional neural networks on 5G L1
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Date
2024-05-21
Department
Major/Subject
Applied Mathematics
Mcode
SCI3053
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
55
Series
Abstract
Internet is an essential part of almost every sector of the society, and the number of users connected to the 5G network is constantly increasing. The spectral efficiency of the system should be improved to allocate for all users, but many methods that optimize spectrum usage reduce signal quality. This makes interpreting the transmitted bits from the received waveform more difficult for the physical layer (L1). As a solution, machine learning methods have been proposed to improve the performance of the physical layer, and neural receivers have already achieved promising results. However, most models only operate on real-valued data even though the signals are naturally complex-valued, causing the models to lose valuable information. In this thesis, a complex-valued neural receiver is implemented and tested. The receiver is a fully complex convolutional neural network with residual mappings. Many versions of the model are implemented by using different complex-valued activation functions and different normalization methods. The models are tested with a simulated end-to end system and compared against conventional receivers and a real-valued neural receiver with similar architecture. Performance of the receivers is measured as accuracy, which is measured with block error rate. Overall, the complex-valued neural receiver achieved better accuracy than a conventional receiver using LS estimation, and comparable or better accuracy than the real-valued neural receiver. Among the activations, cReLU and the complex cardioid performed the best. There was no difference in accuracy between the tested normalization methods, which could be a result of the symmetric distribution of the input data. When the generalization ability of the neural receivers was tested, the complex-valued model performed much better than the real-valued model. It was able to generalize outside the training data with both a non-line-of-sight and a line-of-sight channel model, whereas the real-valued model only generalized with a line-of-sight channel model.Internet on läsnä lähes jokaisella yhteiskunnan osa-alueella, ja 5G-verkon käyttäjien määrä kasvaa jatkuvasti. Järjestelmän spektritehokkuutta täytyy parantaa, jotta kaikkien käyttäjien tiedonsiirto voidaan käsitellä. Monet tehokkuutta parantavista menetelmistä heikentävät signaalien laatua, mikä vaikeuttaa lähetettyjen bittien tulkitsemista saapuvista signaaleista. Ratkaisuksi tähän ongelmaan on ehdotettu koneoppimista, ja neuroverkkoja hyödyntävät vastaanottimet ovatkin jo saavuttaneet lupaavia tuloksia. Vaikka signaalit ovat luonnostaan kompleksiarvoisia, lähes kaikki koneoppimismallit käyttävät vain reaaliarvoista dataa ja menettävät samalla tärkeää tietoa reaali- ja imaginääriosan yhteydestä. Tässä työssä toteutetaan ja testataan kompleksiarvoista neurovastaanotinta. Vastaanotin on täysin kompleksiarvoinen konvoluutioneuroverkko residuaalikuvauksilla. Mallista toteutetaan useita eri versioita, joissa käytetään erilaisia aktivointifunktioita ja normalisointimenetelmiä. Malleja testataan simuloidussa päästä päähän ulottuvassa järjestelmässä, ja niitä verrataan perinteisten vastaanottimien sekä reaaliarvoisen neurovastaanottimen kanssa. Vastaanottimien suorituskyky määritetään tarkkuudella, jota mitataan BLER-arvolla. Kompleksiarvoisen neurovastaanottimen tarkkuus oli kokonaisuudessaan parempi kuin pienimmän neliösumman menetelmää käyttävän perinteisen vastaanottimen tarkkuus. Kompleksiarvoiset neurovastaanottimet suoriutuivat testeissä joko yhtä hyvin tai paremmin kuin reaaliarvoinen neurovastaanotin. Aktivointifunktioista cReLU ja kompleksikardioidi suoriutuivat parhaiten. Testattujen normalisointimenetelmien tarkkuuksien välillä ei ilmennyt testeissä eroa, mikä saattaa johtua aineiston symmetrisestä jakaumasta. Kompleksiarvoinen malli yleistyi opetusdatan ulkopuolelle huomattavasti paremmin kuin reaaliarvoinen malli. Se yleistyi aineistoilla, joissa käytettiin näkölinjamallia tai kanavamallia, jossa näkölinja puuttuu. Reaaliarvoinen malli yleistyi vain aineistolla, jossa käytettiin näkölinjamallia.Description
Supervisor
Ilmonen, PauliinaThesis advisor
Hassinen, MarkoKeywords
5G, physical layer, neural networks, complex-valued variables