Impairment Mitigation with Machine Learning for Satellite Ephemeris Extension and 5G Physical-Layer Communications

Abstract

Koneoppiminen (ML) ja sen hyödyntäminen teollisuudessa on noussut merkittäväksi tutkimuskohteeksi, sillä se mahdollistaa laajojen tietoaineistojen käsittelyn, sekä niissä esiintyvien rakenteiden ja riippuvuuksien oppimisen. Usein laskennallisesti monimutkaisen ML-menetelmien soveltuvuutta kuitenkin kyseenalaistetaan aloilla, joilla fysiikkapohjaiset mallit ovat vakiintuneita ja laskennallisesti tehokkaita. Satelliittipaikannus ja langaton tietoliikenne ovat tällaisia aloja, minkä vuoksi koneoppimisen käyttöä on perusteltava sekä laskennallisen monimutkaisuuden että tulkittavuuden näkökulmasta. Yksi tällainen sovelluskohde on häiriöiden vaimennus, sillä fysiikkapohjaiset mallit eivät aina kykene kuvaamaan todellisissa mittauksissa esiintyviä epäideaalisia olosuhteita. Tässä väitöskirjassa tarkastllaan koneoppimisen käyttöä heikkouksien lieventämiseen paikannussatelliittien rata- ja kelloennustuksessa ja 5G-vastaanottimien fyysisen kerroksen signaalinkäsittelyssä.

Satelliittipaikannuksen rata- ja kelloennustuksissa tavanomaisesti käytetään fyysisiä ja tilastollisia malleja kuvaamaan satelliitin rataa ja kellovirhettä. Näitä malleja hyödynnetään käyttäjän paikannuksen nopeuttamiseen tilanteissa, joissa satelliitin lähettämä signaali ei ole vielä täysin vastaanotettu. Satelliittien lähettämä tieto voi kuitenkin olla epätarkkaa, ja perinteiset kiertorata-analyysimallit sisältävät selittämättömiä systemaattisia virheitä. Tässä väitöskirjassa hyödynnämme konvoluutioneuroverkkoa (CNN) ennustamaan tämä systemaattinen virhe käyttäen rataennustusmallia ja olemassa olevia ratatietoja. CNN virhe-ennusteiden avulla fysiikkaan perustuvan mallin kiertoradan tarkkuutta voidaan parantaa merkittävästi. Vastaavasti kellovirheen ennustamisessa hyödynnämme Kalman-suodatinta sekä pienimmän neliösumman tukivektorikonetta (LSSVM) kellovirhetietojen ennustamiseen. Tässä tehtävässä robusti Kalman-suodatin osoittautui kuitenkin soveltuvammaksi kohinaiseen aineistoon, mikä havainnollistaa, että koneoppimismenetelmät edellyttävät asianmukaista aineistoa ennusteidensa perustaksi.

5G-lähettimen ja -vastaanottimen väliset laitteisto- ja ympäristövaikutukset voivat heikentää signaalin laatua. Perinteisesti joitakin häiriöitä voidaan korjata lähetinpäässä, mutta tämä heikentää suoritustehoa ja lisää järjestelmän monimutkaisuutta. Tässä väitöskirjassa opetamme CNN-pohjaisen neuroverkkovastaanottimen sietämään häiriövaikutuksia, ilman lähettimen lisälaskentaa tai erillisiä referenssisignaaleja. CNN voidaan kohdistaa häiriöiden ominaispiirteisiin, käyttäen asianmukaisia syötteitä ja aika-taajuustasojen prosessointia. Näytämme, että neuroverkkovastaanottimet voivat lieventää erilaisia häiriöitä, kuten tehovahvistimen säröä, kantoaaltojen välisiä häiriöitä, vaihekohinaa sekä IQ-epätasapainoa. Esitellyt neuroverkkovastaanottimet toimivat sekä aika- että taajuustasossa häiriöiden korjaamiseksi, kunhan häiriöt ovat edustettuja opetusdatassa.

Yhteenvetona ML-menetelmiä voidaan käyttää mallintamattoman dynamiikan ja laitteiston epätäydellisyyksien oppimiseen. ML-menetelmät ovat erityisen sopivia tilanteisiin, joissa epätäydellisyyttä on vaikea mallintaa analyyttisesti. Kun opetusdata asianmukaisesti havainnollistaa häiriötekijöitä, koneoppimismenetelmät voivat oppia yleistämään ja lieventämään näitä häiriöitä korjaamalla virheitä ja parantamalla fysiikkaan perustuvia malleja.

In recent years, machine learning (ML) has been of interest, due to its capability to process and learn underlying patterns from large datasets. However, due to the computational complexity, the applications are often questioned in fields where physics-based models are well-established and computationally efficient. Satellite positioning and wireless communications are such fields, and thus the use of ML methods needs to be justified in complexity and interpretability. One such task is impairment mitigation, as physics-based models can fail to capture non-ideal conditions present in true measurements. This thesis considers ML for impairment mitigation in satellite ephemeris extension and 5G physical-layer communications.

In satellite positioning, conventional models can be used to model the position and clock offset of a satellite, to predict its position in the future for positioning purposes. However, the broadcast data can be imprecise, and the conventional orbit models exhibit unexplained systematic errors. In this thesis, we train a convolutional neural network (CNN) to predict the oscillating error patterns from historical data. With the error predictions from the CNN, the physics-based orbit prediction can then be corrected to significantly improve the positioning accuracy. Similarly for clock predictions, we utilize the statistical Kalman filter and data-driven least-squares support vector machine (LSSVM) to forecast the noisy clock offset time-series to significantly improve the clock accuracy. However, in this task, the robust Kalman filter was more suited for the noisy data, illustrating that ML-methods require proper data to base the predictions on.

For 5G communications, various hard and environmental impairments can impair the signal quality and detection. Conventionally some impairments can be addressed at the transmitter side, with the cost of lower throughput and higher complexity. In this thesis, we train a NN receiver to tolerate the impairment effects while operating without additional computation at the transmitter and without additional reference signals. The CNN can be designed to target the impairment characteristics in correct domains and with proper inputs. We illustrate that NN receivers can mitigate and tolerate various impairments, such as power amplifier (PA) distortion, inter-carrier interference, phase noise and in-phase and quadrature imbalance. The proposed receivers operating in both time-and frequencydomain can mitigate impairments, if they are properly presented in the datasets.

To conclude, ML methods can be utilized to learn modelled dynamics and imperfections in hardware, which can be difficult to model analytically. With proper datasets illustrating the phenomena, ML can learn to generalize and overcome these shortcomings, by correcting errors and enhancing physical models.