Machine learning methods for signal processing with applications to the wireless physical layer

This multidisciplinary thesis, at the intersection of machine learning, signal processing, and wireless communications, aims to study and develop adaptive signal processing techniques that exploit prior knowledge on the features of systems and signals to produce accurate models of physical phenomena. The development of adaptive and data-efficient techniques in noisy and low-data settings is the goal of the recently emerged Machine Learning for Signal Processing research branch. Despite being noisy, real-world signals often retain intrinsic structures reflective of the physical systems that generated them. Nevertheless, the number of available observations that can be exploited to determine such hidden structure can be very limited, while physical systems can present complex nonlinear and time-variant behavior. Besides, highly computation-efficient methods are often required for applicability in challenging estimation settings. In this thesis, we tackle two of these estimation conditions: (i) the design of low-rank signal denoising methods by means of clustering-based and deep learning-based subspace estimation, with application to mmWave channel estimation in urban wireless vehicular communications, and (ii) the association of a radar target with the corresponding communication user in integrated sensing and communication (ISAC) systems, achieved by deep learning-based joint radar target detection and beam prediction and by performing data association in the beamspace. To obtain a realistic environment for the evaluation of the proposed methods, we integrated vehicular traffic, multi-sensor, V2X ray tracing channel simulation, and mmWave MIMO radar imaging in a single multi-modal co-simulation framework. We provide experimental results showcasing the effectiveness of the proposed techniques for the physical layer of wireless communications. We show that the design of adaptive techniques exploiting the representational power of machine learning and deep learning can lead to data-efficient estimation performance under the challenging high-mobility conditions of the wireless physical layer in urban vehicular settings, which can be instrumental in the context of the future 6G communications.

Questa tesi multidisciplinare, all’intersezione tra machine learning, elaborazione dei segnali e comunicazioni wireless, si pone l’obiettivo di studiare e sviluppare tecniche di elaborazione dei segnali adattive che integrino conoscenze a priori sulle caratteristiche di sistemi e segnali per produrre modelli accurati di fenomeni fisici. Lo sviluppo di tecniche adattive in grado di operare disponendo di una ridotta quantità di dati in condizioni rumorose è l’obiettivo dell’area di ricerca recentemente delineata del Machine Learning for Signal Processing. Nonostante siano rumorosi, i segnali mantengono spesso strutture intrinseche proprie dei sistemi fisici che li hanno generati. Tuttavia, il numero di osservazioni disponibili che è utilizzabile per determinare tale struttura può essere molto limitato e i sistemi fisici possono presentare comportamenti altamente non lineari e tempo varianti. Inoltre, spesso è richiesta un’elevata efficienza computazionale per consentire applicazioni in scenari di stima complessi. In questa tesi, affrontiamo due di tali scenari: (i) la progettazione di metodi di approssimazione a rango ridotto per la riduzione del rumore, basati sulla stima di sottospazi tramite clustering e deep learning, con applicazione alla stima di canale a onde millimetriche nelle comunicazioni wireless veicolari in ambiente urbano; (ii) l’associazione di un utente del sistema di comunicazione con il corrispondente bersaglio radar in sistemi di comunicazione e radar integrati (ISAC), ottenuta tramite la stima congiunta basata su deep learning delle posizioni dei bersagli radar e delle proprietà del canale di comunicazione. Per ottenere un sistema realistico per la valutazione dei metodi proposti, abbiamo integrato simulatori multi-sensore, di traffico veicolare, di canale di comunicazione, e di radar a onde millimetriche in un singolo ambiente di co-simulazione multimodale. I risultati sperimentali validano l’efficacia delle tecniche proposte per il livello fisico dei sistemi di comunicazione wireless. Dimostrano, inoltre, che, nelle condizioni di elevata mobilità proprie del livello fisico delle comunicazioni veicolari, la progettazione di tecniche adattive che sfruttino i vantaggi rappresentativi del machine learning e del deep learning conduce a un miglioramento sensibile delle prestazioni del sistema, che può risultare in vantaggi implementativi nel contesto delle future comunicazioni 6G.