淺談大數(shù)據(jù)在無線通信中的應(yīng)用

娜仁托亞

摘要：本文概述了基于大數(shù)據(jù)的DL在無線通信物理層面應(yīng)用的最新進(jìn)展，并分析了下一步面臨的挑戰(zhàn)。

關(guān)鍵詞：大數(shù)據(jù);無線通信;應(yīng)用策略;研究

深度學(xué)習(xí)（DeepLearning，DL）近年來因成功應(yīng)用在計算機視覺、自動語音識別和自然語言處理等領(lǐng)域而獲得廣泛關(guān)注，是典型的大數(shù)據(jù)依賴的學(xué)習(xí)框架。同時，研究人員也把DL廣泛應(yīng)用到了無線通信的物理層面。與傳統(tǒng)的機器學(xué)習(xí)算法相比，DL顯著增強了特征提取和結(jié)構(gòu)靈活性。特別是基于DL的系統(tǒng)通過端到端優(yōu)化靈活地調(diào)整參數(shù)來自動調(diào)整模型結(jié)構(gòu)，這可以代替手動從原始數(shù)據(jù)中提取特征。本文旨在對近年來在基于大數(shù)據(jù)的DL在無線通信物理層面的研究作出綜述。

1.通信系統(tǒng)模型

它是一個模塊結(jié)構(gòu)，包括信道編碼、調(diào)制、信道估計、信道均衡、信道譯碼和信道狀態(tài)信息（ChannelStateInformation，CSI）反饋等模塊。通信算法是在長期的研究中發(fā)展起來的，以優(yōu)化通信系統(tǒng)其中的模塊。之前有研究試圖利用傳統(tǒng)的機器學(xué)習(xí)方法，作為特定模塊的替代算法。DL架構(gòu)最近被引入到幾個處理模塊中以適應(yīng)新興的復(fù)雜通信場景，以期達(dá)到更優(yōu)的性能。

2.幾個典型的DL應(yīng)用到物理層的案例

2.1聯(lián)合信道估計和信號檢測

一般信道估計和信號檢測是接收機的兩個獨立過程。首先，CSI通過導(dǎo)頻來估計，然后利用估計的CSI在接收端恢復(fù)發(fā)送符號。具體地說，一個帶有五層全連接層的深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetwork，DNN）用于聯(lián)合信道估計和檢測，這里將信道看作一個黑盒子。在離線訓(xùn)練中，發(fā)送數(shù)據(jù)和導(dǎo)頻形成幀，然后這些幀經(jīng)過一個時變信道。該網(wǎng)絡(luò)把接收信號作為輸入，通過訓(xùn)練網(wǎng)絡(luò)來重構(gòu)發(fā)送數(shù)據(jù)。當(dāng)導(dǎo)頻不足、去掉循環(huán)前綴和非線性失真幾種情況下，基于DNN的信道估計和檢測方法都優(yōu)于最小均方誤差方法。

2.2聯(lián)合均衡和信號譯碼

該方法中在不知道CSI情況下，基于神經(jīng)網(wǎng)絡(luò)的聯(lián)合均衡器和解碼器可以實現(xiàn)均衡和譯碼。這里使用兩個神經(jīng)網(wǎng)絡(luò)，首先，卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）用于恢復(fù)失真的發(fā)送數(shù)據(jù)，然后DNN解碼器對CNN網(wǎng)絡(luò)均衡后的信號進(jìn)行解碼。實驗結(jié)果表明，在各種信道條件下，該方法的性能優(yōu)于其他基于機器學(xué)習(xí)方法。其中分別表示比特流符號，發(fā)送符號，接收符號，均衡后的符號和譯碼后的符號。

2.3大規(guī)模MIMOCSI壓縮反饋

在頻分雙工網(wǎng)絡(luò)中，大規(guī)模MIMO依賴于CSI反饋來實現(xiàn)基站端天線的性能增益。然而，大量天線導(dǎo)致過多的反饋開銷。已經(jīng)大量工作通過利用CSI的空間和時間的相關(guān)性來減少CSI反饋開銷。利用CSI的稀疏特性，壓縮感知（Compressedsensing，CS）已被應(yīng)用于CSI壓縮反饋中。然而，傳統(tǒng)的CS算法面臨挑戰(zhàn)，因為現(xiàn)實世界的數(shù)據(jù)并不完全稀疏，現(xiàn)有信號恢復(fù)算法的收斂速度很慢，這限制了CS的適用場景。CsiNet被提出來模擬CS信道壓縮反饋的過程。取角延遲域的信道矩陣作為輸入，編碼器的第一層是生成兩個特征圖的卷積層。然后將卷積后的數(shù)據(jù)重新排列為N×1大小的適量，再利用全連接層生成M×1大小的壓縮數(shù)據(jù)（M<

2.4基于DL的mmWave大規(guī)模MIMO混合預(yù)編碼

mmWave一直被認(rèn)為是一種5G的重要方案，其中混合模擬和數(shù)字預(yù)編碼是一種重要的可以減少硬件復(fù)雜性和能耗的方法。然而，現(xiàn)有的混合預(yù)編碼方案受限于高計算復(fù)雜度，且不能充分利用空間信息。為了克服這些局限性，可以使用一個基于DL的mmWave大規(guī)模MIMO混合預(yù)編碼框架，其中每個預(yù)編器的選擇被視為一種DNN的映射關(guān)系。具體地說，通過訓(xùn)練DNN選擇混合預(yù)編碼器來優(yōu)化mmWave大規(guī)模MIMO的預(yù)編碼過程。實驗結(jié)果表明，基于DNN的混合預(yù)編碼方法能降低mmWave大規(guī)模MIMO的誤碼率和增強頻譜效率，在保證更優(yōu)的性能的同時，能大大減少所需的計算復(fù)雜度。

3.挑戰(zhàn)

DL在無線通信系統(tǒng)物理層中的應(yīng)用是一個新的研究領(lǐng)域，雖然已有的研究表現(xiàn)出了較好的結(jié)果，但是在未來的研究中一些挑戰(zhàn)值得進(jìn)一步探討。（1）模型的選擇在基于DL的通信框架下，神經(jīng)網(wǎng)絡(luò)的設(shè)計是核心挑戰(zhàn)。許多基于DL的技術(shù)都是按照通用模型開發(fā)的。例如，計算機視覺總是使用CNN，而LSTM則通常用于自然語言處理領(lǐng)域。然而，我們想知道是否有基于DL的無線通信模型，我們認(rèn)為，通用模型將有助于在實踐中得到實現(xiàn)。在工程項目中，不僅通用模型提高了優(yōu)化通信框架的便利性，也可以減少模型選擇的成本和時間。在可以得到通用的模型之前，這個問題還需要廣泛的探索（2）系統(tǒng)性能與訓(xùn)練效率的權(quán)衡現(xiàn)有的工作表明了基于DL的數(shù)據(jù)驅(qū)動模型在物理層通信中的強大功能。然而，即使DL可以通過端到端學(xué)習(xí)來優(yōu)化通信系統(tǒng)性能，當(dāng)所有通信模塊被融合在一起時，訓(xùn)練過程將花費很長時間。為了提高訓(xùn)練效率，達(dá)到良好的系統(tǒng)性能，可以保留部分通信模塊，以實現(xiàn)訓(xùn)練效率和系統(tǒng)性能兩者之間的權(quán)衡。（3）嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)證明和基本的理論總的來說，基于深度學(xué)習(xí)的通信框架的性能已經(jīng)在信道估計、均衡、CSI反饋等場景得到了證明，然而，我們還沒有推導(dǎo)出嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)證明和基本的理論來進(jìn)一步驗證其框架的性能。推導(dǎo)出基本的理論也會有所幫助我們了解通信框架，這將是改進(jìn)網(wǎng)絡(luò)和開發(fā)更高效的通信框架的基礎(chǔ)。同時，訓(xùn)練所需的訓(xùn)練集大小也是不一定的，基于DL的通信框架是否能得到最優(yōu)的性能仍然存在不確定性。

參考文獻(xiàn)：

[1]田子揚.淺談無線通信工程及其維護(hù)[J].工程技術(shù).2016，12.

[2]李文明.智能交通的無線通信技術(shù)研究[J].祖國.2013，3.

[3]王志強.淺談5G無線通信技術(shù)的發(fā)展與應(yīng)用[J].大東方.2017，9.