基于深度學(xué)習(xí)的無(wú)線通信接收方法研究進(jìn)展與趨勢(shì)

李攀攀，謝正霞，樂(lè)光學(xué)，劉鑫

綜述

基于深度學(xué)習(xí)的無(wú)線通信接收方法研究進(jìn)展與趨勢(shì)

李攀攀1，謝正霞2，樂(lè)光學(xué)1，劉鑫3

（1.嘉興學(xué)院信息科學(xué)與工程學(xué)院，浙江 嘉興 314001；2.嘉興學(xué)院建筑工程學(xué)院，浙江 嘉興 314001；3.大連理工大學(xué)信息與通信工程學(xué)院，遼寧 大連 116024）

隨著無(wú)線通信應(yīng)用邊界的不斷擴(kuò)展，無(wú)線通信應(yīng)用環(huán)境也日趨復(fù)雜多樣，面臨射頻損傷、信道衰落、干擾和噪聲等負(fù)面影響，給接收端恢復(fù)原始信息帶來(lái)挑戰(zhàn)。借鑒深度學(xué)習(xí)方法在計(jì)算機(jī)視覺(jué)、模式識(shí)別、自然語(yǔ)言處理等領(lǐng)域取得的研究成果，基于深度學(xué)習(xí)的無(wú)線通信接收技術(shù)受到學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注。首先闡述了國(guó)內(nèi)外基于深度學(xué)習(xí)無(wú)線通信接收技術(shù)的研究現(xiàn)狀；接著概述了信號(hào)大數(shù)據(jù)背景下無(wú)線通信接收所面臨的技術(shù)挑戰(zhàn)，并提出基于深度神經(jīng)網(wǎng)絡(luò)的無(wú)線通信智能接收參考架構(gòu)；最后探討了信號(hào)大數(shù)據(jù)背景下無(wú)線通信智能接收方法的發(fā)展趨勢(shì)。為基于深度學(xué)習(xí)無(wú)線通信技術(shù)的研究和發(fā)展提供借鑒。

無(wú)線通信；信號(hào)大數(shù)據(jù)；深度學(xué)習(xí)；深度神經(jīng)網(wǎng)絡(luò)；信號(hào)接收

0 引言

通信系統(tǒng)是利用自然界的基本規(guī)律和人類(lèi)的基礎(chǔ)感官可達(dá)性建立的信息系統(tǒng)，通信手段和技術(shù)的提升是人類(lèi)不斷探索的動(dòng)力[1]。近年來(lái)，以5G、6G、物聯(lián)網(wǎng)、邊緣計(jì)算等為代表的新一代信息技術(shù)拓展了無(wú)線通信應(yīng)用場(chǎng)景，特別是在以高密度無(wú)線網(wǎng)絡(luò)（high density wireless network，HDWN）技術(shù)、大規(guī)模多輸入多輸出（multiple input multiple output，MIMO）技術(shù)、毫米波技術(shù)等為代表的新興技術(shù)的推動(dòng)下，無(wú)線通信技術(shù)得到了迅猛發(fā)展[2-4]。

無(wú)線通信技術(shù)始終圍繞著如何提高傳輸速率和通信質(zhì)量展開(kāi)，作為信息接收的關(guān)鍵，無(wú)線通信接收技術(shù)是構(gòu)建整個(gè)無(wú)線通信系統(tǒng)的基礎(chǔ)之一[5]。但是，當(dāng)前信號(hào)體制種類(lèi)及數(shù)量呈指數(shù)級(jí)增長(zhǎng)、信息系統(tǒng)結(jié)構(gòu)愈加復(fù)雜、電磁應(yīng)用環(huán)境愈發(fā)惡劣，無(wú)線電在開(kāi)放環(huán)境中亦面臨著射頻損傷、信道衰落、干擾和噪聲等因素的影響，無(wú)線通信接收端如何從各種復(fù)雜因素及其相互疊加影響的含噪聲和干擾的海量信號(hào)中精確地恢復(fù)得到原始信息，逐漸成為當(dāng)前無(wú)線通信接收所面臨的嚴(yán)峻挑戰(zhàn)。因此，無(wú)線通信系統(tǒng)中能夠有效抑制干擾的智能接收技術(shù)備受學(xué)術(shù)界和產(chǎn)業(yè)界的關(guān)注[6-7]。

近年來(lái)，以深度神經(jīng)網(wǎng)絡(luò)為代表的人工智能技術(shù)（如監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、遷移學(xué)習(xí)等）在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、模式識(shí)別等領(lǐng)域取得了巨大成功。深度神經(jīng)網(wǎng)絡(luò)具有自組織、自適應(yīng)和自學(xué)習(xí)等能力，適合處理因素眾多（特別是涉及信息模糊和不精確）的問(wèn)題。將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于無(wú)線通信系統(tǒng)接收成為探索智能通信的有效方法，將給智能通信信號(hào)接收與處理技術(shù)的發(fā)展帶來(lái)活力[8]。借鑒深度學(xué)習(xí)方法中自動(dòng)特征提取、可持續(xù)學(xué)習(xí)的思想，部署在接收端的深度神經(jīng)網(wǎng)絡(luò)能夠使用海量射頻數(shù)據(jù)樣本集自動(dòng)提取信號(hào)特征，識(shí)別射頻信號(hào)在開(kāi)放、復(fù)雜信道環(huán)境中所受到的噪聲和干擾，并感知信道時(shí)變，提升無(wú)線通信接收端恢復(fù)信息的能力[9-13]。

1 無(wú)線通信接收模型與深度學(xué)習(xí)

傳統(tǒng)的無(wú)線通信系統(tǒng)發(fā)射端完成信號(hào)信源編碼、信道編碼等工作。無(wú)線通信系統(tǒng)框架結(jié)構(gòu)如圖1所示，將基帶信號(hào)經(jīng)過(guò)調(diào)制后，以射頻載波形式發(fā)射出去，射頻信號(hào)經(jīng)過(guò)無(wú)線信道后由接收端經(jīng)過(guò)解調(diào)、信道譯碼、信源譯碼等流程恢復(fù)得到比特流信息。

圖1 無(wú)線通信系統(tǒng)框架結(jié)構(gòu)

從圖1可以看出，信號(hào)從發(fā)射端經(jīng)過(guò)含噪聲的無(wú)線信道到達(dá)接收端，電磁波不可避免會(huì)受射頻損傷、信道衰落、噪聲和干擾等因素的影響，到達(dá)接收端的信號(hào)將失真[14]；從理論方面看，現(xiàn)有的通信理論體系結(jié)構(gòu)在利用信號(hào)大數(shù)據(jù)和深度學(xué)習(xí)方面有著固有的局限性，難以從信號(hào)大數(shù)據(jù)中深層次挖掘隱藏的、有價(jià)值的信息，這都給接收端精確地恢復(fù)得到原始信息帶來(lái)了理論和技術(shù)上的挑戰(zhàn)[15]，特別是在當(dāng)前大帶寬、高速率、低時(shí)延的應(yīng)用場(chǎng)景下。因此，將神經(jīng)網(wǎng)絡(luò)應(yīng)用到接收端是解決上述問(wèn)題的關(guān)鍵技術(shù)之一。

近年來(lái)，深度學(xué)習(xí)已成功應(yīng)用到無(wú)線通信領(lǐng)域，如信道估計(jì)[15]、信道狀態(tài)信息（channel state information，CSI）反饋與信號(hào)檢測(cè)[16]、端到端聯(lián)合優(yōu)化[17]等。神經(jīng)網(wǎng)絡(luò)應(yīng)用在無(wú)線通信接收端的發(fā)展歷程如圖2所示，從2015年至今，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)、模式識(shí)別等領(lǐng)域取得的成果給無(wú)線通信智能接收研究帶來(lái)了新的機(jī)遇。

基于深度學(xué)習(xí)的無(wú)線通信接收端框架如圖3所示。把I/Q（in-phase/quadrature）信號(hào)描述為二維或三維圖像，使用深度神經(jīng)網(wǎng)絡(luò)部分或全部替代傳統(tǒng)接收端中信道估計(jì)、均衡、信號(hào)檢測(cè)與譯碼、CSI檢測(cè)與反饋等步驟，恢復(fù)得到原始信息。隨著深度學(xué)習(xí)取得的大量研究成果及其在各領(lǐng)域的廣泛應(yīng)用，將深度學(xué)習(xí)應(yīng)用于通信系統(tǒng)的接收端并精確處理復(fù)雜信號(hào)已成為學(xué)術(shù)界和產(chǎn)業(yè)界關(guān)注的重點(diǎn)[13]。

2 研究現(xiàn)狀及關(guān)鍵技術(shù)

近年來(lái)，深度學(xué)習(xí)及其衍生技術(shù)的出現(xiàn)為信號(hào)處理注入了新的活力，基于深度學(xué)習(xí)的無(wú)線通信接收技術(shù)呈現(xiàn)出神經(jīng)網(wǎng)絡(luò)替代接收端單模塊、多模塊，乃至接收端整個(gè)端到端的聯(lián)合優(yōu)化趨勢(shì)。根據(jù)神經(jīng)網(wǎng)絡(luò)模型層數(shù)不同，應(yīng)用到無(wú)線通信接收端的深度學(xué)習(xí)模型可分為人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）以及循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）等。

2.1 接收端信道估計(jì)、均衡、解調(diào)、解碼技術(shù)

2.1.1 信道估計(jì)

能否準(zhǔn)確地獲取CSI直接影響無(wú)線通信系統(tǒng)的整體性能，現(xiàn)代無(wú)線通信系統(tǒng)的能量效率、頻譜利用率和系統(tǒng)容量獲得了前所未有的提升，但是通信系統(tǒng)導(dǎo)頻污染嚴(yán)重，通信環(huán)境復(fù)雜多變導(dǎo)致信道快時(shí)變、非平穩(wěn)特性等因素，這都導(dǎo)致難以獲取精確的CSI。因此，在接收端研究基于深度學(xué)習(xí)的信道估計(jì)變得極為重要[18-19]。

圖2 神經(jīng)網(wǎng)絡(luò)在無(wú)線通信接收端的發(fā)展歷程

圖3 基于深度學(xué)習(xí)的無(wú)線通信接收端框架

文獻(xiàn)[20]借鑒深度學(xué)習(xí)模型特征提取的能力，較早將深度學(xué)習(xí)引入信道估計(jì)研究，在信道向量為條件高斯隨機(jī)變量的情況下，為了消除協(xié)方差矩陣不具備平移不變性所導(dǎo)致的信道估計(jì)復(fù)雜度高的問(wèn)題，采用最小均方誤差（minimum mean squared error，MMSE）并利用CNN模型補(bǔ)償誤差，將信道估計(jì)復(fù)雜度降低到(log)。文獻(xiàn)[21]基于DNN模型的自適應(yīng)信道估計(jì)方法，在有信噪比（signal-to-noise ratio，SNR）先驗(yàn)知識(shí)的前提下，使用歸一化最小平方誤差方法解決了傳統(tǒng)基于線性最小均方誤差信道估計(jì)精確度低的問(wèn)題。與文獻(xiàn)[21]的假設(shè)條件不同，文獻(xiàn)[22]在無(wú)須信道模型和統(tǒng)計(jì)性先驗(yàn)知識(shí)的情況下，針對(duì)時(shí)變?nèi)鹄ヂ湫诺拉h(huán)境，提出了基于深度學(xué)習(xí)的信道估計(jì)，能夠以較小的均方誤差動(dòng)態(tài)追蹤信道狀態(tài)。

文獻(xiàn)[23]針對(duì)正交頻分復(fù)用（orthogonal frequency division multiplexing，OFDM）信道估計(jì)研究提出一種基于DNN的雙選擇性信道衰落估算方法：首先采用模擬數(shù)據(jù)離線訓(xùn)練DNN模型，然后在線動(dòng)態(tài)調(diào)整以提高DNN學(xué)習(xí)模型的泛化能力，之后將訓(xùn)練模型的參數(shù)具體化，以減少DNN模型隨機(jī)初始化所導(dǎo)致的性能下降。該方法無(wú)須信道的先驗(yàn)統(tǒng)計(jì)知識(shí)，適用于有模型誤差或非平穩(wěn)信道的通信系統(tǒng)。借鑒深度學(xué)習(xí)在圖像與模式識(shí)別領(lǐng)域取得的研究成果，ChannelNet[24]將時(shí)頻響應(yīng)視為二維圖像，將導(dǎo)頻值視為低分辨率圖像，使用基于深度神經(jīng)網(wǎng)絡(luò)的超分辨率圖像修復(fù)去噪技術(shù)進(jìn)行信道估計(jì)。

傳統(tǒng)DNN訓(xùn)練時(shí)間過(guò)長(zhǎng)，難以適用于時(shí)變性較強(qiáng)的OFDM信道估計(jì)。為降低DNN模型的訓(xùn)練復(fù)雜度，RoemNet[25]采用多元學(xué)習(xí)器（meta-learner）的信道估計(jì)方法，這些元學(xué)習(xí)器能并行、跨渠道地從多個(gè)環(huán)境中學(xué)習(xí)信道狀態(tài)特征。隨著各元學(xué)習(xí)器的更新，RoemNet具有足夠的魯棒性，僅用少量的導(dǎo)頻數(shù)據(jù)就可實(shí)現(xiàn)對(duì)無(wú)先驗(yàn)知識(shí)信道估計(jì)的學(xué)習(xí)，在減輕普勒擴(kuò)展帶來(lái)的負(fù)面影響的同時(shí)還能降低不同信道環(huán)境下的比特誤碼率（bit error rate，BER）。針對(duì)OFDM信道環(huán)境下信道頻域選擇性衰落導(dǎo)致下行鏈路信道估計(jì)性能受限的問(wèn)題，DL-CE（deep learning-based channel estimation，基于深度學(xué)習(xí)的信道估計(jì)）方法[26]采用自回歸方法對(duì)信道建模，利用深度學(xué)習(xí)模型求解信道響應(yīng)函數(shù)及其相關(guān)頻域系數(shù)。通過(guò)迭代訓(xùn)練，DL-CE能夠?qū)W習(xí)到自回歸方法的最優(yōu)估計(jì)系數(shù)。進(jìn)一步，文獻(xiàn)[27]采用生成對(duì)抗網(wǎng)絡(luò)（generative adversarial network，GAN）模型近似表示無(wú)線信道響應(yīng)沖擊函數(shù)，通過(guò)訓(xùn)練GAN模型得到更準(zhǔn)確的信道隨機(jī)特征概率分布函數(shù)。

在MIMO信道估計(jì)領(lǐng)域，高計(jì)算復(fù)雜度和高空間復(fù)雜度給提升MIMO系統(tǒng)信道特征估計(jì)準(zhǔn)確性帶來(lái)了極大的挑戰(zhàn)[28]。針對(duì)此，文獻(xiàn)[29]對(duì)DNN進(jìn)行離線輔助訓(xùn)練和在線學(xué)習(xí)相結(jié)合的方法，實(shí)現(xiàn)了較高精度的超分辨率信道估計(jì)和波達(dá)方向估計(jì)。在高速移動(dòng)環(huán)境中，無(wú)線信道受多徑效應(yīng)和多普勒效應(yīng)共同影響，信道響應(yīng)具有時(shí)/頻域選擇性衰落（雙衰落）和非平穩(wěn)的特性，傳統(tǒng)信道估計(jì)方法通常需要大量的導(dǎo)頻和前同步碼，性能不高。為解決此問(wèn)題，決策導(dǎo)向信道估計(jì)（decision directed channel estimation，DD-CE）方法[30]使用了兩個(gè)DNN分別用于訓(xùn)練和學(xué)習(xí)MIMO信道衰落函數(shù)的實(shí)部和虛部，并預(yù)測(cè)空時(shí)分組碼的步信道，能在無(wú)須精確信道數(shù)學(xué)模型的情況下，以低時(shí)間復(fù)雜度實(shí)現(xiàn)對(duì)高速M(fèi)IMO信道衰落的估計(jì)。為進(jìn)一步提高信道估計(jì)的效率，ChanEstNet[31]首先使用CNN模型提取信道響應(yīng)特征矢量，接著再使用RNN模型進(jìn)行信道估計(jì)，最后使用最大池化（max-pooling）網(wǎng)絡(luò)對(duì)待訓(xùn)練的參數(shù)進(jìn)行二次降維，提高信道估計(jì)的性能。

此外，基于去噪的近似消息傳遞（denoising- based approximate message passing，D-AMP）算法在圖像壓縮恢復(fù)領(lǐng)域的優(yōu)越性能[32]，部分文獻(xiàn)利用D-AMP進(jìn)行信道估計(jì)。文獻(xiàn)[33]較早將深度學(xué)習(xí)技術(shù)用于波束空間信道估計(jì)，它把信道矩陣視作二維圖像，并將其作為訓(xùn)練集訓(xùn)練LDAMP（learned D-AMP，一種基于D-AMP算法的神經(jīng)網(wǎng)絡(luò)模型）進(jìn)行信道估計(jì)。進(jìn)一步地，將去噪CNN（denoising CNN，DnCNN）[34]融合到稀疏信號(hào)重構(gòu)算法中進(jìn)行信道估計(jì)，其性能優(yōu)于傳統(tǒng)基于壓縮感知的信道估計(jì)方法。CSI反饋是影響通信系統(tǒng)性能的重要指標(biāo)之一，DNNet[35]通過(guò)深度學(xué)習(xí)方法將CSI降維，以獲得更好的反饋鏈路性能，采用類(lèi)似思路的還有CsiFBnet[36]、AnciNet[37]、BCsiNet[38]以及ENet[39]等方法。

2.1.2 信道均衡

無(wú)線電信號(hào)傳播過(guò)程中不可避免地受到符號(hào)間干擾（inter symbol interference，ISI）和加性高斯白噪聲（additive white Gaussian noise，AWGN）的影響，這些干擾會(huì)使信號(hào)到達(dá)接收端時(shí)發(fā)生畸變，不僅影響信號(hào)的解調(diào)和解碼性能，還會(huì)嚴(yán)重降低通信系統(tǒng)容量。傳統(tǒng)信道均衡技術(shù)主要用來(lái)消除信道對(duì)信號(hào)的各種干擾，提高通信質(zhì)量。從深度學(xué)習(xí)的視角來(lái)看，無(wú)線信道均衡可被看成如何將接收端符號(hào)（存在各種因素干擾的數(shù)據(jù)集）盡可能精確地恢復(fù)出發(fā)射符號(hào)集（原始發(fā)送比特流）的問(wèn)題。

文獻(xiàn)[40]較早將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到信道均衡，其核心是將多層感知機(jī)應(yīng)用到非線性信道的自適應(yīng)均衡過(guò)程。文獻(xiàn)[41]將信道均衡視為二分類(lèi)問(wèn)題，并使用函數(shù)連接型人工神經(jīng)網(wǎng)絡(luò)解決該問(wèn)題。針對(duì)傳統(tǒng)的判決反饋均衡器（decision feedback equalizer，DFE）收斂緩慢的問(wèn)題，文獻(xiàn)[42]將多層神經(jīng)網(wǎng)絡(luò)應(yīng)用到DEF，不僅加快了DFE的收斂性，還能較好地處理信道均衡中各種非線性因素的影響。Chebyshev均衡器[43]是面向4-QAM信號(hào)星座圖的自適應(yīng)信道均衡方法，與基于多層感知器（multi-layer perceptron，MLP）以及基于線性最小均方（least mean square，LMS）的均衡器相比，Chebyshev因CNN單層結(jié)構(gòu)具有較好的收斂性和較低的計(jì)算復(fù)雜度。文獻(xiàn)[44]將改進(jìn)的CNN模型用于低分辨率的MIMO系統(tǒng)的信道均衡和估計(jì)，通過(guò)引入多標(biāo)簽的前置分類(lèi)架構(gòu)，使用隱式均衡和數(shù)據(jù)規(guī)模線性擴(kuò)展的方法，進(jìn)一步加快了深度神經(jīng)網(wǎng)絡(luò)的收斂性，在高SNR環(huán)境下該方法仍有較好的性能表現(xiàn)。此外，文獻(xiàn)[45]提出了采用極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）信道均衡方法，將毫米波信號(hào)作為ELM的輸入，訓(xùn)練ELM在接收端直接獲得均衡符號(hào)，該方法優(yōu)于傳統(tǒng)基于MLP的信道均衡方法。

不同于僅從接收端考慮信道均衡，有些方法從收發(fā)雙方的符號(hào)映射來(lái)解決信道均衡問(wèn)題。如CRNN信道均衡器[46]將信道均衡過(guò)程表示成條件概率分布模型，使用數(shù)據(jù)驅(qū)動(dòng)的CNN學(xué)習(xí)得到匹配濾波器，然后將訓(xùn)練好的CNN模型置入后續(xù)的RNN模型中進(jìn)行時(shí)域建模，實(shí)現(xiàn)對(duì)信號(hào)的分類(lèi)。類(lèi)似的數(shù)據(jù)驅(qū)動(dòng)信道均衡的方法還有文獻(xiàn)[47]所提方法。

2.1.3 信號(hào)解調(diào)

無(wú)線通信應(yīng)用環(huán)境復(fù)雜、服務(wù)類(lèi)型多樣，其所面臨的多徑衰落（包含快衰落、頻率選擇性衰落等）、ISI影響亦日益嚴(yán)重，傳統(tǒng)的解調(diào)方法難以適用于當(dāng)前復(fù)雜的無(wú)線信道。而DNN模型擁有對(duì)強(qiáng)時(shí)變信號(hào)的自適應(yīng)性，能有效補(bǔ)償數(shù)字調(diào)制信號(hào)的失真。因此，學(xué)術(shù)界和產(chǎn)業(yè)界已廣泛展開(kāi)了基于深度學(xué)習(xí)的信號(hào)解調(diào)的研究。

針對(duì)近距離多徑信道中信號(hào)解調(diào)的問(wèn)題，文獻(xiàn)[48]提出了基于深度信任網(wǎng)絡(luò)和堆疊式自編碼器的信號(hào)解調(diào)方法，由數(shù)據(jù)采集、特征提取和深度學(xué)習(xí)檢測(cè)器3個(gè)關(guān)鍵步驟組成，并在BPSK（binary phase shift keying）通信體制下通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了該方法的可行性。針對(duì)信號(hào)在超奈奎斯特（faster-than-Nyquist，F(xiàn)TN）速率傳輸過(guò)程中所產(chǎn)生嚴(yán)重的ISI問(wèn)題，文獻(xiàn)[49]利用CNN局部感受視野、池化和權(quán)值共享的方法，提出了6層的CNN解調(diào)器來(lái)解調(diào)擴(kuò)展的二進(jìn)制相移鍵控（bipolar EBPSK）調(diào)制信號(hào)，解決嚴(yán)重的ISI問(wèn)題，提高了信號(hào)在高速傳播環(huán)境中頻譜資源的利用率。文獻(xiàn)[50]在AWGN瑞利衰落信道上使用深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural network，DCNN）模擬了FSK（frequency shift key）解調(diào)方法，與標(biāo)準(zhǔn)解調(diào)方法和傳統(tǒng)基于機(jī)器學(xué)習(xí)的解調(diào)方法相比，該方法具有較低的符號(hào)誤碼率（symbol error rate，SER）。自動(dòng)調(diào)制分類(lèi)（automatic modulation classification，AMC）在動(dòng)態(tài)頻譜接入中發(fā)揮著重要的作用。不同于傳統(tǒng)基于CNN的AMC方法中針對(duì)時(shí)域或頻域的單模模式，文獻(xiàn)[51]利用波形—頻譜多模態(tài)融合的策略實(shí)現(xiàn)了基于深度殘差網(wǎng)絡(luò)（ResNet）的AMC方法，在使用ResNet從多模態(tài)調(diào)制信號(hào)中提取特征后，采用特征融合的方法實(shí)現(xiàn)多模態(tài)信號(hào)的識(shí)別，實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法可以實(shí)現(xiàn)16種調(diào)制信號(hào)的分類(lèi)。類(lèi)似的方法還有文獻(xiàn)[52]，采用了基于CNN的逼零均衡（zero-forcing equalization）AMC方法，取得了較好的實(shí)驗(yàn)效果。

文獻(xiàn)[53]將信號(hào)變換為特定表征序列，以此構(gòu)建完備的訓(xùn)練集，對(duì)深度置信網(wǎng)絡(luò)進(jìn)行逐層的無(wú)監(jiān)督學(xué)習(xí)和全局有監(jiān)督的微調(diào)反饋學(xué)習(xí)，在深度置信網(wǎng)絡(luò)的權(quán)重參數(shù)優(yōu)化過(guò)程中實(shí)現(xiàn)對(duì)信號(hào)的特征提取與識(shí)別。文獻(xiàn)[54]提出了基于棧式稀疏自編碼器（stacked sparse auto-encoder，SSAE）網(wǎng)絡(luò)的碼元判決方法，從信號(hào)中提取特征信息并識(shí)別碼間干擾，并使用深度學(xué)習(xí)方法訓(xùn)練SSAE網(wǎng)絡(luò)，提升了SSAE網(wǎng)絡(luò)在惡劣信道環(huán)境下對(duì)碼元進(jìn)行正確分類(lèi)與解調(diào)的能力。此外，它還將“多碼元聯(lián)合判決”策略引入SSAE網(wǎng)絡(luò)的訓(xùn)練中，提升了解調(diào)的性能。

高階正交振幅調(diào)制（quadrature amplitude modulation，QAM）信號(hào)所面臨的多徑衰落一直是調(diào)制識(shí)別領(lǐng)域中具有挑戰(zhàn)性的問(wèn)題。文獻(xiàn)[55]所提方法采用了1個(gè)盲均衡輔助模塊和1個(gè)ResNet，其中盲均衡輔助模塊根據(jù)調(diào)制格式預(yù)設(shè)搜索步長(zhǎng)，ResNet在多徑信道中進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明：與沒(méi)有均衡化的傳統(tǒng)DL方法相比，在多徑以及高SNR情況下，該方法提高了30%左右的識(shí)別精度，并減少了對(duì)訓(xùn)練集的依賴。類(lèi)似的研究方法還有采用雙路徑網(wǎng)絡(luò)（dual path network，DPN）的調(diào)制模式識(shí)別方法[56]。

與上述方法不同，深度神經(jīng)網(wǎng)絡(luò)可用于軟解調(diào)[57]，在降低計(jì)算復(fù)雜度的同時(shí)還能提高解調(diào)性能。為了進(jìn)一步提升信號(hào)解調(diào)的性能，文獻(xiàn)[58]使用AlexNet[59]和GoogLeNet[60]兩種CNN提升調(diào)制分類(lèi)的精度，并用軟件無(wú)線電實(shí)現(xiàn)了該方法[61]。借鑒深度學(xué)習(xí)在圖形圖像領(lǐng)域強(qiáng)大的特征提取能力，F(xiàn)EM[62]方法的主要思想是將待處理的無(wú)線電信號(hào)映射成圖像，使用LSTM提取無(wú)線電信號(hào)的特征后，再使用自學(xué)習(xí)的GAN神經(jīng)網(wǎng)絡(luò)將特征集映射成圖像實(shí)現(xiàn)調(diào)制模式分類(lèi)。實(shí)驗(yàn)結(jié)果表明該方法優(yōu)于傳統(tǒng)方法。

2.1.4 信道解碼

無(wú)線通信中的編碼和解碼技術(shù)主要用來(lái)抵抗信息傳輸過(guò)程中的噪聲和干擾的影響，降低誤碼率。編碼與解碼通常作為一個(gè)整體研究，信道編碼通常研究如何在原始信息中隨機(jī)地加入冗余信息來(lái)提高信息傳遞過(guò)程中的可靠性，信道解碼則是編碼的逆過(guò)程，以盡可能地還原得到原始信息為主要研究目標(biāo)。

在深度神經(jīng)網(wǎng)絡(luò)或深度學(xué)習(xí)興起之前，受算力和技術(shù)等方面的限制，傳統(tǒng)的信道解碼研究往往側(cè)重于理論研究，如高斯回歸過(guò)程（Gaussian processes for regression，GRP）貝葉斯機(jī)器學(xué)習(xí)方法。文獻(xiàn)[63]將GPR方法引入均衡器中，通過(guò)最大似然估計(jì)來(lái)優(yōu)化模型中的超參數(shù)，從而極大地提高了訓(xùn)練性能。大多數(shù)通道均衡器專(zhuān)注于降低誤碼率，而忽視后驗(yàn)概率估計(jì)的問(wèn)題，文獻(xiàn)[64]又將高斯分類(lèi)過(guò)程（Gaussian processes for classification，GPC）貝葉斯非線性分類(lèi)方法引入信道均衡過(guò)程，發(fā)揮GPC方法所具有的貝葉斯非線性分類(lèi)的能力，可使用較短的訓(xùn)練序列提供較為精確的后驗(yàn)概率估計(jì)。

與傳統(tǒng)方法使用貝葉斯等進(jìn)行信道解碼不同，文獻(xiàn)[65]將解碼器視作“黑盒”，使用基于DNN的信道解碼方法實(shí)現(xiàn)了從接收碼字到信息比特的映射轉(zhuǎn)換，對(duì)隨機(jī)碼和結(jié)構(gòu)化碼字進(jìn)行譯碼，實(shí)現(xiàn)了最大后驗(yàn)概率（maximum a posteriori，MAP）的譯碼性能。在理想情況下，DNN取得了與傳統(tǒng)方法類(lèi)似的性能，但是隨著訓(xùn)練次數(shù)的增加，DNN結(jié)構(gòu)也變得非常復(fù)雜，特別是當(dāng)碼長(zhǎng)發(fā)生改變時(shí)，DNN需要重新調(diào)整訓(xùn)練集并重新訓(xùn)練，導(dǎo)致該方法的復(fù)用性不高，難以適用于隨機(jī)碼及其較長(zhǎng)的碼字。文獻(xiàn)[66]提出了一種新穎的神經(jīng)解碼器算法，該算法基于信念傳播算法和自同構(gòu)群方法，通過(guò)將信念傳播與自同構(gòu)組的置換相結(jié)合，提高了對(duì)高密度奇偶校驗(yàn)碼（high density parity check，HDPC）的解碼能力。

為解決傳統(tǒng)的基于置信傳播（belief propagation，BP）算法的譯碼性能普遍不高的問(wèn)題，BP-DNN[67]通過(guò)給Tanner圖的邊緣節(jié)點(diǎn)分配不同的權(quán)重系數(shù)，并利用DNN訓(xùn)練這些參數(shù)，解決了傳統(tǒng)BP算法在HDPC中解碼性能低下的問(wèn)題。進(jìn)一步，BP-CNN[68]將CNN與標(biāo)準(zhǔn)BP解碼器串聯(lián)，構(gòu)成一種迭代的信道解碼方法，其性能比傳統(tǒng)的BP算法具有更低的復(fù)雜度。仿真實(shí)驗(yàn)表明：在噪聲高度相關(guān)的情況下，BP-CNN的性能表現(xiàn)更優(yōu)，但是在噪聲非相關(guān)的情況下，BP-CNN的性能則稍遜于BP算法。針對(duì)脈沖信道下BP算法對(duì)短碼的低密度奇偶校驗(yàn)碼（low density parity check code，LDPC）譯碼性能不高的問(wèn)題，文獻(xiàn)[69]提出了一種基于深度學(xué)習(xí)的BP譯碼方法，首先根據(jù)Tanner圖構(gòu)建兩種深度神經(jīng)網(wǎng)絡(luò)模型，通過(guò)對(duì)Tanner圖中邊的權(quán)重重新賦值來(lái)提升譯碼性能，然后簡(jiǎn)化信道對(duì)數(shù)似然比（log-likelihood ratio，LLR）計(jì)算方法，通過(guò)模型訓(xùn)練優(yōu)化參數(shù)，提升了譯碼模型的魯棒性。

為進(jìn)一步降低神經(jīng)網(wǎng)絡(luò)解碼器的復(fù)雜度，文獻(xiàn)[70]使用DNN模型在低BER環(huán)境下獲得更快的收斂速度，并使用基于權(quán)重共享壓縮DNN的通道解碼器有效降低計(jì)算復(fù)雜度并加快收斂速度，能達(dá)到與傳統(tǒng)方法接近的解碼性能。此外，還有采用定制化硬件提升深度學(xué)習(xí)效率的方法[71]。為了進(jìn)一步提升性能，BP-RNN方法[72]將RNN與BP算法結(jié)合，在BP-RNN算法中使用改進(jìn)的隨機(jī)冗余迭代算法（modified random redundant iterative algorithm，mRRD），能以較低的計(jì)算復(fù)雜度取得較好的糾錯(cuò)性能，且解碼能力優(yōu)于mRRD算法。

針對(duì)面向計(jì)算機(jī)視覺(jué)應(yīng)用的專(zhuān)用MIMO系統(tǒng)，文獻(xiàn)[73]為減少非線性通道效應(yīng)（包括透視畸變、環(huán)境光和顏色混合）和增加系統(tǒng)吞吐量提出了基于DNN的解碼方法。方法核心思想是使用DNN從海量的圖像數(shù)據(jù)中找到用于均衡的最佳非線性內(nèi)核，然后根據(jù)經(jīng)過(guò)訓(xùn)練的非線性內(nèi)核對(duì)增量獲取的圖像中的原始位進(jìn)行解碼，提升了該專(zhuān)用MIMO系統(tǒng)的性能。為了解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)難以適用于長(zhǎng)碼的解碼過(guò)程，文獻(xiàn)[74]將編碼圖劃分為若干較小的子塊后，再使用神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)子塊進(jìn)行訓(xùn)練，提升神經(jīng)網(wǎng)絡(luò)解碼器對(duì)長(zhǎng)碼的解碼能力。

2.2 接收端多模塊與端到端聯(lián)合優(yōu)化技術(shù)

理論上，接收端從帶噪聲或畸變的調(diào)制信號(hào)中盡可能精確地恢復(fù)發(fā)送的原始比特流信息。傳統(tǒng)方法主要通過(guò)信道估計(jì)、信道均衡、信號(hào)解調(diào)與解碼等關(guān)鍵步驟實(shí)現(xiàn)，但是每個(gè)步驟的性能達(dá)到最佳，并不意味著整個(gè)接收端的性能也達(dá)到最佳，更不用說(shuō)各模塊間依次迭代的累計(jì)誤差。因此，接收端的端到端聯(lián)合優(yōu)化用統(tǒng)一的深度學(xué)習(xí)模型將整個(gè)接收端打通并進(jìn)行端到端的聯(lián)合統(tǒng)一優(yōu)化，摒除傳統(tǒng)的信道估計(jì)、均衡、解調(diào)、解碼4個(gè)步驟依次獨(dú)立優(yōu)化或部分聯(lián)合優(yōu)化的思路，突破了單一模塊獨(dú)立優(yōu)化所導(dǎo)致的固有弊端[17,75]。

文獻(xiàn)[75]將發(fā)射端、信道和接收端作為一個(gè)自編碼器，用DNN重建接收端中端到端的系統(tǒng)，自編碼器能在沒(méi)有先驗(yàn)知識(shí)的情況下具有自學(xué)習(xí)的能力，并使得DNN達(dá)到了與漢明碼及最大似然譯碼相似的性能。文獻(xiàn)[76]提出使用深度神經(jīng)網(wǎng)絡(luò)替代均衡和解碼模塊的方法，通過(guò)處理信道失真大幅提升多徑信道的性能，將信道均衡和信道解碼聯(lián)合優(yōu)化，其優(yōu)點(diǎn)是一次性訓(xùn)練均衡和解碼神經(jīng)網(wǎng)絡(luò)，無(wú)須迭代計(jì)算，更適用于并行計(jì)算的場(chǎng)景?；诖耍現(xiàn)C-DNN[77]將OFDM接收端視為一個(gè)“黑盒”，用深度神經(jīng)網(wǎng)絡(luò)代替OFDM接收端中的信道均衡和符號(hào)檢測(cè)模塊，利用信道仿真數(shù)據(jù)離線訓(xùn)練深度學(xué)習(xí)模型，然后直接對(duì)在線傳輸數(shù)據(jù)進(jìn)行恢復(fù)，獲得了比傳統(tǒng)方法更好的性能。文獻(xiàn)[78]將訓(xùn)練好的滑動(dòng)雙向遞歸神經(jīng)網(wǎng)絡(luò)（sliding bidirectional recurrent neural network，SBRNN）檢測(cè)器部署在接收端，用于實(shí)時(shí)檢測(cè)接收的射頻數(shù)據(jù)集并進(jìn)行譯碼，其性能高于維特比（Viterbi）譯碼器的性能。此外，該研究成果指明：在強(qiáng)時(shí)變的信道環(huán)境下，特別是無(wú)須考慮信道模型或CSI的前提下，直接從信號(hào)大數(shù)據(jù)中開(kāi)展通信系統(tǒng)的檢測(cè)和譯碼成為可能。

FC-DNN方法[77]僅簡(jiǎn)單地將OFDM接收端視為一個(gè)“黑盒”，并用DNN來(lái)實(shí)現(xiàn)端到端聯(lián)合優(yōu)化。不同于FC-DNN數(shù)據(jù)驅(qū)動(dòng)（data-driven）的方法，ComNet[79]引入了模型驅(qū)動(dòng)（model-driven）的思想，使用深度學(xué)習(xí)簡(jiǎn)化傳統(tǒng)的接收端模型，用于信道估計(jì)或信號(hào)檢測(cè)，而不是用整個(gè)深度學(xué)習(xí)模型完全代替接收端。ComNet采用逐塊信號(hào)處理方法，構(gòu)建了基于RefineNet[80]的信號(hào)估計(jì)子網(wǎng)和基于雙向LSTM（Bi-LSTM）網(wǎng)絡(luò)[81]信號(hào)檢測(cè)子網(wǎng)，按照模型驅(qū)動(dòng)的思想，每個(gè)子網(wǎng)完成相對(duì)獨(dú)立的功能，能有效縮小各子網(wǎng)參數(shù)的初始值區(qū)間，提升了收斂性能。需要指出的是，信號(hào)估計(jì)子網(wǎng)的輸出不僅可以用于CSI監(jiān)測(cè)，還支持發(fā)射端的拓展功能，擴(kuò)大了子網(wǎng)的應(yīng)用范圍及并提高了其靈活性，這是FC-DNN方法所不具備的。從實(shí)驗(yàn)結(jié)果來(lái)看，ComNet接收端僅需少量的參數(shù)，即可達(dá)到與FC-DNN方法相近的誤碼率，且具有較好的收斂速度。但文獻(xiàn)[79]僅在64QAM調(diào)制模式下做了仿真實(shí)驗(yàn)，其他調(diào)制模式的性能尚不明確。

與前述方法使用單個(gè)DL模型在接收端上處理隨機(jī)非線性信道的問(wèn)題不同，文獻(xiàn)[82]首先在接收端使用CNN替代均衡器，并訓(xùn)練CNN模型學(xué)習(xí)得到信道衰落的趨勢(shì)，接著再使用深度神經(jīng)網(wǎng)絡(luò)代替解碼器恢復(fù)得到信息流，無(wú)須任何CSI即可實(shí)現(xiàn)盲均衡和解碼，也能適用于復(fù)雜度為()的長(zhǎng)序列。文獻(xiàn)[83]使用基于無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)的變分自編碼器（variational auto-encoder，VAE）方法實(shí)現(xiàn)均衡和解碼，在不使用導(dǎo)頻符號(hào)以及未知脈沖響應(yīng)的情況下，對(duì)含有噪聲和碼間干擾的未編碼數(shù)據(jù)集進(jìn)行重構(gòu)，使得計(jì)算復(fù)雜度不依賴于信道脈沖響應(yīng)函數(shù)。在無(wú)監(jiān)督深度學(xué)習(xí)端到端優(yōu)化的探索領(lǐng)域，文獻(xiàn)[84]使用自動(dòng)編碼器將編碼和解碼進(jìn)行聯(lián)合優(yōu)化，用于優(yōu)化無(wú)線信道損傷模型（瑞利衰落信道）。實(shí)驗(yàn)結(jié)果表明：當(dāng)SNR>15 dB時(shí)，自動(dòng)編碼器系統(tǒng)的性能超過(guò)文獻(xiàn)[85]的方法。

在信道估計(jì)和均衡聯(lián)合優(yōu)化方面，文獻(xiàn)[86]提出了一種基于深度學(xué)習(xí)的FBMC（filter bank multi-carrier，濾波器組多載波）模型，使用DNN模型學(xué)習(xí)CSI以及星座圖映射方法，實(shí)現(xiàn)對(duì)失真頻域序列的隱式均衡，直接獲得二進(jìn)制比特信息。文獻(xiàn)[87]研究了基于深度學(xué)習(xí)的FBMC系統(tǒng)的信道估計(jì)與檢測(cè)方法，采用ResNet-DNN對(duì)信道符號(hào)檢測(cè)模塊建模，還采用“CNN+NN”模型對(duì)信道估計(jì)、均衡、符號(hào)檢測(cè)模塊進(jìn)行統(tǒng)一建模和聯(lián)合優(yōu)化。但該方法僅適用于AWGN信道和時(shí)不變信道環(huán)境，不適用于時(shí)變信道。

與基于神經(jīng)網(wǎng)絡(luò)的自編碼器解決端到端的優(yōu)化方法不同，文獻(xiàn)[88]提出了在接收端監(jiān)督訓(xùn)練與發(fā)射端增強(qiáng)學(xué)習(xí)模型之間進(jìn)行迭代優(yōu)化的方法，無(wú)須精確的信道模型和先驗(yàn)知識(shí)實(shí)現(xiàn)端到端的聯(lián)合優(yōu)化。但是該方法在訓(xùn)練期間需要可靠的通道將損耗從接收端反饋到發(fā)射端，提高了使用成本并限制了應(yīng)用場(chǎng)景。為了提升智能接收方法的靈活性，Deep-Waveform[89]將深度復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)（deep complex convolutional network，DCCN）作為OFDM接收端，包含一個(gè)基本的OFDM接收器和一個(gè)獨(dú)立的信道均衡器，在無(wú)須采用外部離散傅里葉變換的情況下，能在AWGN信道中8QAM和16QAM調(diào)制模式上達(dá)到與傳統(tǒng)接收端接近的誤碼率。此外，與目前現(xiàn)有的由全連接層組成的深度神經(jīng)元網(wǎng)絡(luò)不同，Deep-Waveform使用了大量的線性卷積層。

在以信號(hào)數(shù)據(jù)為驅(qū)動(dòng)的端到端聯(lián)合優(yōu)化方面，近年來(lái)也取得一定的研究進(jìn)展。文獻(xiàn)[90]使用條件生成對(duì)抗網(wǎng)絡(luò)（conditional generative adversarial network，cGAN）對(duì)信道條件分布(|)進(jìn)行建模，并在發(fā)射機(jī)編碼過(guò)程中加入信號(hào)條件信息，為了獲得用于接收端通過(guò)信號(hào)所檢測(cè)的CSI，將導(dǎo)頻數(shù)據(jù)及其接收信號(hào)也添加到條件信息中。從仿真結(jié)果來(lái)看，該方法對(duì)AWGN和瑞利衰落信道有顯著效果。DeepReceiver方法[17]將一維密集連接卷積網(wǎng)絡(luò)替代接收端信道估計(jì)、均衡、信號(hào)解調(diào)和解碼的全過(guò)程。該模型的輸入是接收I/Q信號(hào)，輸出則是恢復(fù)得到的信息比特流，DeepReceiver使用接收的I/Q信號(hào)樣本集進(jìn)行訓(xùn)練，使得網(wǎng)絡(luò)模型能夠通過(guò)信號(hào)大數(shù)據(jù)感知通信系統(tǒng)所遭受的射頻損傷、信道衰落、噪聲和干擾等，在接收端實(shí)現(xiàn)了端到端的聯(lián)合優(yōu)化及信息恢復(fù)。與DeepReceiver思路類(lèi)似，文獻(xiàn)[91]提出的數(shù)據(jù)驅(qū)動(dòng)的端到端無(wú)線通信系統(tǒng)，包括編碼、解碼、調(diào)制和解調(diào)過(guò)程，使用cGAN表示信道狀態(tài)信息，設(shè)計(jì)了發(fā)射端DNN和接收端DNN，采用數(shù)據(jù)驅(qū)動(dòng)的cGAN對(duì)信道效應(yīng)建模，在AWGN、瑞利衰落信道以及頻率選擇信道模型環(huán)境下，取得了較好的端到端聯(lián)合優(yōu)化效果。類(lèi)似的方法還有Deepwiphy[92]、DeepRx[93]、DeepRx MIMO[94]以及HybridDeepRx[95]等。

仿真實(shí)驗(yàn)通常難以模擬實(shí)際應(yīng)用環(huán)境，許多細(xì)節(jié)容易被忽略，限制研究成果的可用性。因此，能支持在實(shí)際環(huán)境中在線自適應(yīng)學(xué)習(xí)的端到端聯(lián)合優(yōu)化方法成為一個(gè)研究方向，SwitchNet方法[96]融合了數(shù)據(jù)驅(qū)動(dòng)的FCDNN接收器[77]和模型驅(qū)動(dòng)的ComNet接收器[79]，通過(guò)預(yù)處理大幅減少FCDNN和ComNet中待訓(xùn)練的參數(shù)，具備輕量級(jí)在線學(xué)習(xí)的能力，并在不同信道模型下提供了可離線脫機(jī)訓(xùn)練的子網(wǎng)，使得SwitchNet方法在不同實(shí)際環(huán)境中均具有自適應(yīng)學(xué)習(xí)的能力。

此外，也有從語(yǔ)義級(jí)實(shí)現(xiàn)端到端聯(lián)合優(yōu)化的通信系統(tǒng)。不同于傳統(tǒng)以降低誤碼率為目標(biāo)的研究思路，面向文本通信的語(yǔ)義通信系統(tǒng)DeepSC[97-98]使用深度學(xué)習(xí)方法恢復(fù)語(yǔ)義，采用遷移學(xué)習(xí)來(lái)確保DeepSC能適用于不同的應(yīng)用環(huán)境，并使用語(yǔ)句相似性指標(biāo)量化了DeepSC系統(tǒng)的性能。實(shí)驗(yàn)表明：在低SNR環(huán)境下，DeepSC仍能取得較好的性能。

3 技術(shù)挑戰(zhàn)

無(wú)線通信一直朝著高可靠性、高魯棒性和超高容量的方向發(fā)展，特別是以當(dāng)下5G、6G、毫米波、邊緣計(jì)算為代表的新一代無(wú)線通信技術(shù)的廣泛應(yīng)用，作為無(wú)線通信的關(guān)鍵技術(shù)之一，無(wú)線通信接收技術(shù)也面臨著新的挑戰(zhàn)，具體來(lái)講有以下幾點(diǎn)。

（1）傳統(tǒng)基于先驗(yàn)知識(shí)的方法限制復(fù)雜通信系統(tǒng)的信號(hào)接收

傳統(tǒng)的基于先驗(yàn)知識(shí)、統(tǒng)計(jì)模型的信號(hào)接收方法通常以單一體制信號(hào)作為研究對(duì)象，如對(duì)單一體質(zhì)信號(hào)的盲均衡技術(shù)、盲譯碼等。但是在多復(fù)雜體制信號(hào)情況下，電磁波之間的互相干擾、隨機(jī)噪聲等，使得傳統(tǒng)使用先驗(yàn)知識(shí)特征工程的方法在無(wú)線通信智能接收領(lǐng)域難以適用。

目前的研究方法大多集中于淺層機(jī)器學(xué)習(xí)方法，在實(shí)現(xiàn)過(guò)程中往往存在著以下3個(gè)問(wèn)題：其一，傳統(tǒng)方法對(duì)人工特征依賴度較高，需要依賴復(fù)雜的人工特征提取技術(shù)以滿足不同信號(hào)的識(shí)別需求；其二，在復(fù)雜電磁環(huán)境下，傳統(tǒng)方法魯棒性較低，復(fù)雜的電磁環(huán)境對(duì)識(shí)別結(jié)果影響較大；最后，傳統(tǒng)方法模型復(fù)雜度較高，無(wú)法滿足信號(hào)識(shí)別的輕量化部署需求。

（2）復(fù)雜環(huán)境給多業(yè)務(wù)模式、多體制信號(hào)的接收帶來(lái)挑戰(zhàn)

在多體制信號(hào)融合通信的場(chǎng)景下，難以設(shè)計(jì)得到適用性較強(qiáng)的接收端智能接收方法。無(wú)線通信呈現(xiàn)向多行業(yè)滲透和多標(biāo)準(zhǔn)集成的發(fā)展趨勢(shì)，不斷滲透到各個(gè)行業(yè)，成為一種不可或缺的功能，如物聯(lián)網(wǎng)、邊緣計(jì)算網(wǎng)絡(luò)等。無(wú)線通信通常承載數(shù)據(jù)、圖像、語(yǔ)音等業(yè)務(wù)需求，這些需求的服務(wù)目標(biāo)不一，如超低時(shí)延通信、大通道容量通信等。當(dāng)前無(wú)線通信場(chǎng)景多元化、多樣性，服務(wù)要求個(gè)性化，特別是各種服務(wù)需求對(duì)通信保密性、安全性、魯棒性需求不一，這些都給無(wú)線通信的智能接收帶來(lái)技術(shù)挑戰(zhàn)。

（3）用于特定場(chǎng)景接收端端到端的聯(lián)合優(yōu)化研究的實(shí)測(cè)數(shù)據(jù)缺失

在高速鐵路無(wú)線通信、海洋無(wú)線通信、礦井無(wú)線通信等特定領(lǐng)域，信號(hào)的傳播方式和衰減規(guī)律有各自獨(dú)有的特征。接收端端到端的聯(lián)合優(yōu)化依賴于深度模型的學(xué)習(xí)及推理的能力，而學(xué)習(xí)能力的提升來(lái)自于大量實(shí)測(cè)數(shù)據(jù)，需要大量數(shù)據(jù)對(duì)DNN進(jìn)行訓(xùn)練[11]。當(dāng)前的成果大多基于仿真數(shù)據(jù)進(jìn)行訓(xùn)練，仿真數(shù)據(jù)與實(shí)際應(yīng)用環(huán)境有一定的差距[96]，這導(dǎo)致訓(xùn)練好的聯(lián)合優(yōu)化模型可用性、實(shí)用性和靈活性嚴(yán)重受限。因此，特定場(chǎng)景實(shí)測(cè)數(shù)據(jù)的缺失將會(huì)成為制約未來(lái)端到端的聯(lián)合優(yōu)化神經(jīng)網(wǎng)絡(luò)研究進(jìn)一步發(fā)展的因素。

4 基于深度學(xué)習(xí)的無(wú)線通信接收端聯(lián)合優(yōu)化架構(gòu)

目前，學(xué)術(shù)界對(duì)基于深度學(xué)習(xí)的無(wú)線通信接收端端到端的聯(lián)合優(yōu)化的研究仍處于起步階段。針對(duì)該領(lǐng)域的挑戰(zhàn)性問(wèn)題，本文使用通用軟件無(wú)線電外設(shè)（universal software radio peripheral，USRP），USRP是具有開(kāi)放性、標(biāo)準(zhǔn)型、模塊化的通用軟件無(wú)線電平臺(tái)，在信號(hào)發(fā)收、信號(hào)數(shù)據(jù)高速流盤(pán)等方面具有極高的靈活性?；诖耍竟?jié)進(jìn)一步嘗試提出基于深度學(xué)習(xí)的無(wú)線通信接收端聯(lián)合優(yōu)化的參考架構(gòu)。

在圖4所提的基于深度學(xué)習(xí)的無(wú)線通信接收端聯(lián)合優(yōu)化參考架構(gòu)中，由USRP發(fā)射端和USRP接收端在實(shí)際應(yīng)用環(huán)境中發(fā)射和接收信號(hào)，并以此作為離線訓(xùn)練聯(lián)合優(yōu)化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集，利用離線平臺(tái)的高性能存儲(chǔ)和計(jì)算能力，使用信號(hào)大數(shù)據(jù)離線訓(xùn)練接收端中的DNN，將離線訓(xùn)練的DNN再部署到實(shí)際環(huán)境中運(yùn)行的USRP接收端，進(jìn)行二次在線訓(xùn)練和優(yōu)化。因此，在算力、存儲(chǔ)和能源均受限的USRP接收端中，通過(guò)在線數(shù)據(jù)實(shí)時(shí)、輕量地對(duì)DNN進(jìn)行二次訓(xùn)練，提升端到端聯(lián)合優(yōu)化的DNN對(duì)無(wú)線通信環(huán)境的感知能力。

進(jìn)一步，基于深度學(xué)習(xí)的無(wú)線信號(hào)智能接收離線訓(xùn)練參考架構(gòu)如圖5所示。在圖5中，由虛擬化資源池將硬件平臺(tái)的計(jì)算、存儲(chǔ)等資源進(jìn)行抽象化管理，形成統(tǒng)一的資源管理平臺(tái)，服務(wù)上層的信號(hào)大數(shù)據(jù)管理層，再通過(guò)信號(hào)智能接收層對(duì)信號(hào)大數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)。

綜合圖4和圖5可以看出，基于深度學(xué)習(xí)的無(wú)線通信智能接收參考架構(gòu)主要由5個(gè)層次組成，包括：硬件平臺(tái)、虛擬化資源池、資源管理層、信號(hào)大數(shù)據(jù)管理層與智能信號(hào)接收層。與已有的無(wú)線通信接收系統(tǒng)模型相比，本文提出的參考架構(gòu)具有以下顯著優(yōu)勢(shì)。

圖4 基于深度學(xué)習(xí)的無(wú)線通信接收端聯(lián)合優(yōu)化參考架構(gòu)

圖5 基于深度學(xué)習(xí)的無(wú)線通信接收端神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練參考架構(gòu)

（1）本文參考架構(gòu)具有更好的自適應(yīng)性和可持續(xù)演進(jìn)性

本架構(gòu)以信號(hào)大數(shù)據(jù)為基礎(chǔ)，具備開(kāi)放式存儲(chǔ)、計(jì)算和處理的能力，不僅能適應(yīng)無(wú)線通信網(wǎng)絡(luò)中強(qiáng)時(shí)變的信道環(huán)境，還能夠整合不同的信號(hào)大數(shù)據(jù)處理模型，使得本架構(gòu)能夠適用于各類(lèi)復(fù)雜應(yīng)用場(chǎng)景，如海洋無(wú)線通信場(chǎng)景、礦井無(wú)線通信場(chǎng)景等。

（2）本文參考架構(gòu)以信號(hào)數(shù)據(jù)為中心

考慮從信號(hào)大數(shù)據(jù)挖掘信道模型的特征，能從時(shí)空等多個(gè)特征維度，基于時(shí)空、環(huán)境上下文信息，從信號(hào)大數(shù)據(jù)的角度刻畫(huà)和描述無(wú)線信道模型，而非傳統(tǒng)基于統(tǒng)計(jì)方法或從信道局部特征出發(fā)展開(kāi)研究的智能接收方法。通過(guò)對(duì)信號(hào)大數(shù)據(jù)的抽取—轉(zhuǎn)換—加載（extract-transform-load，ETL）過(guò)程，本架構(gòu)盡可能多地獲取實(shí)測(cè)數(shù)據(jù)中的隨機(jī)因素，提升信息接收與解碼的準(zhǔn)確性。

（3）本文參考架構(gòu)能更好地利用存儲(chǔ)、算力等IT資源

系統(tǒng)采用數(shù)據(jù)ETL方法對(duì)信號(hào)大數(shù)據(jù)進(jìn)行清洗、轉(zhuǎn)換、持久化存儲(chǔ)等，使用Docker和虛擬機(jī)雙資源管理池工具，可實(shí)現(xiàn)對(duì)資源的快速?gòu)椥载?fù)載均衡，特別是本架構(gòu)中的信號(hào)大數(shù)據(jù)內(nèi)存計(jì)算模型，能顯著提升對(duì)信道全局特征處理和感知的能力。

（4）本文參考架構(gòu)使得智能接收端DNN模型具備可持續(xù)學(xué)習(xí)的能力

隨著新興技術(shù)的不斷發(fā)展，特別是無(wú)線通信技術(shù)向生產(chǎn)生活縱深領(lǐng)域全面滲透，無(wú)線通信系統(tǒng)應(yīng)用場(chǎng)景愈加復(fù)雜，業(yè)務(wù)類(lèi)型也愈加多樣，本架構(gòu)中的DNN模型具有自主學(xué)習(xí)能力，能感知新的應(yīng)用場(chǎng)景和應(yīng)用類(lèi)型的特征，并自主調(diào)整模型相關(guān)參數(shù)，持續(xù)提升接收端中端到端聯(lián)合優(yōu)化過(guò)程信息恢復(fù)的能力。

本節(jié)提出的基于深度學(xué)習(xí)的無(wú)線信號(hào)智能接收參考架構(gòu)，從無(wú)線通信接收端信號(hào)處理的全局視角出發(fā)，探究接收端端到端的聯(lián)合優(yōu)化，包括信號(hào)數(shù)據(jù)采集、規(guī)則化處理、持久化存儲(chǔ)、彈性資源分配、基于深度學(xué)習(xí)的信號(hào)大數(shù)據(jù)處理等關(guān)鍵環(huán)節(jié)，期望本參考架構(gòu)能為本領(lǐng)域?qū)W者提供一定的參考。

5 發(fā)展趨勢(shì)與展望

深度學(xué)習(xí)理論與技術(shù)的突破推動(dòng)了無(wú)線通信智能接收技術(shù)的發(fā)展，以當(dāng)下新技術(shù)的研究成果探討無(wú)線通信智能接收技術(shù)的發(fā)展趨勢(shì)與展望，以期為本領(lǐng)域的學(xué)者、專(zhuān)家提供參考。

5.1 模型驅(qū)動(dòng)的無(wú)線通信智能接收方法

數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)方法在計(jì)算機(jī)視覺(jué)、模式識(shí)別等領(lǐng)域中取得了廣泛的應(yīng)用，因?yàn)樵谶@些領(lǐng)域中，任務(wù)通常難以用精確的數(shù)學(xué)模型來(lái)描述，而深度學(xué)習(xí)方法將任務(wù)視作非依賴數(shù)學(xué)模型的“黑箱”，并靠大量數(shù)據(jù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)解決問(wèn)題，這通常需要海量的數(shù)據(jù)集及較高的時(shí)間復(fù)雜度。

但是在無(wú)線通信智能接收領(lǐng)域，完備的帶標(biāo)簽數(shù)據(jù)集通常難以獲取，模型驅(qū)動(dòng)的無(wú)線通信智能接收方法需要綜合考慮深度學(xué)習(xí)與通信領(lǐng)域知識(shí)的深度融合，從訓(xùn)練目標(biāo)、通信領(lǐng)域知識(shí)、先驗(yàn)知識(shí)出發(fā)，形成一個(gè)學(xué)習(xí)代價(jià)函數(shù)，用最小化代價(jià)函數(shù)的方法解決問(wèn)題[11,79,99]。通過(guò)接收端對(duì)海量信號(hào)的處理與恢復(fù)的過(guò)程建立足夠精確的模型，使模型驅(qū)動(dòng)的接收方法只需較少的訓(xùn)練數(shù)據(jù)集及較低的時(shí)間復(fù)雜度即可達(dá)到最優(yōu)解。但是，從理論上，無(wú)線通信接收方法中的模型難以精確描述，如何面向深度學(xué)習(xí)精確地描述接收端的數(shù)學(xué)模型，并使之成為模型驅(qū)動(dòng)的無(wú)線通信智能接收方法，將成為未來(lái)熱點(diǎn)研究方向之一。

5.2 數(shù)據(jù)驅(qū)動(dòng)的無(wú)線通信智能接收方法

當(dāng)前，5G、6G、毫米波通信等廣泛使用的高頻段通信、大規(guī)模天線陣列等高復(fù)雜技術(shù)，為接收端實(shí)時(shí)接收和處理海量通信提供基礎(chǔ)。但是，隨著物聯(lián)網(wǎng)、邊緣計(jì)算等技術(shù)的發(fā)展，作為基礎(chǔ)支撐技術(shù)，無(wú)線通信向著生產(chǎn)、生活領(lǐng)域快速全面滲透，多場(chǎng)景的極端差異化需求，使得以單一技術(shù)為基礎(chǔ)通常難以形成面向所有應(yīng)用場(chǎng)景的解決方法。因此，如何在開(kāi)放復(fù)雜環(huán)境下，研究數(shù)據(jù)驅(qū)動(dòng)，并支持多通信體制信號(hào)的智能接收方法，將成為未來(lái)一個(gè)熱點(diǎn)研究方向。

開(kāi)放復(fù)雜場(chǎng)景所帶來(lái)的數(shù)據(jù)接收的挑戰(zhàn)，主要表現(xiàn)在信號(hào)大數(shù)據(jù)集的無(wú)結(jié)構(gòu)化、蘊(yùn)含大量關(guān)聯(lián)關(guān)系、噪聲隨機(jī)等因素，導(dǎo)致難以提出適用性強(qiáng)的智能通信接收方法，因此，在開(kāi)放復(fù)雜場(chǎng)景中，圖6所示的基于深度學(xué)習(xí)的跨場(chǎng)景數(shù)據(jù)驅(qū)動(dòng)的無(wú)線通信智能接收方法，將成為未來(lái)智能通信領(lǐng)域研究的熱點(diǎn)之一。

圖6 跨場(chǎng)景特征融合驅(qū)動(dòng)的無(wú)線通信智能接收方法

在圖6中，基于數(shù)據(jù)驅(qū)動(dòng)的無(wú)線通信智能接收方法主要涉及跨應(yīng)用場(chǎng)景的信號(hào)統(tǒng)一特征描述、應(yīng)用場(chǎng)景間知識(shí)表示方法等，實(shí)現(xiàn)不同應(yīng)用場(chǎng)景的智能通信接收方法的技術(shù)共享，打破各特定場(chǎng)景下異構(gòu)通信技術(shù)之間的壁壘。然而，當(dāng)前深度學(xué)習(xí)一般適用于封閉的系統(tǒng)，因此，通過(guò)數(shù)據(jù)驅(qū)動(dòng)遷移學(xué)習(xí)與對(duì)抗式信號(hào)樣本生成技術(shù)拓展基于深度學(xué)習(xí)的無(wú)線通信的應(yīng)用場(chǎng)景。針對(duì)多類(lèi)型、復(fù)雜的無(wú)線通信環(huán)境，采用融合學(xué)習(xí)以及遷移學(xué)習(xí)為基礎(chǔ)的信號(hào)智能接收方法，研究能針對(duì)未知場(chǎng)景的對(duì)抗式自主學(xué)習(xí)的無(wú)線通信智能接收方法將是未來(lái)的研究熱點(diǎn)之一。此外，隨著當(dāng)前學(xué)術(shù)界對(duì)以深度學(xué)習(xí)為代表的人工智能技術(shù)研究的深入，將模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)相融合的無(wú)線通信智能接收方法或許成為未來(lái)一個(gè)重要的研究趨勢(shì)。

6 結(jié)束語(yǔ)

隨著移動(dòng)互聯(lián)網(wǎng)、邊緣計(jì)算、智能通信等新一代無(wú)線通信技術(shù)的廣泛應(yīng)用，基于深度學(xué)習(xí)的無(wú)線通信接收技術(shù)在信道估計(jì)、均衡、解調(diào)、解碼和聯(lián)合優(yōu)化方面等方面提升了無(wú)線通信的接收性能并促進(jìn)了無(wú)線通信接收技術(shù)的智能化。本文對(duì)基于深度學(xué)習(xí)的無(wú)線通信接收技術(shù)進(jìn)行了系統(tǒng)性的分析和總結(jié)，綜述了無(wú)線通信接收技術(shù)的研究現(xiàn)狀及關(guān)鍵技術(shù)，討論了信號(hào)大數(shù)據(jù)背景下的無(wú)線通信接收技術(shù)的挑戰(zhàn)和參考架構(gòu)，并進(jìn)一步指出了未來(lái)該研究的發(fā)展方向。

[1] RESTUCCIA F, MELODIA T. Physical-layer deep learning: challenges and applications to 5G and beyond[J]. arXiv preprint arXiv: 2004.10113, 2020.

[2] 謝維信, 陳曾平, 裴繼紅, 等. 大數(shù)據(jù)背景下的信號(hào)處理[J]. 中國(guó)科學(xué): 信息科學(xué), 2013, 43(12): 1525-1546.

XIE W X, CHEN Z P, PEI J H, et al. Signal processing in the context of big data[J]. Scientia Sinica (Informationis), 2013, 43(12): 1525-1546.

[3] 章堅(jiān)武, 王路鑫, 孫玲芬, 等. 人工智能在5G系統(tǒng)中的應(yīng)用綜述[J]. 電信科學(xué), 2021, 37(5): 14-31.

ZHANG J W, WANG L X, SUN L F, et al. An survey on application of artificial intelligence in 5G system[J]. Telecommunications Science, 2021, 37(5): 14-31.

[4] 夏明華, 朱又敏, 陳二虎, 等. 海洋通信的發(fā)展現(xiàn)狀與時(shí)代挑戰(zhàn)[J]. 中國(guó)科學(xué): 信息科學(xué), 2017, 47(6): 677-695.

XIA M H, ZHU Y M, CHEN E H, et al.The state of the art and challenges of marine communications[J]. Scientia Sinica (Informationis), 2017, 47(6): 677-695.

[5] WANG T Q, WEN C K, WANG H Q, et al. Deep learning for wireless physical layer: opportunities and challenges[J]. China Communications, 2017, 14(11): 92-111.

[6] WANG F X, ZHANG M, WANG X X, et al. Deep learning for edge computing applications: a state-of-the-art survey[J]. IEEE Access, 2020(8): 58322-58336.

[7] 尤肖虎, 張川, 談曉思, 等. 基于AI的5G技術(shù): 研究方向與范例[J]. 中國(guó)科學(xué):信息科學(xué), 2018, 48(12): 1589-1602.

YOU X H, ZHANG C, TAN X S, et al. AI for 5G: research directions and paradigms[J]. Scientia Sinica (Informationis), 2018, 48(12): 1589-1602.

[8] SALH A, AUDAH L, SHAH N S M, et al. A survey on deep learning for ultra-reliable and low-latency communications challenges on 6G wireless systems[J]. IEEE Access, 2021(9): 55098-55131.

[9] MAO Q, HU F, HAO Q. Deep learning for intelligent wireless networks: a comprehensive survey[J]. IEEE Communications Surveys & Tutorials, 2018, 20(4): 2595-2621.

[10] 張靜, 金石, 溫朝凱, 等. 基于人工智能的無(wú)線傳輸技術(shù)最新研究進(jìn)展[J]. 電信科學(xué), 2018, 34(8): 46-55.

ZHANG J, JIN S, WEN C K, et al. An overview of wireless transmission technology utilizing artificial intelligence[J]. Telecommunications Science, 2018, 34(8): 46-55.

[11] HEH T, JIN S, WENC K, et al. Model-driven deep learning for physical layer communications[J]. IEEE Wireless Communications, 2019, 26(5): 77-83.

[12] QIN Z J, YE H, LI G Y, et al. Deep learning in physical layer communications[J]. IEEE Wireless Communications, 2019, 26(2): 93-99.

[13] LEE W, JO O, KIM M. Application of end-to-end deep learning in wireless communications systems[J]. arXiv preprint arXiv: 1808.02394, 2018.

[14] 彭德義. 基于機(jī)器學(xué)習(xí)的5G無(wú)線通信物理層關(guān)鍵技術(shù)研究[J].湖南工程學(xué)院學(xué)報(bào)(自然科學(xué)版), 2019, 29(3): 37-43.

PENG D Y. Research for key technology of 5G wireless network PHY based on machine learning[J]. Journal of Hunan Institute of Engineering (Natural Science Edition), 2019, 29(3): 37-43.

[15] 高向堃. 基于深度學(xué)習(xí)的物理層無(wú)線通信技術(shù)機(jī)遇與挑戰(zhàn)[J]. 中國(guó)新通信, 2019, 21(14): 96.

GAO X K. Opportunities and challenges of deep learning based physical layer wireless communication techniques[J]. China New Telecommunications, 2019, 21(14): 96.

[16] ZHANG C Y, PATRAS P, HADDADI H. Deep learning in mobile and wireless networking: a survey[J]. IEEE Communications Surveys & Tutorials, 2019, 21(3): 2224-2287.

[17] ZHENG S L, CHEN S C, YANG X N. DeepReceiver: a deep learning-based intelligent receiver for wireless communications in the physical layer[J]. IEEE Transactions on Cognitive Communications and Networking, 2020, 7(1): 5-20.

[18] 劉留, 張建華, 樊圓圓, 等. 機(jī)器學(xué)習(xí)在信道建模中的應(yīng)用綜述[J]. 通信學(xué)報(bào), 2021, 42(2): 134-153.

LIU L, ZHANG J H, FAN Y Y, et al. Survey of application of machine learning in wireless channel modeling[J]. Journal on Communications, 2021, 42(2): 134-153.

[19] 王承祥, 黃杰, 王海明, 等. 面向6G的無(wú)線通信信道特性分析與建模[J]. 物聯(lián)網(wǎng)學(xué)報(bào), 2020, 4(1): 19-32.

WANG C X, HUANG J, WANG H M, et al. 6G oriented wireless communication channel characteristics analysis and modeling[J]. Chinese Journal on Internet of Things, 2020, 4(1): 19-32.

[20] NEUMANN D, WIESE T, UTSCHICK W. Learning the MMSE channel estimator[J]. IEEE Transactions on Signal Processing, 2018, 66(11): 2905-2917.

[21] GIZZINI A K, CHAFII M, NIMR A, et al. Adaptive channel estimation based on deep learning[C]//Proceedings of 2020 IEEE 92nd Vehicular Technology Conference. Piscataway: IEEE Press, 2020: 1-5.

[22] BAI Q B, WANG J T, ZHANG Y, et al. Deep learning-based channel estimation algorithm over time selective fading channels[J]. IEEE Transactions on Cognitive Communications and Networking, 2020, 6(1): 125-134.

[23] YANG Y W, GAO F F, MA X L, et al. Deep learning-based channel estimation for doubly selective fading channels[J]. IEEE Access, 2019(7): 36579-36589.

[24] SOLTANI M, POURAHMADI V, MIRZAEI A, et al. Deep learning-based channel estimation[J]. IEEE Communications Letters, 2019, 23(4): 652-655.

[25] MAO H X, LU H C, LU Y J, et al. RoemNet: robust meta learning based channel estimation in OFDM systems[C]// Proceedings of ICC 2019 - 2019 IEEE International Conference on Communications. Piscataway: IEEE Press, 2019: 1-6.

[26] 廖勇, 花遠(yuǎn)肖, 姚海梅. 基于深度學(xué)習(xí)的OFDM信道估計(jì)[J]. 重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版), 2019, 31(3): 348-353.

LIAO Y, HUA Y X, YAO H M. Channel estimation based on deep learning for OFDM systems[J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2019, 31(3): 348-353.

[27] O’SHEA T J, ROY T, WEST N. Approximating the void: learning stochastic channel models from observation with variational generative adversarial networks[C]//Proceedings of 2019 International Conference on Computing, Networking and Communications (ICNC). Piscataway: IEEE Press, 2019: 681-686.

[28] ZAMANIPOUR M. A survey on deep-learning based techniques for modeling and estimation of massive MIMO channels[J]. arXiv preprint arXiv: 1910.03390, 2019.

[29] HUANG H J, YANG J, HUANGH, et al. Deep learning for super-resolution channel estimation and DOA estimation based massive MIMO system[J]. IEEE Transactions on Vehicular Technology, 2018, 67(9): 8549-8560.

[30] MEHRABI M, MOHAMMADKARIMI M, ARDAKANI M, et al. Decision directed channel estimation based on deep neural network-step predictor for MIMO communications in 5G[J]. IEEE Journal on Selected Areas in Communications, 2019, 37(11): 2443-2456.

[31] 廖勇, 花遠(yuǎn)肖, 姚海梅, 等. 高速移動(dòng)環(huán)境下基于深度學(xué)習(xí)的信道估計(jì)方法[J]. 電子學(xué)報(bào), 2019, 47(8): 1701-1707.

LIAO Y, HUA Y X, YAO H M, et al. Channel estimation method based on deep learning in high-speed mobile environments[J]. Acta Electronica Sinica, 2019, 47(8): 1701-1707.

[32] METZLER C, MOUSAVI A, BARANIUK R. Learned D-AMP: principled neural network based compressive image recovery[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems 2017. New York: ACM Press, 2017:1772-1783.

[33] HE H T, WEN C K, JIN S, et al. Deep learning-based channel estimation for beamspace mmWave massive MIMO systems[J]. IEEE Wireless Communications Letters, 2018, 7(5): 852-855.

[34] ZHANG K, ZUO W M, CHEN Y J, et al. Beyond a Gaussian denoiser: residual learning of deep CNN for image denoising[J]. IEEE Transactions on Image Processing, 2017, 26(7): 3142-3155.

[35] YE H Y, GAO FF, QIAN J, et al. Deep learning-based denoise network for CSI feedback in FDD massive MIMO systems[J]. IEEE Communications Letters, 2020, 24(8): 1742-1746.

[36] GUO J J, WEN C K, JIN S. Deep learning-based CSI feedback for beamforming in single- and multi-cell massive MIMO systems[J]. IEEE Journal on Selected Areas in Communications, 2021, 39(7): 1872-1884.

[37] SUN YY, XU W, FAN L S, et al. AnciNet: an efficient deep learning approach for feedback compression of estimated CSI in massive MIMO systems[J]. IEEE Wireless Communications Letters, 2020, 9(12): 2192-2196.

[38] LU Z L, WANG J T, SONG J. Binary neural network aided CSI feedback in massive MIMO system[J]. IEEE Wireless Communications Letters, 2021, 10(6): 1305-1308.

[39] SUN Y Y, XU W, LIANG L, et al. A lightweight deep network for efficient CSI feedback in massive MIMO systems[J]. IEEE Wireless Communications Letters, 2021, 10(8): 1840-1844.

[40] CHEN S, GIBSON G J, COWAN C F N, et al. Adaptive equalization of finite non-linear channels using multilayer perceptrons[J]. Signal Processing, 1990, 20(2): 107-119.

[41] PATRA J C, PAL R N. A functional link artificial neural network for adaptive channel equalization[J]. Signal Processing, 1995, 43(2): 181-195.

[42] CHANG P R, WANG B C. Adaptive decision feedback equalization for digital satellitechannels using multilayer neural networks[J]. IEEE Journal on Selected Areas in Communications, 1995, 13(2): 316-324.

[43] PATRA J C, POH W B, CHAUDHARI N S, et al. Nonlinear channel equalization with QAM signal using Chebyshev artificial neural network[C]//Proceedings of 2005 IEEE International Joint Conference on Neural Networks. Piscataway: IEEE Press, 2005: 3214-3219.

[44] KLAUTAU A, GONZáLEZ-PRELCIC N, MEZGHANI A, et al. Detection and channel equalization with deep learning for low resolution MIMO systems[C]//Proceedings of 2018 52nd Asilomar Conference on Signals, Systems, and Computers. Piscataway: IEEE Press, 2018: 1836-1840.

[45] CARRERA D F, VARGAS-ROSALES C, YUNGAICELA- NAULA N M, et al. Comparative study of artificial neural network based channel equalization methods for mmWave communications[J]. IEEE Access, 2021(9): 41678-41687.

[46] 楊旸, 李揚(yáng), 周明拓. 基于數(shù)據(jù)驅(qū)動(dòng)深度學(xué)習(xí)方法的無(wú)線信道均衡[J]. 中興通訊技術(shù), 2018, 24(2): 25-29.

YANG Y, LI Y, ZHOU M T. The wireless channel equalization based on data-driven deep learning method[J]. ZTE Technology Journal, 2018, 24(2): 25-29.

[47] KUMARI S, SRINIVAS K K, KUMAR P. Channel and carrier frequency offset equalization for OFDM based UAV communications using deep learning[J]. IEEE Communications Letters, 2020, 25(3): 850-853.

[48] FANG L T, WU L N. Deep learning detection method for signal demodulation in short range multipath channel[C]//Proceedings of 2017 IEEE 2nd International Conference on Opto-Electronic Information Processing. Piscataway: IEEE Press, 2017: 16-20.

[49] OUYANG X C, WU L N. Faster-than-Nyquist rate communication via convolutional neural networks-based demodulators[J]. Journal of Southeast University (English Edition), 2016, 32(1): 6-10.

[50] MOHAMMAD A S, REDDY N, JAMES F, et al. Demodulation of faded wireless signals using deep convolutional neural networks[C]//Proceedings of 2018 IEEE 8th Annual Computing and Communication Workshop and Conference. Piscataway: IEEE Press, 2018: 969-975.

[51] QI P H, ZHOU X Y, ZHENG S L, et al. Automatic modulation classification based on deep residual networks with multimodal information[J]. IEEE Transactions on Cognitive Communications and Networking, 2020, 7(1): 21-33.

[52] WANG Y, GUI J, YIN Y, et al. Automatic modulation classification for MIMO systems via deep learning and zero-forcing equalization[J]. IEEE Transactions on Vehicular Technology, 2020, 69(5): 5688-5692.

[53] 黃媛媛, 張劍, 周興建, 等. 應(yīng)用深度學(xué)習(xí)的信號(hào)解調(diào)[J]. 電訊技術(shù), 2017, 57(7): 741-744.

HUANG Y Y, ZHANG J, ZHOU X J, et al. Demodulation with deep learning[J]. Telecommunication Engineering, 2017, 57(7): 741-744.

[54] 楊耀棟, 吳樂(lè)南. 相移鍵控信號(hào)的深度神經(jīng)網(wǎng)絡(luò)解調(diào)器[J]. 電子測(cè)量與儀器學(xué)報(bào), 2018, 32(4): 144-150.

YANG Y D, WU L N. Realization of SSAE demodulator of MPPSK communication system[J]. Journal of Electronic Measurement and Instrumentation, 2018, 32(4): 144-150.

[55] JI X F, WANG J, LI Y, et al. Modulation recognition in maritime multipath channels: a blind equalization-aided deep learning approach[J]. China Communications, 2020, 17(3): 12-25.

[56] HANNA S, DICK C, CABRIC D. Signal processing based deep learning for blind symbol decoding and modulation classification[J]. arXiv preprint arXiv:2106.10543, 2021.

[57] SHENTAL O, HOYDIS J. “Machine LLRning”:learning to softly demodulate[J]. arXiv preprint arXiv:1907.01512, 2019.

[58] PENG S L, JIANG H Y, WANG H X, et al. Modulation classification based on signal constellation diagrams and deep learning[J]. IEEE Transactions on Neural Networks and Learning Systems, 2018, 30(3): 718-727.

[59] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Imagenetclassification with deep convolutional neural networks[C]//Advances in Neural Information Processing Systems. [S.l.:s.n.], 2012: 1097-1105.

[60] SZEGEDY C, LIU W, JIA Y Q, et al. Going deeper with convolutions[C]//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE Press, 2015: 1-9.

[61] 陳錚, 彭盛亮, 李煥煥, 等. 基于深度學(xué)習(xí)與軟件無(wú)線電的盲解調(diào)系統(tǒng)研究[J]. 信號(hào)處理, 2019, 35(4): 649-655.

CHEN Z, PENG S L, LI H H, et al. Research on blind demodulation system based on deep learning and software defined radio[J]. Journal of Signal Processing, 2019, 35(4): 649-655.

[62] CHEN J Y, CUI H, MIAO S H, et al. FEM: Feature extraction and mapping for radio modulation classification[J]. Physical Communication, 2021, 45: 101279.

[63] PEREZ-CRUZ F, MURILLO-FUENTES J J, CARO S. Nonlinear channel equalization with Gaussian processes for regression[J]. IEEE Transactions on Signal Processing, 2008, 56(10): 5283-5286.

[64] OLMOS P M, MURILLO-FUENTES J J, PEREZ-CRUZ F. Joint nonlinear channel equalization and soft LDPC decoding with Gaussian processes[J]. IEEE Transactions on Signal Processing, 2009, 58(3): 1183-1192.

[65] GRUBER T, CAMMERER S, HOYDIS J, et al. On deep learning-based channel decoding[C]//Proceedings of 2017 51st Annual Conference on Information Sciences and Systems (CISS). Piscataway: IEEE Press, 2017: 1-6.

[66] NACHMANI E, BACHAR Y, MARCIANO E, et al. Nearmaximum likelihood decoding with deep learning[J]. arXiv preprint arXiv:1801.02726, 2018.

[67] NACHMANI E, BE'ERY Y, BURSHTEIN D. Learning to decode linear codes using deep learning[C]//Proceedings of 2016 54th Annual Allerton Conference on Communication, Control, and Computing (Allerton). Piscataway: IEEE Press, 2016: 341-346.

[68] LIANG F, SHEN C, WU F. An iterative BP-CNN architecture for channel decoding[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 144-159.

[69] 潘睿, 袁磊. 脈沖信道下基于深度學(xué)習(xí)的BP譯碼方法[J]. 系統(tǒng)工程與電子技術(shù), 2020, 42(9): 2116-2122.

PAN R, YUAN L. BP decoding method based on deep learning in impulsive channels[J]. Systems Engineering and Electronics, 2020, 42(9): 2116-2122.

[70] DENG C H, YUANS B L. Reduced-complexity deep neural network-aided channel code decoder: a case study for BCH decoder[C]//Proceedings of ICASSP 2019-2019 IEEE International Conference on Acoustics, Speech and Signal Processing. Piscataway: IEEE Press, 2019: 1468-1472.

[71] LUGOSCH L, GROSS W J. Neural offset min-sum decoding[C]// Proceedings of 2017 IEEE International Symposium on Information Theory. Piscataway: IEEE Press, 2017: 1361-1365.

[72] NACHMANI E, MARCIANO E, LUGOSCH L, et al. Deep learning methods for improved decoding of linear codes[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 119-131.

[73] FUJIHASHI T, KOIKE-AKINO T, WATANABE T, et al. Nonlinear equalization with deep learning for multi-purpose visual MIMO communications[C]//Proceedings of 2018 IEEE International Conference on Communications. Piscataway: IEEE Press, 2018: 1-6.

[74] CAMMERER S, GRUBER T, HOYDIS J, et al. Scaling deep learning-based decoding of polar codes via partitioning[C]//Pro- ceedings of GLOBECOM 2017-2017 IEEE Global Communications Conference. Piscataway: IEEE Press, 2017: 1-6.

[75] O’SHEA T, HOYDIS J. An introduction to deep learning for the physical layer[J]. IEEE Transactions on Cognitive Communications and Networking, 2017, 3(4): 563-575.

[76] YE H, LI G Y. Initial results on deep learning for joint channel equalization and decoding[C]//Proceedings of 2017 IEEE 86th Vehicular Technology Conference. Piscataway: IEEE Press, 2017: 1-5.

[77] YE H, LI G Y, JUANG B H. Power of deep learning for channel estimation and signal detection in OFDM systems[J]. IEEE Wireless Communications Letters, 2018, 7(1): 114-117.

[78] FARSAD N, GOLDSMITH A. Neural network detection of data sequences in communication systems[J]. IEEE Transactions on Signal Processing, 2018, 66(21): 5663-5678.

[79] GAO X X, JIN S, WEN C K, et al. ComNet: combination of deep learning and expert knowledge in OFDM receivers[J]. IEEE Communications Letters, 2018, 22(12): 2627-2630.

[80] LIN G S, MILAN A, SHEN C H, et al. RefineNet: multi-path refinement networks for high-resolution semantic segmentation[C]// Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE Press, 2017: 5168-5177.

[81] GRAVES A, SCHMIDHUBER J. Framewise phoneme classification with bidirectional LSTM and other neural network architectures[J]. Neural Networks, 2005, 18(5/6): 602-610.

[82] XU W H, ZHONG Z W, BE'ERY Y, et al. Joint neural network equalizer and decoder[C]//Proceedings of 2018 15th International Symposium on Wireless Communication Systems (ISWCS). Piscataway: IEEE Press, 2018: 1-5.

[83] CACIULARU A, BURSHTEIN D. Unsupervised linear and nonlinear channel equalization and decoding using variational autoencoders[J]. IEEE Transactions on Cognitive Communications and Networking, 2020, 6(3): 1003-1018.

[84] O'SHEA T J, ERPEK T, CLANCY T C. Deep learning based MIMO communications[J]. arXiv preprint arXiv: 1707.07980, 2017.

[85] ALAMOUTI S M. A simple transmit diversity technique for wireless communications[J]. IEEE Journal on Selected Areas in Communications, 1998, 16(8): 1451-1458.

[86] CHENG X, LIU D J, WANG C, et al. Deep learning-based channel estimation and equalization scheme for FBMC/OQAM systems[J]. IEEE Wireless Communications Letters, 2019, 8(3): 881-884.

[87] 汪周飛, 袁偉娜. 基于深度學(xué)習(xí)的多載波系統(tǒng)信道估計(jì)與檢測(cè)[J]. 浙江大學(xué)學(xué)報(bào)(工學(xué)版), 2020, 54(4): 732-738.

WANG Z F, YUAN W N. Channel estimation and detection method for multicarrier system based on deep learning[J]. Journal of Zhejiang University (Engineering Science), 2020, 54(4): 732-738.

[88] AOUDIA F A, HOYDIS J. End-to-end learning of communications systems without a channel model[C]// Proceedings of 2018 52nd Asilomar Conference on Signals, Systems, and Computers. Piscataway: IEEE Press, 2018: 298-303.

[89] ZHAO Z Y, VURAN M C, GUO F J, et al. Deep-waveform: a learned OFDM receiver based on deep complex-valued convolutional networks[J]. IEEE Journal on Selected Areas in Communications, 2021, 39(8): 2407-2420.

[90] YE H, LI G Y, JUANG B H F, et al. Channel agnostic end-to-end learning based communication systems with conditional GAN[C]//Proceedings of 2018 IEEE Globecom Workshops. Piscataway: IEEE Press, 2018: 1-5.

[91] YE H, LIANG L, LI G Y, et al. Deep learning-based end-to-end wireless communication systems with conditional GANs as unknown channels[J]. IEEE Transactions on Wireless Communications, 2020, 19(5): 3133-3143.

[92] ZHANG Y, DOSHI A, LISTON R, et al. DeepWiPHY: deep learning-based receiver design and dataset for IEEE 802.11ax systems[J]. IEEE Transactions on Wireless Communications, 2020, 20(3): 1596-1611.

[93] HONKALA M, KORPI D, HUTTUNEN J M J. DeepRx: fully convolutional deep learning receiver[J]. IEEE Transactions on Wireless Communications, 2021, 20(6): 3925-3940.

[94] KORPI D, HONKALA M, HUTTUNEN J M J, et al. DeepRx MIMO: convolutional MIMO detection with learned multiplicative transformations[J]. arXiv preprint arXiv: 2010.16283, 2020.

[95] PIHLAJASALO J, KORPI D, HONKALA M, et al. HybridDeepRx: deep learning receiver for high-EVM signals[J]. arXiv preprint arXiv: 2106.16079, 2021.

[96] JIANG P, WANG T, HANB, et al. Artificial intelligence-aided OFDM receiver: design and experimental results[J]. arXiv preprint arXiv: 1812.06638, 2018.

[97] YE H, LI G Y, JUANG B H. Deep learning based end-to-end wireless communication systems without pilots[J]. IEEE Transactions on Cognitive Communications and Networking, 2021, 7(3): 702-714.

[98] XIE H Q, QIN Z J, LI G Y, et al. Deep learning enabled semantic communication systems[J]. IEEE Transactions on Signal Processing, 2021, 69: 2663-2675.

[99] XU Z B, SUN J. Model-driven deep-learning[J]. National Science Review, 2018, 5(1): 22-24.

Research progress and trends of deep learning based wireless communication receiving method

LI Panpan1, XIE Zhengxia2, YUE Guangxue1, LIU Xin3

1．College of Information Science and Technology, Jiaxing University, Jiaxing 314001, China 2．College of Civil Engineering and Architecture, Jiaxing University, Jiaxing 314001, China 3．School of Information and Communication Engineering,Dalian University of Technology, Dalian 116024, China

With the continues expansion of the application boundary for wireless communications, the application environment of wireless communications is becoming increasingly complex and diverse, which faces negative impacts such as radio frequency (RF) damage, channel fading, interference and noise. It brings difficulties to recover the original information at the receiver. Drawing from the research results of deep learning methods in computer vision, pattern recognition, natural language processing and other fields, wireless communication reception technology based on deep learning has

wide attentions from both academia and industry. Firstly, the current research status of wireless communication reception technology based on deep learning at home and abroad was described. Secondly, the current technical challenges of wireless communication reception in the context of signal big data were outlined, and a reference architecture of intelligent wireless communication reception based on deep neural network was proposed. Finally, the development trend of intelligent wireless communication reception method in the context of signal big data was discussed. It is expected to provide reference for the research and development of wireless communication technology based on deep learning.

wireless communication, signal big data, deep learning, deep neural network, signal reception

TN929.5

A

10.11959/j.issn.1000?0801.2022025

2021?12?01；

2022?02?04

國(guó)家自然科學(xué)基金資助項(xiàng)目（No.U19B2015, No.U1833102）

The National Natural Science Foundation of China (No.U19B2015, No.U1833102)

李攀攀（1983?），男，博士，嘉興學(xué)院講師，主要研究方向?yàn)橹悄芡ㄐ?、深度學(xué)習(xí)、網(wǎng)絡(luò)空間安全等。

謝正霞（1982?），女，嘉興學(xué)院工程師，主要研究方向?yàn)橹悄芡ㄐ?、網(wǎng)絡(luò)空間安全等。

樂(lè)光學(xué)（1963?），男，博士，嘉興學(xué)院教授，主要研究方向?yàn)槎嘣迫诤吓c協(xié)同服務(wù)、無(wú)線mesh網(wǎng)絡(luò)與移動(dòng)云計(jì)算、嵌入式系統(tǒng)等。

劉鑫（1984?），男，博士，大連理工大學(xué)副教授，主要研究方向?yàn)檎J(rèn)知無(wú)線電、無(wú)人機(jī)通信和衛(wèi)星通信等。