基于深度學(xué)習(xí)的信道估計技術(shù)研究進(jìn)展*

廖 勇,李 雪,王幕熙,楊植景,周晨虹

(1.重慶大學(xué) 微電子與通信工程學(xué)院,重慶 400044;2.中國人民解放軍陸軍裝備部駐重慶地區(qū)軍代局駐貴陽地區(qū)軍事代表室,貴陽 550006;3.重慶金美通信有限責(zé)任公司,重慶 400030)

0 引 言

無線通信信道往往是復(fù)雜多變的,信號在傳輸過程中會受到各種因素的影響,如路徑損耗、陰影衰落、多徑效應(yīng)以及多普勒效應(yīng)等[1-3]。多徑效應(yīng)將引起頻率選擇性衰落,嚴(yán)重時將會造成接收端信號的符號間干擾[4]。此外,在非靜態(tài)場景下,收發(fā)設(shè)備間的相對移動會使得接收端的信號發(fā)生頻率偏移,從而發(fā)生多普勒頻移。當(dāng)多普勒頻移比較嚴(yán)重時,接收信號將會出現(xiàn)時間選擇性衰落[5]。因此,需要估計算法對頻率/時間選擇性衰落信道進(jìn)行準(zhǔn)確估計[6]。

信道估計技術(shù)可為接收機(jī)的分集合并、信號檢測及解碼等模塊提供信道狀態(tài)信息(Channel State Information,CSI),無線信道的隨機(jī)性使得信道估計結(jié)果的優(yōu)劣對整個通信系統(tǒng)性能的好壞有著重要影響[7]。

目前無線通信中信道估計通常使用的方法是導(dǎo)頻輔助的信道估計方法[8-9]。最小二乘(Least Squares,LS)[10]方法是最常用的信道估計方法。由于該方法計算簡單、復(fù)雜度低,不需要信道的任何先驗信息,所以被廣泛使用。但是LS方法不能消除導(dǎo)頻處噪聲的影響,并且插值類信道估計方法不能有效消除由于多徑引起的頻域選擇性衰落信道的影響,導(dǎo)致數(shù)據(jù)處信道頻率響應(yīng)獲取不準(zhǔn)確[11-12],因此LS算法的估計性能較差。線性最小均方誤差(Linear Minimum Mean Square Error,LMMSE)[13]在信道估計算法中性能較好,可以得到精確的信道估計,但是LMMSE算法需要知道信道的統(tǒng)計信息,并且具有很高的計算復(fù)雜度。此外,由于信道具有稀疏性,一些基于壓縮感知的算法也被用于信道估計中,其中正交匹配追蹤(Orthogonal Matching Pursuit,OMP)[14]、稀疏度自適應(yīng)匹配追蹤(Sparsity Adaptive Matching Pursuit,SAMP)[15]等貪婪算法將信道估計問題轉(zhuǎn)變?yōu)橄∈栊盘柕幕謴?fù)問題,具有較低的復(fù)雜度和較高的估計性能。然而,這類算法估計的前提是需要已知信道的稀疏度,因此在實(shí)際中也有較大缺陷。

同時傳統(tǒng)的信道估計方法總是利用參數(shù)估計方法估計出導(dǎo)頻符號處的信道響應(yīng),然后采用線性插值、二階插值或樣條插值等方法獲取數(shù)據(jù)符號處的信道響應(yīng)。這類插值方法的共性是導(dǎo)頻位置間多個數(shù)據(jù)符號處間的插值系數(shù)是不變的,比較適合用在信道狀態(tài)變化緩慢的條件下。然而,在高速移動環(huán)境下,信道響應(yīng)的時域和頻域相關(guān)系數(shù)是時變的[16-17],傳統(tǒng)方法不具備對信道變化進(jìn)行有效追蹤的能力,從而影響估計結(jié)果的準(zhǔn)確性,進(jìn)而影響信號的相干檢測和可靠傳輸。

由上述分析可知,傳統(tǒng)的信道估計算法存在需要信道先驗信息、復(fù)雜度較高、不能有效跟蹤無線信道時頻快速變化等問題。同時,面向下一代無線通信,例如6G萬物智聯(lián)的愿景,通信需求日益復(fù)雜多樣,所以亟需更加靈活高效的智能信道估計算法。

深度學(xué)習(xí)正在使無線通信的概念、模式、方法以及意義發(fā)生重大變革[18]。對于無線通信的物理層或網(wǎng)絡(luò)層,深度學(xué)習(xí)已有許多應(yīng)用,如信道估計[19-20]、CSI反饋[21-22]、信號檢測[23-24]、資源分配[25-26]等。在所有無線通信系統(tǒng)的深度學(xué)習(xí)應(yīng)用中,信道估計是研究最廣泛的問題之一[27]。文獻(xiàn)[19]將深度學(xué)習(xí)應(yīng)用于信道估計。深度學(xué)習(xí)強(qiáng)大的學(xué)習(xí)能力,學(xué)習(xí)了無線信道的頻率選擇特性,并對抗正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)系統(tǒng)的非線性失真和干擾。自此,基于深度學(xué)習(xí)的信道估計被學(xué)術(shù)界/工業(yè)界廣泛研究,并取得了較多顯著的成果。

為更好地對上述成果進(jìn)行歸納和總結(jié),本文從數(shù)據(jù)驅(qū)動和模型驅(qū)動兩個方面重點(diǎn)分析和歸納了基于深度學(xué)習(xí)的信道估計方法,并且描述了其中的代表性算法,最后指出了未來基于深度學(xué)習(xí)的信道估計方法發(fā)展過程中可能會面臨的挑戰(zhàn)以及發(fā)展機(jī)遇。

1 深度學(xué)習(xí)在信道估計中的應(yīng)用

近年來,深度學(xué)習(xí)在無線通信物理層的信道估計中取得了重大進(jìn)展。代替?zhèn)鹘y(tǒng)的假設(shè)信道是滿足固定變化規(guī)律的信道估計方法,深度學(xué)習(xí)方法能利用多個堆疊層來學(xué)習(xí)其中隱藏的非線性規(guī)律,因此取得了良好的估計性能。根據(jù)基于深度學(xué)習(xí)的信道估計文獻(xiàn),目前深度學(xué)習(xí)在無線通信的信道估計方向大致可以分為數(shù)據(jù)驅(qū)動和模型驅(qū)動兩種:前者是在現(xiàn)有迭代的深度開發(fā)的啟發(fā)下改進(jìn)或擴(kuò)展,采用改進(jìn)的網(wǎng)絡(luò)來進(jìn)行數(shù)據(jù)的訓(xùn)練,不斷通過對神經(jīng)網(wǎng)絡(luò)這個“黑匣子”里的參數(shù)進(jìn)行更新;后者是將深度學(xué)習(xí)與現(xiàn)有傳統(tǒng)方法進(jìn)行結(jié)合,減小對數(shù)據(jù)的依賴,對某些參數(shù)進(jìn)行訓(xùn)練和優(yōu)化,使得深度學(xué)習(xí)的可解釋性更強(qiáng),多見于壓縮感知與深度學(xué)習(xí)結(jié)合的信道估計算法。

1.1 數(shù)據(jù)驅(qū)動

在2017年,Ye等人[19]就開始將深度學(xué)習(xí)用于隱式信道估計,直接使用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)并且將OFDM系統(tǒng)和經(jīng)歷的信道當(dāng)成一個黑匣子,采用端到端處理方式處理直接恢復(fù)發(fā)送信號。同樣,在文獻(xiàn)[28]中也表明了DNN具備學(xué)習(xí)和分析遭受非線性失真和干擾、頻率選擇性衰落的無線信道特性,對比了在不同數(shù)量的導(dǎo)頻情況下DNN都能夠比傳統(tǒng)方法LS、LMMSE表現(xiàn)性能更優(yōu)。文獻(xiàn)[29]也通過采用DNN,網(wǎng)絡(luò)具有優(yōu)秀的學(xué)習(xí)和泛化能力。為了能更好地學(xué)習(xí)信道時頻域的變化特征,Soltani等[30]將信道時頻響應(yīng)視為二維圖像,采用深度圖像處理技術(shù),利用圖像超分辨率(Super Resolution,SR)網(wǎng)絡(luò)和圖像重建(Image Restoration,IR)網(wǎng)絡(luò)級聯(lián)進(jìn)行估計,把只考慮導(dǎo)頻位置的信道響應(yīng)作為低分辨率圖像輸入,然后恢復(fù)出原始圖像得到所需的信道響應(yīng)。仿真表明當(dāng)無線信道受到嚴(yán)重失真和干擾時,基于深度學(xué)習(xí)的信道估計比傳統(tǒng)的LS、LMMSE都更具有優(yōu)勢,這證明了神經(jīng)網(wǎng)絡(luò)具有記憶和分析無線信道的復(fù)雜特性的能力。針對信道中時間連續(xù)變化且存在一定相關(guān)性的特點(diǎn),文獻(xiàn)[31]使用CNN網(wǎng)絡(luò)和雙向長短期記憶(Bi-Long Short-Term Memory,BiLSTM)網(wǎng)絡(luò)組合算法對高速移動下OFDM系統(tǒng)的信道響應(yīng)矩陣進(jìn)行估計,分別用這兩種網(wǎng)絡(luò)模擬頻域插值過程和時域信道預(yù)測過程,仿真表明該基于深度學(xué)習(xí)的算法在精度和系統(tǒng)性能均優(yōu)于傳統(tǒng)信道估計算法。此外,圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Network,GNN)也開始逐漸走進(jìn)信道估計研究的視野:文獻(xiàn)[32]研究了高海拔平臺站場景下的通信,首次將圖注意網(wǎng)絡(luò)(Graph Attention Network,GAT)用于信道估計中,通過一個節(jié)點(diǎn)處的GAT即可單獨(dú)估計級聯(lián)信道系數(shù),性能優(yōu)于LS,并且應(yīng)對硬件缺陷以及小尺度衰落的變化時都具有一定的魯棒性;針對高速移動的大規(guī)模多入多出(Multiple-Input Multiple-Output,MIMO)場景下,文獻(xiàn)[33]提出一種基于GNN的信道估計算法,該算法由其用GNN定義的編碼器、核心網(wǎng)絡(luò)和解碼器組成,先使用LS算法獲得初始的導(dǎo)頻處信道頻率響應(yīng),再用信道響應(yīng)作為圖中的節(jié)點(diǎn),信道的空間相關(guān)性作為邊,仿真結(jié)果表明該算法相比傳統(tǒng)信道LS插值算法以及前饋神經(jīng)網(wǎng)絡(luò)能取得更好的性能。表1總結(jié)了典型的基于數(shù)據(jù)驅(qū)動的信道估計算法。

表1 典型的基于數(shù)據(jù)驅(qū)動的信道估計算法

如表1所示,算法中使用較多的網(wǎng)絡(luò)分別是DNN、CNN、長短期記憶(Long Short-Term Memory,LSTM)。圖1展示了以上幾種網(wǎng)絡(luò)在擴(kuò)展車輛信道模型(Extended Vehicular A model,EVA)信道模型,載波頻率為4.9 GHz,多普勒頻率為700 Hz時的誤碼率(Bit Error Rate,BER)和歸一化均方誤差(Normalized Mean Squared Error,NMSE)的仿真圖。從圖中可以看出,這幾種網(wǎng)絡(luò)在NMSE性能上均好于LS,其中LSTM因考慮了信道相關(guān)性性能會好于CNN和DNN,而CNN又因其優(yōu)越的高維特征提取而好于DNN,并且在高速環(huán)境下由于頻域均衡的子載波干擾造成的性能瓶頸,因此CNN、LSTM的NMSE性能好于LMMSE算法,說明各算法對高速時變信道具有魯棒性。下面分別對以上網(wǎng)絡(luò)中有代表性的算法進(jìn)行描述并分析其實(shí)現(xiàn)原理。

(a)BER

1.1.1 基于DNN的信道估計

文獻(xiàn)[19]首次嘗試在沒有在線訓(xùn)練的情況下使用機(jī)器學(xué)習(xí)方法來處理無線通信問題。DNN模型將由一個導(dǎo)頻塊和一個數(shù)據(jù)塊組成的接收數(shù)據(jù)作為輸入,并以端到端的方式恢復(fù)傳輸數(shù)據(jù)。圖2所示為基于DNN的深度學(xué)習(xí)算法的系統(tǒng)模型?；鶐FDM系統(tǒng)與傳統(tǒng)系統(tǒng)相同?；贒NN的信道估計算法包括兩個階段:在離線訓(xùn)練階段,使用接收到的OFDM樣本來訓(xùn)練模型,所述OFDM樣本是在具有特定統(tǒng)計特性的不同信道條件下利用各種信息序列生成的;在在線部署階段,DNN模型生成恢復(fù)傳輸數(shù)據(jù)的輸出,而無需明確估計無線信道。

圖2 基于DNN的信道估計算法系統(tǒng)模型[19]

仿真結(jié)果表明,基于深度學(xué)習(xí)的方法可以解決信道失真問題,并檢測傳輸符號,其性能與LMMSE估計器相當(dāng)。同時,當(dāng)使用較少的導(dǎo)頻、循環(huán)前綴以及存在非線性限幅噪聲時,基于深度學(xué)習(xí)的方法與傳統(tǒng)方法相比具有更強(qiáng)的魯棒性。

1.1.2 基于CNN-LSTM的信道估計

文獻(xiàn)[31]針對高速移動環(huán)境下信道快時變、非平穩(wěn)特性導(dǎo)致下行鏈路信道估計性能受限問題,提出了一種基于深度學(xué)習(xí)的信道估計網(wǎng)絡(luò),即CNN-LSTM。CNN-LSTM使用CNN提取信道響應(yīng)特征矢量和LSTM進(jìn)行信道估計。

圖3所示為CNN-LSTM的網(wǎng)絡(luò)結(jié)構(gòu)圖。所提基于深度學(xué)習(xí)的信道估計算法分為離線訓(xùn)練和在線預(yù)測兩個階段:對于離線訓(xùn)練階段,該算法使用來自WINNER II D2a信道模型的大量標(biāo)準(zhǔn)快時變信道數(shù)據(jù)來訓(xùn)練學(xué)習(xí)網(wǎng)絡(luò);對于在線預(yù)測階段,學(xué)習(xí)網(wǎng)絡(luò)的輸入是要估計的信道矩陣。學(xué)習(xí)網(wǎng)絡(luò)包括2D CNN網(wǎng)絡(luò)和BiLSTM網(wǎng)絡(luò)。2D CNN網(wǎng)絡(luò)用于提取導(dǎo)頻序列特征值,主要由幾個并行的濾波器組成,沿著水平和垂直兩個方向跨越圖像并計算卷積結(jié)果?？紤]到LSTM網(wǎng)絡(luò)在序列任務(wù)學(xué)習(xí)方面的出色表現(xiàn),因此它被用于預(yù)測CSI和時域相關(guān)系數(shù)。尤其是,BiLSTM網(wǎng)絡(luò)是兩個LSTM的組合,用于時域信道預(yù)測。其中,一個LSTM網(wǎng)絡(luò)進(jìn)行前向預(yù)測,另一個用于后向預(yù)測,克服了單向預(yù)測導(dǎo)致的誤差傳播。

圖3 CNN-LSTM網(wǎng)絡(luò)結(jié)構(gòu)[31]

實(shí)驗結(jié)果表明,基于CNN-LSTM的信道估計算法與傳統(tǒng)算法相比,具有更高的信道估計精度和更好的系統(tǒng)性能。

1.1.3 基于GNN的信道估計

文獻(xiàn)[33]針對高速移動場景下大規(guī)模MIMO,提出了一種基于GNN的信道估計框架。如圖4所示,該框架包括編碼器、核心網(wǎng)絡(luò)以及解碼器。其中,編碼器用來初始化核心網(wǎng)絡(luò),核心網(wǎng)絡(luò)使用圖結(jié)構(gòu)來更新節(jié)點(diǎn)和邊,解碼器則獨(dú)立解碼邊和頂點(diǎn)屬性。

圖4 基于GNN的信道估計體系結(jié)構(gòu)[33]

基于GNN的信道估計算法首先利用少量導(dǎo)頻來實(shí)現(xiàn)初始信道估計,接著再將獲得的信道響應(yīng)表示為圖的形式,并通過圖邊緣的權(quán)重來描述信道空間相關(guān)性。仿真結(jié)果表明,該算法與傳統(tǒng)信道LS插值算法以及前饋神經(jīng)網(wǎng)絡(luò)相比能取得了更好的性能。

1.2 模型驅(qū)動

在毫米波大規(guī)模MIMO系統(tǒng)中,由于射頻鏈的數(shù)量有限,信道估計非常復(fù)雜,經(jīng)常將傳統(tǒng)算法與深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)合來進(jìn)行信道估計。文獻(xiàn)[20]提出了一種基于學(xué)習(xí)降噪的近似消息傳遞(Learned Denoising-based Approximate Message Passing,LDAMP)網(wǎng)絡(luò)來解決這一問題。LDAMP網(wǎng)絡(luò)對天線陣列中的所有信道使用單一導(dǎo)頻,即使在使用少量RF鏈的情況下,性能也優(yōu)于傳統(tǒng)的近似消息傳遞(Approximate Message Passing,AMP)變體,這證明了該算法的實(shí)用性和有效性。類似地,為了結(jié)合神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)壓縮感知模型的優(yōu)點(diǎn),文獻(xiàn)[34]提出了一種新的基于AMP的深度殘余學(xué)習(xí)網(wǎng)絡(luò),稱為LampResNet。它主要由兩個部分組成:學(xué)習(xí)型近似消息傳遞(Learned Approximate Message Passing,LAMP)網(wǎng)絡(luò)和深度殘余學(xué)習(xí)網(wǎng)絡(luò)。前者利用波束空間信道矩陣的稀疏性得到初步估計結(jié)果,后者是為了降低信道噪聲的影響,進(jìn)一步細(xì)化LAMP網(wǎng)絡(luò)得到的粗估計,它在計算復(fù)雜度和性能方面相對于壓縮感知算法均有良好提升。基于文獻(xiàn)[20]的缺陷,文獻(xiàn)[35]在LDAMP網(wǎng)絡(luò)的基礎(chǔ)上設(shè)計了一種更好的基于CNN的去噪網(wǎng)絡(luò),產(chǎn)生了全卷積的AMP去噪算法(Fully Convolutional Denoising Approximate Message Passing,FCDAMP),其中所需導(dǎo)頻長度小于要估計的信道分量,降低了導(dǎo)頻的數(shù)量,增大了信道的數(shù)據(jù)傳輸效率,并且在歸一化均方誤差和可實(shí)現(xiàn)和率方面,比LDAMP[20]和其他變體的AMP具有連續(xù)的性能。在文獻(xiàn)[34]的基礎(chǔ)上,為了提高估計精度,文獻(xiàn)[36]提出了另一種建立在LAMP方法基礎(chǔ)上的信道估計器,即先驗輔助高斯混合LAMP。在第一階段的高斯混合LAMP算法中,基于波束空間信道單元的高斯混合分布提出了一種新的收縮函數(shù);然后在第二階段根據(jù)推導(dǎo)出的收縮函數(shù)進(jìn)行基于高斯混合LAMP的波束空間信道估計。利用理論信道模型和基于光線跟蹤的信道數(shù)據(jù)集進(jìn)行仿真,結(jié)果表明該算法在NMSE方面優(yōu)于OMP、AMP和LAMP算法。除了對時分上行信道進(jìn)行估計以外,文獻(xiàn)[37]還考慮了頻分雙工系統(tǒng)的下行信道估計和反饋問題。通過利用先驗?zāi)Ｐ椭行诺赖慕Y(jié)構(gòu)化稀疏性和從數(shù)據(jù)樣本中學(xué)習(xí)集成的可訓(xùn)練參數(shù),所提出的多測量向量學(xué)習(xí)近似消息傳遞(Multiple-Measurement-Vectors Learned Approximate Message Passing,MMV-LAMP)網(wǎng)絡(luò)與設(shè)計的冗余字典可以聯(lián)合恢復(fù)多個子載波的信道,并顯著提高性能。其中,文獻(xiàn)[20]、[35]和[36]中提出的方法使用著名的Saleh-Valenzuela通道模型進(jìn)行模擬,文獻(xiàn)[36]還使用文獻(xiàn)[38]提供的實(shí)用射線跟蹤通道數(shù)據(jù)集進(jìn)行了進(jìn)一步的計算機(jī)模擬。表2總結(jié)了典型的基于模型驅(qū)動的信道估計算法。

表2 典型的基于模型驅(qū)動的信道估計算法

從表2可知,基于模型驅(qū)動的算法大多使用AMP算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合。圖5給出了幾種典型基于模型驅(qū)動信道估計網(wǎng)絡(luò)的NMSE性能對比。下面分別對LAMPA和LampResNet的信道估計進(jìn)行描述以及原理分析。

圖5 模型驅(qū)動的信道估計網(wǎng)絡(luò)的NMSE性能

1.2.1 LDPMA信道估計

文獻(xiàn)[20]將具有一定性能保證的傳統(tǒng)算法與深度學(xué)習(xí)相結(jié)合,提出了一種用于信道估計的LDAMP。該神經(jīng)網(wǎng)絡(luò)將去噪卷積神經(jīng)網(wǎng)絡(luò)(Denoising Convolutional Neural Network,DnCNN)[39]融合到迭代稀疏信號恢復(fù)算法中進(jìn)行信道估計,其原理是在AMP算法中加入用于圖像恢復(fù)的去噪卷積神經(jīng)網(wǎng)絡(luò)來代替原始的收縮函數(shù),將信道矩陣視為二維圖像,對天線陣中的所有信道都使用一個導(dǎo)頻器。圖6展示了DnCNN去噪器的網(wǎng)絡(luò)結(jié)構(gòu),它由20個卷積層組成,第一個卷積層使用64個不同的3×3×1濾波器;接下來的18個卷積層中的每一層都使用64個不同的3×3×64濾波器,每個濾波器后面都有歸一化和一個ReLU激活函數(shù);最后的卷積層使用一個獨(dú)立的3×3×64濾波器來重構(gòu)信號。代替?zhèn)鹘y(tǒng)的直接從噪聲圖像到去噪圖像的映射,該網(wǎng)絡(luò)以帶噪信道作為輸入,并產(chǎn)生殘差噪聲作為輸出。這種方法被稱為殘差學(xué)習(xí),它對網(wǎng)絡(luò)進(jìn)行渲染,去除高度結(jié)構(gòu)化的自然圖像而不是非結(jié)構(gòu)化的噪聲。殘差學(xué)習(xí)提高了網(wǎng)絡(luò)的訓(xùn)練時間和準(zhǔn)確性,仿真表明LDAMP網(wǎng)絡(luò)的性能優(yōu)于最先進(jìn)的基于壓縮感知的算法。

圖6 DnCNN去噪器的網(wǎng)絡(luò)結(jié)構(gòu)[20]

1.2.2 LAMP+ ResNet信道估計

文獻(xiàn)[34]提出了一種新的基于AMP的深度殘差學(xué)習(xí)網(wǎng)絡(luò),即LampResNet,用于波束空間信道估計。它主要由LAMP網(wǎng)絡(luò)和ResNet[40]兩個部分組成,首先利用LAMP網(wǎng)絡(luò)對信道矩陣進(jìn)行初步估計,然后利用ResNet進(jìn)一步降低信道噪聲的影響,對LAMP網(wǎng)絡(luò)得到的粗估計結(jié)果進(jìn)行修正。圖7展示了LampResNet的網(wǎng)絡(luò)結(jié)構(gòu)。首先訓(xùn)練一個展開的LAMP網(wǎng)絡(luò),得到真實(shí)信道向量的初步估計結(jié)果,同時引入一個深度ResNet,進(jìn)一步縮小這兩者之間的差異。同時,為了生成與輸入尺寸相同的特征圖,在每一層都添加了相應(yīng)的填充,因此所提出的網(wǎng)絡(luò)尺寸可以根據(jù)天線陣列尺寸的變化進(jìn)行適當(dāng)調(diào)整。仿真結(jié)果表明,所提出的估計網(wǎng)絡(luò)的性能優(yōu)于傳統(tǒng)的壓縮感知的算法和一些最新的基于深度學(xué)習(xí)的方法,其在線計算復(fù)雜度與AMP相當(dāng)。此外,由于AMP的數(shù)學(xué)模型和殘差學(xué)習(xí)的能力,該網(wǎng)絡(luò)的訓(xùn)練階段的計算復(fù)雜度通常低于其他基于深度學(xué)習(xí)的方法。

圖7 LampResNet 的網(wǎng)絡(luò)結(jié)構(gòu)[34]

2 挑戰(zhàn)與趨勢

深度學(xué)習(xí)技術(shù)在處理大量數(shù)據(jù)和急劇變化的信道環(huán)境方面的卓越能力表明,它可以提高無線通信系統(tǒng)的性能。然而,尚有一些共性問題仍沒有得到解決。其一,跟傳統(tǒng)的信道估計相比,基于深度學(xué)習(xí)的信道估計由于將參數(shù)訓(xùn)練的部分看成“黑盒”模式,可解釋性欠缺,造成難以直接對模型的性能參數(shù)進(jìn)行分析,只能根據(jù)經(jīng)驗去做嘗試。其二,深度學(xué)習(xí)一般分為模型訓(xùn)練和在線學(xué)習(xí)部分,然而實(shí)際信道估計中,信道變化是不可預(yù)測的,要在模型訓(xùn)練階段學(xué)習(xí)所有可能的信道模型、多普勒頻率等信道條件是不現(xiàn)實(shí)的,因此存在神經(jīng)網(wǎng)絡(luò)泛化能力差的挑戰(zhàn)。如何將訓(xùn)練好的模型能應(yīng)用于多種實(shí)際信道場景,并同樣能取得較好的性能效果也是一個亟待解決的問題。

下面將未來可能的基于深度學(xué)習(xí)的信道估計研究趨勢梳理如下:

1)深度學(xué)習(xí)利用數(shù)據(jù)驅(qū)動模型在信道估計、資源分配、預(yù)編碼、CSI反饋等通信應(yīng)用中表現(xiàn)出了良好的性能,然而,這些框架并沒有得到相關(guān)的數(shù)學(xué)推導(dǎo)的嚴(yán)格證明,即這些框架缺少支撐性的可解釋原理。此外,可靠的理論將有助于理解深度學(xué)習(xí)網(wǎng)絡(luò)模型,這是修改網(wǎng)絡(luò)和開發(fā)更有效的網(wǎng)絡(luò)模型的基礎(chǔ)。由于基于模型驅(qū)動的深度學(xué)習(xí)信道估計方法將神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的模型結(jié)合起來對里面的某些參數(shù)進(jìn)行優(yōu)化,其在模型上具有一定的可解釋性,因此這個方向還有待繼續(xù)研究和探討。但在基于深度學(xué)習(xí)的無線物理層領(lǐng)域,學(xué)習(xí)方法的規(guī)則還不清楚,基于深度學(xué)習(xí)的通信框架的最佳結(jié)果仍然未知,應(yīng)該應(yīng)用哪種網(wǎng)絡(luò)去優(yōu)化相應(yīng)的模型參數(shù)以實(shí)現(xiàn)性能提升都有待探討。此外,除了Sigmoid函數(shù)等經(jīng)典激活函數(shù)之外,能否為基于深度學(xué)習(xí)的無線通信物理層推導(dǎo)出特定的函數(shù)并提高其性能也是需要關(guān)注和研究的。

2)目前我國科技部正在推進(jìn)科技創(chuàng)新2030——“新一代人工智能”重大項目,國家自然科學(xué)基金委也在組織“可解釋、可通用的下一代人工智能方法”重大研究計劃,均是聚焦可信可靠、可解釋和強(qiáng)魯棒性的技術(shù)問題,研發(fā)更加可靠更加安全、過程以及結(jié)果具備可解釋性以及可以面向復(fù)雜多場景及應(yīng)用的更加魯棒的通用人工智能方法、網(wǎng)絡(luò)以及基礎(chǔ)共性平臺?，F(xiàn)在大部分深度學(xué)習(xí)方法都是采用“黑盒”模式,未來伴隨通用的基礎(chǔ)模型的升級迭代,將會產(chǎn)生更多新型的網(wǎng)絡(luò)和算法,可以將其應(yīng)用到信道估計中,滿足高精度通信指標(biāo)的同時具備可信和強(qiáng)魯棒性。

3)專用無線通信受制于應(yīng)用場景,缺乏足夠多的信道數(shù)據(jù),同時所采集到的數(shù)據(jù)無法進(jìn)行標(biāo)記。面對這種需求,需要采取多方法結(jié)合的形式進(jìn)行信道估計算法設(shè)計。針對數(shù)據(jù)量少甚至沒有的問題,可以借鑒遷移學(xué)習(xí)、元學(xué)習(xí)的思路;對于數(shù)據(jù)無法標(biāo)簽化,需要考慮采用無監(jiān)督學(xué)習(xí)或半監(jiān)督學(xué)習(xí)。因此,圍繞一些特殊應(yīng)用場景的專用通信需求,在考慮采用人工智能方法的時候,需要將深度學(xué)習(xí)、遷移學(xué)習(xí)/元學(xué)習(xí)、無監(jiān)督/半監(jiān)督等學(xué)習(xí)方法進(jìn)行綜合應(yīng)用。

4)面向未來蜂窩移動通信、網(wǎng)絡(luò)以及應(yīng)用的深度學(xué)習(xí)大模型。隨著深度學(xué)習(xí)的網(wǎng)絡(luò)越來越復(fù)雜,層數(shù)越來越深,數(shù)據(jù)量越來越多,現(xiàn)有的中央處理器(Central Processing Unit,CPU)和圖形處理器(Graphics Processing Unit,GPU)已經(jīng)不能滿足海量深度學(xué)習(xí)的算力需求。目前業(yè)界又在推進(jìn)數(shù)據(jù)處理單元(Data Processing Unit,DPU)的部署,同時我國正在大力發(fā)展量子計算,因此將來算力將得到極大的提升,現(xiàn)在面向深度學(xué)習(xí)的算力瓶頸問題將不復(fù)存在。屆時,不僅僅是信道估計、信道譯碼、均衡等相關(guān)的通信基帶信號處理,發(fā)射機(jī)和接收機(jī)聯(lián)合信號處理,物理層、網(wǎng)絡(luò)層、應(yīng)用層等不同協(xié)議棧的處理,例如現(xiàn)在處于熱點(diǎn)研究的通信感知一體化、語義通信等,均可以通過基于深度學(xué)習(xí)的大模型進(jìn)行解決。目前國內(nèi)有一些機(jī)構(gòu)在深度學(xué)習(xí)大模型領(lǐng)域已有一些研究成果,例如京東探索研究院,這方面也值得繼續(xù)跟蹤與關(guān)注。

3 結(jié)束語

本文總結(jié)了基于深度學(xué)習(xí)的信道估計技術(shù)的最新進(jìn)展,將目前主流的深度學(xué)習(xí)信道估計方法分為數(shù)據(jù)驅(qū)動和模型驅(qū)動兩類,分別對其中典型的解決方案進(jìn)行了歸納、分析。但是,許多技術(shù)實(shí)現(xiàn)都處于初級階段,關(guān)于深度學(xué)習(xí)的應(yīng)用還存在可解釋性、信道數(shù)據(jù)獲取以及大模型的算法瓶頸等許多開放的研究問題,因此要徹底使用深度學(xué)習(xí)理論解決無線通信物理層問題還需要進(jìn)一步探索和實(shí)踐。