1、 大數(shù)據(jù)在無線通信中的應(yīng)用 0引言 當(dāng)今世界，無線通信技術(shù)發(fā)展迅速，無線通信進入第五代（5g）時代需實現(xiàn)上千倍容量，毫秒延遲和大量的連接1-2。為了滿足上述要求，一些關(guān)鍵技術(shù)，如大規(guī)模多輸入多輸出（mul-tiple-inputmultiple-output，mimo），毫米波（millimeterwave,mmwave）等已被提出。這些技術(shù)在工程應(yīng)用中均表現(xiàn)出相同的特點，即具有處理大型無線數(shù)據(jù)的能力。對于無線通信，其對移動速度和通信質(zhì)量具有較高的要求，然而在滿足大數(shù)據(jù)和高速復(fù)雜場景中的通信需求中，傳統(tǒng)的通信技術(shù)存在以下固有的局限性：（1）復(fù)雜場景中信道建模困難：通信的設(shè)計系統(tǒng)在很大程度上依賴

2、于現(xiàn)實的信道條件。而在實際應(yīng)用中，這些模型的建模在復(fù)雜的場景中變得十分困難3。例如，在大規(guī)模mimo系統(tǒng)中天線數(shù)量的增加改變了信道屬性4，相應(yīng)的信道模型存在未知的因素。很多情況下，信道不能用嚴格的數(shù)學(xué)模型來描述。因此，設(shè)計適合信道模型的算法必不可少。（2）魯棒的信號處理算法的需求：使用低成本硬件，例如低功耗、低分辨率模數(shù)轉(zhuǎn)換器5引入了額外的信號非線性失真，這需要使用高魯棒的接收處理算法，例如，信道估計和檢測的算法。然而,使用這些算法可能會增加計算的復(fù)雜度。在這種情況下，具有實時大數(shù)據(jù)處理能力且更有效和高魯棒的信號處理算法是必需的。（3）塊結(jié)構(gòu)通信受限系統(tǒng)：傳統(tǒng)的通信系統(tǒng)由幾個處理模塊，如信道編

3、碼、調(diào)制和信號檢測，盡管研究人員多年來嘗試優(yōu)化每個算法的處理模塊并在實踐中取得成功，但并不能使得整個通信系統(tǒng)能得到最優(yōu)的性能，因為通信的根本問題取決于接收端可靠的消息恢復(fù)6。因此，如果對每個模塊進行的子優(yōu)化替換為端到端的優(yōu)化，就有希望進一步改進系統(tǒng)性能。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7-11。與傳統(tǒng)的機器學(xué)習(xí)算法12-14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)

4、構(gòu)，這可以代替手動從原始數(shù)據(jù)中提取特征?；赿l的通信系統(tǒng)具有良好的應(yīng)用復(fù)雜場景主要有如下原因：首先，dl是一種數(shù)據(jù)驅(qū)動的方法，其模型是在大型訓(xùn)練數(shù)據(jù)集上優(yōu)化得到的，基于dl的通信系統(tǒng)不需要建立數(shù)學(xué)模型。其次，能夠處理大數(shù)據(jù)也是dl重要的特點，dl采用分布式并行計算體系結(jié)構(gòu)，保證了計算速度和計算速度處理能力。dl系統(tǒng)由于其擁有快速開發(fā)并行處理體系結(jié)構(gòu)，如圖形處理單元，在處理大數(shù)據(jù)上具有巨大的潛力。最后，基于dl的通信系統(tǒng)可實現(xiàn)整個系統(tǒng)性能的改進，因為模型經(jīng)過端到端的訓(xùn)練優(yōu)化了整體的性能，而對單個模塊結(jié)構(gòu)沒有要求。本文旨在對近年來在基于大數(shù)據(jù)的dl在無線通信物理層的研究作出綜述，本文的組織結(jié)構(gòu)如

5、下：第二節(jié)簡要概述無線通信物理層的系統(tǒng)框圖。第三節(jié)介紹了幾個dl應(yīng)用到通信物理層的示例。第四節(jié)討論了未來研究的領(lǐng)域和挑戰(zhàn)。第五節(jié)是全文總結(jié)。 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，以期達到更優(yōu)的性能。 2幾個典型的dl應(yīng)用到物理層的案例 本節(jié)給出了一些dl應(yīng)用在通信物理層的典型例子，包括

6、聯(lián)合信道估計和信號檢測、聯(lián)合均衡和信號譯碼、大規(guī)模mimocsi壓縮反饋和mmwave大規(guī)模mimo混合預(yù)編碼。下面分別進行介紹。 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。文獻7提出了一種聯(lián)合信道估計和信號檢測方法。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)

7、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 文獻15提出了一種聯(lián)合均衡和信號譯碼的方法，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

8、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。csinet16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n1大小的適量，再利用全連接層生成m1大小的壓縮數(shù)據(jù)(m

9、n)。由于不需要cs測量矩陣，減少了反饋開銷。在解碼器上，利用一個全連接層、兩個殘差層和一個卷積層對壓縮的csi進行重構(gòu)。結(jié)果表明，csinet算法在不同壓縮比和復(fù)雜度上的性能明顯優(yōu)于基于cs的方法。 2.4基于dl的mmwave大規(guī)模mimo混合預(yù)編碼 mmwave一直被認為是一種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，文獻17提出了一個基于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

10、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，我們認為，通用模型將有助于在

11、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）嚴謹?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)出嚴謹

12、的數(shù)學(xué)證明和基本的理論來進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。（4）真實數(shù)據(jù)集的獲得近年來dl技術(shù)應(yīng)用于各種領(lǐng)域，并且得到飛速發(fā)展，這很大程度上歸功于能夠獲得真實的開源數(shù)據(jù)集。訓(xùn)練和測試數(shù)據(jù)集的質(zhì)量和數(shù)量對基于dl框架的性能有很大的影響。在計算機科學(xué)領(lǐng)域，隨著自然語言處理，計算機視覺和自動駕駛的飛速發(fā)展，已經(jīng)提供了許多公開的的數(shù)據(jù)集，如imagenet和mnist。然而，在基于dl的無線通信領(lǐng)域，雖然有一些數(shù)據(jù)集可以應(yīng)用于某些領(lǐng)域，但目前存在的可用數(shù)據(jù)集很少。為了便于研究，未來還需要有一些可靠的數(shù)據(jù)集。 4結(jié)語 本文概述了基于大數(shù)據(jù)的dl在無線通信物理層應(yīng)用的最新進展，并著重描述了幾個典型的基于dl的通信案例。與傳統(tǒng)方法相比，基于dl的算法在通信系統(tǒng)里表