基于人工智能的無線傳輸技術最新研究進展

張靜，金石，溫朝凱，高飛飛，江濤

?

基于人工智能的無線傳輸技術最新研究進展

張靜1，金石1，溫朝凱2，高飛飛3，江濤4

（1. 東南大學移動通信國家重點實驗室，江蘇 南京 210096；2. 臺灣中山大學通訊工程研究所，臺灣 高雄 000800；3. 清華大學自動化系，北京 100084；4. 華中科技大學武漢光電國家研究中心，湖北 武漢 430074）

智能通信被認為是5G之后無線通信發展的主流方向之一，其基本思想是將人工智能引入無線通信系統的各個層面，實現無線通信與人工智能技術的有機融合。目前，該方面研究正在向物理層快速推進，無線傳輸技術與人工智能的融合還處于初步探索階段。面向基于人工智能的無線傳輸關鍵技術，從信道估計、信號檢測、信道狀態信息反饋與重建、信道解碼、端到端的無線通信系統方面展開了詳細介紹，闡述了近年來國際學術界在該方向的最新研究進展，并在此基礎上對利用人工智能的無線傳輸技術發展趨勢進行了進一步展望。

人工智能；無線傳輸技術；深度學習

1 引言

自2010年以來，5G技術備受學術界和工業界的關注，其主要特點為高維度、高容量、更密的網絡、更低的時延。相比于已經商用化的4G系統，5G無線傳輸速率提升10~100倍，峰值傳輸速率達到10 Gbit/s，端到端時延減至毫秒級，連接設備密度增加10~100倍，流量密度提高1 000倍，頻譜效率提升5~10倍，能夠在500 km/h的速度下保證用戶體驗。與面向人與人通信的2G/3G/4G不同，5G在設計之初，就考慮了人與人、人與物、物與物的互連。國際電信聯盟發布的5G八大指標包括：基站峰值速率、用戶體驗速率、頻譜效率、流量空間容量、移動性能、網絡能效、連接密度和時延。

迄今為止，5G主要從3個維度實現上述指標，即空口增強、更寬的頻譜以及網絡密集化。這3個維度最具代表性的使能技術分別對應大規模MIMO（multiple-input multiple-output，MIMO）、毫米波通信以及超密集組網。大規模MIMO因具備提升系統容量、頻譜效率、用戶體驗速率、增強全維覆蓋和節約能耗等諸多優點，被認為是5G最具潛力的核心技術。然而，大規模MIMO的發展和應用也面臨諸多問題，如對于不具有上下行互易性的頻分雙工（frequency division duplex，FDD）系統，如何有效地實現基站側的信道狀態信息獲取。毫米波是指波長在毫米數量級的電磁波，其頻率大約在30~300 GHz。現有的無線通信系統所用到頻段大多集中在300 MHz~ 3 GHz，對毫米波段的利用率較低。毫米波技術通過增加頻譜帶寬，有效提高網絡傳輸速率，但會受傳播路徑損耗、建筑物穿透損耗和雨衰等因素的影響，在實際應用中面臨著巨大挑戰[1]。另外，毫米波通信可與大規模MIMO有機融合，通過大規模MIMO波束成形帶來的增益彌補毫米波穿透力差的劣勢。超密集組網（ultra dense network，UDN）通過更加“密集化”的無線網絡部署，將站間距離縮短為幾十米甚至十幾米，使得站點密度大大增加，從而提高頻譜復用率、單位面積的網絡容量以及用戶體驗速率。綜合來看，大規模MIMO利用超高天線維度充分挖掘利用空間資源，毫米波通信利用超大帶寬提升網絡吞吐量，超密集組網利用超密基站提高頻譜利用率，由此產生了海量的無線大數據，為未來無線通信系統利用人工智能手段提供了數據來源。

另一方面，近年來人工智能特別是深度學習在計算機視覺、自然語言處理、語音識別等領域獲得了巨大成功[2]，無線通信領域的研究者們期望將其應用于系統的各個層面，進而產生智能通信系統，實現真正意義上的萬物互聯，滿足人們對數據傳輸速率日新月異的需求。因此，智能通信被認為是5G之后無線通信發展的主流方向之一，其基本思想是將人工智能引入無線通信系統的各個層面，實現無線通信與人工智能技術的有機融合，大幅度提升無線通信系統的效能。學術界和工業界正在上述領域開展研究工作，前期的研究成果集中于應用層和網絡層，主要思想是將人工智能特別是深度學習的思想引入無線資源管理和分配等領域。目前，該方向的研究正在向MAC層和物理層推進，特別在物理層已經出現無線傳輸與深度學習等結合的趨勢，然而，各項研究目前尚處于初步探索階段。

盡管無線大數據為人工智能應用于物理層提供可能[3]，智能通信系統的發展仍處于探索階段，機遇與挑戰并存。追溯歷史，無線通信系統從1G演進至5G并獲得巨大成功，其根源在于基于香農信息論的無線傳輸理論體系架構的建立與完善。一個典型的無線通信系統由發射機、無線信道和接收機構成，如圖1所示。發射機主要包括信源、信源編碼、信道編碼、調制和射頻發送等模塊；接收機包括射頻接收、信道估計與信號檢測、解調、信道解碼、信源解碼以及信宿等模塊。智能通信的無線傳輸研究旨在打破原有的通信模式，獲得無線傳輸性能的大幅提升。目前這方面的研究面臨諸多挑戰，國內外研究者進行了初步探索。本文主要介紹深度學習應用于無線傳輸技術的最新研究進展，主要包括信道估計、信號檢測、信道狀態信息（channel state information，CSI）的反饋與重建、信道解碼以及端到端的通信系統。

圖1 典型的無線通信系統

2 深度學習簡介

1996年Langley將機器學習定義為人工智能的一個分支，旨在依賴經驗知識提高系統性能。經過20世紀以來的長期研究，研究者提出了邏輯回歸、決策樹、支持向量機和神經網絡等各種算法。2006年，Hinton等人[4]在《Science》上發表論文，其主要觀點有：多隱層的人工神經網絡具有優異的特征學習能力；可通過“逐層預訓練”來有效克服深層神經網絡在訓練上的困難，從此引出深度學習的研究。而后，深度學習在語音識別領域和圖像識別領域取得巨大成就。深度學習作為一種新興的神經網絡算法，具有多種結構，包括深度神經網絡（deep neural network，DNN）、卷積神經網絡（convolutional neural network，CNN）、循環神經網絡（recurrent neural network，RNN）和生成對抗神經網絡（generative adversarial network，GAN）等。下面詳細介紹4類深度學習網絡的基本結構。

2.1 深度神經網絡

DNN也被稱為多層感知機。DNN基本結構如圖2所示，由輸入層、多個隱藏層和輸出層構成。每個隱藏層包含多個神經元，每個神經元連接到相鄰的層，同層神經元互不連接。單個神經元將各個輸入與相應權重相乘，然后加偏置參數，最后通過非線性激活函數。激活函數類型見表1。反向傳播算法是一種有效的DNN優化方法，隱藏層和神經元數量的增加使得訓練過程變得困難，會遇到如梯度消失、收斂緩慢以及收斂到局部最小值等問題。為了解決消失梯度問題，引入了新的激活函數來代替經典的Sigmoid函數。為了提高收斂速度和降低計算復雜度，經典梯度下降法（gradient descent，GD）被調整為隨機梯度下降法（stochastic gradient descent，SGD），它隨機選擇一個樣本來計算每次的損失和梯度。隨機特性在訓練過程中會引起強烈的波動，因此，在經典的GD和SGD之間采用小批量隨機梯度下降法（small-batch SGD）進行訓練。然而，這些算法仍然會出現收斂于局部最優解。為了解決這一問題并進一步提高訓練速度，幾種自適應學習速率算法應運而生，如Adagrad、RMSProp、Momentum、Adam等[4]。如果訓練后的網絡在訓練數據上表現良好，在測試過程中表現不佳，則出現過度擬合現象。在這種情況下，為了在訓練和測試數據上取得良好的結果，提出了正則化（regularization）和丟棄（dropout）等方案。

圖2 DNN基本結構

表1 激活函數類型

2.2 卷積神經網絡

CNN的基本結構包括輸入層、多個卷積層、多個池化層、全連接層及輸出層，如圖3所示。卷積層和池化層采用交替設置，即一個卷積層連接一個池化層，池化層后再連接一個卷積層，依此類推。由于卷積層中卷積核的每個神經元與其輸入進行局部連接，并通過對應的連接權值與局部輸入進行加權求和再加入偏置值，得到該神經元輸出值，該過程等同于卷積過程，因此被稱為卷積神經網絡。

圖3 CNN基本結構

2.3 循環神經網絡

RNN是一種對序列數據建模的神經網絡，即一個序列當前的輸出與前面的輸出也有關。具體的表現形式為網絡會對過去時刻的信息進行記憶并應用于當前輸出的計算中，即隱藏層之間的節點不再是無連接的而是有連接的，并且隱藏層的輸入不僅包括輸入層還包括上一時刻隱藏層的輸出。圖4是一個RNN模型的示例。循環神經網絡旨在為神經網絡提供記憶，因為輸出不僅依賴于當前輸入，而且還依賴于過去時刻可用的信息或將來時刻可用的信息。圖4所示的時延步長（time step）為3。常用的RNN包括Elman網絡、Jordan網絡、雙向RNN和長短時記憶（long short term memory，LSTM）。

圖4 RNN基本結構

2.4 生成對抗神經網絡

GAN是一種新型的分布學習生成方法，目的是學習一種能夠在真實分布的數據集上生成偽樣本的模型。GAN的結構如圖5所示，包含一個生成器G和一個鑒別器D。生成器和鑒別器均由DNN實現。鑒別器用于區分生成器生成的偽樣本和實際數據集的真樣本，生成器任務是生成樣本數據使得鑒別器區分不出真樣本和偽樣本。在訓練過程中，生成器將輸入噪聲與樣本的先驗分布p()映射到一個樣本。然后采集來自真實數據的樣本和來自于生成器G的樣本，以訓練鑒別器D，以最大化區分這兩類的能力。如果鑒別器D成功地對真樣本和假樣本進行分類，那么它的成功可以反饋給生成器G，從而促使生成器G學會生成與真樣本更相似的樣本。訓練過程在達到平衡時結束，此時鑒別器D只能隨機猜測真樣本和產生的偽樣本。

圖5 GAN基本結構

3 深度學習在無線傳輸技術中的應用

本節面向基于深度學習的無線物理層關鍵技術，從信道估計、信號檢測、CSI反饋與重建、信道解碼以及端到端無線通信系統5個方面展開詳細介紹，展示了近年來國際學術界在該方面的最新研究進展。

3.1 信道估計

在大規模MIMO波束毫米波場景下，信道估計極具挑戰性，尤其是在天線陣列密集、接收機配備的射頻鏈路受限的場景。參考文獻[5]提出LDAMP網絡來解決這一信道估計問題。該網絡將信道矩陣視作二維圖像作為輸入，并將降噪的卷積神經網絡融合到迭代信號重建算法中進行信道估計。LDAMP基于D-AMP算法[6]，由層完全相同的結構串聯而成。每層由降噪器、散度估量器和連接的系數組成。降噪器由具有20個卷積層的DnCNN實現，在LDAMP網絡起到決定性作用。在未知噪聲強度情況下，DnCNN降噪器能夠解決高斯降噪問題，比其他降噪技術準確度更高、計算速度更快。它不是直接從含有噪聲的信道圖像中學習信道圖像，而是先學習殘余噪聲，然后通過相減操作獲得信道估計的圖像。殘差學習不僅降低了訓練時間，也增強了信道估計的準確性。仿真結果表明LDAMP網絡的性能優越于當前最具潛力的其他信道估計方法。

從MMSE算法的基本結構出發，參考文獻[7]提出了一種基于深度學習的信道估計器，其中估計的信道向量為條件高斯隨機變量，協方差矩陣具有隨機性。如果協方差矩陣具有特普利茲特性和移不變的結構特性，則MMSE信道估計器的復雜度將降低很多。在信道的協方差矩陣不具備上述特性時，信道估計的復雜度將會變得很大。為了降低信道估計的復雜度，參考文獻[7]仍假設采用MMSE的結構模型，并利用CNN對誤差進行補償。仿真結果表明，提出的信道估計器在降低復雜度的同時，也保證了信道估計的準確性。

參考文獻[5]和參考文獻[7]不僅考慮到實際問題中的模型特點，而且以已有算法為基礎，使整個深度學習網絡的學習參數較少，而且準確性高、復雜性低，更具競爭力。

3.2 信號檢測

參考文獻[8]利用DNN實現OFDM（orthogonal frequency division multiplexing，OFDM）系統中的信號檢測問題。傳統的OFDM系統信道估計和信號檢測是兩個獨立的功能模塊，即先進行信道估計獲得確切的CSI，然后利用估計的CSI對發送信號進行恢復。如圖1所示，信號原始恢復過程還涉及解調等模塊。與傳統無線通信不同，參考文獻[8]將信道估計和信號檢測視為一個整體，直接用DNN實現由接收信號到原始信號的映射。DNN的輸入為256，隱層結構為500-250-120，輸出為16。文中的OFDM系統采用64子載波，調制方式為正交相移（quadrature phase shift keying，QPSK）編碼，因此輸入信號為128 byte，因此需要8個相同結構的DNN進行訓練。所提出的DNN在訓練大量數據以后，能與傳統檢測算法最小均方誤差（minimum mean square error，MMSE）性能相比擬。在無循環前綴或降低峰均信噪比的OFDM非線性系統中，此DNN獲得的性能比傳統的MMSE提升很多。然而，這種提升并非表明這種設計的合理性，誤比特率也呈現一定的飽和性。飽和性是指隨著信噪比的增大，信號檢測的誤比特率不再下降或下降不明顯。在實際系統中，非線性情況還沒有得到很好的解決。另外需要提出的是一個子DNN需要訓練20 000次，一次訓練涉及50 000個數據。8個這樣的網絡其訓練時間和復雜度可想而知。

參考文獻[9]研究的是MIMO系統的信號重建問題，提出了信號檢測算法DetNet。DetNet在最大似然法基礎上加入梯度下降算法，從而生成一個深度學習網絡。為了測試DetNet的頑健性，考慮了兩種CSI已知的情景，即時不變信道和隨機變量已知的時變信道。仿真結果表明，DetNet性能優于傳統的信號檢測算法AMP（approximate message passing），而且與SDR（semidefinite relaxation）算法性能相當，具有極高的準確性和極少的時間開銷（該算法速度是傳統算法的30倍）。

參考文獻[10]與參考文獻[9]研究的問題相同，而且提出的解決方法均依賴已有的信號檢測算法。參考文獻[10]以OAMP（orthogonal approximate message passing，OAMP）迭代算法為基礎，結合深度學習網絡提出了OAMP-Net，目的是在原有算法基礎之上，加入可調節的訓練參數，進一步提升已有算法的信號檢測性能。OAMP算法在壓縮感知領域被提出來解決稀疏線性求逆問題，后被用于MIMO的信號檢測問題，與以往算法相比，OAMP算法復雜度降低很多。但是，信號檢測性能有所下降。OAMP算法是一種迭代算法，增加了算法的復雜度。為了進一步降低算法的復雜度，OAMP-Net包含了個串聯層，相當于算法的迭代過程。每個串聯層不僅實現了OAMP算法的全過程，而且加入了一些可訓練的參數使得OAMP算法更具彈性，在參數改變時，不僅能適應更多的信道場景，而且可以實現與其他算法模型的轉換。仿真結果表明，OAMP-Net的性能不僅高于OAMP算法，而且優越于更加復雜的LMMSE-TISTA算法，其算法復雜度更低且能適應于時變的信道。

不難看出，參考文獻[8]提出的深度學習網絡需要采集大量訓練數據，前期訓練工作量巨大，參考文獻[9-10]克服了這一困難，利用更簡單的訓練網絡實現了更好的信號檢測性能。

3.3 CSI反饋與重建

在頻分復用網絡中，MIMO系統中基站需要獲得下行鏈路的CSI反饋來執行預編碼以及實現性能增益。然而MIMO系統中的超多天線造成過量的反饋負載，因此傳統的CSI反饋負載降低方法不再適用于此場景。參考文獻[11]提出基于CNN的CSI感知與恢復機制CsiNet。CsiNet的感知部分也稱為編碼器，將原始CSI矩陣利用CNN轉化為碼本；CsiNet的恢復部分也稱為譯碼器，將接收到的碼本利用全連接網絡和CNN恢復成原始的CSI信號。編碼器網絡包括32×32輸入層、2個3×3卷積核、1×重建層（reshape）和一個線性的1×全連接層。解碼器網絡包括1×輸入層、1×全連接層、32×32重建層和兩個Refine網絡。Refine網絡包括4層3×3卷積層進行特征提取。參考文獻[12]在壓縮CSI反饋的空間復用MIMO系統中只是利用DNN將原始CSI矩陣壓縮為低維度的CSI信號，沒有涉及CSI反饋信號的進一步恢復。

參考文獻[13]在參考文獻[11]基礎上提出一種實時的基于LSTM的CSI反饋架構CsiNet-LSTM，該網絡利用CNN和RNN分別提取CSI的空間特征和幀內相關性特征，從而進一步提升反饋CSI的正確性。 CsiNet-LSTM的時延步長為，第一步時延步長的信道矩陣采用高壓縮率編碼器，其他-1個時延步長采用低壓縮率編碼器。-1個低壓縮率編碼器的輸出碼字分別與高壓縮率編碼器的輸出碼字串聯在一起，然后輸入相應的譯碼器中。最后的CSI重建由個時延步長具有3層2×32×32單元的LSTM執行。需要指出的是，此網絡編碼器和譯碼器部分與參考文獻[11]的CsiNet結構完全相同。利用時變MIMO信道時間相關性和結構特點，CsiNet-LSTM能實現壓縮率、CSI重建質量以及復雜度之間的折中。相比于CsiNet，該網絡以時間效率換取了CSI的重建質量。

參考文獻[11,13]提出的CSI反饋與重建算法均依賴大量數據進行離線訓練，網絡復雜度較高且泛化性能需要深入研究。

3.4 信道解碼

參考文獻[14]提出了一種基于DNN的信道解碼方法。該文獻得出了深度學習應用于信道解碼的兩個結論，一是如極化碼等結構碼比隨機碼更容易學習；二是針對結構碼，深度學習網絡能夠解碼沒有訓練過的碼字。在接收端，位信息比特被編碼為長度為的碼字，然后進行調制，發射機通過噪聲信道將其送至接收端。接收端的信道解碼器的任務是將接收的具有噪聲干擾的碼字恢復成相應的信息比特。信道解碼器由輸入層、3層隱層、輸出層構成。輸入層為具有噪聲干擾的碼字，輸出層為信息比特。3層隱層神經元結構為128-64-32。信道解碼深度學習用于信道解碼無疑會受到維度爆炸的限制，對于碼長為100，碼率為0.5的編碼來說，則存在250種不同的碼字。因此，該網絡只適應于碼字較短的信道編碼技術。仿真結果表明，對于結構碼來說，訓練219次則接近最大后驗概率（maximum a posteriori，MAP）解碼器的性能。而對于隨機碼來說，訓練219次性能遠遠不及MAP解碼器。另外，參考文獻[14]分別對不同的隱層結構128-64-32、256-128-64、512-256-128和1 024-512-128進行了比較，對于此解碼網絡來說，隱層結構越復雜，訓練的次數越多，該解碼器的性能越優越。

參考文獻[14]將解碼部分視作一個黑盒子，直接實現了從接收碼字到信息比特的轉換，該方式的性能雖然能與傳統方法相比擬，但是訓練次數呈指數上升，深度學習網絡結構也足夠復雜，當碼長發生改變時，該網絡需要被重新調整輸入輸出，并重新訓練，工作量之大可想而知。另外，該方法不適用于隨機碼，也不適合碼長較長的碼字，具有很大的局限性。參考文獻[15]與參考文獻[14]不同，在傳統極化碼迭代解碼算法基礎上，提出一種分離子塊的深度學習極化碼解碼網絡。該網絡主要包含兩個步驟：一是將原編解碼分割成個子塊，然后分別對各個子塊進行編碼/解碼，子塊解碼過程采用DNN，性能接近MAP解碼器的性能，子塊的引入克服了碼長過長造成的解碼復雜度問題；二是利用置信傳播（belief propagation，BP）解碼算法連接各個子塊，BP算法與子塊DNN連接實現并行處理。參考文獻[15]的解碼算法是一個高度并行的解碼算法，且不屬于迭代算法。該算法[15]與傳統算法相比，算法時延大大降低，且性能相當；與參考文獻[14]的解碼算法相比，該算法在訓練次數和網絡結構上的復雜度均大大降低。

考文獻[16]與參考文獻[15]均利用BP算法與深度學習網絡結合進行信道解碼。參考文獻[16]提出一種迭代的信道解碼算法BP-CNN，該算法將CNN與標準BP解碼器串聯，在噪聲環境中估計信息比特。在接收端，接收到的信號首先由BP解碼器進行處理以獲得原始的解碼結果，然后用接收信號與估計的傳輸符號相減獲得信道噪聲估計。由于存在解碼誤差，信道噪聲估計具有較大誤差。最后將信道噪聲估計輸入CNN以移除BP解碼器的估計誤差。標準BP接收機用于估計傳輸信號，CNN用于降低BP檢測器的估計誤差，并且獲得更加確切的信道噪聲估計。BP算法與CNN之間的迭代會逐漸提高檢測SNR，因此獲得更好的譯碼性能。BP-CNN不僅解碼性能優于標準BP算法，而且具有更低的復雜度。這是因為CNN的高效性，CNN大部分操作為線性運算，少部分為非線性運算。仿真結果表明，噪聲相關性越強，BP-CNN的性能優越性越高，當噪聲非相關時，BP-CNN的性能稍遜于BP算法。

對于高密度奇偶校驗碼（high density parity check，HDPC）來說，BP算法的性能相對較差。Tanner圖為校驗碼的校驗矩陣，Nachmani等人[17]提出了BP-DNN算法，該算法為Tanner圖的邊緣節點分配權重系數，并利用DNN進行訓練獲得這些系數，從而提升BP算法應用于HDPC的性能。BP-DNN的迭代次數約為BP算法的1/10，且性能優于傳統的BP算法。Nachmani等人[18]又提出BP-RNN算法，將RNN網絡與BP算法結合，進一步提升BP算法的性能。另外，參考文獻[18]將BP-RNN中的BP算法替換為改進的隨機冗余迭代算法（modified random redundant iterative algorithm，mRRD）算法，獲得的解碼性能優于mRRD算法。

上述基于深度學習的信道解碼方法中，參考文獻[14]將無線通信系統中解碼模塊看作黑盒子，其他文獻均與BP算法結合進一步尋求性能的提升以及復雜度的降低。

3.5 端到端無線通信系統

O’Shea等人[12]提出一種MIMO系統中基于深度學習自編碼器的物理層策略。在特定的信道環境下，此策略利用自編碼器對估計、反饋、編碼和解碼過程進行全局優化，以達到最大化吞吐量和最小化誤比特率的目的。參考文獻[12]利用自編碼器實現了3個無線通信系統，分別是：無CSI反饋的空間分集MIMO系統，完美CSI反饋的空間復用MIMO系統以及壓縮CSI反饋的空間復用MIMO系統。在特定信道環境下，此物理層策略獲得了較大的性能提升。

參考文獻[19]提出了一個點對點無線通信系統模型，詮釋了物理層的處理模塊由DNN替代的可行性。傳統無線通信系統的設計需要考慮硬件實現時各種不確定因素的影響，并進行時延、相位等方面的補償。其[19]提出的基于DNN的端到端無線通信系統也考慮了這些因素，在系統實現時進行兩個階段的訓練。第一階段為隨機信道下的發送、信道與接收DNN的訓練。第二個階段在第一階段網絡訓練參數的基礎上，在真實信道下再一次進行訓練，對訓練參數進行微調，使得整個系統的性能進一步提升。信道模塊中，時延和相位補償均被考慮到DNN的訓練中。接收模塊中，接收信號特征提取和相位補償由DNN替代，兩個DNN訓練結果串聯起來輸入接收DNN中。這種基于DNN的無線通信系統充分考慮了真實信道下的時變性，系統性能與傳統無線通信系統性能具有可比性。

參考文獻[20]利用DNN實現端到端無線通信系統，其中信號相關的功能模塊均利用DNN實現，如編碼、解碼、調制以及均衡。無線通信系統中瞬時CSI很難準確獲取，而且隨著時間和位置的改變不斷變化。整個端到端的無線通信系統在反向傳播計算梯度時由于信道未知無法進行。參考文獻[20]提出一種信道未知情況下的端到端系統，它不依賴任何信道的先驗知識。系統采用GAN代表無線信道影響，發送端的編碼信號作為條件信息。為了克服信道的時變性，導頻數據的接收信號也作為條件信息的一部分。此無線通信系統發送機和接收機各由一個DNN代替，GAN作為發送端與接收端的橋梁，使得反向傳播順利進行。發送DNN、接收DNN、信道生成GAN相互迭代進行訓練，最終得到全局最優解。仿真結果表明，利用GAN進行信道估計的方法與傳統信道估計性能相當，端到端無線通信系統的性能接近傳統的基于通信知識的信道模型系統。此方法打破了傳統模型化的無線通信模式，為無線通信系統設計開辟新道路。

基于端到端的無線通信系統也被稱為自編碼器，用編碼、信道、解碼過程代替原先的無線通信系統結構，編碼、信道、解碼部分均用深度學習網絡實現，是一種全新的無線通信系統實現思路。然而，多個DNN需要依賴大量的數據，數據的采集過程任務量巨大，如果環境或硬件系統發生改變，信息的采集過程需要重新進行，目前這種方式實現無線通信系統的可操作性較低。

4 總結與展望

5G技術呈現高維度、高容量、高密集的特點，在無線傳輸中產生海量數據，物理層中的大數據成為一個興趣點，期望利用人工智能提升物理層的傳輸性能。近年來，研究者已經對此做了初步探索，主要呈現出兩種類型的深度學習網絡，一種基于數據驅動，另一種基于數據模型雙驅動。基于數據驅動的深度學習網絡[8,11,14,19-20]將無線通信系統的多個功能塊看作一個未知的黑盒子，利用深度學習網絡取而代之，然后依賴大量訓練數據完成輸入到輸出的訓練。例如，參考文獻[8]將OFDM系統中整個接收模塊作為一個黑盒子，射頻接收機接收到信號之后，然后進行移除循環前綴操作，最后利用DNN直接完成從射頻接收機到信宿的過程。基于端到端的無線通信系統將整個通信系統由深度學習網絡全面替代，期望全局優化無線通信系統，獲得更好的性能[12,20]。基于數據模型雙驅動的深度學習網絡[5,7,9-10,15,18]在無線通信系統原有技術的基礎上，不改變無線通信系統的模型結構，利用深度學習網絡代替某個模塊或者訓練相關參數以提升某個模塊的性能。例如，參考文獻[6]在無線通信系統MIMO信號檢測模塊OAMP接收機基礎上，利用深度學習網絡引入可訓練的參數，進一步提升信號檢測模塊的性能。基于數據驅動的深度學習網絡主要依賴海量數據，而基于數據模型雙驅動的深度學習網絡主要依賴通信模型或者算法模型。

基于數據驅動的深度學習網絡通過大量實例學習，吸收了被人類分析員分別標記的大量數據，以生成期望的輸出。然而，訓練深度學習網絡需要大量的標記數據，積累和標記大量信息的過程不但費時而且成本高昂。除了積累標記數據的挑戰之外，大多數基于數據驅動的深度學習模型泛化性和自適應性較弱，即使網絡部分結構發生微小變化，也會導致訓練模型準確性大大降低。例如，如果參考文獻[8]發送端的調制方式更換為16QAM（quadrature amplitude modulation）或64QAM，網絡需要重新訓練。因此，調整或修改模型所耗費的代價相當于重新創建模型。為了減少訓練和調整深度學習模型的成本和時間，基于模型的深度學習網絡具有更好的泛化性和自適應性。蜂窩移動通信從1G演進到5G，無線通信系統性能的提升離不開功能模塊的建模，基于數據驅動的深度學習網絡摒棄這些已有的無線通信知識，需要海量數據進行訓練與學習，而獲得的性能達不到已有無線通信系統模型的性能。而基于數據模型雙驅動的深度學習網絡以物理層已有模型為基礎，可以顯著減少訓練或升級所需的信息量。由于已有的模型具有環境自適應性和泛化性，因此數據模型雙驅動深度學習網絡也具有這些特性，并且能在原模型基礎上進一步提升系統的性能。數據驅動與數據模型雙驅動的深度學習網絡比較見表2。由本文第3節的分析可知，數據模型雙驅動深度學習網絡在信道估計、信號檢測、信道解碼的應用上取得的良好性能，具有廣闊的發展前景。

表2 數據驅動與數據模型雙驅動的深度學習網絡比較

5 結束語

本文首先介紹了當前應用較廣的深度學習網絡的幾種類型，包括DNN、CNN、RNN和GAN。然后詳細闡述了深度學習應用于無線傳輸技術的最新研究成果，包括信道估計、信號檢測、CSI反饋與重建、信道解碼以及端到端無線通信系統。智能無線通信作為后5G發展的主流技術之一，物理層尋求技術上的突破關鍵在于利用大數據降低系統實現復雜度、提升系統性能。從最新研究進展中可以看出，數據模型雙驅動的深度學習網絡不僅能滿足這些需求，而且對數據的依賴性大大減小，成為最具潛力的發展方向之一。

[1] 倪善金, 趙軍輝. 5G無線通信網絡物理層關鍵技術[J]. 電信科學, 2015, 31(12): 40-45.

NI S J, ZHAO J H. Key technologies in physical layer of 5G wireless communications network[J]. Telecommunications Science, 2015, 31(12): 40-45.

[2] MAO Q, HU F, HAO Q. Deep learning for intelligent wireless networks: a comprehensive survey[J]. IEEE Communications Surveys & Tutorials, 2018(99):1.

[3] O’SHEA T J, HOYDIS J. An introduction to deep learning for the physical layer[J]. arXiv: 1702.008320, 2017.

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

[5] HE H, WEN C K, JIN S, et al. Deep learning-based channel estimation for beamspace mmWave massive MIMO systems[J]. IEEE Wireless Communications Letters, 2018(99): 1.

[6] METZLER C A, MOUSAVI A, BARANIUK R G. Learned D-AMP: principled neural network based compressive image recovery[J]. arXiv: 1704.06625, 2017.

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

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

[9] SAMUEL N, DISKIN T, WIESEL A. Deep MIMO detection[C]//IEEE International Workshop on Signal Processing Advances in Wireless Communications, Jul 3-6, 2017, Sapporo, Japan. Piscataway: IEEE Press, 2017.

[10] HE H, WEN C K, JIN S, et al. A model-driven deep learning network for MIMO detection[C]//Submitted to the 6th IEEE Global Conference on Signal and Information Processing, Nov 26-29, 2018, Anaheim, USA. Piscataway: IEEE Press, 2018.

[11] WEN C K, SHIH W T, JIN S. Deep learning for massive MIMO CSI feedback[J]. IEEE Wireless Communications Letters, 2018(99).

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

[13] WANG T Q, WEN C K, JIN S, et al. Deep learning-based CSI feedback approach for time-varying massive MIMO channels[J]. arXiv:1807.11673, 2018.

[14] CAMMERER S, HOYDIS J, BRINK S T. On deep learning-based channel decoding[C]//51st Annual Conference on Information Sciences and Systems, March 22-24, 2017, Baltimore, MD, USA. [S.l.:s.n.], 2017.

[15] CAMMERER S, HOYDIS J, BRINK S T. Scaling deep learning-based decoding of polar codes via partitioning[J]. arXiv: 1702.06901, 2017.

[16] 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.

[17] NACHMANI E, BEERY Y, BURSHTEIN D. Learning to decode linear codes using deep learning[C]//54th Annual Allerton Conference on Communication, Control, and Computing, Sept 27-31, 2016, Monticello, Illinois, USA. [S.l.:s.n.], 2016.

[18] 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.

[19] D?RNER S, CAMMERER S, HOYDIS J, et al. Deep learning based communication over the air[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 132-143.

[20] YE H, LI G Y, JUANG B H F, et al. Channel agnostic end-to-end learning based communication systems with conditional GAN[J]. arXiv: 1807.00447, 2018.

An overview of wireless transmission technology utilizing artificial intelligence

ZHANG Jing1, JIN Shi1, WEN Chaokai2, GAO Feifei3, JIANG Tao4

1. National Mobile Communications Research Laboratory, Southeast University, Nanjing 210096, China 2. Institute of Communications Engineering, Sun Yat-Sen University, Kaohsiung 000800, China 3. Department of Automation, Tsinghua University, Beijing 100084, China 4. Wuhan National Laboratory for Optoelectronics, Huazhong University of Science and Technology, Wuhan 430074, China

Intelligent communication is considered to be one of the mainstream directions in the development of wireless communications after 5G. Its basic idea is to introduce artificial intelligence into all aspects of wireless communication systems, realizing the significant integration of wireless communication and artificial intelligence technology. At present, the research in this field is advancing to the physical layer. The combination of wireless transmission and deep learning is also in the preliminary exploration stage. Key technologies of wireless physical layer based on deep learning were introduced in detail from the aspects of channel estimation, signal detection, feedback and reconstruction of channel state information, channel decoding, end-to-end wireless communication systems, the latest research progress of international academic circles in recent years was presented. On this basis, the development trend in the future was preliminarily forecasted.

artificial intelligence, wireless transmission, deep learning

TN929.5

A

10.11959/j.issn.1000?0801.2018234

張靜（1993?），女，東南大學移動通信國家重點實驗室博士生，主要研究方向為5G移動通信物理層關鍵技術、機器學習等。

金石（1974?），男，東南大學移動通信國家重點實驗室教授、博士生導師，主要研究方向為移動通信理論與關鍵技術、物聯網理論與關鍵技術以及人工智能在無線通信中的應用等。

溫朝凱（1976?），男，臺灣中山大學通訊工程研究所教授，主要研究方向為無線通信、最優化理論和機器學習等。

高飛飛（1980?），男，清華大學自動化系信息處理研究所副教授，主要研究方向為通信信號處理、大規模多天線技術以及智能通信。

江濤（1970?），男，華中科技大學武漢光電國家研究中心教授、博士生導師，主要研究方向為5G移動通信理論與關鍵技術、天地一體化信息網絡、深海目標探測等。

2018?07?01；

2018?08?09

國家自然科學基金杰出青年科學基金資助項目（No.61625106）；國家自然科學基金資助項目（No.61531011）

NSFC for Distinguished Young Scholars of China (No.61625106), The National Natural Science Foundation of China (No.61531011)