無線通信網絡中若干智能化技術

王鴻 遼寧科技大學

無線通信網絡技術的發展，不僅可以實現無線電波的遠距離通訊，而且實現了大容量、寬頻帶等方面的傳送突破，進而在各個領域中得到了廣泛應用。通常情況下，無線通信網絡又被稱之為自干擾系統，以相同載頻的鄰區為例，其可以在干擾加大的情況下，實現負載能量的提升，但卻會呈現出低覆蓋范圍的特點。為了更多的推動無線通信網絡的發展，引入了智能化技術，其不僅可以解決難以建模問題、檢測及估計問題、難以求解問題和采用統一的模式實現問題，而且還可以拓展無線通信網絡的應用領域，進而提高其發展進程。

1 無線通信技術發展現狀

如今，無線通信技術成為社會的重要發展方向，4G無線通信技術已經逐步實現，并逐漸推進了5G無線通信技術的發展；同時，移動電話業務也應運而生，并在一定程度上推動了4G業務的拓展和延伸，提高了運營商的經濟利益。（2）由于無線通信技術具有較廣的應用范圍和差異化的應用任務，其存在較多的技術類型和技術手段，因此在應用無線通信技術時，需要在若干領域考慮到其技術要求和技術手段的不同，并由此構建科學、合理的無線通信網覆蓋范圍，結合自身特點和優勢，形成一體化、多元化的無線通信通信技術。（3）伴隨著高通道傳輸技術的應用，使得各個領域中的有線網絡寬帶也被大量應用，不僅改變了網絡寬帶的帶寬速率，而且提升了寬帶利用的覆蓋率，進而逐漸提高了人們的生活水平。（4）隨著無線通信技術與高通道傳輸技術的融合發展，無線通信呈現出融合化、綜合化以及多樣化的發展趨勢，不僅實現了對同一核心網絡的多形式數據傳輸和信息傳輸，而且實現了無線通信網絡的市場化、可持續性發展。（5）IP 技術與無線通信技術的結合應用，推進了無線網絡通信的個性化需求模塊設計，使得用戶的個人需求可以被滿足；在充分保障無線通信技術應用的同時，擴充了個性化的需求功能。

2 智能化技術

2.1 啟發式算法

在復雜的無線通信網絡環境中，經常會遇到各種各樣的NP難問題，此時啟發式算法可以借助強大的計算技術來使NP難問題得到有效解決。通過大量的調查與研究發現，NP難問題的解決往往以可行的解空間為基礎，通過探索新思路來得到滿意解。實際上，新思路的探索過程是以NP難問題的特征信息為基礎，通過啟發式、盲目式以及隨機式等搜索形式，形成解決思路。其中，盲目式搜索具有算法簡單、運行時間長、搜索效率低的特點，只適合在一些簡單問題求解中應用。而為了使上述問題得到改善，利用啟發式搜索可以選擇搜索方向并有效應對復雜問題，但該種搜索方式具有較高的啟發式信息獲取難度。而當具體的求解問題存在較大的解題空間時，將會有效提高解題中隨機搜索的時空效率，尤其是搜索策略采用了演化或群智能等思想時，可以大大提高復雜問題的解決效率。

通常情況下，在無線通信網絡發展過程中，啟發式算法具有如下幾個方面的優勢：（1）對一些難以求解、建模困難等問題提供了解決辦法；（2）算法步驟具有較強的兼容性，且直觀易理解，可以根據具體問題制定有效的解決方案；（3）啟發式算法在解題時具有高效性，并可以有效提升解題并行計算的收斂速度。

2.2 強化學習

強化學習一般是指讓機器來模擬人類學習能力的一類算法，其隸屬于機器學習范疇。機器學習是通過大量訓練來對輸入樣本數據中隱含的規律進行學習，并將此規律用于分類或預測新樣本，并最終輸出所需要的結果。

在馬爾科夫決策（MDP）理論基礎上發展而來的強化學習算法，主要是通過發揮隨機動態系統的功能來獲取問題的最優決策。通常情況下，馬爾科夫過程理論涵蓋了馬爾可夫鏈、鏈中狀態分類、n步轉移概率、馬爾可夫決策規劃、穩態概率等一系列的關鍵性問題。其中一般會選擇四元組來表示馬爾科夫決策規劃（MDP），具體公式如下：

上述公式通過簡化可以簡單表示為{S，R，A，P}，在公式當中S表示的是狀態空間，R表示期望報酬，A表示動作決策的集合，P表示轉移概率。

在強化學習算法中還存在一種比較常見的典型算法：Q學習函數，其是在環境狀態下，通過評估智能體的動作獎懲，來對各類潛在動作進行全面、系統的評估，從中優選出最優的動作進行執行。在整個深化學習過程中，其核心是借助Bellman公式來更新Q值表，從而完成對某一種狀態下所對應具體動作的好壞程度的衡量和評估，進而實現環境、動作的變化，并能夠在線調整Q函數。Q學習算法既可以評估該狀態下的某種動作所對應的即時回報值進，而且還會綜合考慮該動作后可能產生的未來回報值。

2.3 深度學習

深度學習法是由機器通過模擬神經網絡的學習模式，在構建神經網絡與機器學習關系的同時，完成對無線網絡的組建。在深度學習的深度階段，其通常會形成涵蓋多個隱含層的神經網絡，并確定神經網絡模型，該種方法在無線通信網絡等領域得到了廣泛的應用。

在無線通信網絡發展過程中，深度學習屬于比較常用的一項智能化工具，由于其具有優越的性能，因此在無線通信網絡中扮演者至關重要的角色。同時，在無線網絡物理層中，深度學習也具有比較廣闊的應用潛力，并可以順利達到預期的應用效果。通常情況下，在物理層傳輸中，深度學習應用方式主要包括數據驅動型和數據與模型雙驅動兩種類型，其中前者主要是把無線通信系統所具有的多個功能模塊看作是未知的黑盒子，然后借助深度神經網絡和大量數據來對其進行訓練，進而達到預期的應用效果。而后者可以借助原有系統模型和深度神經網絡來訓練有關參數或替代某個模塊，進而達到調整和優化性能的目的。

在正交頻分復用（OFDM）系統中，深度學習可以被廣泛應用到信號檢測和信道估計上，其中為了時信號畸變問題得到有效解決，可以借助能夠表現出信道統計特征等數據來完成深度學習模型的訓練，只有經過訓練之后，才能達到有效回復或者發送數據信號的效果。通過對仿真結果進行分析可以發現，深度學習法的利用可以及時、有效的解決信號畸變問題，而且還與MMSE估計器存在較多的比較相似的檢測性能。同時， OFDM系統的應用，還可以借助深度學習方法來達到降低脈沖噪聲的目的，其中第一階段可以借助深度神經網絡（DNN）來有效檢測脈沖噪聲；在第二階段則可以實現對檢測到脈沖噪聲的降低，進而削弱異常值所帶來的有害影響。因此，從誤碼率性能等角度考慮，深度神經網絡可以有效替代以閾值檢測為基礎的脈沖噪聲消除法，進而在一定程度上增強無線通信網絡的運行速度。

3 結束語

綜上所述，現階段無線通信網絡已經慢慢向人們的社會生活和工作滲透，此時為了更好的發揮其作用，就需要加強對智能化技術的應用，其既可以解決傳統無線通信技術中所存在的問題，而且還可以推動無線通信技術的健康、可持續發展。