機器學習在無線通信中的應用研究

蘇 爽，陳洪雁

（中國石油西南油氣田分公司通信與信息技術中心，四川 成都 610000）

0 引 言

得益于無線通信技術的飛速發展，其在全世界的應用情境日漸增多，如多天線技術、無線認證技術、場景分類技術等，而場景類別劃分是通過計算機來分析，然后安全劃分場景類別。但是，基于無線通信數據庫的內容量日漸增多，有關的場景分類數據及場景類別也隨之越來越多樣，以人工來劃分場景類別難以滿足當下的需要。得益于人類生產水平的提升，可以適應各類工作場景的機器被慢慢開發出來用以替代人力，并持續開發出新的智能機器，來代替已無法與當下生產力相匹配的機器。被開發出來的此類智能機器大多是基于以往人類工作場景來展開仿真。因此，在21 世紀，機器學習將成為通信信號處理的核心技術之一。

1 機器學習概述

機器學習是一門探討計算機如何模擬完成人類學習活動的多領域交叉性學科，涵蓋了諸多學科，如概率論、統計學、凸優化及復雜度理論等。機器學習理論是為了構建出某些算法來使計算機能自主“學習”，并獲得新知識或者新技能，重構既有知識構架，使其對本身的性能展開進一步優化[1]。人類在自身學習方面的探索雖能追溯至很早之前，然而對機器學習的探索時間卻并不長。人類最早對機器學習的探索可追溯至19 世紀末的神經科學，瓦爾岱耶（Wilhelm von Waldyer）被卡哈爾等提供的客觀證據信服，發現神經元是彼此相連的現象[2]。隨后，在20 世紀初發現神經元的“興奮”與“抑制”作用，至20 世紀中期，發現學習律等，20 世紀后，人類對于機器學習的探索也越來越成熟。

2 機器學習在無線通信的應用

在無線通信物理層中應用機器學習主要涉及調制路徑辨識、信道編譯碼、信道預測、信號檢測、圖像信號處理等諸多方面。文章主要從降峰值平均功率比（Peak to Average Power Ratio，PAPR）辦法、信道預測和信號檢測、調制方式辨識以及信道編譯碼等模塊進行具體闡述。考慮到模塊和鏈路之間的收益區別，同時詳細說明了目前無線通信物理層端到端的傳輸路徑應用情況。

2.1 基于深度學習的降PAPR 方案

正交頻分復用（Orthogonal Frequency Division Multiplexing，OFDM）系統中，高PAPR 是一個較為嚴重的短板。相關文獻給出了一個新的降PAPR 方案，通過PRNet，基于自動編碼器進一步學習建構[3]。在此類建構中，通過進一步學習的方式，借助星座映射與符號重映射去與重新建構的子載波相適應，進而讓路徑基于最低誤碼率性能，仍可大幅度減小PAPR。此方案給出了一個在深層次神經網絡下的降PAPR方案，所有的子模塊均由全連接層（Fully Connected layers，FC）以及線性整流單元構成歸一化，其彼此相連建立一個不可分割的整體。連接層之中，將基于權重系數下的矩陣乘法運用在除法偏移中，連接層包括了2 018 個隱藏位置。整個連接層的輸出為歸一化單元，此模塊將線性整流單元所輸入的信號展開歸一化來讓PRNet 獲得更全面的訓練。相對既有方案，此方案借助模擬實驗驗證后給出的降PAPR 方案的誤碼率更小，即同等性能前提下，此PRNet 方案可以得到將近5 dB的增益。同時，就PAPR累積概率的分布而言，相較別的方案，此方案在減小PAPR 上會更為有效。

2.2 基于SVM 的場景分類方法

支持向量機（Support Vector Machines，SVM）分類器在場景分類模式中的應用，主要是對于信號的特性矩陣進行學習及訓練，并在其中發掘出最佳劃分超平面。將通過訓練得到的分布模型來劃分特性矩陣中角度功率譜的特點類別，對測量時間中的角度功率譜分布進行辨識，最終完成對下行路徑中場景的分類。通過SVM 分類器下的分布模型對角度功率譜實施仿真訓練學習與場景分類。仿真訓練是借助SVM 分類器對依順均衡及正態分布的角度功率譜實施訓練，從而獲得分布模型；而場景分類則是借助分布模型來對特性矩陣中的角度功率譜開展場景分類[4]。

SVM 主要是通過3 類核函數來處理數據，如表1所示。各類核函數之間的空間計算水平存在差異，當特性數據量大大超過樣本數據量時，不用再映射數據，最佳方案是選擇線性核函數；而特性數據量大大低于樣本數據量時，最佳方案是選擇非線性核函數。徑向基核函數是一種常規應用性核函數，也叫高斯核函數，通常用在對線性緊密數據樣本的處理中，出現多個參數時，能更好地實現計算處理成效。

表1 SVM 核函數種類表

信號通過基站發射之后，運用SVM 分類器就可以對移動平臺所獲得的信號做場景分類。基于訓練模型的信號角度功率譜特性是利用SVM 分類器得到的，由此獲得分布模型。移動首先基于所接收信號來獲得下行路徑的特性矩陣，利用SVM 分布模型也可以得到特性矩陣角度功率譜在場景狀態的分類，只是此時的SVM 分布模型需要有一段時間的訓練。要想確定標簽究竟是1 還是2，與角度功率譜分布有關。當在測量時間范圍內時，其分布情況如果與分布模型里面得到的均衡分布擁有同樣的特性，則標簽就確定是1；如果與分布模型內的均正態分布特性相同，則標簽就確定是2。

2.3 網絡資源分配方法

無線通信網絡資源轉發指的是，無線網絡節點在開展協同通信時，中繼點為實現將所接收的網絡資源傳遞至預期節點，針對性選用處理傳輸資源的方法來確保無線通信順利完成的一類方式。無線通信網絡資源分配指的是以比例公平算法對來自無線網絡節點的無線通信網絡資源展開分配[5]。無線通信網絡資源接入指的是借助無線專網信道選擇的不同時隙，讓各類無線通信業務可根據所設優先級來對各種時隙進行選擇，進而在相應時隙中使用同一條頻段，借助時隙隔離，從而實現物理層中無線通信網絡資源在多個業務窗口上的隔離性接入。多業務終端在發送與接入傳輸請求時，按各類業務傳輸要求來完成不同優先級的設定。優先級的設定公式為

式中：k為業務的優先級；Tk為無線通信網絡資源的接入時延門限；Sk為要接入的資源量。接下來通過不同業務的優先級，形成時隙占用表，在信道資源中根據優先級來分配閑余時隙。將時隙占用表發至不同業務終端，終端會對各個傳輸業務的所在時隙展開進一步分析，而后在相應頻段上接入和傳送無線通信網絡資源。網絡資源業務請求量較大時，會將量少、相對固定的資源接入優先級低的業務，將量大的資源接入有較高優先級的業務。無線通信網絡資源被接入核心基站后，網絡資源與分配業務之間的節點距離較大時，利用增添中繼節點來順利分配無線通信的網絡資源，中繼節點的目標在于通過轉發無線通信網絡資源來實現網絡資源轉發任務。通過解碼轉發方式進行，可有效確保無線通信網絡資源轉發的完成。所有的網絡業務端信源發送端通過廣播的形式發送各自的資源信息，而網絡資源預期接收端和中繼節點對此信號展開同步偵聽與接收。中繼節點的接收資源能量值計算公式為

式中：Er為接收的資源能量值；τ0為能量接收時間；Ps為從中心基站發送的資源信號；hbr為信號傳送時長；a為中繼節點的能量接收效率；b為接收的資源能夠用于轉發信息所占的比例。而后中繼節點會對所收信號展開解碼和估值，接下來中繼節點將通過估值的網絡資源信號轉發到資源的目標接收端，再由此目標端分別界定與接收2 條信道的數據。中繼節點在這個轉發過程中對所收網絡資源信號展開簡易的檢測及界定，有利于后期無線通信網絡資源分配的實施。

2.4 基于深度學習的信道編譯碼

借助軟比特信息論，信道編譯碼將冗余數據填入發送端，通過舍棄有效性得到可靠性，在此過程中還原的符號信息，將根據軟比特信息論開展譯碼。相關文獻給出了迭代BP-CNN 框架下的信道譯碼辦法，如圖1 所示[6]。

圖1 基于BP-CNN 的LDPC 譯碼器

BP-CNN 下的低密度奇偶校驗碼（Low Density Parity Check Codes，LDPC）譯碼器利用卷積神經網絡（Convolutional Neural Network，CNN）的圖像除噪等應用優點，與信道譯碼對比，通過CNN 對噪音精準預估，然后利用BP 在低噪音的空間下進行譯碼。首先，對CNN 加以訓練成為噪音估計器，實現最低的CNN輸出噪音殘差并最大限度聽從高斯的分布。其次，將所接收的信號y和BP 譯碼結果的差來作為訓練完成的CNN 輸入，其輸出傳輸到接收端，和y做差后所得的低噪信號來實施BP 譯碼。最后，基于以上步驟，最終進一步準確BP的譯碼作用。就模擬結果而言，相對以往的LDPC 譯碼辦法，利用BP-CNN 的LDPC譯碼器得到的信噪比收益增長更為顯著。

2.5 網絡安全漏洞智能監測系統

得益于5G 技術的誕生，無線通信網絡借此發展更為迅速，然而隨之出現的就是不斷涌來的安全問題，這也成為無線通信網絡領域需要研究的核心問題。無線通信網絡的安全與社會、國家的信息安全息息相關。而當下亟待解決的關鍵問題就在于無線通信網絡安全問題，其會生成諸多漏洞信息。漏洞信息指的是在硬軟件、協議或是實際通信系統當中，通過安全漏洞生成的各種信息。利用對漏洞信息的分析，可以及時發現漏洞產生的原因，同時對其進行最為高效的修補，以確保無線通信網絡的安全。無線通信網絡在具體的網絡分配中，在省級中心網絡中設置PTK-5500 控制器，對無線通信網絡平臺進行管理，以確保無線通信網絡的可靠性。優化后的系統硬件主要由漏洞信息采集、漏洞信息掃描、無線通信網絡安全漏洞智能監測三大模塊組成。利用對漏洞信息的直接提取，同時選取傳輸層多協議標簽交換（Transport-Multi Protocol Label Switching，T-MPLS）高速數據傳輸法來傳送采集、掃描及監測所得的信息。利用機器學習技術增強整個漏洞的監測成效，通過機器學習來高速掃描漏洞，完成對漏洞的高效化監測。優化之后的監測體系對于漏洞監測反饋的靈敏度更高，并能減少系統開發的投入。采用機器學習算法，來實現對監測系統軟件內容的進一步強化。將該算法融入智能監測系統軟件，以此來智能化檢測無線通信網絡的安全漏洞。檢測無線通信網絡的安全漏洞時，通過最佳評估函數來對通信網絡內的常規信息進行處理。但還是存在隱藏較深的異樣信息，因此必須對此類信息開展深度處理。采用神經網絡算法來對其展開挑選，生成由輸入層、輸出層、規則層組成的3 層神經網絡算法模型。

3 結 論

本文研究了機器學習方法在無線通信中的應用。得益于機器學習的進一步發展，新方式及理論隨之持續出現，這也使無線通信信號處理等技術獲得了更為新穎的應用方法。以新機器學習技術來處理代表性通信問題，使得系統的整體性能進一步提高，如小區中無線通信業務量預估等問題，就可以根據之前的小區業務量數據來解析出內在規律，進而預估出后續業務量的分布，最終改進基站分配，實現減少能耗的目標，對于引領低碳通信、盡享環保生活有著極大的意義。