????如果对你有帮助的话????
????为博主点个赞吧 ????
????点赞是对博主最大的鼓励????
????爱心发射~????

概述

​  随着移动流量呈现的爆发式增长、高可靠性和低时延的通信场景给当前网络带来了更大的复杂性和计算挑战，为了满足这一需求，需要新的通信理论和创新技术，近些年深度学习范式的发展使引起了学术界和工业界对基于深度学习的无线通信技术的研究，研究结果证实了深度学习技术可以提高无线通信系统的性能。

相关工作

一、基于深度学习的信道估计

​   信道状态信息(CSI)是指无线电链路的已知信道属性，当信号从发射机传播到相应的接收机时，CSI可以表示路径损耗、散射、衍射、衰落、阴影等的综合效应。通常，我们使用CSI信息来量化无线链路的质量，即指示无线链路处于良好还是不良状态。

​   获得准确的CSI对于保证无线通信系统的链路性能至关重要，更具体地说，CSI在很大程度上决定了在无线通信系统中为无线电通信部署的物理层参数和方案。例如，当信道较差时，物理层需要采用低阶调制方案，而当信道可靠时，物理层需要采用高阶调制方案。

​  到目前为止，研究人员已经提出了许多信道估计方法，如最大似然(ML)估计、最小二乘(LS)估计和最小均方误差(MMSE)估计。

论文¹

​  提出了一种有效的在线预测CSI方案，称为OCEAN，首先识别出了几个影响CSI的关键特征（即频带、位置、时间、温度、湿度和天气），数据样本由特征信息和CSI值组成，在本文中设计了一个学习框架，该框架是卷积神经网络（CNN）和长期短期记忆网络（LSTM）网络的集成，然后本文还开发了离线-在线两部训练机制，提高了学习框架的稳定性，使预测结果在实际的5G无线通信系统中得到更稳定的应用。

1. 离线-在线两部训练机制

  离线训练步骤是对历史数据进行分析；

  在线训练步骤是整合预测和测量的CSI；

​  ​  ​  ​  ​     图1 ​  5G无线通信系统中在线CSI预测的框架

2. 深度学习的CSI预测框架

   二维 CNN网络：用于负责从CSI信息图像中提取频率特征向量
   一维 CNN网络：用于从频率特征向量中提取状态特征向量
   LSTM网络：用于预测信道状态向量

图2
基于深度学习的CSI预测

图3
数据流程

​  为了验证OCEAN的功效，我们考虑了四个典型案例研究（案例I：自由空间环境，案例II：室外环境，案例III：工作室，案例IV：建筑物），并在四个场景（即两个室外场景和两个室内场景）中进行了广泛的实验。实验结果表明，OCEAN不仅可以非常快速地获得预测的CSI值，而且还可以实现高精度的CSI预测，预测和测量的CSI之间的平均差异率（ADR）可达2.650 - 3.457％。

图4 案例研究的情景

论文²

  ​ 本文提出了一种解决训练所需实际信道样本数量有限问题的一种方法，即使用生成对抗网络（GAN）来训练，目标是在最小化均方误差（MSE）的情况下，基于SNR估计MIMO信道系数。

​  生成对抗网络（GAN）：包含两个自网络，生成网络和判别网络，其中生成网络负责学习样本的真实分布，判别网络负责判别输入的数据是生成的样本还是真实的样本。

​  本文考虑了两种非常常见且被广泛采用的衰落场景： 准静态块衰落和时变衰落。

1. 在准静态衰落信道中，提出了一种新的基于卷积神经网络(CNN)的深度自动编码器，用于联合信道估计和导频信号设计；它由两部分组成：1) 编码器和 2)解码器。

我们将编码器和解码器用于两个不同的目的：分别设计(或优化)导频信号 S 和表示(或近似)信道估计器。

图5
准静态块衰落场景中的联合信道估计和试验信号设计的建议方案的网络架构

​

2. 在时变衰落信道中，通过将LSTM连接到CNN，以最小化MSE，连续估计发射机MIMO系数时变。它由三个部分组成：

   1. LSTM层，通过学习时变MIMO信道的时间相关性，首先提取MIMO信道的时间特征；

   2. 卷积和池层，提取MIMO信道的空间(以及更有用的高层)特征；

   3. 全连通层，微调提取的特征，以精确估计信道系数。

图6
时变衰落场景中的信道估计的建议方案的网络架构

二、基于深度学习的编解码

什么是自编码器？

​​  自编码器(Autoencoder)是一种数据的压缩算法，其中数据的压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。它包括编码器和译码器，编码器和解码器的参数可以通过最小化损失函数而优化。

图7
自编码器的结构

​

论文³

​​  ​ 将整个物理层建模为一个包含了调制、信道编码和信号分类功能的自编码器，并利用卷积神经网络来对自编码器进行训练。如图3所示，在多密集层神经网络的学习框架中，输入信号被编码为独热编码（One-hot encoding），无线信道建模为一个噪声层。交叉熵损失函数和随机梯度下降算法用来训练模型，将最高概率的输出信号作为输出，即解码结果。

论文⁴

​​  ​ ​ 在本文中提出了基于深度学习的自动编码器，可以学习和预测动态干扰，不依赖于固定的训练功能，适用于实际系统。通过基于耦合系数，将干扰分为从弱到强的不同级别，试验结果表明，该方法对各种级别的干扰都有很强的鲁棒性。

图9
具有M-User的无线通信干扰信道的自适应深度学习AE的系统框图

论文⁵

​​​  ​ 在本文中提出了端到端训练的通信系统，该方法不需要任何信道的数学模型，只需要在训练过程中有一个可靠的信道来反馈从接收器反馈到发射器的损失。并且，本文采用交替的训练算法，即在接收机和发射机的训练交替。

1.接收机训练过程

​​  ​ ​ 首先，发送器生成小批量训练消息，将每个训练消息编码为N个信道码元，并在信道上发送小批量消息。X是复数矩阵，其对于小批量的每个实例包含相应的复数符号表示。接收器获得改变的码元Y，并为每个训练示例生成M上的概率分布。最后，对损失函数使用随机梯度下降执行优化步骤。

图 10
接收器训练过程

2.发射机训练过程

​​  ​ ​ 首先，将形成的小批量的训练示例编码成信道码元X。然后对随机策略进行采样，以生成信道码元XP。在信道上发送信道码元，接收器获得改变的码元Y，并为每个训练示例生成的概率向量。然后基于这些向量和发送的消息计算每个示例的损失。接下来，通过仅在训练期间存在的可靠信道，将每个示例的损耗发送到发射机。最后，使用随机梯度下降执行优化步骤。

图 11
发射机训练过程

论文⁶

​​  ​ ​ 本文提出了一种基于DL的自编码器(AE)的端到端优化方案，通过两级训练模式来改善神经网络的泛化能力，减少由信道状态信息(CSI)引起的系统开销，利用AE压缩特征重建CSI，结果表明可提高CSI的收敛速度。

图12
MIMO信道自动编码器端到端通信系统模型图解

​​  ​ 其中两级训练模式是：第一阶段使用瑞利信道训练自编码器，尽可能地接近期望信道；第二阶段是接收器通过微调来补偿这种损失。

三、基于深度学习的干扰调整

​​  ​ ​ 干扰调整(interference alignment，IA)作为一种解决无线网络中干扰问题的革命性技术，已经被广泛研究。IA 理论上可以使网络的总和速率随着协作发送器和接收器对的增加而线性增长。
​​  ​ ​ MIMO系统中的干扰调整通过线性预编码技术来调整发射信号，使得接收端的干扰信号可以控制在一个降维子空间里，从而突破MIMO系统干扰问题带来的吞吐量限制。现有工作中已经有研究结果表明，利用深度学习可以提高干扰调整网络中的吞吐量，并取得优化结果 。

论文⁷

​​​  ​ 提出了采用深度强化学习的方法，来获得干扰调整下最优的用户选择策略。在该机制中，中央调度器用来收集所有信道状态和每个用户的缓存状态，并将信道资源分配给每个用户。信道的时变过程用一个有限状态马尔科夫模型来进行建模，系统的状态定义为每个用户的信道状态和缓存状况。
​ ​​  ​ 中央调度器用来为系统训练处最佳策略，对应的系统动作定义为是否为每个用户分配信道资源来进行数据的传输，来最大化干扰调整网络的吞吐量。

图13
机制框图

四、基于深度学习的信号检测

​ ​​  ​ 传统的MIMO检测技术需要精确估计传输符号，因此在每个检测步骤都需要复杂的估计过程。基于深度学习的检测算法可以显著提高通信系统的性能，尤其适当传统的处理模块需要联合优化或是信道无法用常见的分析模型来表征时。

论文⁸

​​  ​ ​ 提出一个五层全连接的DNN框架嵌入到OFDM接收器中来进行联合信道估计和信号检测。将接收到的信号以及对应的传输数据和导频作为输入，DNN可以推断出信道信息，而且可以用来预测发送的数据。

​​  ​ ​ 在发射端，插入导频的发射符号首先被转换成并行数据流，然后使用离散傅立叶逆变换(IDFT)将信号从频域转换到时域。之后，插入循环前缀(CP)以减轻码间干扰(ISI)。CP的长度不应小于信道的最大延迟扩展。

• 在离线训练阶段，该模型接受了由各种信息序列产生的接收的OFDM样本；

• 在在线部署阶段，由DNN模型生成输出，该输出恢复发送的数据，而无需明确估计无线信道。

图14 模型框图

论文⁹

​​  ​ ​ 在本文利用DNN提出了一种有高效的大规模多输入多输出(MIMO)检测器，文献中将迭代算法扩展到DNN结构中，使检测任务通过深度学习(DL)来实现。为了消除多用户干扰(MUI)，每一层引入两个辅助参数，一是生成残差向量，二是调整前几层的关系。
​​  ​ ​ 在此基础上，进一步设计了训练过程，优化了具有预处理输入的辅助参数。仿真结果表明，与现有的大规模MIMO系统检测器相比，提出的MIMO检测器具有更好的检测性能。

图15
算法的流程图

论文¹⁰

​​  ​ ​ 本文提出了一种基于MIMO模型驱动检测的深度学习(DL)网络，称为称为OAMP-Net2。特别地，MIMO检测器是通过展开迭代算法，并添加可训练参数而专门设计的，由于可训练的参数的数量比基于数据驱动的DL信号检测器少得多，因此可以用小得多的数据集快速训练该检测器。
​ ​​  ​ 仿真结果表明，通过从数据中学习相应的最优参数来改进检测器和补偿信道估计误差，可以获得显著的性能增益。

论文¹¹

​​​  ​ 本文提出了基于深度学习的检测算法，该算法根据训练好的深度学习参数建立最优的检测模型，只需要通过训练好的模型进行简单的基础计算。此外，由于所设计的方法只需要发送和接收信号来进行监督学习，而不需要任何额外的通信参数，因此可以防止基于不理想信道估计的性能下降。在我们的研究中，我们考虑了两种MIMO信道环境。

​​  ​ ​ 首先，针对单径MIMO信道环境下，设计了基于密集层的深度神经网络(DNN)，它由隔离层、多个全连接(FC)层和Softmax分类层组成，每个FC层之后是整流线性单元(RELU)激活函数，该结构的检测性能与最大似然检测相似；

图16
基于密集层的深度神经网络(DNN)结构

​​​  ​ 其次，针对多径MIMO信道环境下，设计了基于卷积神经网络(CNN)和递归神经网络(RNN)的深度学习结构;

​ ​​  ​ 如图17所示，基于卷积神经网络(CNN)的深度学习结构如下图，输入数据集排列为K×2R大小的表，滤波计算通过N个深度进行，一次利用K×R个接收符号来检测发送符号，并考虑步长为1且无填充的2×2滤波器来解决多径信道效应。步长为1的滤波器可以连续处理多个符号，因此可以在滤波的基础上用多个符号来检测发送的符号。卷积运算后，应用RELU激活函数，与前面的DNN相同。

图17
基于卷积神经网络(CNN)的深度学习结构

​​​  ​ 由于传输的符号连续受到静态多径MIMO信道的干扰，因此可以近似地将其建模为RNN结构，为了处理连续的时间序列数据，将接收到的符号序列按时间顺序排列成K×2R矩阵，提取过滤器每次移动一行，并且RNN架构输出T个估计符号。

图18
基于递归神经网络(RNN)的深度学习结构

五、结论

​​  ​ ​ 我们通过现有工作和案例证明了深度学习在物理层通信中的巨大应用潜力。另外，基于深度学习的物理层应用需要数据驱动，为了提高深度学习模型的训练效率，可以将需要长时间训练的模块进行融合，并需要考虑在良好的性能和训练效率之间的权衡。深度学习应用的兴起主要归功于各种可用的数据集，但目前用于无线通信相关的数据集仍然较少。数据的安全和隐私问题进一步限制了在真实世界对通信数据的访问功能。但为了基于深度学习的通信应用，需要一些开放性电信数据集的发布和共享。

参考文献

最后

以上就是勤奋网络为你收集整理的深度学习在无线通信物理层中的应用研究概述相关工作参考文献的全部内容，希望文章能够帮你解决深度学习在无线通信物理层中的应用研究概述相关工作参考文献所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。