1.2　深度學習在無線通信中的基本應(yīng)用

目前深度學習技術(shù)已經(jīng)在無線通信領(lǐng)域得到了廣泛的應(yīng)用，在常見的調(diào)制模式識別、信道狀態(tài)信息壓縮與恢復、信道估計、信號檢測等工作中都能看見基于深度學習的算法嘗試。深度學習是一種監(jiān)督學習，它通過設(shè)計具體的結(jié)構(gòu)，確定結(jié)構(gòu)中的可訓練參數(shù)，然后在一個大數(shù)據(jù)集上訓練，使得神經(jīng)網(wǎng)絡(luò)充分“適應(yīng)”這個數(shù)據(jù)集。神經(jīng)網(wǎng)絡(luò)會“專注”于對它進行訓練的數(shù)據(jù)集，在對它進行訓練的數(shù)據(jù)集上會表現(xiàn)得非常好，而在不同分布的其他數(shù)據(jù)集上則表現(xiàn)較差，也就是泛化能力較差。而傳統(tǒng)算法通常不考慮數(shù)據(jù)集的影響，在所有的數(shù)據(jù)集上都可以有較好的表現(xiàn)，也就是泛化能力較強。在特定數(shù)據(jù)集下，“精一枝”必然會優(yōu)于“精百枝”，所以處理數(shù)據(jù)分布相對固定的問題時，基于深度學習的算法相比傳統(tǒng)算法確實會更有優(yōu)勢，并且深度學習的網(wǎng)絡(luò)結(jié)構(gòu)變化多端、優(yōu)化便捷，因此其在無線通信領(lǐng)域有著廣闊的應(yīng)用前景。

1.2.1　調(diào)制模式識別

調(diào)制模式識別是一種非常重要的技術(shù)，它在軍用和民用無線通信系統(tǒng)中都發(fā)揮了重要的作用。在軍用領(lǐng)域，調(diào)制模式識別主要用于電子對抗；所謂“知己知彼，百戰(zhàn)不殆”，只有正確識別敵方干擾信號才能做到有針對性的對抗。在民用領(lǐng)域，調(diào)制模式識別主要用于頻譜檢測與干擾識別。調(diào)制模式識別本質(zhì)上是一個分類問題，它的目標在于將給定的基帶接收符號分類為不同的調(diào)制模式，如四相移相鍵控（Quaternary Phase-Shift Keying，QPSK）、16QAM（Quadrature Amplitude Modulation，正交振幅調(diào)制）等。在分類問題中，深度學習算法展現(xiàn)了它強大的分類性能，所以將深度學習應(yīng)用于調(diào)制模式識別非常直觀。常見的基于深度學習的調(diào)制模式識別算法采用全連接神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；對于二維的信號，也有采用卷積神經(jīng)網(wǎng)絡(luò)進行調(diào)制模式識別的。

1.2.2　信道狀態(tài)信息壓縮與恢復

在今天，大規(guī)模多輸入多輸出（Multiple-Input Multiple-Output，MIMO）無線通信系統(tǒng)面臨著天線陣列擴增帶來的高維信道狀態(tài)信息（Channel State Information，CSI）傳輸?shù)奶魬?zhàn)，首先發(fā)送端對CSI進行壓縮以減少傳輸開銷，之后接收端再進行解壓縮與恢復，重建原始的高維CSI。通常將信道信息看作高維低秩的圖像來進行壓縮與恢復處理。因為深度學習在圖像壓縮領(lǐng)域取得了優(yōu)異的成績，所以一些學者開始考慮將深度學習應(yīng)用于CSI的壓縮與恢復，如Wen等人提出的CsiNet（參考文獻[2]、[3]、[7]），以及Cai等人提出的Attention CsiNet（參考文獻[4]），都利用神經(jīng)網(wǎng)絡(luò)進行CSI壓縮與恢復，并取得了不錯的效果。

1.2.3　信道估計

信道估計對于高頻率、高效率的相干通信來說具有重要影響，是決定接收機性能的關(guān)鍵因素之一，所以信道估計在無線通信系統(tǒng)中至關(guān)重要，只有正確估計出信道的信息，才能采取對應(yīng)的舉措消除信道變化帶來的信號衰落，并且在MIMO系統(tǒng)中，信道估計是信號檢測與預編碼的前提。由于信道天然存在著頻域、時域、空域上的相關(guān)性，所以一些學者考慮采用卷積神經(jīng)網(wǎng)絡(luò)進行信道估計（參考文獻[8]～[10]），典型的成果如Liao等人提出的ChanEstNet（參考文獻[5]）。他們利用卷積神經(jīng)網(wǎng)絡(luò)提取信道特征，又利用循環(huán)神經(jīng)網(wǎng)絡(luò)進行信道估計與插值。

1.2.4　信號檢測

信號檢測負責從接收符號中恢復出發(fā)送符號，接收端信號檢測的性能表征著整個通信系統(tǒng)的可靠性。檢測出的錯誤較多時，會涉及重傳，進一步增加系統(tǒng)傳輸?shù)拈_銷；同時，若信號檢測的復雜度較高，耗費時間較久，則會降低系統(tǒng)的傳輸速率。所以對于信號檢測算法來說，做好性能與復雜度的權(quán)衡非常重要。在大規(guī)模MIMO系統(tǒng)當中，傳統(tǒng)的線性信號檢測算法不能滿足低誤碼率的需求，而高性能的檢測算法往往復雜度極高，所以人們開始將視線轉(zhuǎn)移到深度學習上來，一些優(yōu)秀的基于深度學習的MIMO信號檢測算法被提出，典型代表如Samuel等人提出的DetNet（參考文獻[6]）。與前文敘述的網(wǎng)絡(luò)不同，DetNet并沒有直接采用全連接神經(jīng)網(wǎng)絡(luò)或者卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，而是基于一些已有的迭代算法，將迭代算法展開成網(wǎng)絡(luò)；具體來說就是將迭代算法的每一次迭代展開成網(wǎng)絡(luò)的一層，這樣如果迭代算法迭代30次，對應(yīng)就可以展開成一個30層的深度神經(jīng)網(wǎng)絡(luò)。本書把這樣的處理稱為深度展開。深度展開的好處在于，對比展開之前的迭代算法，展開后的網(wǎng)絡(luò)可以自適應(yīng)地優(yōu)化原始迭代算法的超參數(shù)，達到性能優(yōu)化的目的。