現代通信系統具有數據量大、傳輸速率高、響應速度快等性能要求；這些對現有通信技術提出了挑戰，特別是在海量數據的處理和數據挖掘方面，現有的理論框架存在根本的局限性。因此許多研究人員將目光轉向了深度學習(Deep Learning)技術；而基于深度學習的物理層通信技術在端到端通信系統、信道估計、信號檢測、調制識別等方面顯示出巨大潛力。

一、通信系統通用框架

一個通用的通信系統由三個基本部分組成，其框架如下圖(1)所示：

•    發射機;

•    信(通)道;

•    接收機.

雙工通信系統中，從源頭開始通信系統中的模塊成對出現，例如

• 源編碼器和源解碼器，

• 通道編碼器和信號解碼器，

• 調制器和解調器。

                         圖1.通用通信系統架構圖

為了優化通信系統中這種模塊化設計的性能，研究人員的一般做法是為每個模塊設計相應的性能優化算法，但這種方法并不能保證整個通信系統的性能是最優的。因此，端到端的通信系統優化方案已成為現代通信系統的關鍵要求。

二、無線通信物理層深度學習

深度神經網絡一直在推動計算機視覺、自然語言處理和說話人識別等領域各種機器學習任務的[敏感詞]性能界限。最近無線通信領域的研究人員已經開始成功地將深度神經網絡應用于無線通信的物理層。這是因數相對簡單的卷積神經網絡優于傳統算法。

通信中的大多數信號處理算法在統計學和信息論方面都有堅實的基礎，并且通常被證明對于易于處理的數學模型是最優的。這些通常是線性的、平穩的，并且具有高斯統計量。然而，一個實際的系統有許多缺陷和非線性(例如非線性功率放大器(PA)、有限分辨率量化)只能被這些模型近似地捕獲。出于這個原因，不需要數學上可處理的模型并且可以針對特定硬件配置和通道進行優化的基于深度學習的通信系統(或處理塊)可能能夠更好地針對此類缺陷進行優化。

深度學習可以為這種端到端的應用需求提供強大的解決方案。此外深度學習可以通過自動化特征提取，有效提高海量數據在通信系統中的利用效率。

三、無線通信中深度學習方法應用

將深度學習與通信集成，通?？赏ㄟ^以下兩種方法：

• 整體學習法：這種方法中將通信視為端到端的過程；

• 階段學習法：這種方法研究了深度學習在通信過程的某個階段的應用。

3.1 整體學習法：

在整體學習法中考慮到消息在通信過程中由發送方編碼，然后由接收方解碼，這本質上等同于自動編碼器DL模型。整體方法將端到端通信系統表示為自動編碼器，其設計有一個由卷積層和全連接層組成的耦合編碼和解碼模塊來提取信號特征，并且還集成了額外的正則化層來對通道進行建模影響，例如噪聲、dropout、通道延遲、頻率和相位偏移等。

圖2.無線通信基本過程

然后將通過隨機梯度下降算法優化網絡參數，而無需太多通信領域的專業知識。初始模擬結果表明，在沒有更多專業知識的情況下學習到的通信系統優于一些實際的基線來進行超參數調整。

這種整體方法向我們展示了一種全新的方式來優化我們的通信系統，而不是傳統的通信實踐，但在實際應用之前應該做更多的調查，例如在任意未知渠道上進行訓練。

3.2 階段學習法

階段學習法研究DL在通信過程的某些階段或方面的應用。如信道建模、均衡、解碼、壓縮、解調和調制識別等。這些研究為我們提供了一種理論替代方案，以實現超越傳統通信理論的性能界限。有許多可以使用深度學習的應用程序，但為了快速參考，突出顯示許多可能領域中的一些領域。

3.3 信道估計

傳統的信道估計首先明確地估計信道狀態信息(CSI），然后從估計的CSI中恢復傳輸的信息。基于深度學習的方法將信道估計表述為信號恢復問題。信道上的消息傳輸可以定義為與噪聲、空間響應、時間響應和頻率響應相關的輸入數據沿發射機/接收機天線空間的非線性變換。

3.4 信號檢測

信號檢測是一項檢測特定帶寬中是否存在信號的任務。由于載波信號的頻率信息是未知的，而且不同調制類型的信號通常出現在某個頻段并同時傳輸，這對噪聲環境不穩定的通信系統中的信號檢測提出了挑戰。基于深度學習的模型旨在有效地解決這個問題。

3.5 調制識別

調制識別也稱為調制分類。是指在接收到信號后識別信號的調制方式。它的本質是一種模式分類問題。傳統調制識別方法與基于深度學習的方法的主要區別在于，傳統方法的核心是如何提取能夠表征信號調制類型的特征并構建相應的分類器。然而，基于深度學習的方法更注重使用深度神經網絡自動提取特征，尤其是在端到端系統中。

結果表明與傳統的通信理論和技術相比，在通信系統中使用深度學習的整體方法表現出出色的性能。同時我們也必須清醒地認識到，現有的研究還處于初步探索階段，利用深度學習解決整體通信系統中的問題是一條漫長而充滿挑戰的道路。然而，基于面向階段方法的成功應用，基于深度學習的通信技術將開始與傳統通信技術分階段融合，我們將在不久的將來看到深度學習和傳統計算的混合。

免責聲明：本文采摘自網絡，本文僅代表作者個人觀點，不代表金航標及行業觀點，只為轉載與分享，支持保護知識產權，轉載請注明原出處及作者，如有侵權請聯系我們刪除。