大數(shù)據(jù)在無線通信中的應用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了大數(shù)據(jù)在無線通信中的應用范文，希望能給你帶來靈感和參考，敬請閱讀。

0引言

當今世界，無線通信技術發(fā)展迅速，無線通信進入第五代（5G）時代需實現(xiàn)上千倍容量，毫秒延遲和大量的連接[1-2]。為了滿足上述要求，一些關鍵技術，如大規(guī)模多輸入多輸出（Mul-tiple-InputMultiple-Output，MIMO），毫米波（MillimeterWave,mmWave）等已被提出。這些技術在工程應用中均表現(xiàn)出相同的特點，即具有處理大型無線數(shù)據(jù)的能力。對于無線通信，其對移動速度和通信質量具有較高的要求，然而在滿足大數(shù)據(jù)和高速復雜場景中的通信需求中，傳統(tǒng)的通信技術存在以下固有的局限性：（1）復雜場景中信道建模困難：通信的設計系統(tǒng)在很大程度上依賴于現(xiàn)實的信道條件。而在實際應用中，這些模型的建模在復雜的場景中變得十分困難[3]。例如，在大規(guī)模MIMO系統(tǒng)中天線數(shù)量的增加改變了信道屬性[4]，相應的信道模型存在未知的因素。很多情況下，信道不能用嚴格的數(shù)學模型來描述。因此，設計適合信道模型的算法必不可少。（2）魯棒的信號處理算法的需求：使用低成本硬件，例如低功耗、低分辨率模數(shù)轉換器[5]引入了額外的信號非線性失真，這需要使用高魯棒的接收處理算法，例如，信道估計和檢測的算法。然而,使用這些算法可能會增加計算的復雜度。在這種情況下，具有實時大數(shù)據(jù)處理能力且更有效和高魯棒的信號處理算法是必需的。（3）塊結構通信受限系統(tǒng)：傳統(tǒng)的通信系統(tǒng)由幾個處理模塊，如信道編碼、調制和信號檢測，盡管研究人員多年來嘗試優(yōu)化每個算法的處理模塊并在實踐中取得成功，但并不能使得整個通信系統(tǒng)能得到最優(yōu)的性能，因為通信的根本問題取決于接收端可靠的消息恢復[6]。因此，如果對每個模塊進行的子優(yōu)化替換為端到端的優(yōu)化，就有希望進一步改進系統(tǒng)性能。深度學習（DeepLearning,DL）近年來因成功應用在計算機視覺、自動語音識別和自然語言處理等領域而獲得廣泛關注，是典型的大數(shù)據(jù)依賴的學習框架。同時，研究人員也把DL廣泛應用到了無線通信的物理層[7-11]。與傳統(tǒng)的機器學習算法[12-14]相比，DL顯著增強了特征提取和結構靈活性。特別是基于DL的系統(tǒng)通過端到端優(yōu)化靈活地調整參數(shù)來自動調整模型結構，這可以代替手動從原始數(shù)據(jù)中提取特征?；贒L的通信系統(tǒng)具有良好的應用復雜場景主要有如下原因：首先，DL是一種數(shù)據(jù)驅動的方法，其模型是在大型訓練數(shù)據(jù)集上優(yōu)化得到的，基于DL的通信系統(tǒng)不需要建立數(shù)學模型。其次，能夠處理大數(shù)據(jù)也是DL重要的特點，DL采用分布式并行計算體系結構，保證了計算速度和計算速度處理能力。DL系統(tǒng)由于其擁有快速開發(fā)并行處理體系結構，如圖形處理單元，在處理大數(shù)據(jù)上具有巨大的潛力。最后，基于DL的通信系統(tǒng)可實現(xiàn)整個系統(tǒng)性能的改進，因為模型經(jīng)過端到端的訓練優(yōu)化了整體的性能，而對單個模塊結構沒有要求。本文旨在對近年來在基于大數(shù)據(jù)的DL在無線通信物理層的研究作出綜述，本文的組織結構如下：第二節(jié)簡要概述無線通信物理層的系統(tǒng)框圖。第三節(jié)介紹了幾個DL應用到通信物理層的示例。第四節(jié)討論了未來研究的領域和挑戰(zhàn)。第五節(jié)是全文總結。

1通信系統(tǒng)模型

它是一個模塊結構，包括信道編碼、調制、信道估計、信道均衡、信道譯碼和信道狀態(tài)信息（ChannelStateInformation，CSI）反饋等模塊。通信算法是在長期的研究中發(fā)展起來的，以優(yōu)化通信系統(tǒng)其中的模塊。之前有研究試圖利用傳統(tǒng)的機器學習方法，作為特定模塊的替代算法。DL架構最近被引入到幾個處理模塊中以適應新興的復雜通信場景，以期達到更優(yōu)的性能。

2幾個典型的DL應用到物理層的案例

本節(jié)給出了一些DL應用在通信物理層的典型例子，包括聯(lián)合信道估計和信號檢測、聯(lián)合均衡和信號譯碼、大規(guī)模MIMOCSI壓縮反饋和mmWave大規(guī)模MIMO混合預編碼。下面分別進行介紹。

2.1聯(lián)合信道估計和信號檢測

一般信道估計和信號檢測是接收機的兩個獨立過程。首先，CSI通過導頻來估計，然后利用估計的CSI在接收端恢復發(fā)送符號。文獻[7]提出了一種聯(lián)合信道估計和信號檢測方法。具體地說，一個帶有五層全連接層的深度神經(jīng)網(wǎng)絡（DeepNeuralNetwork,DNN）用于聯(lián)合信道估計和檢測，這里將信道看作一個黑盒子。在離線訓練中，發(fā)送數(shù)據(jù)和導頻形成幀，然后這些幀經(jīng)過一個時變信道。該網(wǎng)絡把接收信號作為輸入，通過訓練網(wǎng)絡來重構發(fā)送數(shù)據(jù)。當導頻不足、去掉循環(huán)前綴和非線性失真幾種情況下，基于DNN的信道估計和檢測方法都優(yōu)于最小均方誤差方法。

2.2聯(lián)合均衡和信號譯碼

文獻[15]提出了一種聯(lián)合均衡和信號譯碼的方法，該方法中在不知道CSI情況下，基于神經(jīng)網(wǎng)絡的聯(lián)合均衡器和解碼器可以實現(xiàn)均衡和譯碼。這里使用兩個神經(jīng)網(wǎng)絡，首先,卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetworks，CNN）用于恢復失真的發(fā)送數(shù)據(jù)，然后DNN解碼器對CNN網(wǎng)絡均衡后的信號進行解碼。實驗結果表明，在各種信道條件下，該方法的性能優(yōu)于其他基于機器學習方法。其中分別表示比特流符號，發(fā)送符號，接收符號，均衡后的符號和譯碼后的符號。

2.3大規(guī)模MIMOCSI壓縮反饋

在頻分雙工網(wǎng)絡中，大規(guī)模MIMO依賴于CSI反饋來實現(xiàn)基站端天線的性能增益。然而，大量天線導致過多的反饋開銷。已經(jīng)大量工作通過利用CSI的空間和時間的相關性來減少CSI反饋開銷。利用CSI的稀疏特性，壓縮感知（Compressedsensing，CS）已被應用于CSI壓縮反饋中。然而，傳統(tǒng)的CS算法面臨挑戰(zhàn)，因為現(xiàn)實世界的數(shù)據(jù)并不完全稀疏，現(xiàn)有信號恢復算法的收斂速度很慢，這限制了CS的適用場景。CsiNet[16]被提出來模擬CS信道壓縮反饋的過程。取角延遲域的信道矩陣作為輸入，編碼器的第一層是生成兩個特征圖的卷積層。然后將卷積后的數(shù)據(jù)重新排列為N×1大小的適量，再利用全連接層生成M×1大小的壓縮數(shù)據(jù)(M<<N)。由于不需要CS測量矩陣，減少了反饋開銷。在解碼器上，利用一個全連接層、兩個殘差層和一個卷積層對壓縮的CSI進行重構。結果表明，CsiNet算法在不同壓縮比和復雜度上的性能明顯優(yōu)于基于CS的方法。

2.4基于DL的mmWave大規(guī)模MIMO混合預編碼

mmWave一直被認為是一種5G的重要方案，其中混合模擬和數(shù)字預編碼是一種重要的可以減少硬件復雜性和能耗的方法。然而，現(xiàn)有的混合預編碼方案受限于高計算復雜度，且不能充分利用空間信息。為了克服這些局限性，文獻[17]提出了一個基于DL的mmWave大規(guī)模MIMO混合預編碼框架，其中每個預編器的選擇被視為一種DNN的映射關系。具體地說,通過訓練DNN選擇混合預編碼器來優(yōu)化mmWave大規(guī)模MIMO的預編碼過程。實驗結果表明，基于DNN的混合預編碼方法能降低mmWave大規(guī)模MIMO的誤碼率和增強頻譜效率，在保證更優(yōu)的性能的同時，能大大減少所需的計算復雜度。

3挑戰(zhàn)

DL在無線通信系統(tǒng)物理層中的應用是一個新的研究領域，雖然已有的研究表現(xiàn)出了較好的結果，但是在未來的研究中一些挑戰(zhàn)值得進一步探討。（1）模型的選擇在基于DL的通信框架下，神經(jīng)網(wǎng)絡的設計是核心挑戰(zhàn)。許多基于DL的技術都是按照通用模型開發(fā)的。例如，計算機視覺總是使用CNN，而LSTM則通常用于自然語言處理領域。然而，我們想知道是否有基于DL的無線通信模型，我們認為，通用模型將有助于在實踐中得到實現(xiàn)。在工程項目中，不僅通用模型提高了優(yōu)化通信框架的便利性，也可以減少模型選擇的成本和時間。在可以得到通用的模型之前，這個問題還需要廣泛的探索。（2）系統(tǒng)性能與訓練效率的權衡現(xiàn)有的工作表明了基于DL的數(shù)據(jù)驅動模型在物理層通信中的強大功能。然而，即使DL可以通過端到端學習來優(yōu)化通信系統(tǒng)性能，當所有通信模塊被融合在一起時，訓練過程將花費很長時間。為了提高訓練效率，達到良好的系統(tǒng)性能，可以保留部分通信模塊，以實現(xiàn)訓練效率和系統(tǒng)性能兩者之間的權衡。（3）嚴謹?shù)臄?shù)學證明和基本的理論總的來說，基于深度學習的通信框架的性能已經(jīng)在信道估計、均衡、CSI反饋等場景得到了證明，然而，我們還沒有推導出嚴謹?shù)臄?shù)學證明和基本的理論來進一步驗證其框架的性能。推導出基本的理論也會有所幫助我們了解通信框架，這將是改進網(wǎng)絡和開發(fā)更高效的通信框架的基礎。同時，訓練所需的訓練集大小也是不一定的，基于DL的通信框架是否能得到最優(yōu)的性能仍然存在不確定性。（4）真實數(shù)據(jù)集的獲得近年來DL技術應用于各種領域，并且得到飛速發(fā)展，這很大程度上歸功于能夠獲得真實的開源數(shù)據(jù)集。訓練和測試數(shù)據(jù)集的質量和數(shù)量對基于DL框架的性能有很大的影響。在計算機科學領域，隨著自然語言處理，計算機視覺和自動駕駛的飛速發(fā)展，已經(jīng)提供了許多公開的的數(shù)據(jù)集，如ImageNet和MNIST。然而，在基于DL的無線通信領域，雖然有一些數(shù)據(jù)集可以應用于某些領域，但目前存在的可用數(shù)據(jù)集很少。為了便于研究，未來還需要有一些可靠的數(shù)據(jù)集。

4結語

本文概述了基于大數(shù)據(jù)的DL在無線通信物理層應用的最新進展，并著重描述了幾個典型的基于DL的通信案例。與傳統(tǒng)方法相比，基于DL的算法在通信系統(tǒng)里表現(xiàn)出了較低復雜度和更高的系統(tǒng)性能，其在無線通信物理層中的應用具有廣闊的前景。然而，必須承認,還有許多問題仍需解決，比如數(shù)據(jù)集的收集和網(wǎng)絡模型的選擇等問題，使用DL技術來解決無線物理層的一些問題仍將面臨很多挑戰(zhàn)。未來，基于DL的學習框架不僅可以很好的應用于無線通信，還將廣泛的應用于各行各業(yè)基于大數(shù)據(jù)的業(yè)務場景，比如基于DL的水體識別，這也是我們下一步的研究應用方向。

作者：潘文浩 姚海梅 廖勇  單位：云南省水利水電勘測設計研究院 重慶大學通信與測控中心