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(yīng)用范文,希望能給你帶來靈感和參考,敬請閱讀。
0引言
當(dāng)今世界,無線通信技術(shù)發(fā)展迅速,無線通信進(jìn)入第五代(5G)時(shí)代需實(shí)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(guān)鍵技術(shù),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(shù)在工程應(yīng)用中均表現(xiàn)出相同的特點(diǎn),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(dòng)速度和通信質(zhì)量具有較高的要求,然而在滿足大數(shù)據(jù)和高速復(fù)雜場景中的通信需求中,傳統(tǒng)的通信技術(shù)存在以下固有的局限性:(1)復(fù)雜場景中信道建模困難:通信的設(shè)計(jì)系統(tǒng)在很大程度上依賴于現(xiàn)實(shí)的信道條件。而在實(shí)際應(yīng)用中,這些模型的建模在復(fù)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(yīng)的信道模型存在未知的因素。很多情況下,信道不能用嚴(yán)格的數(shù)學(xué)模型來描述。因此,設(shè)計(jì)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(zhuǎn)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(jì)和檢測的算法。然而,使用這些算法可能會(huì)增加計(jì)算的復(fù)雜度。在這種情況下,具有實(shí)時(shí)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(jié)構(gòu)通信受限系統(tǒng):傳統(tǒng)的通信系統(tǒng)由幾個(gè)處理模塊,如信道編碼、調(diào)制和信號檢測,盡管研究人員多年來嘗試優(yōu)化每個(gè)算法的處理模塊并在實(shí)踐中取得成功,但并不能使得整個(gè)通信系統(tǒng)能得到最優(yōu)的性能,因?yàn)橥ㄐ诺母締栴}取決于接收端可靠的消息恢復(fù)[6]。因此,如果對每個(gè)模塊進(jìn)行的子優(yōu)化替換為端到端的優(yōu)化,就有希望進(jìn)一步改進(jìn)系統(tǒng)性能。深度學(xué)習(xí)(DeepLearning,DL)近年來因成功應(yīng)用在計(jì)算機(jī)視覺、自動(dòng)語音識別和自然語言處理等領(lǐng)域而獲得廣泛關(guān)注,是典型的大數(shù)據(jù)依賴的學(xué)習(xí)框架。同時(shí),研究人員也把DL廣泛應(yīng)用到了無線通信的物理層[7-11]。與傳統(tǒng)的機(jī)器學(xué)習(xí)算法[12-14]相比,DL顯著增強(qiáng)了特征提取和結(jié)構(gòu)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(diào)整參數(shù)來自動(dòng)調(diào)整模型結(jié)構(gòu),這可以代替手動(dòng)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(yīng)用復(fù)雜場景主要有如下原因:首先,DL是一種數(shù)據(jù)驅(qū)動(dòng)的方法,其模型是在大型訓(xùn)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(xué)模型。其次,能夠處理大數(shù)據(jù)也是DL重要的特點(diǎn),DL采用分布式并行計(jì)算體系結(jié)構(gòu),保證了計(jì)算速度和計(jì)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(jié)構(gòu),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(shí)現(xiàn)整個(gè)系統(tǒng)性能的改進(jìn),因?yàn)槟P徒?jīng)過端到端的訓(xùn)練優(yōu)化了整體的性能,而對單個(gè)模塊結(jié)構(gòu)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(jié)構(gòu)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(gè)DL應(yīng)用到通信物理層的示例。第四節(jié)討論了未來研究的領(lǐng)域和挑戰(zhàn)。第五節(jié)是全文總結(jié)。
1通信系統(tǒng)模型
它是一個(gè)模塊結(jié)構(gòu),包括信道編碼、調(diào)制、信道估計(jì)、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(jī)器學(xué)習(xí)方法,作為特定模塊的替代算法。DL架構(gòu)最近被引入到幾個(gè)處理模塊中以適應(yīng)新興的復(fù)雜通信場景,以期達(dá)到更優(yōu)的性能。
2幾個(gè)典型的DL應(yīng)用到物理層的案例
本節(jié)給出了一些DL應(yīng)用在通信物理層的典型例子,包括聯(lián)合信道估計(jì)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(yù)編碼。下面分別進(jìn)行介紹。
2.1聯(lián)合信道估計(jì)和信號檢測
一般信道估計(jì)和信號檢測是接收機(jī)的兩個(gè)獨(dú)立過程。首先,CSI通過導(dǎo)頻來估計(jì),然后利用估計(jì)的CSI在接收端恢復(fù)發(fā)送符號。文獻(xiàn)[7]提出了一種聯(lián)合信道估計(jì)和信號檢測方法。具體地說,一個(gè)帶有五層全連接層的深度神經(jīng)網(wǎng)絡(luò)(DeepNeuralNetwork,DNN)用于聯(lián)合信道估計(jì)和檢測,這里將信道看作一個(gè)黑盒子。在離線訓(xùn)練中,發(fā)送數(shù)據(jù)和導(dǎo)頻形成幀,然后這些幀經(jīng)過一個(gè)時(shí)變信道。該網(wǎng)絡(luò)把接收信號作為輸入,通過訓(xùn)練網(wǎng)絡(luò)來重構(gòu)發(fā)送數(shù)據(jù)。當(dāng)導(dǎo)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(jì)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(xiàn)[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(luò)的聯(lián)合均衡器和解碼器可以實(shí)現(xiàn)均衡和譯碼。這里使用兩個(gè)神經(jīng)網(wǎng)絡(luò),首先,卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks,CNN)用于恢復(fù)失真的發(fā)送數(shù)據(jù),然后DNN解碼器對CNN網(wǎng)絡(luò)均衡后的信號進(jìn)行解碼。實(shí)驗(yàn)結(jié)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(jī)器學(xué)習(xí)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(luò)中,大規(guī)模MIMO依賴于CSI反饋來實(shí)現(xiàn)基站端天線的性能增益。然而,大量天線導(dǎo)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(shí)間的相關(guān)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(yīng)用于CSI壓縮反饋中。然而,傳統(tǒng)的CS算法面臨挑戰(zhàn),因?yàn)楝F(xiàn)實(shí)世界的數(shù)據(jù)并不完全稀疏,現(xiàn)有信號恢復(fù)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(gè)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(gè)全連接層、兩個(gè)殘差層和一個(gè)卷積層對壓縮的CSI進(jìn)行重構(gòu)。結(jié)果表明,CsiNet算法在不同壓縮比和復(fù)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(yù)編碼
mmWave一直被認(rèn)為是一種5G的重要方案,其中混合模擬和數(shù)字預(yù)編碼是一種重要的可以減少硬件復(fù)雜性和能耗的方法。然而,現(xiàn)有的混合預(yù)編碼方案受限于高計(jì)算復(fù)雜度,且不能充分利用空間信息。為了克服這些局限性,文獻(xiàn)[17]提出了一個(gè)基于DL的mmWave大規(guī)模MIMO混合預(yù)編碼框架,其中每個(gè)預(yù)編器的選擇被視為一種DNN的映射關(guān)系。具體地說,通過訓(xùn)練DNN選擇混合預(yù)編碼器來優(yōu)化mmWave大規(guī)模MIMO的預(yù)編碼過程。實(shí)驗(yàn)結(jié)果表明,基于DNN的混合預(yù)編碼方法能降低mmWave大規(guī)模MIMO的誤碼率和增強(qiáng)頻譜效率,在保證更優(yōu)的性能的同時(shí),能大大減少所需的計(jì)算復(fù)雜度。
3挑戰(zhàn)
DL在無線通信系統(tǒng)物理層中的應(yīng)用是一個(gè)新的研究領(lǐng)域,雖然已有的研究表現(xiàn)出了較好的結(jié)果,但是在未來的研究中一些挑戰(zhàn)值得進(jìn)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(luò)的設(shè)計(jì)是核心挑戰(zhàn)。許多基于DL的技術(shù)都是按照通用模型開發(fā)的。例如,計(jì)算機(jī)視覺總是使用CNN,而LSTM則通常用于自然語言處理領(lǐng)域。然而,我們想知道是否有基于DL的無線通信模型,我們認(rèn)為,通用模型將有助于在實(shí)踐中得到實(shí)現(xiàn)。在工程項(xiàng)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(shí)間。在可以得到通用的模型之前,這個(gè)問題還需要廣泛的探索。(2)系統(tǒng)性能與訓(xùn)練效率的權(quán)衡現(xiàn)有的工作表明了基于DL的數(shù)據(jù)驅(qū)動(dòng)模型在物理層通信中的強(qiáng)大功能。然而,即使DL可以通過端到端學(xué)習(xí)來優(yōu)化通信系統(tǒng)性能,當(dāng)所有通信模塊被融合在一起時(shí),訓(xùn)練過程將花費(fèi)很長時(shí)間。為了提高訓(xùn)練效率,達(dá)到良好的系統(tǒng)性能,可以保留部分通信模塊,以實(shí)現(xiàn)訓(xùn)練效率和系統(tǒng)性能兩者之間的權(quán)衡。(3)嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)證明和基本的理論總的來說,基于深度學(xué)習(xí)的通信框架的性能已經(jīng)在信道估計(jì)、均衡、CSI反饋等場景得到了證明,然而,我們還沒有推導(dǎo)出嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)證明和基本的理論來進(jìn)一步驗(yàn)證其框架的性能。推導(dǎo)出基本的理論也會(huì)有所幫助我們了解通信框架,這將是改進(jìn)網(wǎng)絡(luò)和開發(fā)更高效的通信框架的基礎(chǔ)。同時(shí),訓(xùn)練所需的訓(xùn)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(shí)數(shù)據(jù)集的獲得近年來DL技術(shù)應(yīng)用于各種領(lǐng)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(shí)的開源數(shù)據(jù)集。訓(xùn)練和測試數(shù)據(jù)集的質(zhì)量和數(shù)量對基于DL框架的性能有很大的影響。在計(jì)算機(jī)科學(xué)領(lǐng)域,隨著自然語言處理,計(jì)算機(jī)視覺和自動(dòng)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(lǐng)域,雖然有一些數(shù)據(jù)集可以應(yīng)用于某些領(lǐng)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(jié)語
本文概述了基于大數(shù)據(jù)的DL在無線通信物理層應(yīng)用的最新進(jìn)展,并著重描述了幾個(gè)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(fù)雜度和更高的系統(tǒng)性能,其在無線通信物理層中的應(yīng)用具有廣闊的前景。然而,必須承認(rèn),還有許多問題仍需解決,比如數(shù)據(jù)集的收集和網(wǎng)絡(luò)模型的選擇等問題,使用DL技術(shù)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(xué)習(xí)框架不僅可以很好的應(yīng)用于無線通信,還將廣泛的應(yīng)用于各行各業(yè)基于大數(shù)據(jù)的業(yè)務(wù)場景,比如基于DL的水體識別,這也是我們下一步的研究應(yīng)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(shè)計(jì)研究院 重慶大學(xué)通信與測控中心