近年來，作為實現(xiàn)人工智能的典型方法應(yīng)用，深度學(xué)習(xí)在計算機視覺、自動語音識別和自然語言處理領(lǐng)域取得了廣泛的成功，讓人們領(lǐng)略到它在處理復(fù)雜問題方面的神奇能力。那么，對于同樣需要處理大量接收數(shù)據(jù)，以恢復(fù)經(jīng)過無線傳輸?shù)男畔槟康牡臒o線通信系統(tǒng)而言，這種“神奇”的技術(shù)是否依然有效呢？為此，學(xué)術(shù)界提出了若干應(yīng)用深度學(xué)習(xí)技術(shù)的方法，對傳統(tǒng)信號處理算法進行優(yōu)化改進，例如提高信道估計精度、優(yōu)化多天線檢測性能以及多模塊聯(lián)合優(yōu)化等。本文將著重介紹基于深度學(xué)習(xí)的信道估計方法，并探討其優(yōu)缺點。
基于深度學(xué)習(xí)的信道估計方法可以粗略地分為兩類：一類是使用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)信道的變化特征，進而從導(dǎo)頻信號估計完整信道；另一類是將信道信息看作圖像，利用圖像處理領(lǐng)域成熟的深度學(xué)習(xí)技術(shù)來感知、處理和恢復(fù)信道。
類別1
學(xué)習(xí)信道變化特征以進行插值和去噪
以正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing, OFDM)系統(tǒng)中基于梳狀導(dǎo)頻的時-頻二維插值信道估計為例，傳統(tǒng)算法首先從導(dǎo)頻符號估計出信道信息，然后通過插值去噪獲得其它位置的信道信息。差值需要的系數(shù)可以根據(jù)信道在各維的二階統(tǒng)計特性得到，如時延擴展、多普勒擴展和空間擴展值，而它們的分布特性卻一般從“假設(shè)”的模型導(dǎo)出。因此，我們可以考慮使用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)該統(tǒng)計特性或者直接獲得差值需要的系數(shù)，而避免使用假設(shè)模型。如下圖所示，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)以從導(dǎo)頻符號所估計的結(jié)果作為輸入，以所有符號上的信道頻率響應(yīng)作為輸出。
利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)信道的變化特征用于信道估計
從基于給定信道仿真模型的結(jié)果來看，由于能“學(xué)習(xí)”更準(zhǔn)確的導(dǎo)頻與數(shù)據(jù)符號之間的信道變化特性，相比于傳統(tǒng)方案，該方案能獲得更好的性能。然而，在訓(xùn)練階段用所有符號上的理想信道信息作為目標(biāo)優(yōu)化數(shù)據(jù)，顯然是難以實現(xiàn)的。
類別2
將多維信道狀態(tài)信息視為圖像
也有文獻提出將無線信道在多維空間上呈現(xiàn)的特征視為自然圖像，并將圖像處理領(lǐng)域的深度學(xué)習(xí)技術(shù)應(yīng)用于信道估計。比如在毫米波大規(guī)模多天線系統(tǒng)中，為了從波束賦形接收后的導(dǎo)頻信號中估計原始空間信道，Hengtao He[1]等人提出了一種基于學(xué)習(xí)的去噪近似消息傳遞網(wǎng)絡(luò)，如下圖所示，信道估計的目標(biāo)是從壓縮后的K維信號中估計原始的MxN (K<MN)維空間信道。由于原始空間信道矩陣的元素不是獨立的，即天線陣列間的空間信道矩陣具有一定的相關(guān)特性，該稀疏特征與2D自然圖像相似，因此可以應(yīng)用源自圖像恢復(fù)的神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)迭代中的參數(shù)和相應(yīng)函數(shù)，進而恢復(fù)原始空間信道。
配置3D棱鏡天線陣列的毫米波接收機示意圖【1】
從參考文獻給出的仿真結(jié)果來看，由于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)了精確的信道特性，能獲得比現(xiàn)有方法更優(yōu)的性能，但在實際應(yīng)用中存在一些比較典型的問題，特別是標(biāo)簽數(shù)據(jù)集的獲取和訓(xùn)練網(wǎng)絡(luò)與實際應(yīng)用之間的不匹配。標(biāo)簽數(shù)據(jù)是獲得良好訓(xùn)練和測試神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，對于實際應(yīng)用中的信道估計而言，是無法獲得實時的理想信道狀態(tài)信息來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。另外，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，網(wǎng)絡(luò)中的參數(shù)將在后續(xù)使用中保持不變，而一旦實際應(yīng)用場景發(fā)生變化，該網(wǎng)絡(luò)的輸出將不再符合預(yù)期，導(dǎo)致結(jié)果不理想，對于基于深度學(xué)習(xí)的信道估計來說，也無法直接判斷該模型是否需要調(diào)整或者重新訓(xùn)練。
為了解決這些問題，可以考慮傳輸標(biāo)簽數(shù)據(jù)以重新訓(xùn)練網(wǎng)絡(luò)適應(yīng)新環(huán)境的方法，然而這些標(biāo)簽數(shù)據(jù)與導(dǎo)頻一樣會產(chǎn)生額外開銷，降低通信效率。為此，Peiwen Jiang[2]等人給出了一種節(jié)省傳輸標(biāo)簽數(shù)據(jù)的在線調(diào)整方案，如下圖所示，包括傳統(tǒng)的基于最小二乘的信道估計模塊（LS CE），兩個或多個基于神經(jīng)網(wǎng)絡(luò)的信道估計模塊（CE RefineNet m）和在線訓(xùn)練參數(shù)αm。這些不同的CE RefineNet模塊是針對不同的信道類型（如短時延或者長時延擴展）進行離線訓(xùn)練，并在在線使用過程中不調(diào)整其中系數(shù)，但對每一個模塊引入可在線訓(xùn)練調(diào)整的參數(shù)αm，以確定在實際信道條件下是否訪問該模塊。由于需要訓(xùn)練的參數(shù)非常有限，僅需要一小批帶標(biāo)簽的數(shù)據(jù)進行在線調(diào)整即可，有利于減小實時調(diào)整的開銷。
支持在線調(diào)整的基于深度學(xué)習(xí)的信道估計方法【2】
綜上所述，目前基于深度學(xué)習(xí)的信道估計方法通常使用神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)信道變化特征，從接收的導(dǎo)頻符號獲得完整信道信息；或者將信道信息視為圖像，利用成熟的類似壓縮感知方案來估計和處理信道。然而，在實際應(yīng)用時，需要解決標(biāo)記數(shù)據(jù)的獲取和訓(xùn)練模型的自適應(yīng)在線調(diào)整等問題，而這對于無線通信系統(tǒng)來說，可能需要標(biāo)準(zhǔn)化的支持，比如作為標(biāo)簽數(shù)據(jù)的定義等。因此，相比于成熟的信道估計算法來說，基于深度學(xué)習(xí)的信道估計方法在實時性、普適性和有效性等方面依舊有很多問題需要解決。