基于人工智能的無線傳輸技術(shù)最新研究進(jìn)展

張靜，金石，溫朝凱，高飛飛，江濤

?

基于人工智能的無線傳輸技術(shù)最新研究進(jìn)展

張靜1，金石1，溫朝凱2，高飛飛3，江濤4

（1. 東南大學(xué)移動(dòng)通信國家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210096；2. 臺(tái)灣中山大學(xué)通訊工程研究所，臺(tái)灣 高雄 000800；3. 清華大學(xué)自動(dòng)化系，北京 100084；4. 華中科技大學(xué)武漢光電國家研究中心，湖北 武漢 430074）

智能通信被認(rèn)為是5G之后無線通信發(fā)展的主流方向之一，其基本思想是將人工智能引入無線通信系統(tǒng)的各個(gè)層面，實(shí)現(xiàn)無線通信與人工智能技術(shù)的有機(jī)融合。目前，該方面研究正在向物理層快速推進(jìn)，無線傳輸技術(shù)與人工智能的融合還處于初步探索階段。面向基于人工智能的無線傳輸關(guān)鍵技術(shù)，從信道估計(jì)、信號(hào)檢測、信道狀態(tài)信息反饋與重建、信道解碼、端到端的無線通信系統(tǒng)方面展開了詳細(xì)介紹，闡述了近年來國際學(xué)術(shù)界在該方向的最新研究進(jìn)展，并在此基礎(chǔ)上對利用人工智能的無線傳輸技術(shù)發(fā)展趨勢進(jìn)行了進(jìn)一步展望。

人工智能；無線傳輸技術(shù)；深度學(xué)習(xí)

1 引言

自2010年以來，5G技術(shù)備受學(xué)術(shù)界和工業(yè)界的關(guān)注，其主要特點(diǎn)為高維度、高容量、更密的網(wǎng)絡(luò)、更低的時(shí)延。相比于已經(jīng)商用化的4G系統(tǒng)，5G無線傳輸速率提升10~100倍，峰值傳輸速率達(dá)到10 Gbit/s，端到端時(shí)延減至毫秒級(jí)，連接設(shè)備密度增加10~100倍，流量密度提高1 000倍，頻譜效率提升5~10倍，能夠在500 km/h的速度下保證用戶體驗(yàn)。與面向人與人通信的2G/3G/4G不同，5G在設(shè)計(jì)之初，就考慮了人與人、人與物、物與物的互連。國際電信聯(lián)盟發(fā)布的5G八大指標(biāo)包括：基站峰值速率、用戶體驗(yàn)速率、頻譜效率、流量空間容量、移動(dòng)性能、網(wǎng)絡(luò)能效、連接密度和時(shí)延。

迄今為止，5G主要從3個(gè)維度實(shí)現(xiàn)上述指標(biāo)，即空口增強(qiáng)、更寬的頻譜以及網(wǎng)絡(luò)密集化。這3個(gè)維度最具代表性的使能技術(shù)分別對應(yīng)大規(guī)模MIMO（multiple-input multiple-output，MIMO）、毫米波通信以及超密集組網(wǎng)。大規(guī)模MIMO因具備提升系統(tǒng)容量、頻譜效率、用戶體驗(yàn)速率、增強(qiáng)全維覆蓋和節(jié)約能耗等諸多優(yōu)點(diǎn)，被認(rèn)為是5G最具潛力的核心技術(shù)。然而，大規(guī)模MIMO的發(fā)展和應(yīng)用也面臨諸多問題，如對于不具有上下行互易性的頻分雙工（frequency division duplex，F(xiàn)DD）系統(tǒng)，如何有效地實(shí)現(xiàn)基站側(cè)的信道狀態(tài)信息獲取。毫米波是指波長在毫米數(shù)量級(jí)的電磁波，其頻率大約在30~300 GHz?，F(xiàn)有的無線通信系統(tǒng)所用到頻段大多集中在300 MHz~ 3 GHz，對毫米波段的利用率較低。毫米波技術(shù)通過增加頻譜帶寬，有效提高網(wǎng)絡(luò)傳輸速率，但會(huì)受傳播路徑損耗、建筑物穿透損耗和雨衰等因素的影響，在實(shí)際應(yīng)用中面臨著巨大挑戰(zhàn)[1]。另外，毫米波通信可與大規(guī)模MIMO有機(jī)融合，通過大規(guī)模MIMO波束成形帶來的增益彌補(bǔ)毫米波穿透力差的劣勢。超密集組網(wǎng)（ultra dense network，UDN）通過更加“密集化”的無線網(wǎng)絡(luò)部署，將站間距離縮短為幾十米甚至十幾米，使得站點(diǎn)密度大大增加，從而提高頻譜復(fù)用率、單位面積的網(wǎng)絡(luò)容量以及用戶體驗(yàn)速率。綜合來看，大規(guī)模MIMO利用超高天線維度充分挖掘利用空間資源，毫米波通信利用超大帶寬提升網(wǎng)絡(luò)吞吐量，超密集組網(wǎng)利用超密基站提高頻譜利用率，由此產(chǎn)生了海量的無線大數(shù)據(jù)，為未來無線通信系統(tǒng)利用人工智能手段提供了數(shù)據(jù)來源。

另一方面，近年來人工智能特別是深度學(xué)習(xí)在計(jì)算機(jī)視覺、自然語言處理、語音識(shí)別等領(lǐng)域獲得了巨大成功[2]，無線通信領(lǐng)域的研究者們期望將其應(yīng)用于系統(tǒng)的各個(gè)層面，進(jìn)而產(chǎn)生智能通信系統(tǒng)，實(shí)現(xiàn)真正意義上的萬物互聯(lián)，滿足人們對數(shù)據(jù)傳輸速率日新月異的需求。因此，智能通信被認(rèn)為是5G之后無線通信發(fā)展的主流方向之一，其基本思想是將人工智能引入無線通信系統(tǒng)的各個(gè)層面，實(shí)現(xiàn)無線通信與人工智能技術(shù)的有機(jī)融合，大幅度提升無線通信系統(tǒng)的效能。學(xué)術(shù)界和工業(yè)界正在上述領(lǐng)域開展研究工作，前期的研究成果集中于應(yīng)用層和網(wǎng)絡(luò)層，主要思想是將人工智能特別是深度學(xué)習(xí)的思想引入無線資源管理和分配等領(lǐng)域。目前，該方向的研究正在向MAC層和物理層推進(jìn)，特別在物理層已經(jīng)出現(xiàn)無線傳輸與深度學(xué)習(xí)等結(jié)合的趨勢，然而，各項(xiàng)研究目前尚處于初步探索階段。

盡管無線大數(shù)據(jù)為人工智能應(yīng)用于物理層提供可能[3]，智能通信系統(tǒng)的發(fā)展仍處于探索階段，機(jī)遇與挑戰(zhàn)并存。追溯歷史，無線通信系統(tǒng)從1G演進(jìn)至5G并獲得巨大成功，其根源在于基于香農(nóng)信息論的無線傳輸理論體系架構(gòu)的建立與完善。一個(gè)典型的無線通信系統(tǒng)由發(fā)射機(jī)、無線信道和接收機(jī)構(gòu)成，如圖1所示。發(fā)射機(jī)主要包括信源、信源編碼、信道編碼、調(diào)制和射頻發(fā)送等模塊；接收機(jī)包括射頻接收、信道估計(jì)與信號(hào)檢測、解調(diào)、信道解碼、信源解碼以及信宿等模塊。智能通信的無線傳輸研究旨在打破原有的通信模式，獲得無線傳輸性能的大幅提升。目前這方面的研究面臨諸多挑戰(zhàn)，國內(nèi)外研究者進(jìn)行了初步探索。本文主要介紹深度學(xué)習(xí)應(yīng)用于無線傳輸技術(shù)的最新研究進(jìn)展，主要包括信道估計(jì)、信號(hào)檢測、信道狀態(tài)信息（channel state information，CSI）的反饋與重建、信道解碼以及端到端的通信系統(tǒng)。

圖1 典型的無線通信系統(tǒng)

2 深度學(xué)習(xí)簡介

1996年Langley將機(jī)器學(xué)習(xí)定義為人工智能的一個(gè)分支，旨在依賴經(jīng)驗(yàn)知識(shí)提高系統(tǒng)性能。經(jīng)過20世紀(jì)以來的長期研究，研究者提出了邏輯回歸、決策樹、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)等各種算法。2006年，Hinton等人[4]在《Science》上發(fā)表論文，其主要觀點(diǎn)有：多隱層的人工神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力；可通過“逐層預(yù)訓(xùn)練”來有效克服深層神經(jīng)網(wǎng)絡(luò)在訓(xùn)練上的困難，從此引出深度學(xué)習(xí)的研究。而后，深度學(xué)習(xí)在語音識(shí)別領(lǐng)域和圖像識(shí)別領(lǐng)域取得巨大成就。深度學(xué)習(xí)作為一種新興的神經(jīng)網(wǎng)絡(luò)算法，具有多種結(jié)構(gòu)，包括深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）和生成對抗神經(jīng)網(wǎng)絡(luò)（generative adversarial network，GAN）等。下面詳細(xì)介紹4類深度學(xué)習(xí)網(wǎng)絡(luò)的基本結(jié)構(gòu)。

2.1 深度神經(jīng)網(wǎng)絡(luò)

DNN也被稱為多層感知機(jī)。DNN基本結(jié)構(gòu)如圖2所示，由輸入層、多個(gè)隱藏層和輸出層構(gòu)成。每個(gè)隱藏層包含多個(gè)神經(jīng)元，每個(gè)神經(jīng)元連接到相鄰的層，同層神經(jīng)元互不連接。單個(gè)神經(jīng)元將各個(gè)輸入與相應(yīng)權(quán)重相乘，然后加偏置參數(shù)，最后通過非線性激活函數(shù)。激活函數(shù)類型見表1。反向傳播算法是一種有效的DNN優(yōu)化方法，隱藏層和神經(jīng)元數(shù)量的增加使得訓(xùn)練過程變得困難，會(huì)遇到如梯度消失、收斂緩慢以及收斂到局部最小值等問題。為了解決消失梯度問題，引入了新的激活函數(shù)來代替經(jīng)典的Sigmoid函數(shù)。為了提高收斂速度和降低計(jì)算復(fù)雜度，經(jīng)典梯度下降法（gradient descent，GD）被調(diào)整為隨機(jī)梯度下降法（stochastic gradient descent，SGD），它隨機(jī)選擇一個(gè)樣本來計(jì)算每次的損失和梯度。隨機(jī)特性在訓(xùn)練過程中會(huì)引起強(qiáng)烈的波動(dòng)，因此，在經(jīng)典的GD和SGD之間采用小批量隨機(jī)梯度下降法（small-batch SGD）進(jìn)行訓(xùn)練。然而，這些算法仍然會(huì)出現(xiàn)收斂于局部最優(yōu)解。為了解決這一問題并進(jìn)一步提高訓(xùn)練速度，幾種自適應(yīng)學(xué)習(xí)速率算法應(yīng)運(yùn)而生，如Adagrad、RMSProp、Momentum、Adam等[4]。如果訓(xùn)練后的網(wǎng)絡(luò)在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，在測試過程中表現(xiàn)不佳，則出現(xiàn)過度擬合現(xiàn)象。在這種情況下，為了在訓(xùn)練和測試數(shù)據(jù)上取得良好的結(jié)果，提出了正則化（regularization）和丟棄（dropout）等方案。

圖2 DNN基本結(jié)構(gòu)

表1 激活函數(shù)類型

2.2 卷積神經(jīng)網(wǎng)絡(luò)

CNN的基本結(jié)構(gòu)包括輸入層、多個(gè)卷積層、多個(gè)池化層、全連接層及輸出層，如圖3所示。卷積層和池化層采用交替設(shè)置，即一個(gè)卷積層連接一個(gè)池化層，池化層后再連接一個(gè)卷積層，依此類推。由于卷積層中卷積核的每個(gè)神經(jīng)元與其輸入進(jìn)行局部連接，并通過對應(yīng)的連接權(quán)值與局部輸入進(jìn)行加權(quán)求和再加入偏置值，得到該神經(jīng)元輸出值，該過程等同于卷積過程，因此被稱為卷積神經(jīng)網(wǎng)絡(luò)。

圖3 CNN基本結(jié)構(gòu)

2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)

RNN是一種對序列數(shù)據(jù)建模的神經(jīng)網(wǎng)絡(luò)，即一個(gè)序列當(dāng)前的輸出與前面的輸出也有關(guān)。具體的表現(xiàn)形式為網(wǎng)絡(luò)會(huì)對過去時(shí)刻的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計(jì)算中，即隱藏層之間的節(jié)點(diǎn)不再是無連接的而是有連接的，并且隱藏層的輸入不僅包括輸入層還包括上一時(shí)刻隱藏層的輸出。圖4是一個(gè)RNN模型的示例。循環(huán)神經(jīng)網(wǎng)絡(luò)旨在為神經(jīng)網(wǎng)絡(luò)提供記憶，因?yàn)檩敵霾粌H依賴于當(dāng)前輸入，而且還依賴于過去時(shí)刻可用的信息或?qū)頃r(shí)刻可用的信息。圖4所示的時(shí)延步長（time step）為3。常用的RNN包括Elman網(wǎng)絡(luò)、Jordan網(wǎng)絡(luò)、雙向RNN和長短時(shí)記憶（long short term memory，LSTM）。

圖4 RNN基本結(jié)構(gòu)

2.4 生成對抗神經(jīng)網(wǎng)絡(luò)

GAN是一種新型的分布學(xué)習(xí)生成方法，目的是學(xué)習(xí)一種能夠在真實(shí)分布的數(shù)據(jù)集上生成偽樣本的模型。GAN的結(jié)構(gòu)如圖5所示，包含一個(gè)生成器G和一個(gè)鑒別器D。生成器和鑒別器均由DNN實(shí)現(xiàn)。鑒別器用于區(qū)分生成器生成的偽樣本和實(shí)際數(shù)據(jù)集的真樣本，生成器任務(wù)是生成樣本數(shù)據(jù)使得鑒別器區(qū)分不出真樣本和偽樣本。在訓(xùn)練過程中，生成器將輸入噪聲與樣本的先驗(yàn)分布p()映射到一個(gè)樣本。然后采集來自真實(shí)數(shù)據(jù)的樣本和來自于生成器G的樣本，以訓(xùn)練鑒別器D，以最大化區(qū)分這兩類的能力。如果鑒別器D成功地對真樣本和假樣本進(jìn)行分類，那么它的成功可以反饋給生成器G，從而促使生成器G學(xué)會(huì)生成與真樣本更相似的樣本。訓(xùn)練過程在達(dá)到平衡時(shí)結(jié)束，此時(shí)鑒別器D只能隨機(jī)猜測真樣本和產(chǎn)生的偽樣本。

圖5 GAN基本結(jié)構(gòu)

3 深度學(xué)習(xí)在無線傳輸技術(shù)中的應(yīng)用

本節(jié)面向基于深度學(xué)習(xí)的無線物理層關(guān)鍵技術(shù)，從信道估計(jì)、信號(hào)檢測、CSI反饋與重建、信道解碼以及端到端無線通信系統(tǒng)5個(gè)方面展開詳細(xì)介紹，展示了近年來國際學(xué)術(shù)界在該方面的最新研究進(jìn)展。

3.1 信道估計(jì)

在大規(guī)模MIMO波束毫米波場景下，信道估計(jì)極具挑戰(zhàn)性，尤其是在天線陣列密集、接收機(jī)配備的射頻鏈路受限的場景。參考文獻(xiàn)[5]提出LDAMP網(wǎng)絡(luò)來解決這一信道估計(jì)問題。該網(wǎng)絡(luò)將信道矩陣視作二維圖像作為輸入，并將降噪的卷積神經(jīng)網(wǎng)絡(luò)融合到迭代信號(hào)重建算法中進(jìn)行信道估計(jì)。LDAMP基于D-AMP算法[6]，由層完全相同的結(jié)構(gòu)串聯(lián)而成。每層由降噪器、散度估量器和連接的系數(shù)組成。降噪器由具有20個(gè)卷積層的DnCNN實(shí)現(xiàn)，在LDAMP網(wǎng)絡(luò)起到?jīng)Q定性作用。在未知噪聲強(qiáng)度情況下，DnCNN降噪器能夠解決高斯降噪問題，比其他降噪技術(shù)準(zhǔn)確度更高、計(jì)算速度更快。它不是直接從含有噪聲的信道圖像中學(xué)習(xí)信道圖像，而是先學(xué)習(xí)殘余噪聲，然后通過相減操作獲得信道估計(jì)的圖像。殘差學(xué)習(xí)不僅降低了訓(xùn)練時(shí)間，也增強(qiáng)了信道估計(jì)的準(zhǔn)確性。仿真結(jié)果表明LDAMP網(wǎng)絡(luò)的性能優(yōu)越于當(dāng)前最具潛力的其他信道估計(jì)方法。

從MMSE算法的基本結(jié)構(gòu)出發(fā)，參考文獻(xiàn)[7]提出了一種基于深度學(xué)習(xí)的信道估計(jì)器，其中估計(jì)的信道向量為條件高斯隨機(jī)變量，協(xié)方差矩陣具有隨機(jī)性。如果協(xié)方差矩陣具有特普利茲特性和移不變的結(jié)構(gòu)特性，則MMSE信道估計(jì)器的復(fù)雜度將降低很多。在信道的協(xié)方差矩陣不具備上述特性時(shí)，信道估計(jì)的復(fù)雜度將會(huì)變得很大。為了降低信道估計(jì)的復(fù)雜度，參考文獻(xiàn)[7]仍假設(shè)采用MMSE的結(jié)構(gòu)模型，并利用CNN對誤差進(jìn)行補(bǔ)償。仿真結(jié)果表明，提出的信道估計(jì)器在降低復(fù)雜度的同時(shí)，也保證了信道估計(jì)的準(zhǔn)確性。

參考文獻(xiàn)[5]和參考文獻(xiàn)[7]不僅考慮到實(shí)際問題中的模型特點(diǎn)，而且以已有算法為基礎(chǔ)，使整個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)較少，而且準(zhǔn)確性高、復(fù)雜性低，更具競爭力。

3.2 信號(hào)檢測

參考文獻(xiàn)[8]利用DNN實(shí)現(xiàn)OFDM（orthogonal frequency division multiplexing，OFDM）系統(tǒng)中的信號(hào)檢測問題。傳統(tǒng)的OFDM系統(tǒng)信道估計(jì)和信號(hào)檢測是兩個(gè)獨(dú)立的功能模塊，即先進(jìn)行信道估計(jì)獲得確切的CSI，然后利用估計(jì)的CSI對發(fā)送信號(hào)進(jìn)行恢復(fù)。如圖1所示，信號(hào)原始恢復(fù)過程還涉及解調(diào)等模塊。與傳統(tǒng)無線通信不同，參考文獻(xiàn)[8]將信道估計(jì)和信號(hào)檢測視為一個(gè)整體，直接用DNN實(shí)現(xiàn)由接收信號(hào)到原始信號(hào)的映射。DNN的輸入為256，隱層結(jié)構(gòu)為500-250-120，輸出為16。文中的OFDM系統(tǒng)采用64子載波，調(diào)制方式為正交相移（quadrature phase shift keying，QPSK）編碼，因此輸入信號(hào)為128 byte，因此需要8個(gè)相同結(jié)構(gòu)的DNN進(jìn)行訓(xùn)練。所提出的DNN在訓(xùn)練大量數(shù)據(jù)以后，能與傳統(tǒng)檢測算法最小均方誤差（minimum mean square error，MMSE）性能相比擬。在無循環(huán)前綴或降低峰均信噪比的OFDM非線性系統(tǒng)中，此DNN獲得的性能比傳統(tǒng)的MMSE提升很多。然而，這種提升并非表明這種設(shè)計(jì)的合理性，誤比特率也呈現(xiàn)一定的飽和性。飽和性是指隨著信噪比的增大，信號(hào)檢測的誤比特率不再下降或下降不明顯。在實(shí)際系統(tǒng)中，非線性情況還沒有得到很好的解決。另外需要提出的是一個(gè)子DNN需要訓(xùn)練20 000次，一次訓(xùn)練涉及50 000個(gè)數(shù)據(jù)。8個(gè)這樣的網(wǎng)絡(luò)其訓(xùn)練時(shí)間和復(fù)雜度可想而知。

參考文獻(xiàn)[9]研究的是MIMO系統(tǒng)的信號(hào)重建問題，提出了信號(hào)檢測算法DetNet。DetNet在最大似然法基礎(chǔ)上加入梯度下降算法，從而生成一個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)。為了測試DetNet的頑健性，考慮了兩種CSI已知的情景，即時(shí)不變信道和隨機(jī)變量已知的時(shí)變信道。仿真結(jié)果表明，DetNet性能優(yōu)于傳統(tǒng)的信號(hào)檢測算法AMP（approximate message passing），而且與SDR（semidefinite relaxation）算法性能相當(dāng)，具有極高的準(zhǔn)確性和極少的時(shí)間開銷（該算法速度是傳統(tǒng)算法的30倍）。

參考文獻(xiàn)[10]與參考文獻(xiàn)[9]研究的問題相同，而且提出的解決方法均依賴已有的信號(hào)檢測算法。參考文獻(xiàn)[10]以O(shè)AMP（orthogonal approximate message passing，OAMP）迭代算法為基礎(chǔ)，結(jié)合深度學(xué)習(xí)網(wǎng)絡(luò)提出了OAMP-Net，目的是在原有算法基礎(chǔ)之上，加入可調(diào)節(jié)的訓(xùn)練參數(shù)，進(jìn)一步提升已有算法的信號(hào)檢測性能。OAMP算法在壓縮感知領(lǐng)域被提出來解決稀疏線性求逆問題，后被用于MIMO的信號(hào)檢測問題，與以往算法相比，OAMP算法復(fù)雜度降低很多。但是，信號(hào)檢測性能有所下降。OAMP算法是一種迭代算法，增加了算法的復(fù)雜度。為了進(jìn)一步降低算法的復(fù)雜度，OAMP-Net包含了個(gè)串聯(lián)層，相當(dāng)于算法的迭代過程。每個(gè)串聯(lián)層不僅實(shí)現(xiàn)了OAMP算法的全過程，而且加入了一些可訓(xùn)練的參數(shù)使得OAMP算法更具彈性，在參數(shù)改變時(shí)，不僅能適應(yīng)更多的信道場景，而且可以實(shí)現(xiàn)與其他算法模型的轉(zhuǎn)換。仿真結(jié)果表明，OAMP-Net的性能不僅高于OAMP算法，而且優(yōu)越于更加復(fù)雜的LMMSE-TISTA算法，其算法復(fù)雜度更低且能適應(yīng)于時(shí)變的信道。

不難看出，參考文獻(xiàn)[8]提出的深度學(xué)習(xí)網(wǎng)絡(luò)需要采集大量訓(xùn)練數(shù)據(jù)，前期訓(xùn)練工作量巨大，參考文獻(xiàn)[9-10]克服了這一困難，利用更簡單的訓(xùn)練網(wǎng)絡(luò)實(shí)現(xiàn)了更好的信號(hào)檢測性能。

3.3 CSI反饋與重建

在頻分復(fù)用網(wǎng)絡(luò)中，MIMO系統(tǒng)中基站需要獲得下行鏈路的CSI反饋來執(zhí)行預(yù)編碼以及實(shí)現(xiàn)性能增益。然而MIMO系統(tǒng)中的超多天線造成過量的反饋負(fù)載，因此傳統(tǒng)的CSI反饋負(fù)載降低方法不再適用于此場景。參考文獻(xiàn)[11]提出基于CNN的CSI感知與恢復(fù)機(jī)制CsiNet。CsiNet的感知部分也稱為編碼器，將原始CSI矩陣?yán)肅NN轉(zhuǎn)化為碼本；CsiNet的恢復(fù)部分也稱為譯碼器，將接收到的碼本利用全連接網(wǎng)絡(luò)和CNN恢復(fù)成原始的CSI信號(hào)。編碼器網(wǎng)絡(luò)包括32×32輸入層、2個(gè)3×3卷積核、1×重建層（reshape）和一個(gè)線性的1×全連接層。解碼器網(wǎng)絡(luò)包括1×輸入層、1×全連接層、32×32重建層和兩個(gè)Refine網(wǎng)絡(luò)。Refine網(wǎng)絡(luò)包括4層3×3卷積層進(jìn)行特征提取。參考文獻(xiàn)[12]在壓縮CSI反饋的空間復(fù)用MIMO系統(tǒng)中只是利用DNN將原始CSI矩陣壓縮為低維度的CSI信號(hào)，沒有涉及CSI反饋信號(hào)的進(jìn)一步恢復(fù)。

參考文獻(xiàn)[13]在參考文獻(xiàn)[11]基礎(chǔ)上提出一種實(shí)時(shí)的基于LSTM的CSI反饋架構(gòu)CsiNet-LSTM，該網(wǎng)絡(luò)利用CNN和RNN分別提取CSI的空間特征和幀內(nèi)相關(guān)性特征，從而進(jìn)一步提升反饋CSI的正確性。 CsiNet-LSTM的時(shí)延步長為，第一步時(shí)延步長的信道矩陣采用高壓縮率編碼器，其他-1個(gè)時(shí)延步長采用低壓縮率編碼器。-1個(gè)低壓縮率編碼器的輸出碼字分別與高壓縮率編碼器的輸出碼字串聯(lián)在一起，然后輸入相應(yīng)的譯碼器中。最后的CSI重建由個(gè)時(shí)延步長具有3層2×32×32單元的LSTM執(zhí)行。需要指出的是，此網(wǎng)絡(luò)編碼器和譯碼器部分與參考文獻(xiàn)[11]的CsiNet結(jié)構(gòu)完全相同。利用時(shí)變MIMO信道時(shí)間相關(guān)性和結(jié)構(gòu)特點(diǎn)，CsiNet-LSTM能實(shí)現(xiàn)壓縮率、CSI重建質(zhì)量以及復(fù)雜度之間的折中。相比于CsiNet，該網(wǎng)絡(luò)以時(shí)間效率換取了CSI的重建質(zhì)量。

參考文獻(xiàn)[11,13]提出的CSI反饋與重建算法均依賴大量數(shù)據(jù)進(jìn)行離線訓(xùn)練，網(wǎng)絡(luò)復(fù)雜度較高且泛化性能需要深入研究。

3.4 信道解碼

參考文獻(xiàn)[14]提出了一種基于DNN的信道解碼方法。該文獻(xiàn)得出了深度學(xué)習(xí)應(yīng)用于信道解碼的兩個(gè)結(jié)論，一是如極化碼等結(jié)構(gòu)碼比隨機(jī)碼更容易學(xué)習(xí)；二是針對結(jié)構(gòu)碼，深度學(xué)習(xí)網(wǎng)絡(luò)能夠解碼沒有訓(xùn)練過的碼字。在接收端，位信息比特被編碼為長度為的碼字，然后進(jìn)行調(diào)制，發(fā)射機(jī)通過噪聲信道將其送至接收端。接收端的信道解碼器的任務(wù)是將接收的具有噪聲干擾的碼字恢復(fù)成相應(yīng)的信息比特。信道解碼器由輸入層、3層隱層、輸出層構(gòu)成。輸入層為具有噪聲干擾的碼字，輸出層為信息比特。3層隱層神經(jīng)元結(jié)構(gòu)為128-64-32。信道解碼深度學(xué)習(xí)用于信道解碼無疑會(huì)受到維度爆炸的限制，對于碼長為100，碼率為0.5的編碼來說，則存在250種不同的碼字。因此，該網(wǎng)絡(luò)只適應(yīng)于碼字較短的信道編碼技術(shù)。仿真結(jié)果表明，對于結(jié)構(gòu)碼來說，訓(xùn)練219次則接近最大后驗(yàn)概率（maximum a posteriori，MAP）解碼器的性能。而對于隨機(jī)碼來說，訓(xùn)練219次性能遠(yuǎn)遠(yuǎn)不及MAP解碼器。另外，參考文獻(xiàn)[14]分別對不同的隱層結(jié)構(gòu)128-64-32、256-128-64、512-256-128和1 024-512-128進(jìn)行了比較，對于此解碼網(wǎng)絡(luò)來說，隱層結(jié)構(gòu)越復(fù)雜，訓(xùn)練的次數(shù)越多，該解碼器的性能越優(yōu)越。

參考文獻(xiàn)[14]將解碼部分視作一個(gè)黑盒子，直接實(shí)現(xiàn)了從接收碼字到信息比特的轉(zhuǎn)換，該方式的性能雖然能與傳統(tǒng)方法相比擬，但是訓(xùn)練次數(shù)呈指數(shù)上升，深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)也足夠復(fù)雜，當(dāng)碼長發(fā)生改變時(shí)，該網(wǎng)絡(luò)需要被重新調(diào)整輸入輸出，并重新訓(xùn)練，工作量之大可想而知。另外，該方法不適用于隨機(jī)碼，也不適合碼長較長的碼字，具有很大的局限性。參考文獻(xiàn)[15]與參考文獻(xiàn)[14]不同，在傳統(tǒng)極化碼迭代解碼算法基礎(chǔ)上，提出一種分離子塊的深度學(xué)習(xí)極化碼解碼網(wǎng)絡(luò)。該網(wǎng)絡(luò)主要包含兩個(gè)步驟：一是將原編解碼分割成個(gè)子塊，然后分別對各個(gè)子塊進(jìn)行編碼/解碼，子塊解碼過程采用DNN，性能接近MAP解碼器的性能，子塊的引入克服了碼長過長造成的解碼復(fù)雜度問題；二是利用置信傳播（belief propagation，BP）解碼算法連接各個(gè)子塊，BP算法與子塊DNN連接實(shí)現(xiàn)并行處理。參考文獻(xiàn)[15]的解碼算法是一個(gè)高度并行的解碼算法，且不屬于迭代算法。該算法[15]與傳統(tǒng)算法相比，算法時(shí)延大大降低，且性能相當(dāng)；與參考文獻(xiàn)[14]的解碼算法相比，該算法在訓(xùn)練次數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)上的復(fù)雜度均大大降低。

考文獻(xiàn)[16]與參考文獻(xiàn)[15]均利用BP算法與深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)合進(jìn)行信道解碼。參考文獻(xiàn)[16]提出一種迭代的信道解碼算法BP-CNN，該算法將CNN與標(biāo)準(zhǔn)BP解碼器串聯(lián)，在噪聲環(huán)境中估計(jì)信息比特。在接收端，接收到的信號(hào)首先由BP解碼器進(jìn)行處理以獲得原始的解碼結(jié)果，然后用接收信號(hào)與估計(jì)的傳輸符號(hào)相減獲得信道噪聲估計(jì)。由于存在解碼誤差，信道噪聲估計(jì)具有較大誤差。最后將信道噪聲估計(jì)輸入CNN以移除BP解碼器的估計(jì)誤差。標(biāo)準(zhǔn)BP接收機(jī)用于估計(jì)傳輸信號(hào)，CNN用于降低BP檢測器的估計(jì)誤差，并且獲得更加確切的信道噪聲估計(jì)。BP算法與CNN之間的迭代會(huì)逐漸提高檢測SNR，因此獲得更好的譯碼性能。BP-CNN不僅解碼性能優(yōu)于標(biāo)準(zhǔn)BP算法，而且具有更低的復(fù)雜度。這是因?yàn)镃NN的高效性，CNN大部分操作為線性運(yùn)算，少部分為非線性運(yùn)算。仿真結(jié)果表明，噪聲相關(guān)性越強(qiáng)，BP-CNN的性能優(yōu)越性越高，當(dāng)噪聲非相關(guān)時(shí)，BP-CNN的性能稍遜于BP算法。

對于高密度奇偶校驗(yàn)碼（high density parity check，HDPC）來說，BP算法的性能相對較差。Tanner圖為校驗(yàn)碼的校驗(yàn)矩陣，Nachmani等人[17]提出了BP-DNN算法，該算法為Tanner圖的邊緣節(jié)點(diǎn)分配權(quán)重系數(shù)，并利用DNN進(jìn)行訓(xùn)練獲得這些系數(shù)，從而提升BP算法應(yīng)用于HDPC的性能。BP-DNN的迭代次數(shù)約為BP算法的1/10，且性能優(yōu)于傳統(tǒng)的BP算法。Nachmani等人[18]又提出BP-RNN算法，將RNN網(wǎng)絡(luò)與BP算法結(jié)合，進(jìn)一步提升BP算法的性能。另外，參考文獻(xiàn)[18]將BP-RNN中的BP算法替換為改進(jìn)的隨機(jī)冗余迭代算法（modified random redundant iterative algorithm，mRRD）算法，獲得的解碼性能優(yōu)于mRRD算法。

上述基于深度學(xué)習(xí)的信道解碼方法中，參考文獻(xiàn)[14]將無線通信系統(tǒng)中解碼模塊看作黑盒子，其他文獻(xiàn)均與BP算法結(jié)合進(jìn)一步尋求性能的提升以及復(fù)雜度的降低。

3.5 端到端無線通信系統(tǒng)

O’Shea等人[12]提出一種MIMO系統(tǒng)中基于深度學(xué)習(xí)自編碼器的物理層策略。在特定的信道環(huán)境下，此策略利用自編碼器對估計(jì)、反饋、編碼和解碼過程進(jìn)行全局優(yōu)化，以達(dá)到最大化吞吐量和最小化誤比特率的目的。參考文獻(xiàn)[12]利用自編碼器實(shí)現(xiàn)了3個(gè)無線通信系統(tǒng)，分別是：無CSI反饋的空間分集MIMO系統(tǒng)，完美CSI反饋的空間復(fù)用MIMO系統(tǒng)以及壓縮CSI反饋的空間復(fù)用MIMO系統(tǒng)。在特定信道環(huán)境下，此物理層策略獲得了較大的性能提升。

參考文獻(xiàn)[19]提出了一個(gè)點(diǎn)對點(diǎn)無線通信系統(tǒng)模型，詮釋了物理層的處理模塊由DNN替代的可行性。傳統(tǒng)無線通信系統(tǒng)的設(shè)計(jì)需要考慮硬件實(shí)現(xiàn)時(shí)各種不確定因素的影響，并進(jìn)行時(shí)延、相位等方面的補(bǔ)償。其[19]提出的基于DNN的端到端無線通信系統(tǒng)也考慮了這些因素，在系統(tǒng)實(shí)現(xiàn)時(shí)進(jìn)行兩個(gè)階段的訓(xùn)練。第一階段為隨機(jī)信道下的發(fā)送、信道與接收DNN的訓(xùn)練。第二個(gè)階段在第一階段網(wǎng)絡(luò)訓(xùn)練參數(shù)的基礎(chǔ)上，在真實(shí)信道下再一次進(jìn)行訓(xùn)練，對訓(xùn)練參數(shù)進(jìn)行微調(diào)，使得整個(gè)系統(tǒng)的性能進(jìn)一步提升。信道模塊中，時(shí)延和相位補(bǔ)償均被考慮到DNN的訓(xùn)練中。接收模塊中，接收信號(hào)特征提取和相位補(bǔ)償由DNN替代，兩個(gè)DNN訓(xùn)練結(jié)果串聯(lián)起來輸入接收DNN中。這種基于DNN的無線通信系統(tǒng)充分考慮了真實(shí)信道下的時(shí)變性，系統(tǒng)性能與傳統(tǒng)無線通信系統(tǒng)性能具有可比性。

參考文獻(xiàn)[20]利用DNN實(shí)現(xiàn)端到端無線通信系統(tǒng)，其中信號(hào)相關(guān)的功能模塊均利用DNN實(shí)現(xiàn)，如編碼、解碼、調(diào)制以及均衡。無線通信系統(tǒng)中瞬時(shí)CSI很難準(zhǔn)確獲取，而且隨著時(shí)間和位置的改變不斷變化。整個(gè)端到端的無線通信系統(tǒng)在反向傳播計(jì)算梯度時(shí)由于信道未知無法進(jìn)行。參考文獻(xiàn)[20]提出一種信道未知情況下的端到端系統(tǒng)，它不依賴任何信道的先驗(yàn)知識(shí)。系統(tǒng)采用GAN代表無線信道影響，發(fā)送端的編碼信號(hào)作為條件信息。為了克服信道的時(shí)變性，導(dǎo)頻數(shù)據(jù)的接收信號(hào)也作為條件信息的一部分。此無線通信系統(tǒng)發(fā)送機(jī)和接收機(jī)各由一個(gè)DNN代替，GAN作為發(fā)送端與接收端的橋梁，使得反向傳播順利進(jìn)行。發(fā)送DNN、接收DNN、信道生成GAN相互迭代進(jìn)行訓(xùn)練，最終得到全局最優(yōu)解。仿真結(jié)果表明，利用GAN進(jìn)行信道估計(jì)的方法與傳統(tǒng)信道估計(jì)性能相當(dāng)，端到端無線通信系統(tǒng)的性能接近傳統(tǒng)的基于通信知識(shí)的信道模型系統(tǒng)。此方法打破了傳統(tǒng)模型化的無線通信模式，為無線通信系統(tǒng)設(shè)計(jì)開辟新道路。

基于端到端的無線通信系統(tǒng)也被稱為自編碼器，用編碼、信道、解碼過程代替原先的無線通信系統(tǒng)結(jié)構(gòu)，編碼、信道、解碼部分均用深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)，是一種全新的無線通信系統(tǒng)實(shí)現(xiàn)思路。然而，多個(gè)DNN需要依賴大量的數(shù)據(jù)，數(shù)據(jù)的采集過程任務(wù)量巨大，如果環(huán)境或硬件系統(tǒng)發(fā)生改變，信息的采集過程需要重新進(jìn)行，目前這種方式實(shí)現(xiàn)無線通信系統(tǒng)的可操作性較低。

4 總結(jié)與展望

5G技術(shù)呈現(xiàn)高維度、高容量、高密集的特點(diǎn)，在無線傳輸中產(chǎn)生海量數(shù)據(jù)，物理層中的大數(shù)據(jù)成為一個(gè)興趣點(diǎn)，期望利用人工智能提升物理層的傳輸性能。近年來，研究者已經(jīng)對此做了初步探索，主要呈現(xiàn)出兩種類型的深度學(xué)習(xí)網(wǎng)絡(luò)，一種基于數(shù)據(jù)驅(qū)動(dòng)，另一種基于數(shù)據(jù)模型雙驅(qū)動(dòng)。基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)[8,11,14,19-20]將無線通信系統(tǒng)的多個(gè)功能塊看作一個(gè)未知的黑盒子，利用深度學(xué)習(xí)網(wǎng)絡(luò)取而代之，然后依賴大量訓(xùn)練數(shù)據(jù)完成輸入到輸出的訓(xùn)練。例如，參考文獻(xiàn)[8]將OFDM系統(tǒng)中整個(gè)接收模塊作為一個(gè)黑盒子，射頻接收機(jī)接收到信號(hào)之后，然后進(jìn)行移除循環(huán)前綴操作，最后利用DNN直接完成從射頻接收機(jī)到信宿的過程?；诙说蕉说臒o線通信系統(tǒng)將整個(gè)通信系統(tǒng)由深度學(xué)習(xí)網(wǎng)絡(luò)全面替代，期望全局優(yōu)化無線通信系統(tǒng)，獲得更好的性能[12,20]?；跀?shù)據(jù)模型雙驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)[5,7,9-10,15,18]在無線通信系統(tǒng)原有技術(shù)的基礎(chǔ)上，不改變無線通信系統(tǒng)的模型結(jié)構(gòu)，利用深度學(xué)習(xí)網(wǎng)絡(luò)代替某個(gè)模塊或者訓(xùn)練相關(guān)參數(shù)以提升某個(gè)模塊的性能。例如，參考文獻(xiàn)[6]在無線通信系統(tǒng)MIMO信號(hào)檢測模塊OAMP接收機(jī)基礎(chǔ)上，利用深度學(xué)習(xí)網(wǎng)絡(luò)引入可訓(xùn)練的參數(shù)，進(jìn)一步提升信號(hào)檢測模塊的性能?；跀?shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)主要依賴海量數(shù)據(jù)，而基于數(shù)據(jù)模型雙驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)主要依賴通信模型或者算法模型。

基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)通過大量實(shí)例學(xué)習(xí)，吸收了被人類分析員分別標(biāo)記的大量數(shù)據(jù)，以生成期望的輸出。然而，訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)需要大量的標(biāo)記數(shù)據(jù)，積累和標(biāo)記大量信息的過程不但費(fèi)時(shí)而且成本高昂。除了積累標(biāo)記數(shù)據(jù)的挑戰(zhàn)之外，大多數(shù)基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)模型泛化性和自適應(yīng)性較弱，即使網(wǎng)絡(luò)部分結(jié)構(gòu)發(fā)生微小變化，也會(huì)導(dǎo)致訓(xùn)練模型準(zhǔn)確性大大降低。例如，如果參考文獻(xiàn)[8]發(fā)送端的調(diào)制方式更換為16QAM（quadrature amplitude modulation）或64QAM，網(wǎng)絡(luò)需要重新訓(xùn)練。因此，調(diào)整或修改模型所耗費(fèi)的代價(jià)相當(dāng)于重新創(chuàng)建模型。為了減少訓(xùn)練和調(diào)整深度學(xué)習(xí)模型的成本和時(shí)間，基于模型的深度學(xué)習(xí)網(wǎng)絡(luò)具有更好的泛化性和自適應(yīng)性。蜂窩移動(dòng)通信從1G演進(jìn)到5G，無線通信系統(tǒng)性能的提升離不開功能模塊的建模，基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)摒棄這些已有的無線通信知識(shí)，需要海量數(shù)據(jù)進(jìn)行訓(xùn)練與學(xué)習(xí)，而獲得的性能達(dá)不到已有無線通信系統(tǒng)模型的性能。而基于數(shù)據(jù)模型雙驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)以物理層已有模型為基礎(chǔ)，可以顯著減少訓(xùn)練或升級(jí)所需的信息量。由于已有的模型具有環(huán)境自適應(yīng)性和泛化性，因此數(shù)據(jù)模型雙驅(qū)動(dòng)深度學(xué)習(xí)網(wǎng)絡(luò)也具有這些特性，并且能在原模型基礎(chǔ)上進(jìn)一步提升系統(tǒng)的性能。數(shù)據(jù)驅(qū)動(dòng)與數(shù)據(jù)模型雙驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)比較見表2。由本文第3節(jié)的分析可知，數(shù)據(jù)模型雙驅(qū)動(dòng)深度學(xué)習(xí)網(wǎng)絡(luò)在信道估計(jì)、信號(hào)檢測、信道解碼的應(yīng)用上取得的良好性能，具有廣闊的發(fā)展前景。

表2 數(shù)據(jù)驅(qū)動(dòng)與數(shù)據(jù)模型雙驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)比較

5 結(jié)束語

本文首先介紹了當(dāng)前應(yīng)用較廣的深度學(xué)習(xí)網(wǎng)絡(luò)的幾種類型，包括DNN、CNN、RNN和GAN。然后詳細(xì)闡述了深度學(xué)習(xí)應(yīng)用于無線傳輸技術(shù)的最新研究成果，包括信道估計(jì)、信號(hào)檢測、CSI反饋與重建、信道解碼以及端到端無線通信系統(tǒng)。智能無線通信作為后5G發(fā)展的主流技術(shù)之一，物理層尋求技術(shù)上的突破關(guān)鍵在于利用大數(shù)據(jù)降低系統(tǒng)實(shí)現(xiàn)復(fù)雜度、提升系統(tǒng)性能。從最新研究進(jìn)展中可以看出，數(shù)據(jù)模型雙驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)不僅能滿足這些需求，而且對數(shù)據(jù)的依賴性大大減小，成為最具潛力的發(fā)展方向之一。

[1] 倪善金, 趙軍輝. 5G無線通信網(wǎng)絡(luò)物理層關(guān)鍵技術(shù)[J]. 電信科學(xué), 2015, 31(12): 40-45.

NI S J, ZHAO J H. Key technologies in physical layer of 5G wireless communications network[J]. Telecommunications Science, 2015, 31(12): 40-45.

[2] MAO Q, HU F, HAO Q. Deep learning for intelligent wireless networks: a comprehensive survey[J]. IEEE Communications Surveys & Tutorials, 2018(99):1.

[3] O’SHEA T J, HOYDIS J. An introduction to deep learning for the physical layer[J]. arXiv: 1702.008320, 2017.

[4] WANG T Q, WEN C K, WANG H, et al. Deep learning for wireless physical layer: opportunities and challenges[J]. China Communications, 2017, 14(11): 92-111.

[5] HE H, WEN C K, JIN S, et al. Deep learning-based channel estimation for beamspace mmWave massive MIMO systems[J]. IEEE Wireless Communications Letters, 2018(99): 1.

[6] METZLER C A, MOUSAVI A, BARANIUK R G. Learned D-AMP: principled neural network based compressive image recovery[J]. arXiv: 1704.06625, 2017.

[7] NEUMANN D, WIESE T, UTSCHICK W. Learning the MMSE channel estimator[J]. IEEE Transactions on Signal Processing, 2018, 66(11): 2905-2917.

[8] YE H, LI G Y, JUANG B H F. Power of deep learning for channel estimation and signal detection in OFDM systems[J]. IEEE Wireless Communications Letters, 2018, 7(1): 114-117.

[9] SAMUEL N, DISKIN T, WIESEL A. Deep MIMO detection[C]//IEEE International Workshop on Signal Processing Advances in Wireless Communications, Jul 3-6, 2017, Sapporo, Japan. Piscataway: IEEE Press, 2017.

[10] HE H, WEN C K, JIN S, et al. A model-driven deep learning network for MIMO detection[C]//Submitted to the 6th IEEE Global Conference on Signal and Information Processing, Nov 26-29, 2018, Anaheim, USA. Piscataway: IEEE Press, 2018.

[11] WEN C K, SHIH W T, JIN S. Deep learning for massive MIMO CSI feedback[J]. IEEE Wireless Communications Letters, 2018(99).

[12] O'SHEA T J, ERPEK T, CLANCY T C. Deep learning based MIMO communications[J]. arXiv:1707.07980, 2017.

[13] WANG T Q, WEN C K, JIN S, et al. Deep learning-based CSI feedback approach for time-varying massive MIMO channels[J]. arXiv:1807.11673, 2018.

[14] CAMMERER S, HOYDIS J, BRINK S T. On deep learning-based channel decoding[C]//51st Annual Conference on Information Sciences and Systems, March 22-24, 2017, Baltimore, MD, USA. [S.l.:s.n.], 2017.

[15] CAMMERER S, HOYDIS J, BRINK S T. Scaling deep learning-based decoding of polar codes via partitioning[J]. arXiv: 1702.06901, 2017.

[16] LIANG F, SHEN C, WU F. An iterative BP-CNN architecture for channel decoding[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 144-159.

[17] NACHMANI E, BEERY Y, BURSHTEIN D. Learning to decode linear codes using deep learning[C]//54th Annual Allerton Conference on Communication, Control, and Computing, Sept 27-31, 2016, Monticello, Illinois, USA. [S.l.:s.n.], 2016.

[18] NACHMANI E, MARCIANO E, LUGOSCH L, et al. Deep learning methods for improved decoding of linear codes[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 119-131.

[19] D?RNER S, CAMMERER S, HOYDIS J, et al. Deep learning based communication over the air[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 132-143.

[20] YE H, LI G Y, JUANG B H F, et al. Channel agnostic end-to-end learning based communication systems with conditional GAN[J]. arXiv: 1807.00447, 2018.

An overview of wireless transmission technology utilizing artificial intelligence

ZHANG Jing1, JIN Shi1, WEN Chaokai2, GAO Feifei3, JIANG Tao4

1. National Mobile Communications Research Laboratory, Southeast University, Nanjing 210096, China 2. Institute of Communications Engineering, Sun Yat-Sen University, Kaohsiung 000800, China 3. Department of Automation, Tsinghua University, Beijing 100084, China 4. Wuhan National Laboratory for Optoelectronics, Huazhong University of Science and Technology, Wuhan 430074, China

Intelligent communication is considered to be one of the mainstream directions in the development of wireless communications after 5G. Its basic idea is to introduce artificial intelligence into all aspects of wireless communication systems, realizing the significant integration of wireless communication and artificial intelligence technology. At present, the research in this field is advancing to the physical layer. The combination of wireless transmission and deep learning is also in the preliminary exploration stage. Key technologies of wireless physical layer based on deep learning were introduced in detail from the aspects of channel estimation, signal detection, feedback and reconstruction of channel state information, channel decoding, end-to-end wireless communication systems, the latest research progress of international academic circles in recent years was presented. On this basis, the development trend in the future was preliminarily forecasted.

artificial intelligence, wireless transmission, deep learning

TN929.5

A

10.11959/j.issn.1000?0801.2018234

張靜（1993?），女，東南大學(xué)移動(dòng)通信國家重點(diǎn)實(shí)驗(yàn)室博士生，主要研究方向?yàn)?G移動(dòng)通信物理層關(guān)鍵技術(shù)、機(jī)器學(xué)習(xí)等。

金石（1974?），男，東南大學(xué)移動(dòng)通信國家重點(diǎn)實(shí)驗(yàn)室教授、博士生導(dǎo)師，主要研究方向?yàn)橐苿?dòng)通信理論與關(guān)鍵技術(shù)、物聯(lián)網(wǎng)理論與關(guān)鍵技術(shù)以及人工智能在無線通信中的應(yīng)用等。

溫朝凱（1976?），男，臺(tái)灣中山大學(xué)通訊工程研究所教授，主要研究方向?yàn)闊o線通信、最優(yōu)化理論和機(jī)器學(xué)習(xí)等。

高飛飛（1980?），男，清華大學(xué)自動(dòng)化系信息處理研究所副教授，主要研究方向?yàn)橥ㄐ判盘?hào)處理、大規(guī)模多天線技術(shù)以及智能通信。

江濤（1970?），男，華中科技大學(xué)武漢光電國家研究中心教授、博士生導(dǎo)師，主要研究方向?yàn)?G移動(dòng)通信理論與關(guān)鍵技術(shù)、天地一體化信息網(wǎng)絡(luò)、深海目標(biāo)探測等。

2018?07?01；

2018?08?09

國家自然科學(xué)基金杰出青年科學(xué)基金資助項(xiàng)目（No.61625106）；國家自然科學(xué)基金資助項(xiàng)目（No.61531011）

NSFC for Distinguished Young Scholars of China (No.61625106), The National Natural Science Foundation of China (No.61531011)