機器學習在無線信道建模中的應用現(xiàn)狀與展望*

黃鴻清，劉為，伍沛然,4，夏明華,4

（1.中山大學電子與信息工程學院，廣東 廣州 510006；2.中國電子科技集團公司新一代移動通信創(chuàng)新中心，上海 200331；3.中國電子科技集團公司第七研究所，廣東 廣州 510310；4.南方海洋科學與工程廣東省實驗室，廣東 珠海 519082）

0 引言

無線信道作為無線通信系統(tǒng)傳輸電磁波信號的媒介，其傳播特性對通信系統(tǒng)的誤碼率、信道容量、能量效率和頻譜效率等性能具有決定性作用。一個反映實際傳播環(huán)境的信道模型對于通信系統(tǒng)的設計、開發(fā)、性能評估與實際部署具有重要的指導意義。因此，無線信道建模被認為是無線通信領域最基礎且重要的研究課題之一[1]。具體來說，信道建模是一個探索并表征真實環(huán)境中信道傳播特性的過程，通過有效的數(shù)學模型對信道進行刻畫，從而揭示電磁波在不同場景下的傳播特性。為了盡可能準確地表征真實環(huán)境的信道傳播特性，對實際場景的無線信道進行大量的測量是必不可少的，目前，國內外許多研究團隊及項目已經(jīng)針對B5G/6G的需求開展了無線信道的測量與建模工作[2]。

對于無線信道傳播特性的研究，根據(jù)建模方法的差異性可將無線信道模型分類為確定性模型和隨機性模型，其中的隨機性模型又包括了非幾何隨機模型（NGSM,Non-Geometric Stochastic Model）和基于幾何的隨機模型（GBSM, Geometry-Based Stochastic Model）[2]。 確定性模型依賴于傳播環(huán)境的精確信息，通過光學射線理論或電磁傳播理論來準確地分析和預測無線信道傳播特性，如射線追蹤法（Ray Tracing）和計算電磁法（CEM,Computational Electromagnetic）等。然而，由于依賴于環(huán)境信息且計算復雜度高，這類模型一般僅適用于較小范圍場景的信道建模。隨機性模型則通過確定的概率分布來描述信道參數(shù)，這使得其在數(shù)學上易于處理且適用于各種場景，但精度比確定性模型相較更低。具體來說，非幾何隨機模型側重于實測，通過概率密度函數(shù)的方式來描述和確定信道多徑的參數(shù)，從而對相應的信道特性進行擬合[3]；而基于幾何的隨機模型將環(huán)境中的散射體抽象為具有一定概率分布的簇，進而生成簇間和簇內的多徑分量參數(shù)，該類模型得益于簇的引入能夠直觀地反映信道的部分物理意義，并且通過信道參數(shù)的統(tǒng)計信息即可生成信道脈沖響應（CIR, Channel Impulse Response）。因為基于幾何的隨機模型具有比確定性模型更低的建模復雜度，并且能夠在統(tǒng)計意義上較好地反映一類環(huán)境中信道的傳播特性，非常適合于系統(tǒng)仿真等統(tǒng)計評估，從而得到了廣泛的應用[4–11]。

3GPP采用的信道模型是典型的GBSM模型。在3GPP的信道模型標準化過程中[5–8]，其信道模型從最初的低頻段窄帶寬的二維平面信道模型發(fā)展到目前的廣頻率范圍和大帶寬的三維信道模型，支持高達100 GHz的毫米波頻段、更大的天線陣列以及包括城市、農(nóng)村、室內辦公區(qū)和室內工廠等多種細分場景。關于3GPP標準化信道模型的詳細討論可參考文獻[12]。然而，隨著全球5G網(wǎng)絡的大規(guī)模部署及持續(xù)演進，以及6G網(wǎng)絡研究的啟動，新技術與新應用的出現(xiàn)促使無線信道特性在頻率、天線和場景三方面的演變趨勢愈發(fā)明顯。如圖1所示，B5G/6G體現(xiàn)出更高的頻率（如太赫茲頻段）、更大規(guī)模的天線陣列（如超大規(guī)模MIMO）以及更多樣化的異構通信場景（如5G三大應用場景和NR-Lite、“空天地?！币惑w化網(wǎng)絡等）的變化趨勢，使得相應的信道顯著地表現(xiàn)出如空時頻域非平穩(wěn)性等新的特性，這些特性給信道建模帶來了更大的困難與挑戰(zhàn)，需要進一步的探索研究[13]。

圖1 網(wǎng)絡演變與信道特性變化趨勢

一般而言，信道模型的性能主要通過以下三方面進行評估：準確性、復雜性和通用性[14]。其中，準確性是信道模型通過與測量結果或其對通信系統(tǒng)性能的影響進行比較來衡量的；復雜性是通過信道模型參數(shù)的數(shù)量、計算頻次以及仿真時間來衡量的；通用性反映了信道模型的泛化能力，是通過調整信道模型參數(shù)，是否可以應用于多頻帶、多場景來衡量的。因此，一個好的信道模型應該是在準確性、復雜性和通用性三者之間的折衷。傳統(tǒng)的信道建模方法是根據(jù)在特定場景和頻率條件下的信道測量數(shù)據(jù)進行人工的統(tǒng)計分析來開發(fā)信道模型的。通常，由于電磁波信號在不同場景下傳播的建模非常復雜，傳統(tǒng)的方法做了大量的假設和近似，以簡化數(shù)據(jù)處理和建模過程[15]。為了從未來的無線大數(shù)據(jù)化、場景多樣化、頻譜寬帶化的海量非平穩(wěn)無線信道數(shù)據(jù)中分析并獲取無線信道的傳播特性，急需一種具有自學習、自適應能力的準確、高效信道建模方法。

機器學習（ML, Machine Learning）作為人工智能領域的一個重要分支，被認為是分析測量數(shù)據(jù)、理解傳播過程和構造非線性模型的有力工具[16]。簡言之，機器學習方法是一種可以從大量歷史數(shù)據(jù)中挖掘出隱含規(guī)律并進行預測或分類的算法，它通過數(shù)據(jù)驅動的方式而不需要一個嚴格定義的模型來表示，并且能夠以端到端的方式對系統(tǒng)進行優(yōu)化。從理論上講，無線信道建模中的許多關鍵問題可以被視為機器學習中的回歸、聚類和分類問題；無線信道建模的這些特點與機器學習方法的能力相互契合，因此，利用信道測量數(shù)據(jù)集通過機器學習算法訓練來學習信道傳播特性和隱含規(guī)律，可以更智能地構建信道模型以適應各種場景并達到更好的表現(xiàn)[13]。如圖2所示，對于無線信道建模的四個主要研究內容，可以將其視為機器學習方法中對應的回歸、聚類和分類問題得以解決，即：結合機器學習降低確定性信道模型的復雜度和利用確定性信道模型輔助于機器學習的預訓練；利用機器學習實現(xiàn)隨機性信道模型的多徑分量聚類、跟蹤和參數(shù)估計；在海量數(shù)據(jù)下基于機器學習的數(shù)據(jù)驅動信道建模；以及基于機器學習的信道場景識別。大量的研究工作表明了機器學習在信道建模中具有巨大的潛力，并且主流的機器學習算法已經(jīng)在無線信道建模中得以應用，例如人工神經(jīng)網(wǎng)絡（ANN, Artificial Neural Network）、卷積神經(jīng)網(wǎng)絡（CNN, Convolutional Neural Network）和生成對抗網(wǎng)絡（GAN, Generative Adversarial Network）等[14]。因此，基于機器學習的信道建模已然成為一個熱門的研究課題。

圖2 機器學習與無線信道建模的對應關系

然而，基于機器學習的無線信道建模的研究仍處于起步階段。在未來6G系統(tǒng)設計中，新興的技術對信道的各方面特性具有新的不同要求，未來的研究必須首先確定這些信道特性是如何影響通信性能的，然后才能確定這些特性在信道中建模的程度，最終達到智能化信道建模的目的[17]。本文概述機器學習在信道建模中的研究進展，扼要討論一些有待解決的挑戰(zhàn)。

1 確定性信道模型

確定性信道建模方法使用電磁波傳播理論求解麥克斯韋方程組，或者使用幾何近似的數(shù)值方法來分析無線信道傳播特性，它能夠較精確地對指定環(huán)境下的信道特性進行預測。最常用的確定性信道建模方法是射線追蹤法，它是一種面向電磁場工程應用的成熟方法，適用于研究特定站址的信道特性。射線追蹤法的原理是將發(fā)射端視為點源，把向各個方向傳播且具有一定電場強度的射線看作是發(fā)射電磁波；然后利用電磁波傳播理論跟蹤每一條射線，最后在接收端通過合并到達的射線計算出接收功率，從而實現(xiàn)電磁波傳播的預測。因此，一旦確定了環(huán)境的具體參數(shù)，相應的信道模型也就確定了，而無需對信道進行實際測量。但是，確定性建模方法高度依賴地理特征、建筑結構和材料特性等具體的環(huán)境信息，并且對于環(huán)境的描述越精確，則模型的預測結果越接近于實際環(huán)境。圖3是確定性信道建模中射線追蹤法的示意圖，它基于數(shù)字化地圖并利用三維射線追蹤工具計算反射及衍射的電磁波射線。然而，由于該建模方法具有的高復雜性使其計算仿真相對耗時，因此，它不適用于大范圍場景，通常應用于如室內等較小范圍場景的信道建模仿真[18-19]。

圖3 射線追蹤法示意圖

目前，機器學習方法在確定性信道建模中的主要應用包括：一方面，通過回歸預測的方式捕獲相應信道的特性來降低確定性模型的復雜度；另一方面，借助精確的確定性信道模型完成基于機器學習的信道模型的預訓練。

為解決確定性信道模型復雜度高的問題，一個最直接的方法就是通過機器學習方法來學習確定性信道模型的預測結果，例如文獻[20]，它利用機器學習方法直接對射線追蹤法獲取的信道路徑損耗數(shù)據(jù)進行回歸擬合，在得到與射線追蹤法相近的預測精度的同時，可以有效降低復雜度。除此之外，考慮到在射線追蹤法中大部分從發(fā)射端發(fā)射的射線是不能到達接收端的這一特性，若能夠盡可能地只計算到達接收端的射線而不是全部射線，那么確定性建模方法的復雜度將得到有效的降低。例如文獻[21]提出了結合神經(jīng)網(wǎng)絡和低分辨率的三維射線發(fā)射算法來計算室內無線信道的方法，該方法利用神經(jīng)網(wǎng)絡預測中間射線的結果來減少發(fā)射射線的數(shù)量，從而顯著減少了計算量和信道模型的仿真時間。

確定性信道模型產(chǎn)生的數(shù)據(jù)集能夠被運用于基于機器學習的信道模型的預訓練。文獻[22]提出了一種預測接收功率的建模方法，通過射線追蹤仿真輔助的遷移學習（transfer learning），同時利用數(shù)據(jù)增強（data augmentation）技術從較少的測量數(shù)據(jù)中學習預測接收的功率。實驗結果表明先利用確定性信道模型仿真數(shù)據(jù)預訓練網(wǎng)絡模型，再用測量數(shù)據(jù)進一步調整細化網(wǎng)絡模型參數(shù)的方法，在測量數(shù)據(jù)量較小的情況下能夠有效地降低預測誤差，這為測量困難和測量數(shù)據(jù)有限情況下的信道建模提供了一種新的解決思路。

目前，受復雜度高和通用度低的影響，確定性信道模型的應用受限。同時，確定性信道模型與機器學習結合的研究也相對較少，主要是由于確定性信道建模方法是根據(jù)麥克斯韋方程等電磁波理論進行建模的，其物理意義及表達式明確，并且該技術已經(jīng)較為成熟，使得機器學習無法體現(xiàn)出自身非線性擬合的優(yōu)勢。然而，隨著現(xiàn)代的計算能力的不斷提升，以及無線通信系統(tǒng)的工作頻率向太赫茲頻段發(fā)展的趨勢，信道的測量統(tǒng)計的成本和要求變高，使得基于信道的測量統(tǒng)計信息的建模方法變得困難。此時，基于電磁波傳播理論和光學射線理論的確定性信道模型的優(yōu)勢隨之凸顯出來。在6G網(wǎng)絡設計中，那些與特定的環(huán)境高度相關的技術（如智能反射表面、定位和成像）是隨機性信道模型無法描述的，可以預見確定性信道建模方法將帶來更精確的技術評估[17]。因此，確定性信道模型在未來的信道建模中會得到進一步的研究和發(fā)展，并且有望通過結合機器學習方法來擺脫確定性信道模型應用范圍的限制。

2 隨機性信道模型

隨機性信道模型利用信道傳播特性的統(tǒng)計信息進行分析和建模，在信道模型的復雜性和準確性之間有一個較好的折衷，也是目前最常用的信道模型。針對隨機性信道模型，機器學習方法主要有以下兩方面的應用：一方面，利用機器學習算法對基于簇的隨機性信道模型進行多徑分量聚類以及時變場景下的多徑分量簇的跟蹤，保證一定的準確性下降低建模復雜度；另一方面，通過機器學習回歸算法對隨機性信道模型的參數(shù)進行估計，從而使信道模型適應于不同場景，提高模型的通用性。

2.1 多徑分量聚類與跟蹤

在無線信道建模中，基于簇的GBSM得到了廣泛應用。這類信道模型中，簇表示一組具有相似的時延、角度等參數(shù)的多徑分量，根據(jù)簇可以更直觀準確地對傳播特性進行建模，通過分別刻畫簇內和簇間的傳播特性可以在較小精度損失的條件下顯著簡化建模過程。因此，有必要采取與多徑分量傳播特性相適應的方法對多徑分量進行聚類與跟蹤。

由于各個多徑分量不存在明確的標簽，所以只能通過多徑分量參數(shù)之間的相似度來區(qū)分不同的簇，這恰是機器學習方法中非監(jiān)督學習的聚類算法所能解決的問題。因此，多徑分量聚類問題可以通過最基本的K均值聚類算法解決；然而，K均值聚類算法是基于距離度量的硬聚類，對多徑分量的分簇過于絕對，無法合理地表征無線信道中的多徑分量之間非絕對明確的界限。為了更實際地描述多徑分量的聚類，文獻[23]提出了基于統(tǒng)計信息的多徑分量聚類架構和基于均值、方差的緊湊指數(shù)（compact index）評估準則，并利用高斯混合模型（GMM,Gaussian Mixture Model）和信道多徑分量的均值和協(xié)方差結構來實現(xiàn)多徑分量聚類。文獻[24]則比較了多種多徑分量聚類算法，其中包括KPowerMeans聚類算法、模糊C均值聚類算法（FCM, Fuzzy C-means）、基于KPD（Kernel-Power-Density）的聚類算法和DBSCAN（Density-Based Spatial Clustering of Applications with Noise）基于密度的聚類算法等，前兩種算法需要簇的數(shù)量作為先驗信息，而后兩種可以自動生成一個較合理的簇數(shù)量。另外，為了通過相關的簇組對頻率和空間的非平穩(wěn)特性進行建模，文獻[11]通過利用K均值聚類算法在簇的基礎上進一步聚類來獲得相關的簇組，即一個簇組由多個相似的簇組成。

另一方面，對于時變信道，多徑分量的變化意味著簇也存在相應的變化，因此，有必要對簇的動態(tài)變化進行表征與跟蹤。為了解決動態(tài)信道建模的問題，基于機器學習的簇運動路徑的自動跟蹤算法是一種可行的方案。例如，文獻[25]提出了基于多徑分量距離度量的簇跟蹤算法，通過測量連續(xù)兩個快照中每個簇的聚類中心組合之間的距離來跟蹤時變信道中的簇。盡管該算法符合物理行為且具有較低的復雜度，但是該算法的性能很大程度上依賴于主觀選擇的閾值。目前，用于多徑分類分簇和跟蹤的各種聚類算法均不能同時滿足應用范圍、先驗知識要求、復雜度、動態(tài)支持等方面的需求，同時，由于多徑分量數(shù)據(jù)的多樣性，仍沒有一種機器學習算法在該方面具有普遍適用性。

2.2 模型參數(shù)估計

刻畫實際環(huán)境的無線信道建模必然離不開相應的信道測量活動。對于一個確定的信道模型架構，不同環(huán)境下的模型參數(shù)集可能大相徑庭，例如3GPP的標準化信道模型[8]中，城市、農(nóng)村和室內的不同環(huán)境都有各自相應的模型參數(shù)集。因此，只有從大量實測數(shù)據(jù)中提取表征信道衰落特性的各個關鍵特征的參數(shù)，再根據(jù)信道特征來量化模型的各個參量，這樣在實測數(shù)據(jù)的基礎上構建的無線信道模型才能逼近實際無線信道的傳播特性。考慮到如圖1所示的大頻率范圍、大規(guī)模天線陣列以及多樣化場景的無線通信發(fā)展趨勢，信道測量的數(shù)據(jù)量也將非常大，因此，一個高效且準確的參數(shù)估計方法顯得尤為重要。

文獻[26]針對GBSM缺少MIMO子信道之間相關性明確定義的問題提出了一種頻域建模方法。該方法通過使用主成分分析（PCA, Principal Component Analysis）獲取測量數(shù)據(jù)幅值的相關性特征，進而分別對頻域信道的幅值和相位進行建模，得到信道脈沖響應。在文獻[27]中，作者以模型校準為目的，使用訓練好的網(wǎng)絡從測量信道的各階矩信息中估計模型參數(shù)，并且通過使用傳播圖（Propagation Graph）和Saleh-Valenzuela模型的仿真數(shù)據(jù)及室內信道測量數(shù)據(jù)來評估所提方法的有效性。文獻[28]提出了利用兩種不同的機器學習方法直接將隨機信道模型與測量數(shù)據(jù)擬合，即基于回歸調整的總體蒙特卡洛-近似貝葉斯計算（ABC, Approximate Bayesian Computation）的方法和深度神經(jīng)網(wǎng)絡的方法；并且以偏振傳播圖（Polarimetric Propagation Graph）模型為例，對所提方法在仿真和實測數(shù)據(jù)上的性能進行評價，其結果表明上述兩種方法均能較準確地估計出模型的參數(shù)。

相比于傳統(tǒng)的參數(shù)估計方法，基于機器學習的模型參數(shù)估計方法具有明顯優(yōu)勢。傳統(tǒng)方法首先利用多徑提取算法，例如，多信號分類算法MUSIC和空間交替的廣義期望最大化算法SAGE等高分辨率參數(shù)估計技術，從信道測量數(shù)據(jù)中提取多徑分量的參數(shù)，再利用他們通過最大似然等方法來對模型的參數(shù)進行估計。這類傳統(tǒng)方法中多徑參數(shù)的提取往往具有較高的復雜度且過程較為繁瑣，這在測量數(shù)據(jù)海量化的趨勢下需要較高的計算處理能力。因此，通過基于機器學習的參數(shù)估計方法有助于降低計算復雜度。如圖4所示，在訓練階段利用已知參數(shù)集{θi}和對應信道數(shù)據(jù)的各階矩信息{si}對參數(shù)估計模型進行訓練；在測試階段只需要利用信道數(shù)據(jù)的各階矩信息{sinew}作為參數(shù)估計模型的輸入，就可以從網(wǎng)絡輸出層中獲取估計的參數(shù){θinew}，并且能夠保證得到較為準確的估計結果。由此可見，基于機器學習的模型參數(shù)估計方法相對于傳統(tǒng)估計方法更直接、高效。

圖4 基于機器學習的模型參數(shù)估計流程圖

3 數(shù)據(jù)驅動信道建模

確定性信道模型（如射線追蹤方法）復雜且依賴于地理環(huán)境信息的精度，而隨機性信道模型（如GBSM）高效卻缺乏詳細的環(huán)境物理意義。為了在確定性信道模型的實際傳播環(huán)境與隨機性信道模型的簇之間建立聯(lián)系，文獻[29]提出了基于簇核（cluster-nuclei）的信道建模方法。如圖5所示，基于簇核的信道建模方法能夠利用機器學習算法從海量信道數(shù)據(jù)中挖掘信道隱含特性，以數(shù)據(jù)驅動的方式找到確定性模型的散射體和隨機性模型的簇之間的映射關系；然后，通過有限個物理意義明確的簇核進行信道建模。該信道建模方法結合了確定性和隨機性建模方法的優(yōu)勢，既避免了確定性模型復雜度高的問題，又解決了隨機性模型缺乏具體物理含義的問題。利用確定性模型和隨機性模型各自的優(yōu)勢來更精確、更有效地預測和建模信道，這是未來B5G和6G的智能信道建模方法研究中值得探索的方向。從信道模型的研究史來看，以往的信道建模研究總是傾向集中于復雜度約束下提高模型確定性程度[17]。例如，在3GPP的最新標準化信道模型中[8]，提供了基于圖的混合信道模型作為一種可替代經(jīng)典GBSM的信道建模方法。由此可見，包含確定性建模機制和隨機性建模機制的混合模型是潛在的發(fā)展方向，在未來，它應該能夠根據(jù)不同的應用場景和評估標準來調整不同建模機制的權重，以適應不同的信道建模需求。

圖5 簇核建模原理圖

另一方面，由于神經(jīng)網(wǎng)絡在描述數(shù)據(jù)特征及提取輸入與輸出之間的映射關系展現(xiàn)出良好性能，因此，通過使用海量實測數(shù)據(jù)集對神經(jīng)網(wǎng)絡進行充分訓練來確定輸入層變量和輸出層信道特征參數(shù)的相互關系，能夠有效地模擬實際場景的無線信道特征。這種完全數(shù)據(jù)驅動的建模方法利用了神經(jīng)網(wǎng)絡學習、自適應和非線性擬合的特點，在分析實際信道數(shù)據(jù)時可以減少建模的工作量，對于統(tǒng)計特性不明顯和時變的信道建模尤為重要。

利用大數(shù)據(jù)的方法，可以將信道單純當作數(shù)據(jù)來處理，從數(shù)據(jù)的角度對信道的特性進行挖掘并據(jù)此對信道進行建模[30]。例如，文獻[31-32]提出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡（RBFNN, Radial Basis Function Neural Network）的時變信道模型。該神經(jīng)網(wǎng)絡模型能夠預測路徑損耗和小尺度參數(shù)，實驗結果表明在基于GBSM的信道建模與仿真方法中，人工神經(jīng)網(wǎng)絡模型可以替代經(jīng)驗路徑損耗模型和相應的信道參數(shù)生成。文獻[33]在沒有大量假設和簡化參數(shù)的條件下，通過深度學習和變分生成對抗網(wǎng)絡（variational GAN, variational Generative Adversarial Network）對信道測量數(shù)據(jù)進行學習來建立相應的信道模型，即學習條件概率P(y|x)，其中x為發(fā)送符號，y為接收符號。文獻[34]提出了基于機器學習算法的大數(shù)據(jù)信道模型框架，包括前饋神經(jīng)網(wǎng)絡（FNN,Feed-forward Neural Network）和徑向基函數(shù)神經(jīng)網(wǎng)絡兩種神經(jīng)網(wǎng)絡模型。如圖6所示，它可以根據(jù)發(fā)射機坐標(xt,yt,zt)和接收機坐標(xr,yr,zr)、收發(fā)端距離dtr和載波頻率fc的輸入?yún)?shù)，以完全的測量數(shù)據(jù)驅動的方法進行建模，來預測信道的接收功率、時延擴展（DS,Delay Spread）、離開方位角擴展（ADS, Azimuth of Departure Spread）、離開俯仰角擴展（EDS, Elevation of Departure Spread）、到達方位角擴展（AAS, Azimuth of Arrival Spread）和到達俯仰角擴展（EAS, Elevation of Arrival Spread）等信道特性的統(tǒng)計信息。

圖6 基于人工神經(jīng)網(wǎng)絡的信道建模原理圖

相對于以計算為主的確定性信道模型或者以統(tǒng)計分析為主的隨機性信道模型，基于數(shù)據(jù)驅動的信道建模策略是利用了機器學習方法的強大學習能力直接從海量信道測量數(shù)據(jù)中挖掘隱含規(guī)律，進而捕獲信道的傳播特征進行信道建模。具體地，通過對海量信道數(shù)據(jù)的學習，機器學習方法能夠獲取確定性模型散射體與隨機性模型簇之間隱含的映射關系，從而助力于混合模型的深入研究，以及挖掘空時頻域信息與信道統(tǒng)計信息之間的內在關系，在未來，這種數(shù)據(jù)驅動的方法將有更多潛在的應用。

4 信道場景識別

由于無線信道模型及其參數(shù)化取決于所考慮的場景，因此，場景的識別與分類對于信道建模和通信系統(tǒng)部署來說是一個重要的部分，也是提高定位精度和通信系統(tǒng)性能的重要手段[16]。例如，視距（LOS, Line-of-Sight）與非視距（NLOS, Non-Line-of-Sight）傳播場景的識別，其對信道模型的參數(shù)集和定位精度具有顯著的影響。傳統(tǒng)解決方案是將LOS/NLOS分類問題表示為經(jīng)典的二元假設檢驗，分別根據(jù)萊斯K因子[35]、均方根延遲擴展和平均延遲[36]、信道狀態(tài)信息[37]的差異進行分類。然而，在變化的無線通信環(huán)境中，使用基于單一度量的二元假設檢驗的場景分類顯然不夠準確。另一方面，隨著無線通信系統(tǒng)發(fā)展中不斷出現(xiàn)的新需求，信道場景識別不僅僅局限于對LOS/NLOS的分類，而是對宏觀的場景進行識別與分類，如城市、郊區(qū)、農(nóng)村以及室內辦公區(qū)和室內工廠等細分場景。

由于機器學習方法在數(shù)據(jù)特征提取方面具有很大優(yōu)勢，通過學習和提取不同場景下的信道特征差異，可以自動挖掘場景特征，將測量數(shù)據(jù)劃分為不同場景，然后進行資源分配、系統(tǒng)優(yōu)化或定位等具體應用。目前，機器學習算法已經(jīng)被廣泛應用于場景分類，例如非監(jiān)督學習的K均值算法和有監(jiān)督學習的支持向量機（SVM,Support Vector Machine）及神經(jīng)網(wǎng)絡。具體地，對于LOS/NLOS場景分類問題，基于機器學習的分類方法包括了支持向量機[38]、梯度提升決策樹（GBDT, Gradient Boosting Decision Tree）[39]、后向傳播神經(jīng)網(wǎng)絡（BPNN,Back-Propagation Neural Network）和K均值[40]、隨機森林（RF, Random Forest）[41]以及人工神經(jīng)網(wǎng)絡[41-42]等。這些基于機器學習的方案在分類準確度上都要優(yōu)于傳統(tǒng)的解決方案。如圖7所示，利用文獻[43]的信道模型生成數(shù)據(jù)集，我們比較了五個基本的機器學習分類算法對LOS/NLOS信道場景進行分類的接收器操作特性（ROC,Receiver Operating Characteristic）曲線，其橫坐標和縱坐標分別為假正類率（FPR, False Positive Rate）和真正類率（TPR, True Positive Rate），且曲線下的面積（AUC,Area Under ROC Curve）是一種用來度量分類模型好壞的一個標準，較大的AUC代表較好的分類性能。可以看到在這五類基本的機器學習算法中，隨機森林的性能最好，邏輯回歸算法最差。

圖7 LOS/NLOS分類問題中不同機器學習算法的ROC曲線

對于動態(tài)場景下的宏觀場景多分類識別問題，通常具有實時識別的需求，例如，車聯(lián)網(wǎng)中由于車輛的移動而使得用戶處于在不同場景之間切換的狀態(tài)，并且不同場景的信道特性存在明顯差異。利用機器學習算法能夠學習和提取不同場景下的信道特性差異，從而實現(xiàn)將測量的信道數(shù)據(jù)自動分類到對應的場景，并應用于系統(tǒng)優(yōu)化等。文獻[44]針對低復雜度、高準確度的無線信道場景識別需求，基于四種基礎的機器學習算法進行研究，即K最近鄰（K-NN, K-Nearest Neighbor）、支持向量機、K均值和高斯混合模型。在仿真和實測數(shù)據(jù)集上驗證了四種算法的可行性，結果顯示有監(jiān)督學習算法K最近鄰具有最好的性能，支持向量機次之；而無監(jiān)督學習算法的高斯混合模型可以達到接近前兩者的性能，而K均值的性能表現(xiàn)最差。文獻[45]利用從測量數(shù)據(jù)經(jīng)高斯混合模型提取的振幅、延遲、多普勒頻率等多徑分量參數(shù)作為輸入，通過CNN對不同的無線信道場景進行分類。文獻[46]根據(jù)每一像素都被標簽的衛(wèi)星圖像通過深度CNN對傳播場景進行劃分即圖像分割，進而預測不同場景下的路徑損耗。文獻[47]通過測量的信道數(shù)據(jù)獲取信道統(tǒng)計信息作為訓練集，通過反向傳播訓練的神經(jīng)網(wǎng)絡來識別通信中的實時場景，助力于在場景變化的車聯(lián)網(wǎng)通信中實現(xiàn)網(wǎng)絡結構的自動調整和適應。在高鐵的快速變化信道場景下，文獻[48]提出了結合多特征融合的方法和深度神經(jīng)網(wǎng)絡對場景進行識別，仿真結果表明其性能要優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡模型，最高可達90%以上的準確率。

目前，在復雜傳播環(huán)境的異構網(wǎng)絡中，無線信道場景識別對于專用網(wǎng)絡設計至關重要，因此，提高識別的準確度是場景識別的首要任務，尤其是對于無標簽的測量數(shù)據(jù)采用非監(jiān)督學習算法來實現(xiàn)的場景識別。另一方面，高速變化信道場景下的通信對場景識別提出了實時性的要求，這就需要盡可能地降低識別算法的時間復雜度。由此可見，對于無線信道場景識別問題的研究，其目標是實現(xiàn)實時性強、準確度高的識別方案。

5 現(xiàn)存的挑戰(zhàn)

隨著通信技術的革新與應用場景的涌現(xiàn)，人們對相應的信道模型提出了新的要求，促使機器學習在無線信道建模領域得到了廣泛應用，以適應海量數(shù)據(jù)、高頻段、多場景和非平穩(wěn)的信道特點。然而，現(xiàn)有的針對機器學習方法與無線信道建模結合的工作還處于該交叉學科領域研究的初始階段，對于更進一步的研究仍面臨以下挑戰(zhàn)：

（1）構建并共享一個規(guī)范且包含各種場景、配置、頻段的海量信道數(shù)據(jù)庫。由于各個組織機構對信道測量的數(shù)據(jù)都采取各自的方式存儲，數(shù)據(jù)格式很難做到統(tǒng)一和兼容而限制了數(shù)據(jù)的進一步利用。例如，國際電信聯(lián)盟[49]和紐約大學無線研究中心[50]兩者分別開展的信道測量活動，在測量配置、數(shù)據(jù)存儲和公開程度等方面都不相同。因此，測量數(shù)據(jù)規(guī)范化和創(chuàng)建共享的信道海量測量數(shù)據(jù)庫是個亟需解決的問題。

（2）利用大數(shù)據(jù)處理技術來改進海量測量數(shù)據(jù)的分析。隨著信道信息表現(xiàn)出大數(shù)據(jù)的海量、實時性和多樣化的演變趨勢，基于測量數(shù)據(jù)的信道特性分析可以從大數(shù)據(jù)技術的角度出發(fā)，結合統(tǒng)計分析技術和分布式計算技術構建機器學習模型，最終提升對海量信道數(shù)據(jù)進行處理的效率，達到高效訓練網(wǎng)絡和準確預測結果的目標。

（3）在通信場景多樣化的發(fā)展趨勢下，對于高度異構“空天地海”一體化通信系統(tǒng)架構，利用機器學習設計統(tǒng)一的信道模型架構，而不是針對不同的場景使用多個信道模型。目前，標準化的信道模型更傾向于使用通用的信道模型框架，針對不同的場景使用不同的參數(shù)集。對于“空天地海”一體化的異構通信系統(tǒng)，已經(jīng)在地面、空對地和天對地等鏈路場景下進行了一系列的信道測量活動，而空對空、空對天和天對天等的鏈路信道測量相對較少；因此，仍需要更多的信道測量數(shù)據(jù)來幫助研究人員深入了解信道特性。在未來，能否通過聯(lián)合分析多個不同場景鏈路的信道特性，從而發(fā)掘其中的共性來構建一個通用的信道模型架構是個值得細心探索的方向。

（4）為準確評估6G新引入的技術建立相應的信道模型。例如，針對基于軌道角動量的通信，目前只有非常有限的信道測量驗證了在不同的場景下軌道角動量通信的可行性，并且沒有實際的軌道角動量信道模型可用[51]。因此，如何通過機器學習對軌道角動量信道進行準確建模需要研究人員的進一步探索。另外，太赫茲作為未來6G通信系統(tǒng)發(fā)展的重要技術之一，目前對于太赫茲信道的知識仍未完善，且相應信道模型的開發(fā)還處于初期階段[52–54]。因此，太赫茲信道模型的進一步研究及其與機器學習的結合仍然是一個開放性問題。

6 結束語

本文首先討論了機器學習在確定性信道建模和隨機性信道建模中的廣泛應用；接著，基于機器學習的數(shù)據(jù)驅動特點，分析了海量信道數(shù)據(jù)驅動的無線信道建模方法；然后，根據(jù)無線通信系統(tǒng)不同應用場景，描述了機器學習在信道場景識別中的應用；最后，總結了機器學習在無線信道建模應用中面臨的多項挑戰(zhàn)。作為重要的使能技術之一，機器學習對6G無線通信的智能化信道建模提供了新的途徑與方法。期待本文為相關領域的科研人員提供一個宏觀視角并推動研究進步。