浅谈大数据在无线通信中的应用

娜仁托亚

摘要：本文概述了基于大数据的DL在无线通信物理层面应用的最新进展，并分析了下一步面临的挑战。

关键词：大数据;无线通信;应用策略;研究

深度学习（DeepLearning，DL）近年来因成功应用在计算机视觉、自动语音识别和自然语言处理等领域而获得广泛关注，是典型的大数据依赖的学习框架。同时，研究人员也把DL广泛应用到了无线通信的物理层面。与传统的机器学习算法相比，DL显著增强了特征提取和结构灵活性。特别是基于DL的系统通过端到端优化灵活地调整参数来自动调整模型结构，这可以代替手动从原始数据中提取特征。本文旨在对近年来在基于大数据的DL在无线通信物理层面的研究作出综述。

1.通信系统模型

它是一个模块结构，包括信道编码、调制、信道估计、信道均衡、信道译码和信道状态信息（ChannelStateInformation，CSI）反馈等模块。通信算法是在长期的研究中发展起来的，以优化通信系统其中的模块。之前有研究试图利用传统的机器学习方法，作为特定模块的替代算法。DL架构最近被引入到几个处理模块中以适应新兴的复杂通信场景，以期达到更优的性能。

2.几个典型的DL应用到物理层的案例

2.1联合信道估计和信号检测

一般信道估计和信号检测是接收机的两个独立过程。首先，CSI通过导频来估计，然后利用估计的CSI在接收端恢复发送符号。具体地说，一个带有五层全连接层的深度神经网络（DeepNeuralNetwork，DNN）用于联合信道估计和检测，这里将信道看作一个黑盒子。在离线训练中，发送数据和导频形成帧，然后这些帧经过一个时变信道。该网络把接收信号作为输入，通过训练网络来重构发送数据。当导频不足、去掉循环前缀和非线性失真几种情况下，基于DNN的信道估计和检测方法都优于最小均方误差方法。

2.2联合均衡和信号译码

该方法中在不知道CSI情况下，基于神经网络的联合均衡器和解码器可以实现均衡和译码。这里使用两个神经网络，首先，卷积神经网络（ConvolutionalNeuralNetworks，CNN）用于恢复失真的发送数据，然后DNN解码器对CNN网络均衡后的信号进行解码。实验结果表明，在各种信道条件下，该方法的性能优于其他基于机器学习方法。其中分别表示比特流符号，发送符号，接收符号，均衡后的符号和译码后的符号。

2.3大规模MIMOCSI压缩反馈

在频分双工网络中，大规模MIMO依赖于CSI反馈来实现基站端天线的性能增益。然而，大量天线导致过多的反馈开销。已经大量工作通过利用CSI的空间和时间的相关性来减少CSI反馈开销。利用CSI的稀疏特性，压缩感知（Compressedsensing，CS）已被应用于CSI压缩反馈中。然而，传统的CS算法面临挑战，因为现实世界的数据并不完全稀疏，现有信号恢复算法的收敛速度很慢，这限制了CS的适用场景。CsiNet被提出来模拟CS信道压缩反馈的过程。取角延迟域的信道矩阵作为输入，编码器的第一层是生成两个特征图的卷积层。然后将卷积后的数据重新排列为N×1大小的适量，再利用全连接层生成M×1大小的压缩数据（M<

2.4基于DL的mmWave大规模MIMO混合预编码

mmWave一直被认为是一种5G的重要方案，其中混合模拟和数字预编码是一种重要的可以减少硬件复杂性和能耗的方法。然而，现有的混合预编码方案受限于高计算复杂度，且不能充分利用空间信息。为了克服这些局限性，可以使用一个基于DL的mmWave大规模MIMO混合预编码框架，其中每個预编器的选择被视为一种DNN的映射关系。具体地说，通过训练DNN选择混合预编码器来优化mmWave大规模MIMO的预编码过程。实验结果表明，基于DNN的混合预编码方法能降低mmWave大规模MIMO的误码率和增强频谱效率，在保证更优的性能的同时，能大大减少所需的计算复杂度。

3.挑战

DL在无线通信系统物理层中的应用是一个新的研究领域，虽然已有的研究表现出了较好的结果，但是在未来的研究中一些挑战值得进一步探讨。（1）模型的选择在基于DL的通信框架下，神经网络的设计是核心挑战。许多基于DL的技术都是按照通用模型开发的。例如，计算机视觉总是使用CNN，而LSTM则通常用于自然语言处理领域。然而，我们想知道是否有基于DL的无线通信模型，我们认为，通用模型将有助于在实践中得到实现。在工程项目中，不仅通用模型提高了优化通信框架的便利性，也可以减少模型选择的成本和时间。在可以得到通用的模型之前，这个问题还需要广泛的探索（2）系统性能与训练效率的权衡现有的工作表明了基于DL的数据驱动模型在物理层通信中的强大功能。然而，即使DL可以通过端到端学习来优化通信系统性能，当所有通信模块被融合在一起时，训练过程将花费很长时间。为了提高训练效率，达到良好的系统性能，可以保留部分通信模块，以实现训练效率和系统性能两者之间的权衡。（3）严谨的数学证明和基本的理论总的来说，基于深度学习的通信框架的性能已经在信道估计、均衡、CSI反馈等场景得到了证明，然而，我们还没有推导出严谨的数学证明和基本的理论来进一步验证其框架的性能。推导出基本的理论也会有所帮助我们了解通信框架，这将是改进网络和开发更高效的通信框架的基础。同时，训练所需的训练集大小也是不一定的，基于DL的通信框架是否能得到最优的性能仍然存在不确定性。

参考文献：

[1]田子扬.浅谈无线通信工程及其维护[J].工程技术.2016，12.

[2]李文明.智能交通的无线通信技术研究[J].祖国.2013，3.

[3]王志强.浅谈5G无线通信技术的发展与应用[J].大东方.2017，9.