基于深度学习的信道估计

石 佳 琪， 金 桂 月， 金 基 宇， 樊 磊

( 大连工业大学 信息科学与工程学院, 辽宁 大连 116034 )

0 引 言

在过去的几十年中，无线通信技术得到了迅速发展，对无线连接的需求也呈指数增长。第五代移动通信系统(5th generation wireless systems，5G)已从2020年开始在全球范围内展开部署。5G的3种主要通信场景分别为增强移动宽带(eMBB)、海量机器通信(mMTC)和超可靠低时延通信(uRLLC)[1]。但是，以数据为中心的智能技术的快速发展给5G通信系统的性能带来了重大的挑战。第六代移动通信系统(6th generation wireless systems，6G)将在人工智能的全面支持下得到实现，可以很好地克服5G的性能局限[2]。相比于5G，6G将拥有更宽的频段、更高的传输速率、更高的频谱效率、更大的连接容量、更短的延迟、更广的覆盖范围和更强的抗干扰能力，以满足各行业的各种网络需求[3-4]。

在通信系统中，信道估计的准确程度决定整个通信系统的质量，信道估计具有非常重要的意义[5-6]。信道估计的目的是通过估计信道的时域或频域响应，校正和恢复接收数据，以提高接收信号的精度。信道估计方法可以分为3类：基于导频的信道估计、盲信道估计和半盲信道估计[7]。其中，基于导频的信道估计方法被广泛使用，是专家学者们研究的重点，它的计算复杂度较小、信道估计的性能更好，但与此同时会带来导频污染问题[8-9]。经典的信道估计方法包括最小二乘(least square，LS)估计和最小均方误差(minimum mean square error，MMSE)估计。其中，LS估计的计算复杂度较低，被广泛应用于实际通信系统中[10-11]。

近年来，深度学习方法在计算机视觉、语音识别和自然语言处理等众多领域显示出巨大的优势。在无线通信领域中，已经有很多研究者开始尝试将深度学习方法应用到物理层，包括信道估计、信号检测、信道译码、信道状态信息(channel state information，CSI)的反馈与重建，以及端到端的通信系统等。目前，已有很多成果证明了结合深度学习方法可以达到甚至超越传统通信算法的性能，将深度学习方法应用在物理层通信中具有一定的优势[12]。深度学习方法具有强大的特征提取能力和灵活的网络结构，可以通过其优秀的学习能力来获得复杂的CSI，不需建立定义明确的数学模型。即使当数据量很大的时候，结合深度学习的信道估计性能也将优于传统信道估计方法。深度学习方法对提升信道估计的高效性、准确性有很大帮助，该研究方向已成为目前研究的新趋势。然而，目前的通信系统大多是针对信道估计这一模块进行建模和优化的，而不是针对整个系统，因此无法保证全局最优。与基于单个模块的优化相比，一些新的研究表明端到端通信系统的优化具有巨大的潜力[12-13]。

本研究重点阐述了深度学习在信道估计中的应用，分别对基于模型驱动方式和数据驱动方式的信道估计展开详细论述。其中，基于模型驱动方式的信道估计部分主要是从典型模型的角度来阐述。基于数据驱动方式的信道估计部分，分别从基于块优化的角度和基于端到端系统全局优化的角度进行论述。最后，讨论了将深度学习方法和信道估计结合所面临的挑战与机遇。

1 深度学习基础理论

1.1 深度神经网络

深度神经网络(deep neural network，DNN)基本模型结构如图1所示，由一个输入层、L个隐藏层和一个输出层组成。各层之间通过全连接的方式连接在一起。增加多个隐藏层的目的是增强网络的学习和映射能力，每个隐藏层包含多个神经元。在神经网络中，为了避免纯线性组合，在每一层的输出后加入一个激活函数。

图1 DNN模型结构Fig.1 Structure of DNN model

目前，最常用的两种激活函数是整流线性单元(rectified linear unit，ReLU)函数和S型(sigmoid)函数[14]。其中，ReLU激活函数公式为

ReLU(x)=max(0，x)

(1)

即输入信号小于0时，输出都是0，输入信号大于0时，输出等于输入。Sigmoid函数可以表示为

(2)

DNN的网络模型与感知器类似，它们都具有线性关系，具体如公式(3)所示。

(3)

式中：xi表示输入，wi表示各层对应的权重系数，b为偏置量，σ(·)表示激活函数，y为输出。

1.2 卷积神经网络

卷积神经网络(convolutional neural network，CNN)是深度学习技术中最具代表性的网络结构之一，在图像处理领域取得了巨大的成功[15]。

CNN的基础结构如图2所示。CNN是一种层次模型，输入层主要是对数据进行预处理，然后卷积层从输入中提取特征，激活函数对卷积层的输出进行非线性映射处理；在这之后添加一个池化层，以减少数据计算量，防止过拟合。依次类推，经过卷积层、激活函数、池化层等一系列操作层的层层堆叠，最终得到输出。

图2 CNN的基础结构Fig.2 Infrastructure of CNN

CNN本质是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式。CNN已广泛应用于信道估计中，可以将信道估计问题转化为图像问题，然后通过CNN衍生出的各种网络得以实现。

1.3 循环神经网络

DNN和CNN的一个共同点是都没有记忆。它们只能单独处理每个输入，也就是说，前一个输入和后一个输入完全没有关系。然而，为了更好地处理序列信息，在一些任务中前面的输入和后面的输入之间具有一定的关联性。循环神经网络(recurrent neural network，RNN)的设计引入了状态变量来存储过去的信息，并使用它和当前的输入来确定当前的输出。简单的RNN结构如图3所示，主要由输入层、隐藏层和输出层组成。

图3 简单的RNN结构Fig.3 Simplified RNN structure

其中，X、S和O都是向量，U和V是矩阵。X表示输入层的值，S表示隐藏层的值(隐藏层包含多个节点，节点数与向量S的维度相同)，O表示输出层的值。U是输入层到隐藏层的权重矩阵，V是隐藏层到输出层的权重矩阵。RNN中每一层的输出都由当前输入X以及它们在上一时刻中隐藏层的S值决定。权重矩阵W就是将隐藏层上一时刻的值作为当前输入的权重。

RNN在训练过程中会存在长期依赖的问题，可能会出现非平稳误差，无法长久的保存历史信息，存在梯度爆炸和梯度消失的问题。因此文献[16]进一步提出了一种特殊的RNN，将其称为长短期记忆网络(long short-term memory，LSTM)，以解决梯度消失和梯度爆炸问题。在实际通信系统中，LSTM已广泛应用于各种情况，例如信道估计、信源信道联合编码设计等。

1.4 生成对抗式网络

训练一个典型的DNN在很大程度上取决于大量的标记数据，在某些情况下，这些标记数据可能很难获得甚至无法使用。生成式对抗网络(generative adversarial networks，GAN)是一种深度学习模型，可以生成遵循特定目标分布的数据，这样便可以降低对标记数据量的需求[17]。GAN的网络结构如图4所示，它由生成器G和判别器D组成。其中，生成器和判别器均由DNN构成。

图4 GAN网络结构图Fig.4 Diagram of GAN network structure

在训练过程中，将生成器网络生成的伪数据与真实数据混合，然后判别器网络对数据的真实性进行评估并反馈给生成器网络，使生成器网络生成的数据更接近真实数据。训练生成器网络的目的是使其生成更接近真实的数据来欺骗判别器网络，最终使得判别器网络无法区分真实数据和伪数据。当判别器网络可以接受生成的数据时，将达到理想状态。

条件生成式对抗网络(condition generative adversarial networks，CGAN)是GAN的扩展，它提供了额外的条件信息，其中条件信息已作为附加输入馈送给生成器网络和判别器网络。

在通信系统中，GAN和CGAN可以用来模拟信道输出数据的分布。此外，当训练发射机时，所学习的模型可以用作真实信道的替代，并将梯度传递到发射机。

2 深度学习在信道估计中的应用

深度学习作为机器学习的主要分支，已在物理层通信中得到广泛应用。智能物理层通信可以分为两种类型：模型驱动方式和数据驱动方式。顾名思义，模型驱动的系统基于预定义的数学模型及其优化，结合了传统通信知识；而数据驱动的系统则是基于现有数据及其学习[18]。

2.1 基于模型驱动的信道估计

2.1.1 ComNet结构

文献[19]提出了一种基于模型驱动的深度学习体系结构，该方法将深度学习与正交频分复用(orthogonal frequency division multiplexing，OFDM)系统知识相结合，以替代物理层通信中现有的OFDM接收器，并将其命名为ComNet接收机。与数据驱动的全连接深度神经网络(FC-DNN)方法不同，作者采用逐块信号处理的方法，将接收器分为信道估计(channel estimation，CE)子网和信号检测(signal detection，SD)子网。图5为ComNet接收机的体系结构图，其输入和输出类似于传统OFDM接收器，不同点在于ComNet接收机采用两个级联的基于DNN的子网来代替常规OFDM接收器。而且ComNet接收机将传统通信算法如LS估计和迫零(zero forcing，ZF)检测，作为网络的初始化信息。该方案充分利用了传统通信算法，将其与深度学习方法相结合，可以加速训练过程。与线性最小均方误差(linear minimum mean square error，LMMSE)方法相比，该模型驱动的深度学习接收机提供了更准确的信道估计，且与FC-DNN相比，具有更高的数据恢复精度。仿真结果进一步证明了该方法在信噪比方面的鲁棒性，并且在计算复杂度或内存使用方面均优于FC-DNN方法。

图5 ComNet结构Fig.5 ComNet structure

2.1.2 OAMP-Net结构

文献[20]提出了一种基于模型驱动方式的深度学习网络，将深度学习方法纳入正交近似消息传递算法(orthogonal approximate message passing，OAMP)中，该网络被命名为OAMP-Net。OAMP-Net主要用于多输入多输出(multiple input multiple output，MIMO)检测，它由T个级联层组成，每层具有相同的结构，其中包含MMSE去噪器，误差的方差和约束权重。

OAMP-Net是通过向现有的迭代检测器添加一些可调整的参数来获得的，并且可以通过深度学习方法来提高检测的性能。由于网络的可训练变量的数量等于层数，因此可以在非常短的时间内轻松训练网络。此外，该网络可以处理时变信道。仿真结果表明，OAMP-Net的性能要优于OAMP算法，证明了该深度学习网络可以显著地提高迭代算法在瑞利信道和相关MIMO信道下的性能。

2.1.3 JCESD结构

在文献[21]中，作者提出了一种用于MIMO系统检测的CE和SD联合(JCESD)的模型驱动深度学习方法。JCESD体系结构与迭代解码具有相同的基本原理，与普通接收机设计中CE和SD的独立设计不同，该网络结构实现了CE和SD相互优化。该体系结构可以在进行信号检测时考虑信道估计误差和信道统计特性，并使用估计出的有效负载数据进行信道估计来提高接收机的性能。其中，部署的模型驱动检测器称为OAMP-Net2，它是在OAMP检测算法的基础上得到的。与数据驱动的SD和CE相比，JCESD添加的参数较少，大大减少了对计算资源和训练时间的需求，因此可以在更小的数据集下快速训练模型。仿真结果表明，基于模型驱动的深度学习方法的MIMO检测器显著提高了传统迭代检测器的性能，且优于其他基于深度学习方法的MIMO检测器。

2.2 基于数据驱动的信道估计

2.2.1 基于DNN的信道估计

DNN是深度学习网络中的基础网络，也是应用最广泛的网络，表1对比了不同通信系统下基于DNN的信道估计研究的相关文献。文献[22]提出了一种在OFDM系统中联合信道估计和信号检测的方法。具体而言，采用五层全连接的DNN，将与发送数据相对应的接收数据和导频作为输入，训练DNN以恢复发送数据，这一过程可将信道视为“黑盒”。因此，DNN可以隐式地推断出信道信息，并将其直接用于预测发送数据，而无须显式地估计CSI。

表1 不同通信系统中基于DNN的信道估计研究Tab.1 Channel estimation based on DNN in differentcommunication systems

图6为深度学习方法和传统方法的误码率对比图，表明了深度学习方法比LS方法具有更好的性能，可与MMSE方法媲美[22]。

图6 深度学习方法和传统方法的误码率对比图Fig.6 Bit error rate comparison diagram of deep learningmethod and traditional method

此外，当使用较少的训练导频，基于深度学习的方法比传统方法的性能更具有鲁棒性。

图7给出了不加循环前缀(cyclic prefix，CP)的OFDM系统的BER曲线，可以看出，当SNR超过15 dB时，系统误码率提升不再明显，LS和MMSE均无法有效地估计信道，但深度学习方法仍然有效[22]。仿真结果表明，数据驱动方法可以学会以监督的方式处理信道失真，即更新参数以最大限度地减少损失，从而提高系统的鲁棒性。

图7 不加CP的误码率曲线对比图Fig.7 Comparison chart of bit error rate curveswithout CP

为了减轻多用户分布式大规模MIMO系统的导频污染，文献[23]提出了一种基于DNN的导频设计方案，以最小化信道估计的均方误差(mean square error，MSE)。该方案可以将每个用户的导频信号表示为正交导频序列的加权叠加，其中分配给每个导频序列的功率是相应的权重。作者设计了多层全连接的DNN，用于优化对每个导频序列的功率分配，以最小化MSE。作者将提出的方案与其他技术进行了比较，这些技术包括基于穷举搜索的导频分配(exhaustive search based pilot assignment，ESPA)，平均导频功率分配(average pilot power allocation，APPA)和随机导频功率分配(random pilot assignment，RPA)，仿真结果表明，该方案实现了最佳的MSE性能，其次是ESPA、RPA和APPA，并且该方案的复杂度要比ESPA低。

在文献[24]中，作者针对多用户MIMO信道提出了一种基于深度学习方法的联合导频设计和信道估计方案。作者使用双层神经网络(TNN)构建了一个导频设计器，使用DNN设计了一个信道估计器，并将它们联合训练以最小化信道估计的MSE。在信道估计过程中，通过引入连续干扰消除技术来有效减少多个用户之间的干扰。通过仿真分析，证明了该方法明显优于基于LMMSE的信道估计方法。

2.2.2 基于CNN的信道估计

CNN是深度学习方法的重要组成部分，在计算机视觉领域表现尤其突出。可将信道估计问题看作图像处理的问题，从而利用CNN强大的特征提取和特征表示能力来提升信道估计的精度。

文献[25]提出了一种用于通信系统信道估计的深度学习算法，称为ChannelNet。将快速衰落信道的时频响应视为二维图像，目的是使用导频位置处的已知值来找到信道响应的未知值。为此，提出了深度图像处理技术的方法，即图像超分辨率(SR)和图像恢复(IR)。该算法使用SR与IR网络联合估计信道。这个过程主要分为两个阶段，在第一阶段中，将导频位置的信道响应视为一个含有噪声的低分辨率图像，使用SR网络增强分辨率，得到的估计信道是一个高分辨率的图像。在第二阶段中，使用IR网络消除噪声影响。对于SR和IR网络，分别使用了SRCNN算法和DnCNN算法。SRCNN首先使用插值方案来找到高分辨率图像的近似值，然后使用三层卷积网络提高分辨率[26]。在SRCNN的基础上，加入DnCNN去噪网络，利用了残差学习的优势，加速网络的训练过程，并进一步提升了信道估计的精度[27]。仿真结果表明，在低信噪比值下，ChannelNet算法可以有效地用于信道估计，且性能可与理想的MMSE方法相媲美。

毫米波大规模MIMO技术支持使用千兆赫兹带宽和大型天线阵列来提供高数据速率，这被认为是未来无线通信中的一项重要技术[28]。然而，当每个天线使用专用射频(RF)链时，高昂的硬件成本和功耗变得难以承受。因此，当天线阵列大并且RF链的数量有限时，波束空间毫米波大规模MIMO系统的信道估计将非常具有挑战性。为了解决这个问题，在文献[29]中，作者提出了基于学习降噪的近似消息传递(learned denoising-based approximate message passing，LDAMP)网络。该网络将信道矩阵视为二维图像，利用该网络可以学习信道结构并从大量训练数据中估计信道，并将去噪卷积神经网络(DnCNN)应用到LDAMP网络中。将LDAMP网络与SD算法[30]，SCAMP算法[31]和DAMP算法[32]进行了仿真比较，分析可知，即使接收器配备了少量的RF链，由于加入了DnCNN降噪器，LDAMP网络也明显优于基于压缩感知的最新算法，表现出了深度学习方法在毫米波信道估计中的潜力。

2.2.3 基于RNN的信道估计

RNN对数据的时域相关性十分敏感，能够有效地跟踪时变信道的特征，适合在高速移动场景下的信道估计。文献[33]提出了一种基于深度学习方法的信道估计网络，称为ChanEstNet。深度学习的非线性映射特性能够更好地适应高速环境中不断变化的信道，可以有效地利用离线训练样本中的信道信息来提高信道估计的精度。ChanEstNet网络先使用CNN提取信道响应特征向量，然后使用双向长短时记忆网络(bi-directional long short-term memory，BiLSTM)估计信道。通过离线训练大量高速信道数据来学习网络，并充分利用训练样本的信道信息，以此来学习快速时变和非平稳信道的特征，从而更好地跟踪高速环境中不断变化的信道。时域估计和频域估计的仿真结果表明，与传统信道估计算法相比，ChanEstNet网络计算复杂度更低，并在高速移动场景下显著提高了信道估计的性能。

2.2.4 基于GAN的信道估计

相比较传统的神经网络模型，GAN包含两个不同的网络，并且采用对抗训练的方式来训练网络。GAN是一种生成式模型，可以产生更加清晰、真实的样本，避免了损失函数设计的困难，但是存在训练不稳定、梯度消失的问题。为了解决上述问题，出现了GAN的各种衍生网络，如：加入条件信息的CGAN、基于信息论的GAN的扩展网络InfoGAN等。

传统的深度学习方法主要学习的是输入到真实信道的映射关系，不能正确设计和研究其损失函数，因此在估算信道的准确度方面存在很大困难。文献[34]提出将CGAN应用于多用户大规模MIMO系统的信道估计。CGAN是GAN的扩展网络，它学习了从条件输入到真实数据的映射。作者利用CGAN来学习从接收量化信号Y和导频Φ到实际信道矩阵H的映射关系。具体结构如图8所示，生成器部分采用图像分割任务中表现优异的U-Net网络[35]，判别器部分通常使用常规的CNN。在离线训练过程中，生成器负责根据条件输入来估计信道矩阵。判别器将真实信道标记“1”，生成信道标记为“0”。一旦获得训练好的生成器，就可以利用它来得到基于Y和Φ的新输入执行信道估计。这一过程不仅可以学习从量化观测值到真实信道的映射，而且可以学习自适应损失函数以正确地训练网络，最终预测更真实的信道。仿真结果表明，基于CGAN的方法优于现有的深度学习方法，是一种更有效的信道估计方法，显著提高了信道估计性能，并且在大规模MIMO系统中具有很高的鲁棒性。

2.2.5 基于深度学习的端到端通信系统

深度学习已被用于改善传统块结构通信系统的性能，包括信号检测、信道解码和信道估计等，但是很难确定系统的全局最优性。由于受到数据驱动方法的启发，已有大量研究提出了端到端通信系统的概念[12-13]。发射机主要学习如何将发送的码元s编码为数据x，然后将其发送到信道并得到接收信号y。而接收机主要学习从y中恢复发送的码元。通过监督学习的方式训练模型的权重，以优化端到端的恢复精度。这个想法最先在文献[12]中提出，并且在加性高斯白噪声(AWGN)信道中表现出与传统的块结构方法相似的性能。随着深度学习方法的发展，在OFDM系统中也提出了基于端到端通信学习的方法[13]。

精确的瞬时信道传递函数，即CSI，对于计算网络的梯度是至关重要的。在许多通信系统中，信道传递函数难以提前获得并随时间和位置而变化。文献[36]提出了一种基于信道未知的端到端学习的通信系统，即可以在不知道特定信道传递函数的情况下自动学习不同类型的信道影响。作者利用CGAN来学习信道输出的分布，条件信息是来自发射机的编码信号和导频数据，这可以在没有信道先验信息的情况下实现通信系统的端到端学习。另外，将导频信息添加到条件信息中，CGAN就可以生成与特定瞬时信道相对应的数据。基于端到端学习的通信系统结构如图9所示，发射机、信道的生成器和接收机均由DNN组成。通过迭代地训练这些网络，可以以监督方式优化端到端的损失，并应用于时变信道，这与现有工作有很大不同。从仿真结果来看，该方法对AWGN信道和瑞利衰落信道都有效，为构建数据驱动的通信系统打开了新的大门。

现有的工作大多数都集中在数据驱动的深度学习方法上，该方法将通信系统视为黑匣子，并通过使用大量数据对其进行训练。训练网络需要足够的计算资源和大量时间，而这在通信设备中很少见到。相比之下，模型驱动的深度学习方法利用了系统的一些先验知识，减少了要学习的参数的数量，也减少了对计算资源和训练时间的需求。它们各有其优缺点，采用模型驱动的方法可以大大降低学习模型的样本复杂性，但是当先验知识在实际场景中不准确时，模型可能会受到影响。虽然数据驱动的深度学习方法假设较少，样本复杂度很大，但在不同情况下其鲁棒性可能会更强。

3 深度学习的未来挑战和机遇

深度学习方法能够处理大量数据，并大幅提升信道估计的性能。但是，还有许多问题尚未完全解决，如数据集的获取，模型的选择，以及如何提升6G通信系统中信道估计的准确度等。

3.1 数据集的获取

训练和测试数据集的质量和数量对基于深度学习的信道估计的性能有很大影响。在计算机科学中，随着自然语言处理、计算机视觉的迅速发展，许多众所周知的高效数据集被提出，例如ImageNet和MNIST。然而，在基于深度学习的无线通信领域中，相关数据集却很少，Alkhateeb[37]提供了一个专门用于深度学习信道估计的数据集，称为DeepMIMO数据集，这将对基于深度学习的信道估计研究有很大帮助。用于无线通信的这种类型的可访问数据集仍在开发中。数据保护和隐私法规进一步限制了对现实世界通信数据的开放访问。但是，仍然必须公开发布一些新的数据集，即在不同信道条件下的信道响应，以加快基于深度学习的信道估计的发展[6]。

3.2 模型选择

在基于深度学习的信道估计研究中，模型选择是核心挑战。根据基础神经网络模型开发了许多基于深度学习的算法，针对不同的任务选取合适的模型会让系统性能得到很好的提升。DNN、CNN、RNN和GAN由于其自身的特性而在信道估计中分别具有不同的应用。DNN是深度学习的基础网络，其模型简单，与感知器类似，都具有线性关系，在信道估计中最先得到应用。CNN因其强大的特征提取能力在图像处理方面具有出色的性能，可以将信道估计问题转化为图像处理问题，从训练数据中学习并获取信道信息，以此来获取准确的CSI。RNN具有时间相关的特性，可用于时变信道，能够更好地处理时序信息，并且适用于高速移动场景下的信道估计。GAN是一种新颖的生成模型结构，采用对抗训练网络的方式，不仅提升模型训练的准确度，还降低了损失函数设计的难度。如何增强神经网络对不同通信场景的适用性，降低成本、训练时间和复杂度，将是研究者们下一步需优化的目标。

3.3 未来发展的机遇

6G是多用户、多小区、多天线、多频段的复杂传输系统，信号的接收与检测过程可以看作是高维优化的问题。信道估计在新时代将变得越来越复杂，这带来了许多新的挑战。首先，很难通过数学模型来精确描述通信系统，因为它过于复杂并且存在许多实际缺陷。其次，面对急剧增加的硬件复杂性，需要提出新的实现方法，以使算法更加适用。深度学习技术不是从预先建立的固定规则中学习特征，而是通过神经网络模型从海量数据中来自主学习特征，因此网络的效率得到了极大的提高，同时延迟也得到了降低，为6G通信系统中的信道估计研究开辟了新的技术路径[38]。

利用CNN、LSTM等神经网络模型对空-时-频三维信道估计算法建模，自主学习用户信道的关键参数，对6G通信系统的无线信道进行预测，从而为移动终端的接收信号检测提供更加准确可靠的信道估计[39]。现有研究表明，深度学习在信道估计中的应用研究也给物理层通信研究提供了新的方法，具有一定的优势。但该研究主题仍处于起步阶段，因此未来的研究中还存在许多问题有待解决。

4 结束语

本研究介绍了包括DNN、CNN、RNN和GAN在内的几种应用较广的深度学习方法。主要从模型驱动和数据驱动两个角度分别阐述了将深度学习方法应用在信道估计中的最新研究成果。大量的研究结果表明了深度学习方法能够提高信道估计的准确度，提升通信系统的性能；证明了基于深度学习的信道估计研究有着重要的潜在价值和优势[22-25]。深度学习具有强大的学习能力和更快的处理速度，数据迭代训练可以使深度学习网络的模型无限接近于实际通信场景，从理论上讲只要提供充足的训练样本，深度学习网络可以完全学习到实际信道的映射关系；同时其性能可达到甚至超越传统通信算法的性能，在未来的无线通信研究中具有很强的竞争力。然而，目前的研究大多还处于仿真阶段，与现实中复杂的通信场景的结合还远远不够，需要进一步的探索。