基于深度学习的信道估计技术研究进展*

廖 勇,李 雪,王幕熙,杨植景,周晨虹

(1.重庆大学 微电子与通信工程学院,重庆 400044;2.中国人民解放军陆军装备部驻重庆地区军代局驻贵阳地区军事代表室,贵阳 550006;3.重庆金美通信有限责任公司,重庆 400030)

0 引 言

无线通信信道往往是复杂多变的,信号在传输过程中会受到各种因素的影响,如路径损耗、阴影衰落、多径效应以及多普勒效应等[1-3]。多径效应将引起频率选择性衰落,严重时将会造成接收端信号的符号间干扰[4]。此外,在非静态场景下,收发设备间的相对移动会使得接收端的信号发生频率偏移,从而发生多普勒频移。当多普勒频移比较严重时,接收信号将会出现时间选择性衰落[5]。因此,需要估计算法对频率/时间选择性衰落信道进行准确估计[6]。

信道估计技术可为接收机的分集合并、信号检测及解码等模块提供信道状态信息(Channel State Information,CSI),无线信道的随机性使得信道估计结果的优劣对整个通信系统性能的好坏有着重要影响[7]。

目前无线通信中信道估计通常使用的方法是导频辅助的信道估计方法[8-9]。最小二乘(Least Squares,LS)[10]方法是最常用的信道估计方法。由于该方法计算简单、复杂度低,不需要信道的任何先验信息,所以被广泛使用。但是LS方法不能消除导频处噪声的影响,并且插值类信道估计方法不能有效消除由于多径引起的频域选择性衰落信道的影响,导致数据处信道频率响应获取不准确[11-12],因此LS算法的估计性能较差。线性最小均方误差(Linear Minimum Mean Square Error,LMMSE)[13]在信道估计算法中性能较好,可以得到精确的信道估计,但是LMMSE算法需要知道信道的统计信息,并且具有很高的计算复杂度。此外,由于信道具有稀疏性,一些基于压缩感知的算法也被用于信道估计中,其中正交匹配追踪(Orthogonal Matching Pursuit,OMP)[14]、稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)[15]等贪婪算法将信道估计问题转变为稀疏信号的恢复问题,具有较低的复杂度和较高的估计性能。然而,这类算法估计的前提是需要已知信道的稀疏度,因此在实际中也有较大缺陷。

同时传统的信道估计方法总是利用参数估计方法估计出导频符号处的信道响应,然后采用线性插值、二阶插值或样条插值等方法获取数据符号处的信道响应。这类插值方法的共性是导频位置间多个数据符号处间的插值系数是不变的,比较适合用在信道状态变化缓慢的条件下。然而,在高速移动环境下,信道响应的时域和频域相关系数是时变的[16-17],传统方法不具备对信道变化进行有效追踪的能力,从而影响估计结果的准确性,进而影响信号的相干检测和可靠传输。

由上述分析可知,传统的信道估计算法存在需要信道先验信息、复杂度较高、不能有效跟踪无线信道时频快速变化等问题。同时,面向下一代无线通信,例如6G万物智联的愿景,通信需求日益复杂多样,所以亟需更加灵活高效的智能信道估计算法。

深度学习正在使无线通信的概念、模式、方法以及意义发生重大变革[18]。对于无线通信的物理层或网络层,深度学习已有许多应用,如信道估计[19-20]、CSI反馈[21-22]、信号检测[23-24]、资源分配[25-26]等。在所有无线通信系统的深度学习应用中,信道估计是研究最广泛的问题之一[27]。文献[19]将深度学习应用于信道估计。深度学习强大的学习能力,学习了无线信道的频率选择特性,并对抗正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统的非线性失真和干扰。自此,基于深度学习的信道估计被学术界/工业界广泛研究,并取得了较多显著的成果。

为更好地对上述成果进行归纳和总结,本文从数据驱动和模型驱动两个方面重点分析和归纳了基于深度学习的信道估计方法,并且描述了其中的代表性算法,最后指出了未来基于深度学习的信道估计方法发展过程中可能会面临的挑战以及发展机遇。

1 深度学习在信道估计中的应用

近年来,深度学习在无线通信物理层的信道估计中取得了重大进展。代替传统的假设信道是满足固定变化规律的信道估计方法,深度学习方法能利用多个堆叠层来学习其中隐藏的非线性规律,因此取得了良好的估计性能。根据基于深度学习的信道估计文献,目前深度学习在无线通信的信道估计方向大致可以分为数据驱动和模型驱动两种:前者是在现有迭代的深度开发的启发下改进或扩展,采用改进的网络来进行数据的训练,不断通过对神经网络这个“黑匣子”里的参数进行更新;后者是将深度学习与现有传统方法进行结合,减小对数据的依赖,对某些参数进行训练和优化,使得深度学习的可解释性更强,多见于压缩感知与深度学习结合的信道估计算法。

1.1 数据驱动

在2017年,Ye等人[19]就开始将深度学习用于隐式信道估计,直接使用深度神经网络(Deep Neural Network,DNN)并且将OFDM系统和经历的信道当成一个黑匣子,采用端到端处理方式处理直接恢复发送信号。同样,在文献[28]中也表明了DNN具备学习和分析遭受非线性失真和干扰、频率选择性衰落的无线信道特性,对比了在不同数量的导频情况下DNN都能够比传统方法LS、LMMSE表现性能更优。文献[29]也通过采用DNN,网络具有优秀的学习和泛化能力。为了能更好地学习信道时频域的变化特征,Soltani等[30]将信道时频响应视为二维图像,采用深度图像处理技术,利用图像超分辨率(Super Resolution,SR)网络和图像重建(Image Restoration,IR)网络级联进行估计,把只考虑导频位置的信道响应作为低分辨率图像输入,然后恢复出原始图像得到所需的信道响应。仿真表明当无线信道受到严重失真和干扰时,基于深度学习的信道估计比传统的LS、LMMSE都更具有优势,这证明了神经网络具有记忆和分析无线信道的复杂特性的能力。针对信道中时间连续变化且存在一定相关性的特点,文献[31]使用CNN网络和双向长短期记忆(Bi-Long Short-Term Memory,BiLSTM)网络组合算法对高速移动下OFDM系统的信道响应矩阵进行估计,分别用这两种网络模拟频域插值过程和时域信道预测过程,仿真表明该基于深度学习的算法在精度和系统性能均优于传统信道估计算法。此外,图神经网络(Graph Neural Network,GNN)也开始逐渐走进信道估计研究的视野:文献[32]研究了高海拔平台站场景下的通信,首次将图注意网络(Graph Attention Network,GAT)用于信道估计中,通过一个节点处的GAT即可单独估计级联信道系数,性能优于LS,并且应对硬件缺陷以及小尺度衰落的变化时都具有一定的鲁棒性;针对高速移动的大规模多入多出(Multiple-Input Multiple-Output,MIMO)场景下,文献[33]提出一种基于GNN的信道估计算法,该算法由其用GNN定义的编码器、核心网络和解码器组成,先使用LS算法获得初始的导频处信道频率响应,再用信道响应作为图中的节点,信道的空间相关性作为边,仿真结果表明该算法相比传统信道LS插值算法以及前馈神经网络能取得更好的性能。表1总结了典型的基于数据驱动的信道估计算法。

表1 典型的基于数据驱动的信道估计算法

如表1所示,算法中使用较多的网络分别是DNN、CNN、长短期记忆(Long Short-Term Memory,LSTM)。图1展示了以上几种网络在扩展车辆信道模型(Extended Vehicular A model,EVA)信道模型,载波频率为4.9 GHz,多普勒频率为700 Hz时的误码率(Bit Error Rate,BER)和归一化均方误差(Normalized Mean Squared Error,NMSE)的仿真图。从图中可以看出,这几种网络在NMSE性能上均好于LS,其中LSTM因考虑了信道相关性性能会好于CNN和DNN,而CNN又因其优越的高维特征提取而好于DNN,并且在高速环境下由于频域均衡的子载波干扰造成的性能瓶颈,因此CNN、LSTM的NMSE性能好于LMMSE算法,说明各算法对高速时变信道具有鲁棒性。下面分别对以上网络中有代表性的算法进行描述并分析其实现原理。

(a)BER

1.1.1 基于DNN的信道估计

文献[19]首次尝试在没有在线训练的情况下使用机器学习方法来处理无线通信问题。DNN模型将由一个导频块和一个数据块组成的接收数据作为输入,并以端到端的方式恢复传输数据。图2所示为基于DNN的深度学习算法的系统模型。基带OFDM系统与传统系统相同。基于DNN的信道估计算法包括两个阶段:在离线训练阶段,使用接收到的OFDM样本来训练模型,所述OFDM样本是在具有特定统计特性的不同信道条件下利用各种信息序列生成的;在在线部署阶段,DNN模型生成恢复传输数据的输出,而无需明确估计无线信道。

图2 基于DNN的信道估计算法系统模型[19]

仿真结果表明,基于深度学习的方法可以解决信道失真问题,并检测传输符号,其性能与LMMSE估计器相当。同时,当使用较少的导频、循环前缀以及存在非线性限幅噪声时,基于深度学习的方法与传统方法相比具有更强的鲁棒性。

1.1.2 基于CNN-LSTM的信道估计

文献[31]针对高速移动环境下信道快时变、非平稳特性导致下行链路信道估计性能受限问题,提出了一种基于深度学习的信道估计网络,即CNN-LSTM。CNN-LSTM使用CNN提取信道响应特征矢量和LSTM进行信道估计。

图3所示为CNN-LSTM的网络结构图。所提基于深度学习的信道估计算法分为离线训练和在线预测两个阶段:对于离线训练阶段,该算法使用来自WINNER II D2a信道模型的大量标准快时变信道数据来训练学习网络;对于在线预测阶段,学习网络的输入是要估计的信道矩阵。学习网络包括2D CNN网络和BiLSTM网络。2D CNN网络用于提取导频序列特征值,主要由几个并行的滤波器组成,沿着水平和垂直两个方向跨越图像并计算卷积结果。考虑到LSTM网络在序列任务学习方面的出色表现,因此它被用于预测CSI和时域相关系数。尤其是,BiLSTM网络是两个LSTM的组合,用于时域信道预测。其中,一个LSTM网络进行前向预测,另一个用于后向预测,克服了单向预测导致的误差传播。

图3 CNN-LSTM网络结构[31]

实验结果表明,基于CNN-LSTM的信道估计算法与传统算法相比,具有更高的信道估计精度和更好的系统性能。

1.1.3 基于GNN的信道估计

文献[33]针对高速移动场景下大规模MIMO,提出了一种基于GNN的信道估计框架。如图4所示,该框架包括编码器、核心网络以及解码器。其中,编码器用来初始化核心网络,核心网络使用图结构来更新节点和边,解码器则独立解码边和顶点属性。

图4 基于GNN的信道估计体系结构[33]

基于GNN的信道估计算法首先利用少量导频来实现初始信道估计,接着再将获得的信道响应表示为图的形式,并通过图边缘的权重来描述信道空间相关性。仿真结果表明,该算法与传统信道LS插值算法以及前馈神经网络相比能取得了更好的性能。

1.2 模型驱动

在毫米波大规模MIMO系统中,由于射频链的数量有限,信道估计非常复杂,经常将传统算法与深度学习网络结合来进行信道估计。文献[20]提出了一种基于学习降噪的近似消息传递(Learned Denoising-based Approximate Message Passing,LDAMP)网络来解决这一问题。LDAMP网络对天线阵列中的所有信道使用单一导频,即使在使用少量RF链的情况下,性能也优于传统的近似消息传递(Approximate Message Passing,AMP)变体,这证明了该算法的实用性和有效性。类似地,为了结合神经网络和传统压缩感知模型的优点,文献[34]提出了一种新的基于AMP的深度残余学习网络,称为LampResNet。它主要由两个部分组成:学习型近似消息传递(Learned Approximate Message Passing,LAMP)网络和深度残余学习网络。前者利用波束空间信道矩阵的稀疏性得到初步估计结果,后者是为了降低信道噪声的影响,进一步细化LAMP网络得到的粗估计,它在计算复杂度和性能方面相对于压缩感知算法均有良好提升。基于文献[20]的缺陷,文献[35]在LDAMP网络的基础上设计了一种更好的基于CNN的去噪网络,产生了全卷积的AMP去噪算法(Fully Convolutional Denoising Approximate Message Passing,FCDAMP),其中所需导频长度小于要估计的信道分量,降低了导频的数量,增大了信道的数据传输效率,并且在归一化均方误差和可实现和率方面,比LDAMP[20]和其他变体的AMP具有连续的性能。在文献[34]的基础上,为了提高估计精度,文献[36]提出了另一种建立在LAMP方法基础上的信道估计器,即先验辅助高斯混合LAMP。在第一阶段的高斯混合LAMP算法中,基于波束空间信道单元的高斯混合分布提出了一种新的收缩函数;然后在第二阶段根据推导出的收缩函数进行基于高斯混合LAMP的波束空间信道估计。利用理论信道模型和基于光线跟踪的信道数据集进行仿真,结果表明该算法在NMSE方面优于OMP、AMP和LAMP算法。除了对时分上行信道进行估计以外,文献[37]还考虑了频分双工系统的下行信道估计和反馈问题。通过利用先验模型中信道的结构化稀疏性和从数据样本中学习集成的可训练参数,所提出的多测量向量学习近似消息传递(Multiple-Measurement-Vectors Learned Approximate Message Passing,MMV-LAMP)网络与设计的冗余字典可以联合恢复多个子载波的信道,并显著提高性能。其中,文献[20]、[35]和[36]中提出的方法使用著名的Saleh-Valenzuela通道模型进行模拟,文献[36]还使用文献[38]提供的实用射线跟踪通道数据集进行了进一步的计算机模拟。表2总结了典型的基于模型驱动的信道估计算法。

表2 典型的基于模型驱动的信道估计算法

从表2可知,基于模型驱动的算法大多使用AMP算法与神经网络相结合。图5给出了几种典型基于模型驱动信道估计网络的NMSE性能对比。下面分别对LAMPA和LampResNet的信道估计进行描述以及原理分析。

图5 模型驱动的信道估计网络的NMSE性能

1.2.1 LDPMA信道估计

文献[20]将具有一定性能保证的传统算法与深度学习相结合,提出了一种用于信道估计的LDAMP。该神经网络将去噪卷积神经网络(Denoising Convolutional Neural Network,DnCNN)[39]融合到迭代稀疏信号恢复算法中进行信道估计,其原理是在AMP算法中加入用于图像恢复的去噪卷积神经网络来代替原始的收缩函数,将信道矩阵视为二维图像,对天线阵中的所有信道都使用一个导频器。图6展示了DnCNN去噪器的网络结构,它由20个卷积层组成,第一个卷积层使用64个不同的3×3×1滤波器;接下来的18个卷积层中的每一层都使用64个不同的3×3×64滤波器,每个滤波器后面都有归一化和一个ReLU激活函数;最后的卷积层使用一个独立的3×3×64滤波器来重构信号。代替传统的直接从噪声图像到去噪图像的映射,该网络以带噪信道作为输入,并产生残差噪声作为输出。这种方法被称为残差学习,它对网络进行渲染,去除高度结构化的自然图像而不是非结构化的噪声。残差学习提高了网络的训练时间和准确性,仿真表明LDAMP网络的性能优于最先进的基于压缩感知的算法。

图6 DnCNN去噪器的网络结构[20]

1.2.2 LAMP+ ResNet信道估计

文献[34]提出了一种新的基于AMP的深度残差学习网络,即LampResNet,用于波束空间信道估计。它主要由LAMP网络和ResNet[40]两个部分组成,首先利用LAMP网络对信道矩阵进行初步估计,然后利用ResNet进一步降低信道噪声的影响,对LAMP网络得到的粗估计结果进行修正。图7展示了LampResNet的网络结构。首先训练一个展开的LAMP网络,得到真实信道向量的初步估计结果,同时引入一个深度ResNet,进一步缩小这两者之间的差异。同时,为了生成与输入尺寸相同的特征图,在每一层都添加了相应的填充,因此所提出的网络尺寸可以根据天线阵列尺寸的变化进行适当调整。仿真结果表明,所提出的估计网络的性能优于传统的压缩感知的算法和一些最新的基于深度学习的方法,其在线计算复杂度与AMP相当。此外,由于AMP的数学模型和残差学习的能力,该网络的训练阶段的计算复杂度通常低于其他基于深度学习的方法。

图7 LampResNet 的网络结构[34]

2 挑战与趋势

深度学习技术在处理大量数据和急剧变化的信道环境方面的卓越能力表明,它可以提高无线通信系统的性能。然而,尚有一些共性问题仍没有得到解决。其一,跟传统的信道估计相比,基于深度学习的信道估计由于将参数训练的部分看成“黑盒”模式,可解释性欠缺,造成难以直接对模型的性能参数进行分析,只能根据经验去做尝试。其二,深度学习一般分为模型训练和在线学习部分,然而实际信道估计中,信道变化是不可预测的,要在模型训练阶段学习所有可能的信道模型、多普勒频率等信道条件是不现实的,因此存在神经网络泛化能力差的挑战。如何将训练好的模型能应用于多种实际信道场景,并同样能取得较好的性能效果也是一个亟待解决的问题。

下面将未来可能的基于深度学习的信道估计研究趋势梳理如下:

1)深度学习利用数据驱动模型在信道估计、资源分配、预编码、CSI反馈等通信应用中表现出了良好的性能,然而,这些框架并没有得到相关的数学推导的严格证明,即这些框架缺少支撑性的可解释原理。此外,可靠的理论将有助于理解深度学习网络模型,这是修改网络和开发更有效的网络模型的基础。由于基于模型驱动的深度学习信道估计方法将神经网络和传统的模型结合起来对里面的某些参数进行优化,其在模型上具有一定的可解释性,因此这个方向还有待继续研究和探讨。但在基于深度学习的无线物理层领域,学习方法的规则还不清楚,基于深度学习的通信框架的最佳结果仍然未知,应该应用哪种网络去优化相应的模型参数以实现性能提升都有待探讨。此外,除了Sigmoid函数等经典激活函数之外,能否为基于深度学习的无线通信物理层推导出特定的函数并提高其性能也是需要关注和研究的。

2)目前我国科技部正在推进科技创新2030——“新一代人工智能”重大项目,国家自然科学基金委也在组织“可解释、可通用的下一代人工智能方法”重大研究计划,均是聚焦可信可靠、可解释和强鲁棒性的技术问题,研发更加可靠更加安全、过程以及结果具备可解释性以及可以面向复杂多场景及应用的更加鲁棒的通用人工智能方法、网络以及基础共性平台。现在大部分深度学习方法都是采用“黑盒”模式,未来伴随通用的基础模型的升级迭代,将会产生更多新型的网络和算法,可以将其应用到信道估计中,满足高精度通信指标的同时具备可信和强鲁棒性。

3)专用无线通信受制于应用场景,缺乏足够多的信道数据,同时所采集到的数据无法进行标记。面对这种需求,需要采取多方法结合的形式进行信道估计算法设计。针对数据量少甚至没有的问题,可以借鉴迁移学习、元学习的思路;对于数据无法标签化,需要考虑采用无监督学习或半监督学习。因此,围绕一些特殊应用场景的专用通信需求,在考虑采用人工智能方法的时候,需要将深度学习、迁移学习/元学习、无监督/半监督等学习方法进行综合应用。

4)面向未来蜂窝移动通信、网络以及应用的深度学习大模型。随着深度学习的网络越来越复杂,层数越来越深,数据量越来越多,现有的中央处理器(Central Processing Unit,CPU)和图形处理器(Graphics Processing Unit,GPU)已经不能满足海量深度学习的算力需求。目前业界又在推进数据处理单元(Data Processing Unit,DPU)的部署,同时我国正在大力发展量子计算,因此将来算力将得到极大的提升,现在面向深度学习的算力瓶颈问题将不复存在。届时,不仅仅是信道估计、信道译码、均衡等相关的通信基带信号处理,发射机和接收机联合信号处理,物理层、网络层、应用层等不同协议栈的处理,例如现在处于热点研究的通信感知一体化、语义通信等,均可以通过基于深度学习的大模型进行解决。目前国内有一些机构在深度学习大模型领域已有一些研究成果,例如京东探索研究院,这方面也值得继续跟踪与关注。

3 结束语

本文总结了基于深度学习的信道估计技术的最新进展,将目前主流的深度学习信道估计方法分为数据驱动和模型驱动两类,分别对其中典型的解决方案进行了归纳、分析。但是,许多技术实现都处于初级阶段,关于深度学习的应用还存在可解释性、信道数据获取以及大模型的算法瓶颈等许多开放的研究问题,因此要彻底使用深度学习理论解决无线通信物理层问题还需要进一步探索和实践。