前言：想要寫出一篇引人入勝的文章？我們特意為您整理了大數據在無線通信中的應用范文，希望能給你帶來靈感和參考，敬請閱讀。

0引言

當今世界，無線通信技術發展迅速，無線通信進入第五代（5G）時代需實現上千倍容量，毫秒延遲和大量的連接[1-2]。為了滿足上述要求，一些關鍵技術，如大規模多輸入多輸出（Mul-tiple-InputMultiple-Output，MIMO），毫米波（MillimeterWave,mmWave）等已被提出。這些技術在工程應用中均表現出相同的特點，即具有處理大型無線數據的能力。對于無線通信，其對移動速度和通信質量具有較高的要求，然而在滿足大數據和高速復雜場景中的通信需求中，傳統的通信技術存在以下固有的局限性：（1）復雜場景中信道建模困難：通信的設計系統在很大程度上依賴于現實的信道條件。而在實際應用中，這些模型的建模在復雜的場景中變得十分困難[3]。例如，在大規模MIMO系統中天線數量的增加改變了信道屬性[4]，相應的信道模型存在未知的因素。很多情況下，信道不能用嚴格的數學模型來描述。因此，設計適合信道模型的算法必不可少。（2）魯棒的信號處理算法的需求：使用低成本硬件，例如低功耗、低分辨率模數轉換器[5]引入了額外的信號非線性失真，這需要使用高魯棒的接收處理算法，例如，信道估計和檢測的算法。然而,使用這些算法可能會增加計算的復雜度。在這種情況下，具有實時大數據處理能力且更有效和高魯棒的信號處理算法是必需的。（3）塊結構通信受限系統：傳統的通信系統由幾個處理模塊，如信道編碼、調制和信號檢測，盡管研究人員多年來嘗試優化每個算法的處理模塊并在實踐中取得成功，但并不能使得整個通信系統能得到最優的性能，因為通信的根本問題取決于接收端可靠的消息恢復[6]。因此，如果對每個模塊進行的子優化替換為端到端的優化，就有希望進一步改進系統性能。深度學習（DeepLearning,DL）近年來因成功應用在計算機視覺、自動語音識別和自然語言處理等領域而獲得廣泛關注，是典型的大數據依賴的學習框架。同時，研究人員也把DL廣泛應用到了無線通信的物理層[7-11]。與傳統的機器學習算法[12-14]相比，DL顯著增強了特征提取和結構靈活性。特別是基于DL的系統通過端到端優化靈活地調整參數來自動調整模型結構，這可以代替手動從原始數據中提取特征。基于DL的通信系統具有良好的應用復雜場景主要有如下原因：首先，DL是一種數據驅動的方法，其模型是在大型訓練數據集上優化得到的，基于DL的通信系統不需要建立數學模型。其次，能夠處理大數據也是DL重要的特點，DL采用分布式并行計算體系結構，保證了計算速度和計算速度處理能力。DL系統由于其擁有快速開發并行處理體系結構，如圖形處理單元，在處理大數據上具有巨大的潛力。最后，基于DL的通信系統可實現整個系統性能的改進，因為模型經過端到端的訓練優化了整體的性能，而對單個模塊結構沒有要求。本文旨在對近年來在基于大數據的DL在無線通信物理層的研究作出綜述，本文的組織結構如下：第二節簡要概述無線通信物理層的系統框圖。第三節介紹了幾個DL應用到通信物理層的示例。第四節討論了未來研究的領域和挑戰。第五節是全文總結。

1通信系統模型

它是一個模塊結構，包括信道編碼、調制、信道估計、信道均衡、信道譯碼和信道狀態信息（ChannelStateInformation，CSI）反饋等模塊。通信算法是在長期的研究中發展起來的，以優化通信系統其中的模塊。之前有研究試圖利用傳統的機器學習方法，作為特定模塊的替代算法。DL架構最近被引入到幾個處理模塊中以適應新興的復雜通信場景，以期達到更優的性能。

2幾個典型的DL應用到物理層的案例

本節給出了一些DL應用在通信物理層的典型例子，包括聯合信道估計和信號檢測、聯合均衡和信號譯碼、大規模MIMOCSI壓縮反饋和mmWave大規模MIMO混合預編碼。下面分別進行介紹。

2.1聯合信道估計和信號檢測

一般信道估計和信號檢測是接收機的兩個獨立過程。首先，CSI通過導頻來估計，然后利用估計的CSI在接收端恢復發送符號。文獻[7]提出了一種聯合信道估計和信號檢測方法。具體地說，一個帶有五層全連接層的深度神經網絡（DeepNeuralNetwork,DNN）用于聯合信道估計和檢測，這里將信道看作一個黑盒子。在離線訓練中，發送數據和導頻形成幀，然后這些幀經過一個時變信道。該網絡把接收信號作為輸入，通過訓練網絡來重構發送數據。當導頻不足、去掉循環前綴和非線性失真幾種情況下，基于DNN的信道估計和檢測方法都優于最小均方誤差方法。

2.2聯合均衡和信號譯碼

文獻[15]提出了一種聯合均衡和信號譯碼的方法，該方法中在不知道CSI情況下，基于神經網絡的聯合均衡器和解碼器可以實現均衡和譯碼。這里使用兩個神經網絡，首先,卷積神經網絡（ConvolutionalNeuralNetworks，CNN）用于恢復失真的發送數據，然后DNN解碼器對CNN網絡均衡后的信號進行解碼。實驗結果表明，在各種信道條件下，該方法的性能優于其他基于機器學習方法。其中分別表示比特流符號，發送符號，接收符號，均衡后的符號和譯碼后的符號。

2.3大規模MIMOCSI壓縮反饋

在頻分雙工網絡中，大規模MIMO依賴于CSI反饋來實現基站端天線的性能增益。然而，大量天線導致過多的反饋開銷。已經大量工作通過利用CSI的空間和時間的相關性來減少CSI反饋開銷。利用CSI的稀疏特性，壓縮感知（Compressedsensing，CS）已被應用于CSI壓縮反饋中。然而，傳統的CS算法面臨挑戰，因為現實世界的數據并不完全稀疏，現有信號恢復算法的收斂速度很慢，這限制了CS的適用場景。CsiNet[16]被提出來模擬CS信道壓縮反饋的過程。取角延遲域的信道矩陣作為輸入，編碼器的第一層是生成兩個特征圖的卷積層。然后將卷積后的數據重新排列為N×1大小的適量，再利用全連接層生成M×1大小的壓縮數據(M<<N)。由于不需要CS測量矩陣，減少了反饋開銷。在解碼器上，利用一個全連接層、兩個殘差層和一個卷積層對壓縮的CSI進行重構。結果表明，CsiNet算法在不同壓縮比和復雜度上的性能明顯優于基于CS的方法。

2.4基于DL的mmWave大規模MIMO混合預編碼

mmWave一直被認為是一種5G的重要方案，其中混合模擬和數字預編碼是一種重要的可以減少硬件復雜性和能耗的方法。然而，現有的混合預編碼方案受限于高計算復雜度，且不能充分利用空間信息。為了克服這些局限性，文獻[17]提出了一個基于DL的mmWave大規模MIMO混合預編碼框架，其中每個預編器的選擇被視為一種DNN的映射關系。具體地說,通過訓練DNN選擇混合預編碼器來優化mmWave大規模MIMO的預編碼過程。實驗結果表明，基于DNN的混合預編碼方法能降低mmWave大規模MIMO的誤碼率和增強頻譜效率，在保證更優的性能的同時，能大大減少所需的計算復雜度。

3挑戰

DL在無線通信系統物理層中的應用是一個新的研究領域，雖然已有的研究表現出了較好的結果，但是在未來的研究中一些挑戰值得進一步探討。（1）模型的選擇在基于DL的通信框架下，神經網絡的設計是核心挑戰。許多基于DL的技術都是按照通用模型開發的。例如，計算機視覺總是使用CNN，而LSTM則通常用于自然語言處理領域。然而，我們想知道是否有基于DL的無線通信模型，我們認為，通用模型將有助于在實踐中得到實現。在工程項目中，不僅通用模型提高了優化通信框架的便利性，也可以減少模型選擇的成本和時間。在可以得到通用的模型之前，這個問題還需要廣泛的探索。（2）系統性能與訓練效率的權衡現有的工作表明了基于DL的數據驅動模型在物理層通信中的強大功能。然而，即使DL可以通過端到端學習來優化通信系統性能，當所有通信模塊被融合在一起時，訓練過程將花費很長時間。為了提高訓練效率，達到良好的系統性能，可以保留部分通信模塊，以實現訓練效率和系統性能兩者之間的權衡。（3）嚴謹的數學證明和基本的理論總的來說，基于深度學習的通信框架的性能已經在信道估計、均衡、CSI反饋等場景得到了證明，然而，我們還沒有推導出嚴謹的數學證明和基本的理論來進一步驗證其框架的性能。推導出基本的理論也會有所幫助我們了解通信框架，這將是改進網絡和開發更高效的通信框架的基礎。同時，訓練所需的訓練集大小也是不一定的，基于DL的通信框架是否能得到最優的性能仍然存在不確定性。（4）真實數據集的獲得近年來DL技術應用于各種領域，并且得到飛速發展，這很大程度上歸功于能夠獲得真實的開源數據集。訓練和測試數據集的質量和數量對基于DL框架的性能有很大的影響。在計算機科學領域，隨著自然語言處理，計算機視覺和自動駕駛的飛速發展，已經提供了許多公開的的數據集，如ImageNet和MNIST。然而，在基于DL的無線通信領域，雖然有一些數據集可以應用于某些領域，但目前存在的可用數據集很少。為了便于研究，未來還需要有一些可靠的數據集。

4結語

本文概述了基于大數據的DL在無線通信物理層應用的最新進展，并著重描述了幾個典型的基于DL的通信案例。與傳統方法相比，基于DL的算法在通信系統里表現出了較低復雜度和更高的系統性能，其在無線通信物理層中的應用具有廣闊的前景。然而，必須承認,還有許多問題仍需解決，比如數據集的收集和網絡模型的選擇等問題，使用DL技術來解決無線物理層的一些問題仍將面臨很多挑戰。未來，基于DL的學習框架不僅可以很好的應用于無線通信，還將廣泛的應用于各行各業基于大數據的業務場景，比如基于DL的水體識別，這也是我們下一步的研究應用方向。

作者：潘文浩 姚海梅 廖勇  單位：云南省水利水電勘測設計研究院 重慶大學通信與測控中心