文/王軻 馬勝前

無線通信系統(tǒng)至今已經(jīng)從1G發(fā)展到了5G，并取得了較為成功的商業(yè)價值。相比于較為成熟的4G系統(tǒng)，5G的出現(xiàn)使得基站峰值速率、頻譜利用率、用戶體驗速率等指標(biāo)大幅度提高。然而，5G的不僅針對傳統(tǒng)的移動電話業(yè)務(wù)，更要與虛擬現(xiàn)實、物聯(lián)網(wǎng)等智能應(yīng)用領(lǐng)域相結(jié)合。在未來，超密集組網(wǎng)在5G中的大量應(yīng)用使得頻譜利用率大幅度提高，并由此產(chǎn)生海量的無線通信系統(tǒng)大數(shù)據(jù)[1]。

近年來，人工智能特別是深度學(xué)習(xí)在圖像處理、自然語言處理方面取得了較為突出的成果[2]。因此，研究人員嘗試將其與無線通信系統(tǒng)的各個層面相結(jié)合，并已經(jīng)取得一定的研究進展[3]。參考文獻(xiàn)[4,5]對深度學(xué)習(xí)在無線通信系統(tǒng)中物理層的應(yīng)用做了全面總結(jié)，包括卷積神經(jīng)網(wǎng)絡(luò)、自編碼器神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等在信號檢測、信道估計、信道狀態(tài)信息的反饋重建等中的應(yīng)用。參考文獻(xiàn)[6]利用深度神經(jīng)網(wǎng)絡(luò)(deep neural network,DNN)將整個正交頻分復(fù)用系統(tǒng)(orthogonal frequency division multiplexing,OFDM)視為一個整體，實現(xiàn)了信道估計和信號檢測。

自編碼器(autoencoder,AE)深度神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督學(xué)習(xí)算法，它使用了反向傳播算法，并讓目標(biāo)值等于輸入值[2]。自編碼器分為兩個過程：編碼和解碼。編碼過程將原始數(shù)據(jù)映射到隱藏空間，解碼數(shù)據(jù)將數(shù)據(jù)從隱藏空間映射到原始數(shù)據(jù)空間。這種神經(jīng)網(wǎng)絡(luò)可將傳統(tǒng)的無線通信系統(tǒng)重構(gòu)為端到端的任務(wù)系統(tǒng)，規(guī)避了在傳統(tǒng)無線通信系統(tǒng)中每個組成模塊只能單獨被優(yōu)化的不足，相比較于已有系統(tǒng)，其對整個系統(tǒng)的性能提升明顯。

圖1：最簡無線通信系統(tǒng)模型

圖2：典型的自編碼器

本文基于自編碼器神經(jīng)網(wǎng)絡(luò)提出將傳統(tǒng)無線通信系統(tǒng)重構(gòu)為端到端的自編碼器任務(wù)。仿真結(jié)果表明，在特定的信道環(huán)境下，無線通信系統(tǒng)經(jīng)過自編碼器神經(jīng)網(wǎng)絡(luò)的全局優(yōu)化，系統(tǒng)整體性能提升明顯。

1 無線通信系統(tǒng)的一般模型

如圖1所示，在最簡情況下，無線通信系統(tǒng)由發(fā)送端，無線信道和接收端三部分組成。原始信息為s∈M={1,2,…,M}，通過n條獨立信道傳輸至接收端。原始信息s經(jīng)過發(fā)送端變?yōu)閤，這種變化的實質(zhì)為發(fā)送端中做映射f:M→Rn，即x=f(s)∈Rn。同理，接收端的實質(zhì)也為一種映射，即g:Rn→M。此外，無線信道被定義為條件概率分布函數(shù)p(y|x),其中y∈Rn表示接收端接收到的信號，y再通過映射g，最終得到重建原始發(fā)射信息。

2 自編碼器

1986年Rumelhart首次提出自編碼器的概念，并將其用于高維數(shù)據(jù)的低維表示與處理，促進了神經(jīng)網(wǎng)絡(luò)的發(fā)展[7]。自編碼器是一種前饋無返回的神經(jīng)網(wǎng)絡(luò)，由輸入層，隱含層和輸出層組成。典型的自動編碼器結(jié)構(gòu)如圖2所示。輸入層到隱含層的映射關(guān)系可以看作是一個編碼過程，通過映射函數(shù)f把發(fā)射端輸出向量x映射到隱含層，并輸出y。從隱含層到輸出層的過程相當(dāng)于一個解碼過程，把隱含層的輸出y通過映射函數(shù)g“重構(gòu)”為輸入向量x。由于自編碼器的隱含層節(jié)點數(shù)少于輸入和輸出節(jié)點數(shù)，那么其可以用于降維和數(shù)據(jù)壓縮。自動編碼器采用反向傳播法來進行訓(xùn)練，但其需要大量的訓(xùn)練樣本，隨著網(wǎng)絡(luò)結(jié)構(gòu)越來越復(fù)雜，計算量也隨之增大。

3 基于自編碼器的無線通信系統(tǒng)

自編碼器的實質(zhì)是學(xué)習(xí)如何非線性壓縮并重構(gòu)輸入向量。但是在本文所涉及到的自編碼器中，通常不是移除冗余信息，而是適當(dāng)加入冗余信息(例如噪聲，衰落等)，這樣才能對無線信道做出較為可靠的表示。

整個系統(tǒng)框圖如圖3所示。在發(fā)送端由兩層組成。第一層為前向反饋神經(jīng)網(wǎng)絡(luò)構(gòu)成的多重密集層，第二層為歸一化層，其目的是確保發(fā)射端輸出向量x符合相關(guān)參數(shù)約束。無線信道部分是用一個方差恒定為β的加性噪聲層表示。在接收端，則由前向反饋神經(jīng)網(wǎng)絡(luò)構(gòu)成的多重密集層與含有softmax激活函數(shù)的密集層構(gòu)成，那么接收端輸出為全部信息的條件概率分布向量p∈(0,1)M。在實際的端到端自編碼器訓(xùn)練過程中，原始信息s∈M作為訓(xùn)練集，隨機梯度下降法(Stochastic Gradient Descent,SGD)作為主要優(yōu)化算法，損失函數(shù)采用交叉熵?fù)p失函數(shù)。

圖3：利用自編碼器重構(gòu)的無線通信系統(tǒng)模型

4 仿真結(jié)果

本文模型的仿真基于keras深度學(xué)習(xí)框架平臺，原始信息比特數(shù)為25000。發(fā)射和接收端密集層均采用線性整流函數(shù)（Rectified Linear Unit,ReLU）作為激活函數(shù)，接收端的輸出層采用softmax函數(shù)作為激活函數(shù)。整個網(wǎng)絡(luò)使用自適應(yīng)矩估計(the adaptive moment estimation，ADAM)優(yōu)化器進行優(yōu)化。在噪聲層中規(guī)定使用信道為2路，單位時間傳輸比特數(shù)為2比特，即系統(tǒng)運行速率為R=1[bit/channel]。通過仿真得出基于自編碼器的無線通信系統(tǒng)與傳統(tǒng)經(jīng)過BPSK調(diào)制的無線通信系統(tǒng)的誤塊率(block error rate，BLER)對比曲線如圖4所示。從圖4可以看出，無論信噪比高低，基于自編碼器的無線通信系統(tǒng)的系統(tǒng)性能都明顯優(yōu)于傳統(tǒng)BPSK調(diào)制的無線通信系統(tǒng)。

圖4：自編碼器與BPSK系統(tǒng)性能對比

5 結(jié)語

本文利用自編碼器神經(jīng)網(wǎng)絡(luò)，將傳統(tǒng)無線通信系統(tǒng)重構(gòu)為端到端的自編碼器任務(wù)，并對系統(tǒng)進行整體優(yōu)化，達(dá)到一定程度上的最優(yōu)。仿真結(jié)果表明，與傳統(tǒng)無線通信系統(tǒng)相比，基于自編碼器神經(jīng)網(wǎng)絡(luò)的無線通信系統(tǒng)展示出更加優(yōu)異的性能。在今后，人工智能尤其是深度學(xué)習(xí)必然會在無線通信中有更加廣泛的應(yīng)用，體現(xiàn)出下一代通信技術(shù)智能化的特點。