胡圣波,朱滿琴,楊露露,羅鴻秋,莫金容,楊 凱

(1.貴州師范大學 智能信息處理研究所，貴州 貴陽 550001；2.貴州大學大數(shù)據(jù)與信息工程學院，貴州 貴陽 550025)

0 引言

如果說4G開啟了基于無線寬帶通信為主導的移動互聯(lián)時代，讓人們初步感受到了大數(shù)據(jù)帶來的變化，那么5G則將引領社會步入萬物互聯(lián)、人工智能、無人駕駛為主要內容的新天地，大數(shù)據(jù)的發(fā)展也將進入黃金時代。從技術角度看，以4G為主要代表的無線寬帶通信主要涉及的關鍵技術包括OFDM調制、軟件無線電、MIMO、智能天線等；而盡管5G即將商用，但5G和基礎技術的機遇/挑戰(zhàn)仍在探索中，并主要集中在超密集網絡、大規(guī)模MIMO(多輸入多輸出)、毫米波技術[1-2]等。

但事實上，隨著5G的出現(xiàn)，無線設備的數(shù)量預計將達到數(shù)千億[3]，數(shù)據(jù)量、速度、準確性、多樣性等動態(tài)特性大規(guī)模擴展，數(shù)據(jù)爆炸并不意外。為了高效管理這些海量數(shù)據(jù)源、提取有價值的東西，將采用現(xiàn)代數(shù)據(jù)分析技術，即大數(shù)據(jù)技術。因此，對于未來通信與網絡，大數(shù)據(jù)分析和機器學習將發(fā)揮關鍵的使能作用，大數(shù)據(jù)分析正在成為無線通信以及高效管理網絡的重要組成部分[4-8]。

從創(chuàng)新角度看，“裝備一代、研制一代、探索一代”的技術演進路線已成為國防科技堅持的方針，未來無線通信也不例外。事實上，從5G一經提出，B5G及其未來演進就沒有停止探索。早在2018年7月，國際電聯(lián)(ITU)“網絡2030”焦點組成立。在其提出的6G概念中，全息媒體與連接、服務、網絡體系結構已列出[9]；同期，芬蘭提出6Gensis以致力于未來無線通信的發(fā)展，研究領域跨越可靠、近乎即時、無限制的無線連接，分布式計算和人工智能(6Genesis-Taking the first steps towards 6G)；在我國，2018年3月，通過央視對原工信部部長苗圩的采訪，我國已開始了6G研究[10]。而最近，由東南大學移動通信國家重點實驗室主任、紫金山實驗室首席科學家尤肖虎教授領銜，聯(lián)合東南大學、紫金山實驗室、上?？萍即髮W、北京郵電大學、電子科技大學、中國移動研究院、華為技術有限公司等國內優(yōu)勢科研院校及企業(yè)，并邀請英國南安普敦大學、曼徹斯特大學、愛丁堡大學、貝爾法斯特女王大學、薩里大學、加拿大滑鐵盧大學、澳大利亞悉尼科技大學、瑞典林雪平大學、美國佐治亞理工學院、普林斯頓大學、德國德累斯頓工業(yè)大學等國際知名大學的頂尖學者，共同撰寫的6G長篇綜述“Towards 6G wireless communication networks: Vision, enabling technologies, and new paradigm shifts[11]，全面展望了6G無線通信網絡的最新進展和未來趨勢：與5G相比，6G無線通信網絡期望引入新的性能指標與應用場景，6G無線通信網絡將依賴于新的使能技術，并將出現(xiàn)“全覆蓋、全頻譜、全應用、強安全”新的四大范式轉換。為了滿足全球覆蓋的需求，6G 無線通信網絡將不僅僅局限于陸地無線通信網絡，需要通過衛(wèi)星、無人機等非陸地網絡作為有效補充，構建空天地海一體化網絡。全頻譜資源將被充分挖掘進一步提升數(shù)據(jù)傳輸速率和連接數(shù)密度，包括sub-6 GHz、毫米波、太赫茲、光頻段。由于超異構網絡、多種通信場景、大量天線單元、大帶寬、新的服務需求的出現(xiàn)將產生海量數(shù)據(jù)，6G 將借助人工智能與大數(shù)據(jù)技術實現(xiàn)一系列智能化應用。網絡安全在建設6G 網絡之初就要被考慮在內并加強，稱為強安全或內生安全。

總結前述工作，可以清晰看到未來無線通信“全覆蓋、全頻譜、全應用、強安全”的藍圖，看到未來無線通信超異構網絡、多種通信場景、大量天線單元、大帶寬、新的服務需求將產生海量數(shù)據(jù)，未來無線通信系統(tǒng)更加復雜、面臨的環(huán)境更加復雜。但是，本文并不關注未來無線通過如何推進人工智能與大數(shù)據(jù)技術的應用。相反，更關注人工智能和大數(shù)據(jù)技術如何推動未來無線通信技術的發(fā)展。

數(shù)據(jù)科學，也被稱為數(shù)據(jù)驅動的研究，是強調從大數(shù)據(jù)集開始解決具體問題一種的方法。今天，數(shù)據(jù)科學和大數(shù)據(jù)技術應用之所以越來越得到重視，是因為它能夠更好地理解復雜系統(tǒng)的行為，而這恰恰不是建?；蚍抡嫒菀鬃龅降?。因此，根據(jù)Dhar給出的數(shù)據(jù)科學定義，大數(shù)據(jù)技術或數(shù)據(jù)驅動利用海量數(shù)據(jù)，通過構建統(tǒng)計模型，以更好地理解系統(tǒng)行為并最終提取新的知識，生成綜合數(shù)據(jù)[12]，并在很多領域得到應用[13-14]。

而大數(shù)據(jù)技術或數(shù)據(jù)驅動在無線通信領域的應用則是一個非常有趣的問題，因為無線通信既要受到自然現(xiàn)象的影響，又要受到人為的影響。一方面，無線通信依賴于電磁傳播，這是一種自然現(xiàn)象；另一方面，無線通信取決于由軟、硬件組成的網絡技術，這是一種人類行為。因此，盡管根據(jù)經典香農理論的現(xiàn)代無線通信技術已取得很大發(fā)展，但面對無線通信環(huán)境不可預測性和無線通信系統(tǒng)的日趨復雜性，這些基于模型驅動的技術和方法卻很難再提高整個通信系統(tǒng)的性能。因此，可以預期：采用大數(shù)據(jù)技術或數(shù)據(jù)驅動，應用在無線通信領域，則可以另辟蹊徑，推進無線通信的發(fā)展，這或許是未來無線通信發(fā)展的重要思想。

因此，本文將綜述性地分析香農理論對現(xiàn)代無線通信的影響，研究數(shù)據(jù)驅動與未來無線通信的關系，研究AI賦能無線通信技術，以期為未來無線通信的發(fā)展提供一些借鑒。

1 香農理論與現(xiàn)代無線通信系統(tǒng)

眾所周知，在保證信息傳輸準確的前提下，盡可能提高傳輸速率是現(xiàn)代無線通信的基本問題，就是如何提高通信系統(tǒng)信息傳輸?shù)挠行院涂煽啃浴?0多年過去，解決這一基本問題的理論基礎集中體現(xiàn)在香農1948年發(fā)表的不朽論文“通信中的數(shù)學問題”中[15]。因此，有必要再重溫這篇經典論文中的香農信源、信道編碼定理。

香農第一定理又稱為無失真信源編碼定理或變長碼信源編碼定理，其意義在于將原始信源符號轉化為新的符號，使符號盡量服從等概分布，從而每個碼符號所攜帶的信息量達到最大，進而可以用盡量少的符號傳輸信源信息。現(xiàn)今各種壓縮編碼遵循的就是這個定理，體現(xiàn)的就是信息傳輸?shù)挠行浴?/p>

定理2(香農第二定理) 對于任意容量為C的信道，給定希望傳輸誤差概率ε。當信道傳輸速率R

(1)

式中，B是信道帶寬，S是信號功率，N是噪聲功率。

香農第二定理亦稱有噪信道編碼定理，式(1)稱為香農公式，體現(xiàn)的是信息傳輸?shù)目煽啃?。香農第二定理和香農公式給出了信道信息傳送速率的上限(每秒比特)和信道信噪比及帶寬的關系。香農公式給出了信道容量的極限，也就是說，實際無線制式中單信道容量不可能超過該極限，只能盡量接近該極限。4G、5G中，在卷積編碼條件下，實際信道容量離香農極限還差3dB；在Turbo編碼的條件下，接近了香農極限。同時，LTE中多天線技術(MIMO)也沒有突破香農公式，而是相當于多個單信道的組合。

現(xiàn)代無線通信技術很好地體現(xiàn)了香農的思想，這從圖1所示的現(xiàn)代無線通信系統(tǒng)組成結構就可以清楚看到。

圖1 現(xiàn)代無線通信系統(tǒng)架構Fig.1 Architecture of a modern wireless communication system

從圖1可見，通信系統(tǒng)受到各種各樣的損害。例如，硬件引入互調和放大器失真、正交不平衡、本振和時鐘諧波泄漏以及量化損耗。信道會引入衰落、多徑、干擾、傳播損耗和反射。針對這些問題，采用算法和硬件優(yōu)化設計曾有效改善了通信系統(tǒng)性能。但是，未來通信系統(tǒng)所需的自由度繼續(xù)增加，如無線電和調制參數(shù)的數(shù)量，如天線、信道、頻帶、波束、碼和帶寬等。這些因素使得未來無線通信系統(tǒng)會越來越復雜，面臨包括深空、深海等在內的信道環(huán)境更難預測，如再依賴簡單、近似的閉式信道模型，采用每個模塊獨立再優(yōu)化、再集成的方法，則將很難滿足未來對無線通信系統(tǒng)的需要，也很難再改進無線通信系統(tǒng)性能。應該看到，現(xiàn)代無線通信系統(tǒng)優(yōu)化設計根本上是借助模型驅動思想，要求通信系統(tǒng)工作原理準確、清楚，而香農定理指出的只是信源、信道編碼存在性，并未給出具體的編碼方法。因此，現(xiàn)在無線通信系統(tǒng)的優(yōu)化設計只能是不斷逼近極限，只能是不斷優(yōu)化、不斷集成。然而，面對無線通信環(huán)境不可預測性和無線通信系統(tǒng)的日趨復雜性，而模型驅動的思想并不能 容納系統(tǒng)無限的復雜性和環(huán)境的不可預測性。因此，另辟蹊徑或許是未來無線通信發(fā)展需要考慮的。

2 數(shù)據(jù)驅動與端到端無線通信系統(tǒng)

2.1 數(shù)據(jù)驅動端到端無線通信系統(tǒng)模型

正如前述，借助模型驅動思想的現(xiàn)代無線通信系統(tǒng)優(yōu)化設計方法已無法滿足未來無線通信環(huán)境不可預測、系統(tǒng)日趨復雜的要求。相反，基于學習的數(shù)據(jù)驅動方法則可提供一種新的路徑。近年來，深度學習被應用于改進傳統(tǒng)的塊結構通信系統(tǒng)，包括多輸入和多輸出(MIMO)檢測[16-17]、信道解碼[18-20]和信道估計[21-22]。此外，基于深度學習的方法在聯(lián)合信道估計和檢測[23]、聯(lián)合信道編碼和信源編碼[24]等方面也顯示出獨特的優(yōu)勢和潛力。

數(shù)據(jù)驅動是一種新的思維方式，由機器學習實現(xiàn)，能夠更好地理解復雜系統(tǒng)的行為并最終提取新的知識。近年來，作為機器學習的一種方式，深度學習為未來無線通信系統(tǒng)提供了一種新的范式。作為一種純數(shù)據(jù)驅動的方法，通過優(yōu)化端到端的損失函數(shù)，深度學習模型的特征和參數(shù)可以直接從數(shù)據(jù)中學習。受此啟發(fā)，基于學習的端到端通信系統(tǒng)已受到關注[25-29]。這些工作中，發(fā)射機和接收機都由深度神經網絡(DNN)表示，并可以分別解釋為自動編碼器和自動解碼器，從而將“通信的基本問題”[15]轉化為一個端到端的機器學習優(yōu)化問題，如圖2所示。

圖2 基于深度學習的端到端通信模型Fig.2 End-to-end communication model based on deep learning

圖3 物理層學習模型Fig.3 Physical layer learing model

2.2 數(shù)據(jù)驅動端到端無線通信系統(tǒng)的例子

數(shù)據(jù)驅動是一種新的思維方式，為端到端的無線通信系統(tǒng)的設計優(yōu)化提供新的路徑。下面給出2個例子，以進一步說明數(shù)據(jù)驅動對未來端到端無線通信系統(tǒng)的影響。

1)物理層調制解調

信道自動編碼器提供的端到端優(yōu)化可以支持全新的物理層設計類。前述圖3給出訓練學習物理層的簡單實例，同樣的思路也適用于更復雜的環(huán)境。高功率放大器如何最大化信噪比和功率效率，要求必須采用低階或恒模處理由放大器引起的非線性失真。美國宇航局(NASA)的跟蹤和數(shù)據(jù)中繼衛(wèi)星(TDRS)系統(tǒng)中，采用行波管放大器(TWTA)完成天基中繼通信就是這樣的例子。

為此，NASA在其TDRS天基通信系統(tǒng)中采用了信道自動編碼器。根據(jù)圖2所示的端到端通信模型高級模型，NASA采用如圖4所示結構，設計了一個深神經網絡(DNN)信道自動編碼器[31]。圖4中，“信道模型”包含通信系統(tǒng)建模中經典幅度和相位噪聲，以及由行波管引起的非線性失真。“編碼器”和“解碼器”網絡映射到圖2中的相同網絡，學習物理層調制解調器(即調制器-解調器對)。圖4中，信道自動編碼器為TDRS天基通信系統(tǒng)訓練、提供了一個優(yōu)化的新物理層，優(yōu)化的新物理層兼顧了信道和硬件的不利影響。

圖4 NASA天基中繼星系統(tǒng)信道自動編碼器結構Fig.4 Channel automatic encoder structure of NASA space-based relay satellite system

圖5給出學習如何通過TDRS物理層進行通信。圖5中，左邊是學習的發(fā)射星座，中間是接收星座，右邊是全局重建損失函數(shù)。值得注意的是，編碼器網絡通過學習新的發(fā)射波形，優(yōu)化了放大器引起的非線性壓縮，并在接收機端分離了32符號類QAM星座。而采用傳統(tǒng)通信設計方法，即各模塊分離獨立優(yōu)化設計的方法，卻很難解決由于行波管非線性造成的TDRS天基通信系統(tǒng)性能下降的問題。相反，信道自動編碼器能夠學習適合信道又優(yōu)于已知星座信號的表示。而使用NVIDIA Titan V級GPU時，如圖4所示的信道自動編碼器訓練時間為分鐘量級，可快速迭代?？梢?，這種快速學習新調制解調器的能力，可對極復雜信道進行優(yōu)化，從而使全新的物理層類成為可能。

圖5 NASA天基中繼星系統(tǒng)信道自動編碼器訓練結果Fig.5 Training results of channel automatic encoder of NASA space-based relay satellite system

值得注意的是，編碼器網絡通過學習新的發(fā)射波形，優(yōu)化了放大器引起的非線性壓縮，并在接收機端分離了32符號類QAM星座。而采用傳統(tǒng)通信設計方法，即各模塊分離獨立優(yōu)化設計的方法，卻很難解決由于行波管非線性造成的TDRS天基通信系統(tǒng)性能下降。相反，信道自動編碼器能夠學習既非常適合信道又優(yōu)于已知星座信號的表示。而使用NVIDIA Titan V級GPU時，如圖4所示的信道自動編碼器訓練時間為分鐘量級，可快速迭代?？梢?，這種快速學習新調制解調器的能力，可對極復雜信道進行優(yōu)化，從而使全新的物理層類成為可能。

2)未知信道無線通信

在前述基于DNN的端到端通信系統(tǒng)中，將面臨幾個嚴峻挑戰(zhàn)：第一、DNN中的加權系數(shù)需要采用隨機梯度下降法更新，誤差梯度將從輸出層后向傳輸?shù)捷斎雽?。一旦信道傳遞函數(shù)h(x)不能提供，梯度后向傳播將受到阻止，端到端的學習將不能進行。盡管可以假設信道傳遞函數(shù)，但加權系數(shù)會引起較大誤差，影響學習效果。而對于實際通信系統(tǒng)的不確定性，很難得到信道傳遞函數(shù)。第二、當傳輸符號序列較長時訓練的維數(shù)太難。通信中的代碼塊大小系統(tǒng)需要足夠長的時間來保證足夠的編碼增益。但是，作為可能的碼字隨著代碼塊的大小呈指數(shù)級增長，訓練時間也會相應顯著增加。所以，未知信道基于學習的端到端無線通信十分必要。

作為一個生成框架，生成對抗網絡(GAN)中生成器和鑒別器在訓練階段相互競爭。通過鑒別器的反饋，生成器提高了生成與真實樣本之間相似能力[32]。而為了生成特定樣本，可采用條件GAN方法。條件GAN中，背景信息被添加到生成器和鑒別器。添加的條件是標簽信息，以便生成器生成特定類別的樣本數(shù)據(jù)。目前，條件GAN得到了廣泛的應用用于更改輸入的樣式和內容[33-34]。

GAN[32]是一類新的生成式分布學習方法，其目標是學習一種可生成接近目標分布pdata樣本模型。系統(tǒng)中，使用一個GAN來模擬信道輸出分布，然后在訓練發(fā)射機時學習模型替代真實信道，從而使梯度可以傳送到發(fā)射機，如圖6所示[33]。

圖6 信道GAN的架構Fig.6 Architecture of channel GAN

圖6中，生成器G和鑒別器D之間的GAN中引入極小化極大博弈算法，G和D都用DNN實現(xiàn)。鑒別器D學習生成數(shù)據(jù)和實際數(shù)據(jù)之間差別。

訓練時，生成器首先將具有先驗分布pz(z)的輸入噪聲z映射成一個樣本。然后采集實際數(shù)據(jù)樣本和G生成樣本，并區(qū)分這兩類樣本。如果鑒別器可以成功區(qū)分這兩種樣本，則可用來生成反饋給G，這樣生成器就可以生成更接近真實的樣本。

如果生成器G和鑒別器D參數(shù)集分別表示為G和D，則優(yōu)化的目標函數(shù)可表示為：

(2)

式中，當輸入屬于真實數(shù)據(jù)集時，鑒別器D目標值高；反之，當輸入為G產生的樣本集時，鑒別器D目標值低。而在給定生成樣本GG(Z)時，生成器G的目標是使鑒別器D輸出最大化。

如果G和D都給定一些附加信息m，那么GAN可擴展為條件模型，如圖6所示。僅需要提供附加的條件信息m，作為生成器和鑒別器輸入即可。所以，G的輸出變?yōu)镚(X|m)，D的輸出則變?yōu)镈(Z|m)，而極小化極大目標變?yōu)椋?/p>

EZ～pz(Z)[log(1-DD(GG(Z|m)))]

(3)

在端到端通信系統(tǒng)中，給定編碼信號和接收導頻數(shù)據(jù)的條件信息，可使用條件GAN用于信道輸出分布的建模。

根據(jù)以上思想，當選擇卷積神經網絡(CNN)作為DNN時，[33]給出了在瑞利衰落信道、頻率選擇性衰落信道下誤碼率性能，提出的端到端的通信誤碼性能最好。

3 AI賦能無線通信技術

為面對未來無線通信系統(tǒng)和環(huán)境日趨復雜的挑戰(zhàn)，要求具有無線電可配置的超靈活網絡，而人工智能和機器學習將與無線電感知和定位配合使用，以學習靜態(tài)和動態(tài)無線電環(huán)境。學習無線電環(huán)境可用于預測高頻端的鏈路損耗，在密集城市網絡中主動判決最佳基站切換，確定基站和用戶的最佳無線資源分配。未來無線網絡必須能夠與地面、衛(wèi)星和機載網絡無縫連接。無疑，為適應給定的無線電環(huán)境，人工智能將是未來設計最佳的空中接口重要手段。下面給出兩個人工智能賦能的無線通信技術的例子。

1)智能反射表面技術

近年來，智能反射面(IRS)因其能夠通過控制無線傳播環(huán)境獲得高的頻譜/能量效率，而被認為是一種很有前途的技術[34-35]。具體來說，IRS是由大量復合材料單元組成的均勻平面陣列，每一個單元都可以調節(jié)入射電磁波的反射系數(shù)(即相位或振幅)，并無源反射。因此，采用預編程控制器智能調節(jié)反射系數(shù)，IRS可以改變入射電磁波衰減和散射，以便電磁波可選擇希望路徑到達目標接收機，這就是可編程和可控的無線環(huán)境。由此，可聯(lián)合通過考慮無線收發(fā)機信號處理和電磁波傳播優(yōu)化設計無線通信系統(tǒng)。

與現(xiàn)有的相關技術相比，即傳統(tǒng)反射面[36]、放大轉發(fā)(AF)中繼[37]、有源智能表面[38]、后向散射通信[39-40]，智能反射表面技術具有以下優(yōu)點[41-42]：第一、IRS可以重新配置反射系數(shù)，這得益于MEMS和復合材料方面取得的突破[43]，而傳統(tǒng)的反射面反射系數(shù)固定。第二，IRS是一種綠色節(jié)能技術，因為其采用無源反射技術，而在放大轉發(fā)(AF)中和有源智能表面需要有源射頻器件。第三、盡管IRS和后向散射通信都是無源通信，但IRS配備大量的反射單元，而由于復雜和成本高，后向散射通信通常僅配備幾個天線。此外，IRS只是輔助傳輸信號，沒有傳輸自己信息傳輸?shù)囊鈭D，而后向散射通信則支持后向散射器件信息傳輸。

由于IRS的顯著優(yōu)點，IRS在許多無線通信領域受到關注。其中，最值得期待的就是下行鏈路單用戶多輸入單輸出(MISO)系統(tǒng)[44-46]，如圖7所示。

圖7 基于IRS的MISO系統(tǒng)Fig.7 MISO system based on IRS

圖7中，接入點AP配備M天線，為單個天線用戶服務，而為增強鏈路性能，N個無源單元組成的IRS安裝在周圍的墻上。IRS裝配智能控制器，通過周期感知，學習傳播環(huán)境，動態(tài)調整每個反射單元相移。IRS智能控制器可協(xié)調切換兩種工作模式，即接收模式，用于環(huán)境感應(如CSI估計)和反射模式，用于散射AP入射信號[47]。由于路徑損耗顯著，可忽略IRS 2次或2次以上反射的信號功率。另外，可假設一個準靜態(tài)平坦衰落信道模型。由于IRS是被動反射裝置，可采用TDD協(xié)議用于上行鏈路和下行鏈路傳輸，并利用信道互易性在IRS的2個鏈路方向進行CSI采集。

(4)

式中，s表示0均值、單位方差的獨立同分布隨機變量，z表示接收端0均值、方差為σ2的高斯白噪聲。對應地，接收到的信號功率為：

(5)

0≤θn≤2π,?n=1,…,N

(6)

2)AI賦能軟解調

解調是無線通信系統(tǒng)中實現(xiàn)高速傳輸、低誤碼的基本模塊之一。理論上，設計傳統(tǒng)無線通信系統(tǒng)的最佳解調器考慮的是高斯白噪聲信道[49]。此外，常常需要信道狀態(tài)信息(CSI)和信道噪聲分布。以前的研究[50-55]，大多數(shù)都假設接收機能正確估計衰落信道。然而，實際無線通信信道會受多徑衰落的影響，脈沖噪聲、雜散或連續(xù)干擾，以及其他復雜的損傷，導致解調性能顯著下降，究其原因是CSI估計準確性有限[56]。因此，未知或其它復雜信道下，接收端解調器的最佳設計始終是一個挑戰(zhàn)。

軟解調，即將接收到的符號去映射，恢復成比特對數(shù)似然比是現(xiàn)代無線接收機的核心。自然，機器學習與軟解調結合是研究的熱點，如文獻[57]提出一種基于神經網絡、可訓練通用解調器結構， 稱為LLRnet，該解調器結構即提高誤碼性能，也可顯著降低計算復雜。這里給出例子的背景是：當航天器再入大氣層時，周圍空氣就會因與航天器高速摩擦而被電離，造成通信黑障，給航天器帶來危險。文獻[58]發(fā)現(xiàn)，這種時變等離子體會引起的IQ信號幅度衰落和相移，且接收到的信號沿著星座上的曲線旋轉。為此，文獻[59]通過提取接收信號的主成分，構造一種半監(jiān)督學習的對稱流形網絡，利用新衰減曲線迭代更新軟判決信息，實現(xiàn)解調和衰落估計的耦合。提出的方法可以獲得比傳統(tǒng)最大似然法更低的符號差錯率，信道估計方法對噪聲具有較強的魯棒性。文獻[59]提出的方法描述如下：

如果即將發(fā)射的信號序列為X=[x1,…,xm]，接收到的信號序列為Y=[y1,…,ym]，則Y的似然函數(shù)可分解為：

L(X,Y)+DKL[q(X)|p(X|Y)]

(7)

式中，q(X)是X的任意隨機分布，DKL表示KL距離。DKL≥0的事實表明L(X,Y)是logp(Y)的下界。當且僅當q(X)=p(X|Y)時，logp(Y)取得最大值。所以，用L(X,Y)代替logp(Y)最大化是有效的。

文獻[58]中，由于信道h的時變性，p(Y|X)可表示為：

(8)

對于前述應用背景，接收到的基帶信號可表示為[59]：

yi=s(ne)xi+ni

(9)

式中，ni是獨立同分布的復高斯白噪聲，s(ne)是接收信號星座上的衰落曲線，ne(t)引起接收信號yi時變，包括幅度衰落和相移。yi可理解成沿接收信號星座上衰落曲線集S(ne)={s1,s2,…,sK}呈高斯分布。該衰落曲線是一種高維空間曲線，而主曲線是非線性條件下第一線性分量的推廣，即高維曲線可被認為是嵌入在歐幾里德空間的一維曲線，可用單變量λ和坐標函數(shù)表示為f(λ)=(f1(λ),…,fd(λ))。因此，結合式(8)和(9)，p(yi|xi)可看成給定sk下yi的概率，即：

(10)

式中，λfk(yi)是yi在sk上的投影，θ是λfk(yi)λfk的參數(shù)。由于λfk(yi)在實際中不可行，故需要采用深度神經網絡學習。

通信中，由于p(X)常常是等概率，故L(X,Y)可采用期望最大化(EM)算法優(yōu)化。其中，θ局部最優(yōu)可通過反向傳播算法可以得到，E步驟用于計算具有先知衰落的軟決策信息，而M步驟則估計具有軟決策信息的信道。

正如前述，由于接收到的基帶信號位于多條曲線上，所以，通過提取衰落曲線主成分，文獻[59]設計了一種稱為半監(jiān)督學習的對稱流形網絡(SMN)，如圖8所示。圖8中，復信號可分解為實部和虛部，即I信號和Q信號。實現(xiàn)時，網絡首先學習h的極坐標，然后將其轉換為笛卡爾坐標，每條曲線都有一個獨立的編碼器和變換矩陣Txi，而解碼器是相同的。Txi由下式給出：

圖8 SMN結構Fig.8 SMN structure

(11)

式中，ρxi和φxi分別時xi的幅度和相位。

4 結論

從香農定理出發(fā)，綜述性地分析了現(xiàn)代無線通信的體系架構和發(fā)展；從未來無線通信超異構網絡、多種通信場景、大量天線單元、大帶寬、新的服務需求出發(fā)，通過給出物理層調制和解調、未知信道端到端無線通信系統(tǒng)例子，分析了數(shù)據(jù)驅動對未來無線通信的影響，提出了應用大數(shù)據(jù)技術和人工智能，采用端到端優(yōu)化設計無線通信系統(tǒng)的新的路徑；面對未來無線通信系統(tǒng)和環(huán)境日趨復雜的挑戰(zhàn)，通過分析智能反射表面技術和AI賦能軟解調的兩個例子，提出了AI賦能未來無線通信的思路，以滿足無線電可配置的超靈活網絡的需要。綜上所述，未來無線通信會大量采用大數(shù)據(jù)技術和AI技術，未來無線通信不但要“全覆蓋、全頻譜、全應用、強安全”，還要“全智能”。