廖 勇,李 雪,王幕熙,楊植景,周晨虹

(1.重慶大學(xué) 微電子與通信工程學(xué)院,重慶 400044;2.中國(guó)人民解放軍陸軍裝備部駐重慶地區(qū)軍代局駐貴陽(yáng)地區(qū)軍事代表室,貴陽(yáng) 550006;3.重慶金美通信有限責(zé)任公司,重慶 400030)

0 引 言

無(wú)線通信信道往往是復(fù)雜多變的,信號(hào)在傳輸過(guò)程中會(huì)受到各種因素的影響,如路徑損耗、陰影衰落、多徑效應(yīng)以及多普勒效應(yīng)等[1-3]。多徑效應(yīng)將引起頻率選擇性衰落,嚴(yán)重時(shí)將會(huì)造成接收端信號(hào)的符號(hào)間干擾[4]。此外,在非靜態(tài)場(chǎng)景下,收發(fā)設(shè)備間的相對(duì)移動(dòng)會(huì)使得接收端的信號(hào)發(fā)生頻率偏移,從而發(fā)生多普勒頻移。當(dāng)多普勒頻移比較嚴(yán)重時(shí),接收信號(hào)將會(huì)出現(xiàn)時(shí)間選擇性衰落[5]。因此,需要估計(jì)算法對(duì)頻率/時(shí)間選擇性衰落信道進(jìn)行準(zhǔn)確估計(jì)[6]。

信道估計(jì)技術(shù)可為接收機(jī)的分集合并、信號(hào)檢測(cè)及解碼等模塊提供信道狀態(tài)信息(Channel State Information,CSI),無(wú)線信道的隨機(jī)性使得信道估計(jì)結(jié)果的優(yōu)劣對(duì)整個(gè)通信系統(tǒng)性能的好壞有著重要影響[7]。

目前無(wú)線通信中信道估計(jì)通常使用的方法是導(dǎo)頻輔助的信道估計(jì)方法[8-9]。最小二乘(Least Squares,LS)[10]方法是最常用的信道估計(jì)方法。由于該方法計(jì)算簡(jiǎn)單、復(fù)雜度低,不需要信道的任何先驗(yàn)信息,所以被廣泛使用。但是LS方法不能消除導(dǎo)頻處噪聲的影響,并且插值類(lèi)信道估計(jì)方法不能有效消除由于多徑引起的頻域選擇性衰落信道的影響,導(dǎo)致數(shù)據(jù)處信道頻率響應(yīng)獲取不準(zhǔn)確[11-12],因此LS算法的估計(jì)性能較差。線性最小均方誤差(Linear Minimum Mean Square Error,LMMSE)[13]在信道估計(jì)算法中性能較好,可以得到精確的信道估計(jì),但是LMMSE算法需要知道信道的統(tǒng)計(jì)信息,并且具有很高的計(jì)算復(fù)雜度。此外,由于信道具有稀疏性,一些基于壓縮感知的算法也被用于信道估計(jì)中,其中正交匹配追蹤(Orthogonal Matching Pursuit,OMP)[14]、稀疏度自適應(yīng)匹配追蹤(Sparsity Adaptive Matching Pursuit,SAMP)[15]等貪婪算法將信道估計(jì)問(wèn)題轉(zhuǎn)變?yōu)橄∈栊盘?hào)的恢復(fù)問(wèn)題,具有較低的復(fù)雜度和較高的估計(jì)性能。然而,這類(lèi)算法估計(jì)的前提是需要已知信道的稀疏度,因此在實(shí)際中也有較大缺陷。

同時(shí)傳統(tǒng)的信道估計(jì)方法總是利用參數(shù)估計(jì)方法估計(jì)出導(dǎo)頻符號(hào)處的信道響應(yīng),然后采用線性插值、二階插值或樣條插值等方法獲取數(shù)據(jù)符號(hào)處的信道響應(yīng)。這類(lèi)插值方法的共性是導(dǎo)頻位置間多個(gè)數(shù)據(jù)符號(hào)處間的插值系數(shù)是不變的,比較適合用在信道狀態(tài)變化緩慢的條件下。然而,在高速移動(dòng)環(huán)境下,信道響應(yīng)的時(shí)域和頻域相關(guān)系數(shù)是時(shí)變的[16-17],傳統(tǒng)方法不具備對(duì)信道變化進(jìn)行有效追蹤的能力,從而影響估計(jì)結(jié)果的準(zhǔn)確性,進(jìn)而影響信號(hào)的相干檢測(cè)和可靠傳輸。

由上述分析可知,傳統(tǒng)的信道估計(jì)算法存在需要信道先驗(yàn)信息、復(fù)雜度較高、不能有效跟蹤無(wú)線信道時(shí)頻快速變化等問(wèn)題。同時(shí),面向下一代無(wú)線通信,例如6G萬(wàn)物智聯(lián)的愿景,通信需求日益復(fù)雜多樣,所以亟需更加靈活高效的智能信道估計(jì)算法。

深度學(xué)習(xí)正在使無(wú)線通信的概念、模式、方法以及意義發(fā)生重大變革[18]。對(duì)于無(wú)線通信的物理層或網(wǎng)絡(luò)層,深度學(xué)習(xí)已有許多應(yīng)用,如信道估計(jì)[19-20]、CSI反饋[21-22]、信號(hào)檢測(cè)[23-24]、資源分配[25-26]等。在所有無(wú)線通信系統(tǒng)的深度學(xué)習(xí)應(yīng)用中,信道估計(jì)是研究最廣泛的問(wèn)題之一[27]。文獻(xiàn)[19]將深度學(xué)習(xí)應(yīng)用于信道估計(jì)。深度學(xué)習(xí)強(qiáng)大的學(xué)習(xí)能力,學(xué)習(xí)了無(wú)線信道的頻率選擇特性,并對(duì)抗正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)系統(tǒng)的非線性失真和干擾。自此,基于深度學(xué)習(xí)的信道估計(jì)被學(xué)術(shù)界/工業(yè)界廣泛研究,并取得了較多顯著的成果。

為更好地對(duì)上述成果進(jìn)行歸納和總結(jié),本文從數(shù)據(jù)驅(qū)動(dòng)和模型驅(qū)動(dòng)兩個(gè)方面重點(diǎn)分析和歸納了基于深度學(xué)習(xí)的信道估計(jì)方法,并且描述了其中的代表性算法,最后指出了未來(lái)基于深度學(xué)習(xí)的信道估計(jì)方法發(fā)展過(guò)程中可能會(huì)面臨的挑戰(zhàn)以及發(fā)展機(jī)遇。

1 深度學(xué)習(xí)在信道估計(jì)中的應(yīng)用

近年來(lái),深度學(xué)習(xí)在無(wú)線通信物理層的信道估計(jì)中取得了重大進(jìn)展。代替?zhèn)鹘y(tǒng)的假設(shè)信道是滿足固定變化規(guī)律的信道估計(jì)方法,深度學(xué)習(xí)方法能利用多個(gè)堆疊層來(lái)學(xué)習(xí)其中隱藏的非線性規(guī)律,因此取得了良好的估計(jì)性能。根據(jù)基于深度學(xué)習(xí)的信道估計(jì)文獻(xiàn),目前深度學(xué)習(xí)在無(wú)線通信的信道估計(jì)方向大致可以分為數(shù)據(jù)驅(qū)動(dòng)和模型驅(qū)動(dòng)兩種:前者是在現(xiàn)有迭代的深度開(kāi)發(fā)的啟發(fā)下改進(jìn)或擴(kuò)展,采用改進(jìn)的網(wǎng)絡(luò)來(lái)進(jìn)行數(shù)據(jù)的訓(xùn)練,不斷通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)這個(gè)“黑匣子”里的參數(shù)進(jìn)行更新;后者是將深度學(xué)習(xí)與現(xiàn)有傳統(tǒng)方法進(jìn)行結(jié)合,減小對(duì)數(shù)據(jù)的依賴(lài),對(duì)某些參數(shù)進(jìn)行訓(xùn)練和優(yōu)化,使得深度學(xué)習(xí)的可解釋性更強(qiáng),多見(jiàn)于壓縮感知與深度學(xué)習(xí)結(jié)合的信道估計(jì)算法。

1.1 數(shù)據(jù)驅(qū)動(dòng)

在2017年,Ye等人[19]就開(kāi)始將深度學(xué)習(xí)用于隱式信道估計(jì),直接使用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)并且將OFDM系統(tǒng)和經(jīng)歷的信道當(dāng)成一個(gè)黑匣子,采用端到端處理方式處理直接恢復(fù)發(fā)送信號(hào)。同樣,在文獻(xiàn)[28]中也表明了DNN具備學(xué)習(xí)和分析遭受非線性失真和干擾、頻率選擇性衰落的無(wú)線信道特性,對(duì)比了在不同數(shù)量的導(dǎo)頻情況下DNN都能夠比傳統(tǒng)方法LS、LMMSE表現(xiàn)性能更優(yōu)。文獻(xiàn)[29]也通過(guò)采用DNN,網(wǎng)絡(luò)具有優(yōu)秀的學(xué)習(xí)和泛化能力。為了能更好地學(xué)習(xí)信道時(shí)頻域的變化特征,Soltani等[30]將信道時(shí)頻響應(yīng)視為二維圖像,采用深度圖像處理技術(shù),利用圖像超分辨率(Super Resolution,SR)網(wǎng)絡(luò)和圖像重建(Image Restoration,IR)網(wǎng)絡(luò)級(jí)聯(lián)進(jìn)行估計(jì),把只考慮導(dǎo)頻位置的信道響應(yīng)作為低分辨率圖像輸入,然后恢復(fù)出原始圖像得到所需的信道響應(yīng)。仿真表明當(dāng)無(wú)線信道受到嚴(yán)重失真和干擾時(shí),基于深度學(xué)習(xí)的信道估計(jì)比傳統(tǒng)的LS、LMMSE都更具有優(yōu)勢(shì),這證明了神經(jīng)網(wǎng)絡(luò)具有記憶和分析無(wú)線信道的復(fù)雜特性的能力。針對(duì)信道中時(shí)間連續(xù)變化且存在一定相關(guān)性的特點(diǎn),文獻(xiàn)[31]使用CNN網(wǎng)絡(luò)和雙向長(zhǎng)短期記憶(Bi-Long Short-Term Memory,BiLSTM)網(wǎng)絡(luò)組合算法對(duì)高速移動(dòng)下OFDM系統(tǒng)的信道響應(yīng)矩陣進(jìn)行估計(jì),分別用這兩種網(wǎng)絡(luò)模擬頻域插值過(guò)程和時(shí)域信道預(yù)測(cè)過(guò)程,仿真表明該基于深度學(xué)習(xí)的算法在精度和系統(tǒng)性能均優(yōu)于傳統(tǒng)信道估計(jì)算法。此外,圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Network,GNN)也開(kāi)始逐漸走進(jìn)信道估計(jì)研究的視野:文獻(xiàn)[32]研究了高海拔平臺(tái)站場(chǎng)景下的通信,首次將圖注意網(wǎng)絡(luò)(Graph Attention Network,GAT)用于信道估計(jì)中,通過(guò)一個(gè)節(jié)點(diǎn)處的GAT即可單獨(dú)估計(jì)級(jí)聯(lián)信道系數(shù),性能優(yōu)于LS,并且應(yīng)對(duì)硬件缺陷以及小尺度衰落的變化時(shí)都具有一定的魯棒性;針對(duì)高速移動(dòng)的大規(guī)模多入多出(Multiple-Input Multiple-Output,MIMO)場(chǎng)景下,文獻(xiàn)[33]提出一種基于GNN的信道估計(jì)算法,該算法由其用GNN定義的編碼器、核心網(wǎng)絡(luò)和解碼器組成,先使用LS算法獲得初始的導(dǎo)頻處信道頻率響應(yīng),再用信道響應(yīng)作為圖中的節(jié)點(diǎn),信道的空間相關(guān)性作為邊,仿真結(jié)果表明該算法相比傳統(tǒng)信道LS插值算法以及前饋神經(jīng)網(wǎng)絡(luò)能取得更好的性能。表1總結(jié)了典型的基于數(shù)據(jù)驅(qū)動(dòng)的信道估計(jì)算法。

表1 典型的基于數(shù)據(jù)驅(qū)動(dòng)的信道估計(jì)算法

如表1所示,算法中使用較多的網(wǎng)絡(luò)分別是DNN、CNN、長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)。圖1展示了以上幾種網(wǎng)絡(luò)在擴(kuò)展車(chē)輛信道模型(Extended Vehicular A model,EVA)信道模型,載波頻率為4.9 GHz,多普勒頻率為700 Hz時(shí)的誤碼率(Bit Error Rate,BER)和歸一化均方誤差(Normalized Mean Squared Error,NMSE)的仿真圖。從圖中可以看出,這幾種網(wǎng)絡(luò)在NMSE性能上均好于LS,其中LSTM因考慮了信道相關(guān)性性能會(huì)好于CNN和DNN,而CNN又因其優(yōu)越的高維特征提取而好于DNN,并且在高速環(huán)境下由于頻域均衡的子載波干擾造成的性能瓶頸,因此CNN、LSTM的NMSE性能好于LMMSE算法,說(shuō)明各算法對(duì)高速時(shí)變信道具有魯棒性。下面分別對(duì)以上網(wǎng)絡(luò)中有代表性的算法進(jìn)行描述并分析其實(shí)現(xiàn)原理。

(a)BER

1.1.1 基于DNN的信道估計(jì)

文獻(xiàn)[19]首次嘗試在沒(méi)有在線訓(xùn)練的情況下使用機(jī)器學(xué)習(xí)方法來(lái)處理無(wú)線通信問(wèn)題。DNN模型將由一個(gè)導(dǎo)頻塊和一個(gè)數(shù)據(jù)塊組成的接收數(shù)據(jù)作為輸入,并以端到端的方式恢復(fù)傳輸數(shù)據(jù)。圖2所示為基于DNN的深度學(xué)習(xí)算法的系統(tǒng)模型?；鶐FDM系統(tǒng)與傳統(tǒng)系統(tǒng)相同?；贒NN的信道估計(jì)算法包括兩個(gè)階段:在離線訓(xùn)練階段,使用接收到的OFDM樣本來(lái)訓(xùn)練模型,所述OFDM樣本是在具有特定統(tǒng)計(jì)特性的不同信道條件下利用各種信息序列生成的;在在線部署階段,DNN模型生成恢復(fù)傳輸數(shù)據(jù)的輸出,而無(wú)需明確估計(jì)無(wú)線信道。

圖2 基于DNN的信道估計(jì)算法系統(tǒng)模型[19]

仿真結(jié)果表明,基于深度學(xué)習(xí)的方法可以解決信道失真問(wèn)題,并檢測(cè)傳輸符號(hào),其性能與LMMSE估計(jì)器相當(dāng)。同時(shí),當(dāng)使用較少的導(dǎo)頻、循環(huán)前綴以及存在非線性限幅噪聲時(shí),基于深度學(xué)習(xí)的方法與傳統(tǒng)方法相比具有更強(qiáng)的魯棒性。

1.1.2 基于CNN-LSTM的信道估計(jì)

文獻(xiàn)[31]針對(duì)高速移動(dòng)環(huán)境下信道快時(shí)變、非平穩(wěn)特性導(dǎo)致下行鏈路信道估計(jì)性能受限問(wèn)題,提出了一種基于深度學(xué)習(xí)的信道估計(jì)網(wǎng)絡(luò),即CNN-LSTM。CNN-LSTM使用CNN提取信道響應(yīng)特征矢量和LSTM進(jìn)行信道估計(jì)。

圖3所示為CNN-LSTM的網(wǎng)絡(luò)結(jié)構(gòu)圖。所提基于深度學(xué)習(xí)的信道估計(jì)算法分為離線訓(xùn)練和在線預(yù)測(cè)兩個(gè)階段:對(duì)于離線訓(xùn)練階段,該算法使用來(lái)自WINNER II D2a信道模型的大量標(biāo)準(zhǔn)快時(shí)變信道數(shù)據(jù)來(lái)訓(xùn)練學(xué)習(xí)網(wǎng)絡(luò);對(duì)于在線預(yù)測(cè)階段,學(xué)習(xí)網(wǎng)絡(luò)的輸入是要估計(jì)的信道矩陣。學(xué)習(xí)網(wǎng)絡(luò)包括2D CNN網(wǎng)絡(luò)和BiLSTM網(wǎng)絡(luò)。2D CNN網(wǎng)絡(luò)用于提取導(dǎo)頻序列特征值,主要由幾個(gè)并行的濾波器組成,沿著水平和垂直兩個(gè)方向跨越圖像并計(jì)算卷積結(jié)果?？紤]到LSTM網(wǎng)絡(luò)在序列任務(wù)學(xué)習(xí)方面的出色表現(xiàn),因此它被用于預(yù)測(cè)CSI和時(shí)域相關(guān)系數(shù)。尤其是,BiLSTM網(wǎng)絡(luò)是兩個(gè)LSTM的組合,用于時(shí)域信道預(yù)測(cè)。其中,一個(gè)LSTM網(wǎng)絡(luò)進(jìn)行前向預(yù)測(cè),另一個(gè)用于后向預(yù)測(cè),克服了單向預(yù)測(cè)導(dǎo)致的誤差傳播。

圖3 CNN-LSTM網(wǎng)絡(luò)結(jié)構(gòu)[31]

實(shí)驗(yàn)結(jié)果表明,基于CNN-LSTM的信道估計(jì)算法與傳統(tǒng)算法相比,具有更高的信道估計(jì)精度和更好的系統(tǒng)性能。

1.1.3 基于GNN的信道估計(jì)

文獻(xiàn)[33]針對(duì)高速移動(dòng)場(chǎng)景下大規(guī)模MIMO,提出了一種基于GNN的信道估計(jì)框架。如圖4所示,該框架包括編碼器、核心網(wǎng)絡(luò)以及解碼器。其中,編碼器用來(lái)初始化核心網(wǎng)絡(luò),核心網(wǎng)絡(luò)使用圖結(jié)構(gòu)來(lái)更新節(jié)點(diǎn)和邊,解碼器則獨(dú)立解碼邊和頂點(diǎn)屬性。

圖4 基于GNN的信道估計(jì)體系結(jié)構(gòu)[33]

基于GNN的信道估計(jì)算法首先利用少量導(dǎo)頻來(lái)實(shí)現(xiàn)初始信道估計(jì),接著再將獲得的信道響應(yīng)表示為圖的形式,并通過(guò)圖邊緣的權(quán)重來(lái)描述信道空間相關(guān)性。仿真結(jié)果表明,該算法與傳統(tǒng)信道LS插值算法以及前饋神經(jīng)網(wǎng)絡(luò)相比能取得了更好的性能。

1.2 模型驅(qū)動(dòng)

在毫米波大規(guī)模MIMO系統(tǒng)中,由于射頻鏈的數(shù)量有限,信道估計(jì)非常復(fù)雜,經(jīng)常將傳統(tǒng)算法與深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)合來(lái)進(jìn)行信道估計(jì)。文獻(xiàn)[20]提出了一種基于學(xué)習(xí)降噪的近似消息傳遞(Learned Denoising-based Approximate Message Passing,LDAMP)網(wǎng)絡(luò)來(lái)解決這一問(wèn)題。LDAMP網(wǎng)絡(luò)對(duì)天線陣列中的所有信道使用單一導(dǎo)頻,即使在使用少量RF鏈的情況下,性能也優(yōu)于傳統(tǒng)的近似消息傳遞(Approximate Message Passing,AMP)變體,這證明了該算法的實(shí)用性和有效性。類(lèi)似地,為了結(jié)合神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)壓縮感知模型的優(yōu)點(diǎn),文獻(xiàn)[34]提出了一種新的基于AMP的深度殘余學(xué)習(xí)網(wǎng)絡(luò),稱(chēng)為L(zhǎng)ampResNet。它主要由兩個(gè)部分組成:學(xué)習(xí)型近似消息傳遞(Learned Approximate Message Passing,LAMP)網(wǎng)絡(luò)和深度殘余學(xué)習(xí)網(wǎng)絡(luò)。前者利用波束空間信道矩陣的稀疏性得到初步估計(jì)結(jié)果,后者是為了降低信道噪聲的影響,進(jìn)一步細(xì)化LAMP網(wǎng)絡(luò)得到的粗估計(jì),它在計(jì)算復(fù)雜度和性能方面相對(duì)于壓縮感知算法均有良好提升?；谖墨I(xiàn)[20]的缺陷,文獻(xiàn)[35]在LDAMP網(wǎng)絡(luò)的基礎(chǔ)上設(shè)計(jì)了一種更好的基于CNN的去噪網(wǎng)絡(luò),產(chǎn)生了全卷積的AMP去噪算法(Fully Convolutional Denoising Approximate Message Passing,FCDAMP),其中所需導(dǎo)頻長(zhǎng)度小于要估計(jì)的信道分量,降低了導(dǎo)頻的數(shù)量,增大了信道的數(shù)據(jù)傳輸效率,并且在歸一化均方誤差和可實(shí)現(xiàn)和率方面,比LDAMP[20]和其他變體的AMP具有連續(xù)的性能。在文獻(xiàn)[34]的基礎(chǔ)上,為了提高估計(jì)精度,文獻(xiàn)[36]提出了另一種建立在LAMP方法基礎(chǔ)上的信道估計(jì)器,即先驗(yàn)輔助高斯混合LAMP。在第一階段的高斯混合LAMP算法中,基于波束空間信道單元的高斯混合分布提出了一種新的收縮函數(shù);然后在第二階段根據(jù)推導(dǎo)出的收縮函數(shù)進(jìn)行基于高斯混合LAMP的波束空間信道估計(jì)。利用理論信道模型和基于光線跟蹤的信道數(shù)據(jù)集進(jìn)行仿真,結(jié)果表明該算法在NMSE方面優(yōu)于OMP、AMP和LAMP算法。除了對(duì)時(shí)分上行信道進(jìn)行估計(jì)以外,文獻(xiàn)[37]還考慮了頻分雙工系統(tǒng)的下行信道估計(jì)和反饋問(wèn)題。通過(guò)利用先驗(yàn)?zāi)Ｐ椭行诺赖慕Y(jié)構(gòu)化稀疏性和從數(shù)據(jù)樣本中學(xué)習(xí)集成的可訓(xùn)練參數(shù),所提出的多測(cè)量向量學(xué)習(xí)近似消息傳遞(Multiple-Measurement-Vectors Learned Approximate Message Passing,MMV-LAMP)網(wǎng)絡(luò)與設(shè)計(jì)的冗余字典可以聯(lián)合恢復(fù)多個(gè)子載波的信道,并顯著提高性能。其中,文獻(xiàn)[20]、[35]和[36]中提出的方法使用著名的Saleh-Valenzuela通道模型進(jìn)行模擬,文獻(xiàn)[36]還使用文獻(xiàn)[38]提供的實(shí)用射線跟蹤通道數(shù)據(jù)集進(jìn)行了進(jìn)一步的計(jì)算機(jī)模擬。表2總結(jié)了典型的基于模型驅(qū)動(dòng)的信道估計(jì)算法。

表2 典型的基于模型驅(qū)動(dòng)的信道估計(jì)算法

從表2可知,基于模型驅(qū)動(dòng)的算法大多使用AMP算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合。圖5給出了幾種典型基于模型驅(qū)動(dòng)信道估計(jì)網(wǎng)絡(luò)的NMSE性能對(duì)比。下面分別對(duì)LAMPA和LampResNet的信道估計(jì)進(jìn)行描述以及原理分析。

圖5 模型驅(qū)動(dòng)的信道估計(jì)網(wǎng)絡(luò)的NMSE性能

1.2.1 LDPMA信道估計(jì)

文獻(xiàn)[20]將具有一定性能保證的傳統(tǒng)算法與深度學(xué)習(xí)相結(jié)合,提出了一種用于信道估計(jì)的LDAMP。該神經(jīng)網(wǎng)絡(luò)將去噪卷積神經(jīng)網(wǎng)絡(luò)(Denoising Convolutional Neural Network,DnCNN)[39]融合到迭代稀疏信號(hào)恢復(fù)算法中進(jìn)行信道估計(jì),其原理是在AMP算法中加入用于圖像恢復(fù)的去噪卷積神經(jīng)網(wǎng)絡(luò)來(lái)代替原始的收縮函數(shù),將信道矩陣視為二維圖像,對(duì)天線陣中的所有信道都使用一個(gè)導(dǎo)頻器。圖6展示了DnCNN去噪器的網(wǎng)絡(luò)結(jié)構(gòu),它由20個(gè)卷積層組成,第一個(gè)卷積層使用64個(gè)不同的3×3×1濾波器;接下來(lái)的18個(gè)卷積層中的每一層都使用64個(gè)不同的3×3×64濾波器,每個(gè)濾波器后面都有歸一化和一個(gè)ReLU激活函數(shù);最后的卷積層使用一個(gè)獨(dú)立的3×3×64濾波器來(lái)重構(gòu)信號(hào)。代替?zhèn)鹘y(tǒng)的直接從噪聲圖像到去噪圖像的映射,該網(wǎng)絡(luò)以帶噪信道作為輸入,并產(chǎn)生殘差噪聲作為輸出。這種方法被稱(chēng)為殘差學(xué)習(xí),它對(duì)網(wǎng)絡(luò)進(jìn)行渲染,去除高度結(jié)構(gòu)化的自然圖像而不是非結(jié)構(gòu)化的噪聲。殘差學(xué)習(xí)提高了網(wǎng)絡(luò)的訓(xùn)練時(shí)間和準(zhǔn)確性,仿真表明LDAMP網(wǎng)絡(luò)的性能優(yōu)于最先進(jìn)的基于壓縮感知的算法。

圖6 DnCNN去噪器的網(wǎng)絡(luò)結(jié)構(gòu)[20]

1.2.2 LAMP+ ResNet信道估計(jì)

文獻(xiàn)[34]提出了一種新的基于AMP的深度殘差學(xué)習(xí)網(wǎng)絡(luò),即LampResNet,用于波束空間信道估計(jì)。它主要由LAMP網(wǎng)絡(luò)和ResNet[40]兩個(gè)部分組成,首先利用LAMP網(wǎng)絡(luò)對(duì)信道矩陣進(jìn)行初步估計(jì),然后利用ResNet進(jìn)一步降低信道噪聲的影響,對(duì)LAMP網(wǎng)絡(luò)得到的粗估計(jì)結(jié)果進(jìn)行修正。圖7展示了LampResNet的網(wǎng)絡(luò)結(jié)構(gòu)。首先訓(xùn)練一個(gè)展開(kāi)的LAMP網(wǎng)絡(luò),得到真實(shí)信道向量的初步估計(jì)結(jié)果,同時(shí)引入一個(gè)深度ResNet,進(jìn)一步縮小這兩者之間的差異。同時(shí),為了生成與輸入尺寸相同的特征圖,在每一層都添加了相應(yīng)的填充,因此所提出的網(wǎng)絡(luò)尺寸可以根據(jù)天線陣列尺寸的變化進(jìn)行適當(dāng)調(diào)整。仿真結(jié)果表明,所提出的估計(jì)網(wǎng)絡(luò)的性能優(yōu)于傳統(tǒng)的壓縮感知的算法和一些最新的基于深度學(xué)習(xí)的方法,其在線計(jì)算復(fù)雜度與AMP相當(dāng)。此外,由于AMP的數(shù)學(xué)模型和殘差學(xué)習(xí)的能力,該網(wǎng)絡(luò)的訓(xùn)練階段的計(jì)算復(fù)雜度通常低于其他基于深度學(xué)習(xí)的方法。

圖7 LampResNet 的網(wǎng)絡(luò)結(jié)構(gòu)[34]

2 挑戰(zhàn)與趨勢(shì)

深度學(xué)習(xí)技術(shù)在處理大量數(shù)據(jù)和急劇變化的信道環(huán)境方面的卓越能力表明,它可以提高無(wú)線通信系統(tǒng)的性能。然而,尚有一些共性問(wèn)題仍沒(méi)有得到解決。其一,跟傳統(tǒng)的信道估計(jì)相比,基于深度學(xué)習(xí)的信道估計(jì)由于將參數(shù)訓(xùn)練的部分看成“黑盒”模式,可解釋性欠缺,造成難以直接對(duì)模型的性能參數(shù)進(jìn)行分析,只能根據(jù)經(jīng)驗(yàn)去做嘗試。其二,深度學(xué)習(xí)一般分為模型訓(xùn)練和在線學(xué)習(xí)部分,然而實(shí)際信道估計(jì)中,信道變化是不可預(yù)測(cè)的,要在模型訓(xùn)練階段學(xué)習(xí)所有可能的信道模型、多普勒頻率等信道條件是不現(xiàn)實(shí)的,因此存在神經(jīng)網(wǎng)絡(luò)泛化能力差的挑戰(zhàn)。如何將訓(xùn)練好的模型能應(yīng)用于多種實(shí)際信道場(chǎng)景,并同樣能取得較好的性能效果也是一個(gè)亟待解決的問(wèn)題。

下面將未來(lái)可能的基于深度學(xué)習(xí)的信道估計(jì)研究趨勢(shì)梳理如下:

1)深度學(xué)習(xí)利用數(shù)據(jù)驅(qū)動(dòng)模型在信道估計(jì)、資源分配、預(yù)編碼、CSI反饋等通信應(yīng)用中表現(xiàn)出了良好的性能,然而,這些框架并沒(méi)有得到相關(guān)的數(shù)學(xué)推導(dǎo)的嚴(yán)格證明,即這些框架缺少支撐性的可解釋原理。此外,可靠的理論將有助于理解深度學(xué)習(xí)網(wǎng)絡(luò)模型,這是修改網(wǎng)絡(luò)和開(kāi)發(fā)更有效的網(wǎng)絡(luò)模型的基礎(chǔ)。由于基于模型驅(qū)動(dòng)的深度學(xué)習(xí)信道估計(jì)方法將神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的模型結(jié)合起來(lái)對(duì)里面的某些參數(shù)進(jìn)行優(yōu)化,其在模型上具有一定的可解釋性,因此這個(gè)方向還有待繼續(xù)研究和探討。但在基于深度學(xué)習(xí)的無(wú)線物理層領(lǐng)域,學(xué)習(xí)方法的規(guī)則還不清楚,基于深度學(xué)習(xí)的通信框架的最佳結(jié)果仍然未知,應(yīng)該應(yīng)用哪種網(wǎng)絡(luò)去優(yōu)化相應(yīng)的模型參數(shù)以實(shí)現(xiàn)性能提升都有待探討。此外,除了Sigmoid函數(shù)等經(jīng)典激活函數(shù)之外,能否為基于深度學(xué)習(xí)的無(wú)線通信物理層推導(dǎo)出特定的函數(shù)并提高其性能也是需要關(guān)注和研究的。

2)目前我國(guó)科技部正在推進(jìn)科技創(chuàng)新2030——“新一代人工智能”重大項(xiàng)目,國(guó)家自然科學(xué)基金委也在組織“可解釋、可通用的下一代人工智能方法”重大研究計(jì)劃,均是聚焦可信可靠、可解釋和強(qiáng)魯棒性的技術(shù)問(wèn)題,研發(fā)更加可靠更加安全、過(guò)程以及結(jié)果具備可解釋性以及可以面向復(fù)雜多場(chǎng)景及應(yīng)用的更加魯棒的通用人工智能方法、網(wǎng)絡(luò)以及基礎(chǔ)共性平臺(tái)。現(xiàn)在大部分深度學(xué)習(xí)方法都是采用“黑盒”模式,未來(lái)伴隨通用的基礎(chǔ)模型的升級(jí)迭代,將會(huì)產(chǎn)生更多新型的網(wǎng)絡(luò)和算法,可以將其應(yīng)用到信道估計(jì)中,滿足高精度通信指標(biāo)的同時(shí)具備可信和強(qiáng)魯棒性。

3)專(zhuān)用無(wú)線通信受制于應(yīng)用場(chǎng)景,缺乏足夠多的信道數(shù)據(jù),同時(shí)所采集到的數(shù)據(jù)無(wú)法進(jìn)行標(biāo)記。面對(duì)這種需求,需要采取多方法結(jié)合的形式進(jìn)行信道估計(jì)算法設(shè)計(jì)。針對(duì)數(shù)據(jù)量少甚至沒(méi)有的問(wèn)題,可以借鑒遷移學(xué)習(xí)、元學(xué)習(xí)的思路;對(duì)于數(shù)據(jù)無(wú)法標(biāo)簽化,需要考慮采用無(wú)監(jiān)督學(xué)習(xí)或半監(jiān)督學(xué)習(xí)。因此,圍繞一些特殊應(yīng)用場(chǎng)景的專(zhuān)用通信需求,在考慮采用人工智能方法的時(shí)候,需要將深度學(xué)習(xí)、遷移學(xué)習(xí)/元學(xué)習(xí)、無(wú)監(jiān)督/半監(jiān)督等學(xué)習(xí)方法進(jìn)行綜合應(yīng)用。

4)面向未來(lái)蜂窩移動(dòng)通信、網(wǎng)絡(luò)以及應(yīng)用的深度學(xué)習(xí)大模型。隨著深度學(xué)習(xí)的網(wǎng)絡(luò)越來(lái)越復(fù)雜,層數(shù)越來(lái)越深,數(shù)據(jù)量越來(lái)越多,現(xiàn)有的中央處理器(Central Processing Unit,CPU)和圖形處理器(Graphics Processing Unit,GPU)已經(jīng)不能滿足海量深度學(xué)習(xí)的算力需求。目前業(yè)界又在推進(jìn)數(shù)據(jù)處理單元(Data Processing Unit,DPU)的部署,同時(shí)我國(guó)正在大力發(fā)展量子計(jì)算,因此將來(lái)算力將得到極大的提升,現(xiàn)在面向深度學(xué)習(xí)的算力瓶頸問(wèn)題將不復(fù)存在。屆時(shí),不僅僅是信道估計(jì)、信道譯碼、均衡等相關(guān)的通信基帶信號(hào)處理,發(fā)射機(jī)和接收機(jī)聯(lián)合信號(hào)處理,物理層、網(wǎng)絡(luò)層、應(yīng)用層等不同協(xié)議棧的處理,例如現(xiàn)在處于熱點(diǎn)研究的通信感知一體化、語(yǔ)義通信等,均可以通過(guò)基于深度學(xué)習(xí)的大模型進(jìn)行解決。目前國(guó)內(nèi)有一些機(jī)構(gòu)在深度學(xué)習(xí)大模型領(lǐng)域已有一些研究成果,例如京東探索研究院,這方面也值得繼續(xù)跟蹤與關(guān)注。

3 結(jié)束語(yǔ)

本文總結(jié)了基于深度學(xué)習(xí)的信道估計(jì)技術(shù)的最新進(jìn)展,將目前主流的深度學(xué)習(xí)信道估計(jì)方法分為數(shù)據(jù)驅(qū)動(dòng)和模型驅(qū)動(dòng)兩類(lèi),分別對(duì)其中典型的解決方案進(jìn)行了歸納、分析。但是,許多技術(shù)實(shí)現(xiàn)都處于初級(jí)階段,關(guān)于深度學(xué)習(xí)的應(yīng)用還存在可解釋性、信道數(shù)據(jù)獲取以及大模型的算法瓶頸等許多開(kāi)放的研究問(wèn)題,因此要徹底使用深度學(xué)習(xí)理論解決無(wú)線通信物理層問(wèn)題還需要進(jìn)一步探索和實(shí)踐。