现代通信系统具有数据量大、传输速率高、响应速度快等性能要求；这些对现有通信技术提出了挑战，特别是在海量数据的处理和数据挖掘方面，现有的理论框架存在根本的局限性。因此许多研究人员将目光转向了深度学习(Deep Learning)技术；而基于深度学习的物理层通信技术在端到端通信系统、信道估计、信号检测、调制识别等方面显示出巨大潜力。

一、通信系统通用框架

一个通用的通信系统由三个基本部分组成，其框架如下图(1)所示：

•    发射机;

•    信(通)道;

•    接收机.

双工通信系统中，从源头开始通信系统中的模块成对出现，例如

• 源编码器和源解码器，

• 通道编码器和信号解码器，

• 调制器和解调器。

                         图1.通用通信系统架构图

为了优化通信系统中这种模块化设计的性能，研究人员的一般做法是为每个模块设计相应的性能优化算法，但这种方法并不能保证整个通信系统的性能是最优的。因此，端到端的通信系统优化方案已成为现代通信系统的关键要求。

二、无线通信物理层深度学习

深度神经网络一直在推动计算机视觉、自然语言处理和说话人识别等领域各种机器学习任务的[敏感词]性能界限。最近无线通信领域的研究人员已经开始成功地将深度神经网络应用于无线通信的物理层。这是因数相对简单的卷积神经网络优于传统算法。

通信中的大多数信号处理算法在统计学和信息论方面都有坚实的基础，并且通常被证明对于易于处理的数学模型是最优的。这些通常是线性的、平稳的，并且具有高斯统计量。然而，一个实际的系统有许多缺陷和非线性(例如非线性功率放大器(PA)、有限分辨率量化)只能被这些模型近似地捕获。出于这个原因，不需要数学上可处理的模型并且可以针对特定硬件配置和通道进行优化的基于深度学习的通信系统(或处理块)可能能够更好地针对此类缺陷进行优化。

深度学习可以为这种端到端的应用需求提供强大的解决方案。此外深度学习可以通过自动化特征提取，有效提高海量数据在通信系统中的利用效率。

三、无线通信中深度学习方法应用

将深度学习与通信集成，通常可通过以下两种方法：

• 整体学习法：这种方法中将通信视为端到端的过程；

• 阶段学习法：这种方法研究了深度学习在通信过程的某个阶段的应用。

3.1 整体学习法：

在整体学习法中考虑到消息在通信过程中由发送方编码，然后由接收方解码，这本质上等同于自动编码器DL模型。整体方法将端到端通信系统表示为自动编码器，其设计有一个由卷积层和全连接层组成的耦合编码和解码模块来提取信号特征，并且还集成了额外的正则化层来对通道进行建模影响，例如噪声、dropout、通道延迟、频率和相位偏移等。

图2.无线通信基本过程

然后将通过随机梯度下降算法优化网络参数，而无需太多通信领域的专业知识。初始模拟结果表明，在没有更多专业知识的情况下学习到的通信系统优于一些实际的基线来进行超参数调整。

这种整体方法向我们展示了一种全新的方式来优化我们的通信系统，而不是传统的通信实践，但在实际应用之前应该做更多的调查，例如在任意未知渠道上进行训练。

3.2 阶段学习法

阶段学习法研究DL在通信过程的某些阶段或方面的应用。如信道建模、均衡、解码、压缩、解调和调制识别等。这些研究为我们提供了一种理论替代方案，以实现超越传统通信理论的性能界限。有许多可以使用深度学习的应用程序，但为了快速参考，突出显示许多可能领域中的一些领域。

3.3 信道估计

传统的信道估计首先明确地估计信道状态信息(CSI），然后从估计的CSI中恢复传输的信息。基于深度学习的方法将信道估计表述为信号恢复问题。信道上的消息传输可以定义为与噪声、空间响应、时间响应和频率响应相关的输入数据沿发射机/接收机天线空间的非线性变换。

3.4 信号检测

信号检测是一项检测特定带宽中是否存在信号的任务。由于载波信号的频率信息是未知的，而且不同调制类型的信号通常出现在某个频段并同时传输，这对噪声环境不稳定的通信系统中的信号检测提出了挑战。基于深度学习的模型旨在有效地解决这个问题。

3.5 调制识别

调制识别也称为调制分类。是指在接收到信号后识别信号的调制方式。它的本质是一种模式分类问题。传统调制识别方法与基于深度学习的方法的主要区别在于，传统方法的核心是如何提取能够表征信号调制类型的特征并构建相应的分类器。然而，基于深度学习的方法更注重使用深度神经网络自动提取特征，尤其是在端到端系统中。

结果表明与传统的通信理论和技术相比，在通信系统中使用深度学习的整体方法表现出出色的性能。同时我们也必须清醒地认识到，现有的研究还处于初步探索阶段，利用深度学习解决整体通信系统中的问题是一条漫长而充满挑战的道路。然而，基于面向阶段方法的成功应用，基于深度学习的通信技术将开始与传统通信技术分阶段融合，我们将在不久的将来看到深度学习和传统计算的混合。

免责声明：本文采摘自网络，本文仅代表作者个人观点，不代表金航标及行业观点，只为转载与分享，支持保护知识产权，转载请注明原出处及作者，如有侵权请联系我们删除。