深度学习在无线通信物理层中的应用研究
😀如果對你有幫助的話😊
🌺為博主點個贊吧 👍
👍點贊是對博主最大的鼓勵😋
💓愛心發射~💓
目錄
- 概述
- 相關工作
- 一、基于深度學習的信道估計
- 論文[^1]
- 論文[^2]
- 二、基于深度學習的編解碼
- 什么是自編碼器？
- 論文[^3]
- 論文[^4]
- 論文[^5]
- 論文[^6]
- 三、基于深度學習的干擾調整
- 論文[^7]
- 四、基于深度學習的信號檢測
- 論文[^8]
- 論文[^9]
- 論文[^10]
- 論文[^11]
- 五、結論
- 參考文獻
概述
?? 隨著移動流量呈現的爆發式增長、高可靠性和低時延的通信場景給當前網絡帶來了更大的復雜性和計算挑戰，為了滿足這一需求，需要新的通信理論和創新技術，近些年深度學習范式的發展使引起了學術界和工業界對基于深度學習的無線通信技術的研究，研究結果證實了深度學習技術可以提高無線通信系統的性能。
相關工作
一、基于深度學習的信道估計
? ? 信道狀態信息(CSI)是指無線電鏈路的已知信道屬性，當信號從發射機傳播到相應的接收機時，CSI可以表示路徑損耗、散射、衍射、衰落、陰影等的綜合效應。通常，我們使用CSI信息來量化無線鏈路的質量，即指示無線鏈路處于良好還是不良狀態。
? ? 獲得準確的CSI對于保證無線通信系統的鏈路性能至關重要，更具體地說，CSI在很大程度上決定了在無線通信系統中為無線電通信部署的物理層參數和方案。例如，當信道較差時，物理層需要采用低階調制方案，而當信道可靠時，物理層需要采用高階調制方案。
?? 到目前為止，研究人員已經提出了許多信道估計方法，如最大似然(ML)估計、最小二乘(LS)估計和最小均方誤差(MMSE)估計。
論文1
?? 提出了一種有效的在線預測CSI方案，稱為OCEAN，首先識別出了幾個影響CSI的關鍵特征（即頻帶、位置、時間、溫度、濕度和天氣），數據樣本由特征信息和CSI值組成，在本文中設計了一個學習框架，該框架是卷積神經網絡（CNN）和長期短期記憶網絡（LSTM）網絡的集成，然后本文還開發了離線-在線兩部訓練機制，提高了學習框架的穩定性，使預測結果在實際的5G無線通信系統中得到更穩定的應用。
1. 離線-在線兩部訓練機制
? 離線訓練步驟是對歷史數據進行分析；
? 在線訓練步驟是整合預測和測量的CSI；
?? ?? ?? ?? ?? ?? 圖1 ?? 5G無線通信系統中在線CSI預測的框架
深度學習的CSI預測框架
二維 CNN網絡：用于負責從CSI信息圖像中提取頻率特征向量
一維 CNN網絡：用于從頻率特征向量中提取狀態特征向量
LSTM網絡：用于預測信道狀態向量
?? 為了驗證OCEAN的功效，我們考慮了四個典型案例研究（案例I：自由空間環境，案例II：室外環境，案例III：工作室，案例IV：建筑物），并在四個場景（即兩個室外場景和兩個室內場景）中進行了廣泛的實驗。實驗結果表明，OCEAN不僅可以非常快速地獲得預測的CSI值，而且還可以實現高精度的CSI預測，預測和測量的CSI之間的平均差異率（ADR）可達2.650 - 3.457％。
圖4 案例研究的情景論文2
? ? 本文提出了一種解決訓練所需實際信道樣本數量有限問題的一種方法，即使用生成對抗網絡（GAN）來訓練，目標是在最小化均方誤差（MSE）的情況下，基于SNR估計MIMO信道系數。
?? 生成對抗網絡（GAN）：包含兩個自網絡，生成網絡和判別網絡，其中生成網絡負責學習樣本的真實分布，判別網絡負責判別輸入的數據是生成的樣本還是真實的樣本。
?? 本文考慮了兩種非常常見且被廣泛采用的衰落場景： 準靜態塊衰落和時變衰落。
我們將編碼器和解碼器用于兩個不同的目的：分別設計(或優化)導頻信號 S 和表示(或近似)信道估計器。
圖5 準靜態塊衰落場景中的聯合信道估計和試驗信號設計的建議方案的網絡架構?
在時變衰落信道中，通過將LSTM連接到CNN，以最小化MSE，連續估計發射機MIMO系數時變。它由三個部分組成：
LSTM層，通過學習時變MIMO信道的時間相關性，首先提取MIMO信道的時間特征；
卷積和池層，提取MIMO信道的空間(以及更有用的高層)特征；
全連通層，微調提取的特征，以精確估計信道系數。
二、基于深度學習的編解碼
什么是自編碼器？
??? 自編碼器(Autoencoder)是一種數據的壓縮算法，其中數據的壓縮和解壓縮函數是數據相關的、有損的、從樣本中自動學習的。它包括編碼器和譯碼器，編碼器和解碼器的參數可以通過最小化損失函數而優化。
圖7 自編碼器的結構?
論文3
??? ? 將整個物理層建模為一個包含了調制、信道編碼和信號分類功能的自編碼器，并利用卷積神經網絡來對自編碼器進行訓練。如圖3所示，在多密集層神經網絡的學習框架中，輸入信號被編碼為獨熱編碼（One-hot encoding），無線信道建模為一個噪聲層。交叉熵損失函數和隨機梯度下降算法用來訓練模型，將最高概率的輸出信號作為輸出，即解碼結果。
論文4
??? ? ? 在本文中提出了基于深度學習的自動編碼器，可以學習和預測動態干擾，不依賴于固定的訓練功能，適用于實際系統。通過基于耦合系數，將干擾分為從弱到強的不同級別，試驗結果表明，該方法對各種級別的干擾都有很強的魯棒性。
圖9 具有M-User的無線通信干擾信道的自適應深度學習AE的系統框圖論文5
???? ? 在本文中提出了端到端訓練的通信系統，該方法不需要任何信道的數學模型，只需要在訓練過程中有一個可靠的信道來反饋從接收器反饋到發射器的損失。并且，本文采用交替的訓練算法，即在接收機和發射機的訓練交替。
1.接收機訓練過程
??? ? ? 首先，發送器生成小批量訓練消息，將每個訓練消息編碼為N個信道碼元，并在信道上發送小批量消息。X是復數矩陣，其對于小批量的每個實例包含相應的復數符號表示。接收器獲得改變的碼元Y，并為每個訓練示例生成M上的概率分布。最后，對損失函數使用隨機梯度下降執行優化步驟。
圖 10 接收器訓練過程2.發射機訓練過程
??? ? ? 首先，將形成的小批量的訓練示例編碼成信道碼元X。然后對隨機策略進行采樣，以生成信道碼元XP。在信道上發送信道碼元，接收器獲得改變的碼元Y，并為每個訓練示例生成的概率向量。然后基于這些向量和發送的消息計算每個示例的損失。接下來，通過僅在訓練期間存在的可靠信道，將每個示例的損耗發送到發射機。最后，使用隨機梯度下降執行優化步驟。
圖 11 發射機訓練過程論文6
??? ? ? 本文提出了一種基于DL的自編碼器(AE)的端到端優化方案，通過兩級訓練模式來改善神經網絡的泛化能力，減少由信道狀態信息(CSI)引起的系統開銷，利用AE壓縮特征重建CSI，結果表明可提高CSI的收斂速度。
圖12 MIMO信道自動編碼器端到端通信系統模型圖解??? ? 其中兩級訓練模式是：第一階段使用瑞利信道訓練自編碼器，盡可能地接近期望信道；第二階段是接收器通過微調來補償這種損失。
三、基于深度學習的干擾調整
??? ? ? 干擾調整(interference alignment，IA)作為一種解決無線網絡中干擾問題的革命性技術，已經被廣泛研究。IA 理論上可以使網絡的總和速率隨著協作發送器和接收器對的增加而線性增長。
??? ? ? MIMO系統中的干擾調整通過線性預編碼技術來調整發射信號，使得接收端的干擾信號可以控制在一個降維子空間里，從而突破MIMO系統干擾問題帶來的吞吐量限制。現有工作中已經有研究結果表明，利用深度學習可以提高干擾調整網絡中的吞吐量，并取得優化結果 。
論文7
???? ? 提出了采用深度強化學習的方法，來獲得干擾調整下最優的用戶選擇策略。在該機制中，中央調度器用來收集所有信道狀態和每個用戶的緩存狀態，并將信道資源分配給每個用戶。信道的時變過程用一個有限狀態馬爾科夫模型來進行建模，系統的狀態定義為每個用戶的信道狀態和緩存狀況。
? ??? ? 中央調度器用來為系統訓練處最佳策略，對應的系統動作定義為是否為每個用戶分配信道資源來進行數據的傳輸，來最大化干擾調整網絡的吞吐量。
四、基于深度學習的信號檢測
? ??? ? 傳統的MIMO檢測技術需要精確估計傳輸符號，因此在每個檢測步驟都需要復雜的估計過程。基于深度學習的檢測算法可以顯著提高通信系統的性能，尤其適當傳統的處理模塊需要聯合優化或是信道無法用常見的分析模型來表征時。
論文8
??? ? ? 提出一個五層全連接的DNN框架嵌入到OFDM接收器中來進行聯合信道估計和信號檢測。將接收到的信號以及對應的傳輸數據和導頻作為輸入，DNN可以推斷出信道信息，而且可以用來預測發送的數據。
??? ? ? 在發射端，插入導頻的發射符號首先被轉換成并行數據流，然后使用離散傅立葉逆變換(IDFT)將信號從頻域轉換到時域。之后，插入循環前綴(CP)以減輕碼間干擾(ISI)。CP的長度不應小于信道的最大延遲擴展。
-
在離線訓練階段，該模型接受了由各種信息序列產生的接收的OFDM樣本；
-
在在線部署階段，由DNN模型生成輸出，該輸出恢復發送的數據，而無需明確估計無線信道。
論文9
??? ? ? 在本文利用DNN提出了一種有高效的大規模多輸入多輸出(MIMO)檢測器，文獻中將迭代算法擴展到DNN結構中，使檢測任務通過深度學習(DL)來實現。為了消除多用戶干擾(MUI)，每一層引入兩個輔助參數，一是生成殘差向量，二是調整前幾層的關系。
??? ? ? 在此基礎上，進一步設計了訓練過程，優化了具有預處理輸入的輔助參數。仿真結果表明，與現有的大規模MIMO系統檢測器相比，提出的MIMO檢測器具有更好的檢測性能。
論文10
??? ? ? 本文提出了一種基于MIMO模型驅動檢測的深度學習(DL)網絡，稱為稱為OAMP-Net2。特別地，MIMO檢測器是通過展開迭代算法，并添加可訓練參數而專門設計的，由于可訓練的參數的數量比基于數據驅動的DL信號檢測器少得多，因此可以用小得多的數據集快速訓練該檢測器。
? ??? ? 仿真結果表明，通過從數據中學習相應的最優參數來改進檢測器和補償信道估計誤差，可以獲得顯著的性能增益。
論文11
???? ? 本文提出了基于深度學習的檢測算法，該算法根據訓練好的深度學習參數建立最優的檢測模型，只需要通過訓練好的模型進行簡單的基礎計算。此外，由于所設計的方法只需要發送和接收信號來進行監督學習，而不需要任何額外的通信參數，因此可以防止基于不理想信道估計的性能下降。在我們的研究中，我們考慮了兩種MIMO信道環境。
??? ? ? 首先，針對單徑MIMO信道環境下，設計了基于密集層的深度神經網絡(DNN)，它由隔離層、多個全連接(FC)層和Softmax分類層組成，每個FC層之后是整流線性單元(RELU)激活函數，該結構的檢測性能與最大似然檢測相似；
圖16 基于密集層的深度神經網絡(DNN)結構???? ? 其次，針對多徑MIMO信道環境下，設計了基于卷積神經網絡(CNN)和遞歸神經網絡(RNN)的深度學習結構;
? ??? ? 如圖17所示，基于卷積神經網絡(CNN)的深度學習結構如下圖，輸入數據集排列為K×2R大小的表，濾波計算通過N個深度進行，一次利用K×R個接收符號來檢測發送符號，并考慮步長為1且無填充的2×2濾波器來解決多徑信道效應。步長為1的濾波器可以連續處理多個符號，因此可以在濾波的基礎上用多個符號來檢測發送的符號。卷積運算后，應用RELU激活函數，與前面的DNN相同。
圖17 基于卷積神經網絡(CNN)的深度學習結構???? ? 由于傳輸的符號連續受到靜態多徑MIMO信道的干擾，因此可以近似地將其建模為RNN結構，為了處理連續的時間序列數據，將接收到的符號序列按時間順序排列成K×2R矩陣，提取過濾器每次移動一行，并且RNN架構輸出T個估計符號。
五、結論
??? ? ? 我們通過現有工作和案例證明了深度學習在物理層通信中的巨大應用潛力。另外，基于深度學習的物理層應用需要數據驅動，為了提高深度學習模型的訓練效率，可以將需要長時間訓練的模塊進行融合，并需要考慮在良好的性能和訓練效率之間的權衡。深度學習應用的興起主要歸功于各種可用的數據集，但目前用于無線通信相關的數據集仍然較少。數據的安全和隱私問題進一步限制了在真實世界對通信數據的訪問功能。但為了基于深度學習的通信應用，需要一些開放性電信數據集的發布和共享。
參考文獻
C. Luo, J. Ji, Q. Wang, X. Chen and P. Li, “Channel State Information Prediction for 5G Wireless Communications: A Deep Learning Approach,” in IEEE Transactions on Network Science and Engineering, vol. 7, no. 1, pp. 227-236 ??
J. Kang, C. Chun and I. Kim, “Deep Learning Based Channel Estimation for MIMO Systems With Received SNR Feedback,” in IEEE Access, vol. 8, pp. 121162-121181, 2020, doi: 10.1109/ACCESS.2020.3006518. ??
T. O’Shea and J. Hoydis, “An Introduction to Deep Learning for the Physical Layer,” in IEEE Transactions on Cognitive Communications and Networking, vol. 3, no. 4, pp. 563-575, Dec. 2017, doi: 10.1109/TCCN.2017.2758370. ??
D. Wu, M. Nekovee and Y. Wang, “Deep Learning-Based Autoencoder for m-User Wireless Interference Channel Physical Layer Design,” in IEEE Access, vol. 8, pp. 174679-174691, 2020, doi: 10.1109/ACCESS.2020.3025597. ??
F. A. Aoudia and J. Hoydis, “End-to-End Learning of Communications Systems Without a Channel Model,” 2018 52nd Asilomar Conference on Signals, Systems, and Computers, 2018, pp. 298-303, doi: 10.1109/ACSSC.2018.8645416. ??
P. Ye, X. Jia, X. Yang and H. Hu, “End-to-end Physical Layer Optimization Scheme Based on Deep Learning Autoencoder,” 2019 IEEE 4th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), 2019, pp. 135-139, doi: 10.1109/IAEAC47372.2019.8998077. ??
Y. He, C. Liang, F. R. Yu, N. Zhao and H. Yin, “Optimization of cache-enabled opportunistic interference alignment wireless networks: A big data deep reinforcement learning approach,” 2017 IEEE International Conference on Communications (ICC), 2017, pp. 1-6, doi: 10.1109/ICC.2017.7996332. ??
H. Ye, G. Y. Li and B. Juang, “Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems,” in IEEE Wireless Communications Letters, vol. 7, no. 1, pp. 114-117, Feb. 2018, doi: 10.1109/LWC.2017.2757490. ??
J. Liao, J. Zhao, F. Gao and G. Y. Li, “A Model-Driven Deep Learning Method for Massive MIMO Detection,” in IEEE Communications Letters, vol. 24, no. 8, pp. 1724-1728, Aug. 2020, doi: 10.1109/LCOMM.2020.2989672. ??
H. He, C. Wen, S. Jin and G. Y. Li, “Model-Driven Deep Learning for MIMO Detection,” in IEEE Transactions on Signal Processing, vol. 68, pp. 1702-1715, 2020, doi: 10.1109/TSP.2020.2976585. ??
M. -S. Baek, S. Kwak, J. -Y. Jung, H. M. Kim and D. -J. Choi, “Implementation Methodologies of Deep Learning-Based Signal Detection for Conventional MIMO Transmitters,” in IEEE Transactions on Broadcasting, vol. 65, no. 3, pp. 636-642, Sept. 2019, doi: 10.1109/TBC.2019.2891051. ??
總結
以上是生活随笔為你收集整理的深度学习在无线通信物理层中的应用研究的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 技术至简-3：简述无线通信系统中的数字调
- 下一篇： 无线通信基础知识8：射频系统