大数据在无线通信中的应用

前言：想要写出一篇引人入胜的文章？我们特意为您整理了大数据在无线通信中的应用范文，希望能给你带来灵感和参考，敬请阅读。

0引言

当今世界，无线通信技术发展迅速，无线通信进入第五代（5G）时代需实现上千倍容量，毫秒延迟和大量的连接[1-2]。为了满足上述要求，一些关键技术，如大规模多输入多输出（Mul-tiple-InputMultiple-Output，MIMO），毫米波（MillimeterWave,mmWave）等已被提出。这些技术在工程应用中均表现出相同的特点，即具有处理大型无线数据的能力。对于无线通信，其对移动速度和通信质量具有较高的要求，然而在满足大数据和高速复杂场景中的通信需求中，传统的通信技术存在以下固有的局限性：（1）复杂场景中信道建模困难：通信的设计系统在很大程度上依赖于现实的信道条件。而在实际应用中，这些模型的建模在复杂的场景中变得十分困难[3]。例如，在大规模MIMO系统中天线数量的增加改变了信道属性[4]，相应的信道模型存在未知的因素。很多情况下，信道不能用严格的数学模型来描述。因此，设计适合信道模型的算法必不可少。（2）鲁棒的信号处理算法的需求：使用低成本硬件，例如低功耗、低分辨率模数转换器[5]引入了额外的信号非线性失真，这需要使用高鲁棒的接收处理算法，例如，信道估计和检测的算法。然而,使用这些算法可能会增加计算的复杂度。在这种情况下，具有实时大数据处理能力且更有效和高鲁棒的信号处理算法是必需的。（3）块结构通信受限系统：传统的通信系统由几个处理模块，如信道编码、调制和信号检测，尽管研究人员多年来尝试优化每个算法的处理模块并在实践中取得成功，但并不能使得整个通信系统能得到最优的性能，因为通信的根本问题取决于接收端可靠的消息恢复[6]。因此，如果对每个模块进行的子优化替换为端到端的优化，就有希望进一步改进系统性能。深度学习（DeepLearning,DL）近年来因成功应用在计算机视觉、自动语音识别和自然语言处理等领域而获得广泛关注，是典型的大数据依赖的学习框架。同时，研究人员也把DL广泛应用到了无线通信的物理层[7-11]。与传统的机器学习算法[12-14]相比，DL显著增强了特征提取和结构灵活性。特别是基于DL的系统通过端到端优化灵活地调整参数来自动调整模型结构，这可以代替手动从原始数据中提取特征。基于DL的通信系统具有良好的应用复杂场景主要有如下原因：首先，DL是一种数据驱动的方法，其模型是在大型训练数据集上优化得到的，基于DL的通信系统不需要建立数学模型。其次，能够处理大数据也是DL重要的特点，DL采用分布式并行计算体系结构，保证了计算速度和计算速度处理能力。DL系统由于其拥有快速开发并行处理体系结构，如图形处理单元，在处理大数据上具有巨大的潜力。最后，基于DL的通信系统可实现整个系统性能的改进，因为模型经过端到端的训练优化了整体的性能，而对单个模块结构没有要求。本文旨在对近年来在基于大数据的DL在无线通信物理层的研究作出综述，本文的组织结构如下：第二节简要概述无线通信物理层的系统框图。第三节介绍了几个DL应用到通信物理层的示例。第四节讨论了未来研究的领域和挑战。第五节是全文总结。

1通信系统模型

它是一个模块结构，包括信道编码、调制、信道估计、信道均衡、信道译码和信道状态信息（ChannelStateInformation，CSI）反馈等模块。通信算法是在长期的研究中发展起来的，以优化通信系统其中的模块。之前有研究试图利用传统的机器学习方法，作为特定模块的替代算法。DL架构最近被引入到几个处理模块中以适应新兴的复杂通信场景，以期达到更优的性能。

2几个典型的DL应用到物理层的案例

本节给出了一些DL应用在通信物理层的典型例子，包括联合信道估计和信号检测、联合均衡和信号译码、大规模MIMOCSI压缩反馈和mmWave大规模MIMO混合预编码。下面分别进行介绍。

2.1联合信道估计和信号检测

一般信道估计和信号检测是接收机的两个独立过程。首先，CSI通过导频来估计，然后利用估计的CSI在接收端恢复发送符号。文献[7]提出了一种联合信道估计和信号检测方法。具体地说，一个带有五层全连接层的深度神经网络（DeepNeuralNetwork,DNN）用于联合信道估计和检测，这里将信道看作一个黑盒子。在离线训练中，发送数据和导频形成帧，然后这些帧经过一个时变信道。该网络把接收信号作为输入，通过训练网络来重构发送数据。当导频不足、去掉循环前缀和非线性失真几种情况下，基于DNN的信道估计和检测方法都优于最小均方误差方法。

2.2联合均衡和信号译码

文献[15]提出了一种联合均衡和信号译码的方法，该方法中在不知道CSI情况下，基于神经网络的联合均衡器和解码器可以实现均衡和译码。这里使用两个神经网络，首先,卷积神经网络（ConvolutionalNeuralNetworks，CNN）用于恢复失真的发送数据，然后DNN解码器对CNN网络均衡后的信号进行解码。实验结果表明，在各种信道条件下，该方法的性能优于其他基于机器学习方法。其中分别表示比特流符号，发送符号，接收符号，均衡后的符号和译码后的符号。

2.3大规模MIMOCSI压缩反馈

在频分双工网络中，大规模MIMO依赖于CSI反馈来实现基站端天线的性能增益。然而，大量天线导致过多的反馈开销。已经大量工作通过利用CSI的空间和时间的相关性来减少CSI反馈开销。利用CSI的稀疏特性，压缩感知（Compressedsensing，CS）已被应用于CSI压缩反馈中。然而，传统的CS算法面临挑战，因为现实世界的数据并不完全稀疏，现有信号恢复算法的收敛速度很慢，这限制了CS的适用场景。CsiNet[16]被提出来模拟CS信道压缩反馈的过程。取角延迟域的信道矩阵作为输入，编码器的第一层是生成两个特征图的卷积层。然后将卷积后的数据重新排列为N×1大小的适量，再利用全连接层生成M×1大小的压缩数据(M<<N)。由于不需要CS测量矩阵，减少了反馈开销。在解码器上，利用一个全连接层、两个残差层和一个卷积层对压缩的CSI进行重构。结果表明，CsiNet算法在不同压缩比和复杂度上的性能明显优于基于CS的方法。

2.4基于DL的mmWave大规模MIMO混合预编码

mmWave一直被认为是一种5G的重要方案，其中混合模拟和数字预编码是一种重要的可以减少硬件复杂性和能耗的方法。然而，现有的混合预编码方案受限于高计算复杂度，且不能充分利用空间信息。为了克服这些局限性，文献[17]提出了一个基于DL的mmWave大规模MIMO混合预编码框架，其中每个预编器的选择被视为一种DNN的映射关系。具体地说,通过训练DNN选择混合预编码器来优化mmWave大规模MIMO的预编码过程。实验结果表明，基于DNN的混合预编码方法能降低mmWave大规模MIMO的误码率和增强频谱效率，在保证更优的性能的同时，能大大减少所需的计算复杂度。

3挑战

DL在无线通信系统物理层中的应用是一个新的研究领域，虽然已有的研究表现出了较好的结果，但是在未来的研究中一些挑战值得进一步探讨。（1）模型的选择在基于DL的通信框架下，神经网络的设计是核心挑战。许多基于DL的技术都是按照通用模型开发的。例如，计算机视觉总是使用CNN，而LSTM则通常用于自然语言处理领域。然而，我们想知道是否有基于DL的无线通信模型，我们认为，通用模型将有助于在实践中得到实现。在工程项目中，不仅通用模型提高了优化通信框架的便利性，也可以减少模型选择的成本和时间。在可以得到通用的模型之前，这个问题还需要广泛的探索。（2）系统性能与训练效率的权衡现有的工作表明了基于DL的数据驱动模型在物理层通信中的强大功能。然而，即使DL可以通过端到端学习来优化通信系统性能，当所有通信模块被融合在一起时，训练过程将花费很长时间。为了提高训练效率，达到良好的系统性能，可以保留部分通信模块，以实现训练效率和系统性能两者之间的权衡。（3）严谨的数学证明和基本的理论总的来说，基于深度学习的通信框架的性能已经在信道估计、均衡、CSI反馈等场景得到了证明，然而，我们还没有推导出严谨的数学证明和基本的理论来进一步验证其框架的性能。推导出基本的理论也会有所帮助我们了解通信框架，这将是改进网络和开发更高效的通信框架的基础。同时，训练所需的训练集大小也是不一定的，基于DL的通信框架是否能得到最优的性能仍然存在不确定性。（4）真实数据集的获得近年来DL技术应用于各种领域，并且得到飞速发展，这很大程度上归功于能够获得真实的开源数据集。训练和测试数据集的质量和数量对基于DL框架的性能有很大的影响。在计算机科学领域，随着自然语言处理，计算机视觉和自动驾驶的飞速发展，已经提供了许多公开的的数据集，如ImageNet和MNIST。然而，在基于DL的无线通信领域，虽然有一些数据集可以应用于某些领域，但目前存在的可用数据集很少。为了便于研究，未来还需要有一些可靠的数据集。

4结语

本文概述了基于大数据的DL在无线通信物理层应用的最新进展，并着重描述了几个典型的基于DL的通信案例。与传统方法相比，基于DL的算法在通信系统里表现出了较低复杂度和更高的系统性能，其在无线通信物理层中的应用具有广阔的前景。然而，必须承认,还有许多问题仍需解决，比如数据集的收集和网络模型的选择等问题，使用DL技术来解决无线物理层的一些问题仍将面临很多挑战。未来，基于DL的学习框架不仅可以很好的应用于无线通信，还将广泛的应用于各行各业基于大数据的业务场景，比如基于DL的水体识别，这也是我们下一步的研究应用方向。

作者：潘文浩 姚海梅 廖勇  单位：云南省水利水电勘测设计研究院 重庆大学通信与测控中心