博文
5G→6G的“智能通信”之路
|
智能通信被认为是 5G 之后无线通信发展主流方向之一，其基本思想是将人工智能引入无线通信系统的各个层面，实现无线通信与人工智能技术有机融合，以实现大幅度提升无线通信系统效能的愿景。学术界和工业界正在上述领域开展研究工作，前期的研究成果集中于应用层和网络层，主要将人工智能特别是深度学习引入到无线资源管理和分配等领域。
目前，该方向的研究正在向 MAC (媒体访问控制)层和物理层推进，特别是在物理层已经出现无线传输与人工智能结合的趋势，各项研究目前处于探索阶段。主要呈现出两种类型的深度学习网络，一种基于数据驱动，另一种基于数据模型双驱动。基于数据驱动的深度学习网络将无线通信系统的多个功能块看作一个未知的黑盒子，利用深度学习网络取而代之，然后依赖大量训练数据完成输入到输出的训练。例如，Ye等将 OFDM 系统中整个接收模块作为一个黑盒子，射频接收机接收到信号，然后进行移除循环前缀操作，最后利用 DNN 直接完成从射频接收机到二进制发送信号过程。基于端到端的无线通信系统将整个通信系统由深度学习网络全面替代，期望全局优化无线通信系统获得更好的性能 。基于数据模型双驱动的深度学习网络在无线通信系统原有技术的基础上，不改变无线通信系统的模型结构，利用深度学习网络代替某个模块或者训练相关参数以提升某个模块的性能。例如，Metzler等在无线通信系统 MIMO 信号检测模块 OAMP 接收机基础上，利用深度学习网络引入可训练的参数，进一步提升信号检测模块的性能。基于数据驱动的深度学习网络主要依赖海量数据，而基于数据模型双驱动的深度学习网络主要依赖通信模型或者算法模型。
基于数据驱动的深度学习网络通过大量实例学习，吸收了被分析员标记的大量数据，以生成期望的输出。然而，训练深度学习网络需要大量的标记数据，获取并标记大量信息的过程不但费时而且成本高昂。除了获取并标记数据的挑战之外，大多数基于数据驱动的深度学习模型泛化性和自适应性较弱，即使网络部分结构发生微小变化，也会导致训练模型准确性大大降低。例如，如果Ye等发送端的调制方式更换为 16QAM(quadrature amplitude modulation，正交调幅)或64QAM，网络需要重新训练，因此，调整或修改模型所耗费的代价相当于重新创建模型。为了减少训练和调整深度学习模型的成本和时间，基于模型的深度学习网络具有更好的泛化性和自我调整性。蜂窝移动通信从1G演进到5G，无线通信系统性能提升离不开功能模块的建模，基于数据驱动的深度学习网络摒弃这些已有无线通信知识，需要海量数据进行训练与学习，而获得的性能却达不到已有无线通信系统模型的性能。
基于数据模型双驱动的深度学习网络是以物理层已有模型为基础，可以显著减少训练或升级所需的信息量。由于已有的模型具有环境自适应性和泛化性，因此数据模型双驱动深度学习网络不但具备这些特性，而且能在原模型基础上进一步提升系统的性能。
《智能通信：基于深度学习的物理层设计》结合国内外学术界在智能通信领域的最新研究进展，着眼于基于深度学习的物理层设计，对相关理论基础、通信模块设计以及算法实现等进行详尽地介绍与分析。全书共 10 章，内容包括智能通信当前研究进展、神经网络的基础及进阶技巧、典型神经网络、基于深度学习的 QAM(正交调制) 解调器设计、人工智能辅助的 OFDM (正交频分复用)接收机、CSI (信道状态信息)反馈及信道重建、基于深度学习的序列检测器实现，以及基于深度学习的 Turbo 码译码等。
东南大学教授、博士生导师、研究生院常务副院长。长江学者计划特聘教授，国家自然科学基金杰出青年科学基金获得者，国家“万人计划”科技创新领军人才，江苏省特聘教授。主要研究方向为5G/6G移动通信理论与关键技术研究、物联网理论与关键技术研究，以及机器学习与大数据处理在移动通信中的应用等。发表学术论文350余篇，获授权国际/国家发明专利45件，出版专著1部，教材2部。研究成果获省部级科学技术一等奖3项、二等奖1项，获得IEEE通信学会莱斯奖，IEEE信号处理学会青年最佳论文奖，ChinaCommunications最佳论文奖，多次入选科睿唯安全球高被引学者和爱思唯尔中国高被引学者。
台湾中山大学通讯工程研究所教授。2004年获台湾清华大学博士学位；2004~2009年工作于台湾工业技术研究院及联发科技(MediaTek)，主要从事无线宽带OFDM收发器设计；2009年2月至今在台湾中山大学通讯工程研究所任教。在IEEE期刊发表100余篇学术论文。获得2008 工业技术研究院年度论文奖、2015青年技术移转奖、2016 IEEE GLOBECOM最佳论文奖、2018产学绩优奖。主要研究方向为MIMO无线收发器设计、优化理论及机器智能学习等。目前担任IEEE Transactions on Wireless Communications、IEEE CommunicationsLetters和IEEE Wireless Communications Letters的编辑。
温朝凯
本文摘编自《智能通信：基于深度学习的物理层设计》（金石，温朝凯编著. —北京：科学出版社，2020.6）文前及第一章部分，内容有删减。标题为编者所加。
《智能通信：基于深度学习的物理层设计》
ISBN 978-7-03-065445-8
责任编辑：惠雪
内容简介 近年来人工智能特别是深度学习在计算机视觉、自然语言处理、语音识别等领域获得了巨大成功，无线通信领域的研究者们期望将其应用于系统的各个层面，进而发展出智能通信，大幅度提升无线通信系统效能。智能通信也因此被认为是 5G 之后无线通信发展主流方向之一，其研究尚处于探索阶段。本书结合国内外学术界在该领域的最新研究进展，着眼于智能通信中基于深度学习的物理层设计，对相关理论基础、通信模块设计，以及算法实现等进行详尽的介绍与分析。内容主要包括：神经网络的基础及进阶技巧、典型神经网络、基于深度学习的通信物理层基本模块设计等。为方便读者学习，相关章节均提供了开源代码(扫描二维码下载)，以帮助读者快速理解书中涉及的原理与概念。 本书适合作为高等院校相关专业高年级本科生及研究生的通信实验教学参考书，也可供移动通信领域的工程技术人员参考使用。
向上滑动阅览 目录
前言
第1章 绪论 1
1.1 智能通信引言 1
1.2 人工智能技术简介 3
1.2.1 人工神经网络 3
1.2.2 深度神经网络 4
1.2.3 卷积神经网络 5
1.2.4 循环神经网络 5
1.2.5 生成对抗神经网络 6
1.2.6 深度增强学习神经网络 6
1.3 智能通信当前研究进展 7
1.3.1 信道估计 7
1.3.2 信号检测 8
1.3.3 CSI 反馈与重建 9
1.3.4 信道译码 10
1.3.5 端到端无线通信系统 11
1.4 总结与展望 12
1.5 本章小结 14
参考文献 14
第2 章 神经网络的基础 16
2.1 监督学习 18
2.2 分类问题 19
2.3 线性回归 22
2.4 逻辑回归 25
2.5 逻辑回归的代价函数 29
2.6 梯度下降法 30
2.7 模型验证 34
2.8 基于TensorFlow 的二分类范例 35
参考文献 41
第3 章 神经网络的进阶技巧 42
3.1 多分类算法 42
3.2 激活函数 46
3.2.1 线性激活函数 47
3.2.2 Sigmoid 函数 47
3.2.3 tanh 函数 48
3.2.4 ReLu 函数 49
3.3 神经网络的训练准备 51
3.3.1 输入归一化 51
3.3.2 权重初始化 53
3.4 正则化 55
3.4.1 偏差和方差 55
3.4.2 Dropout 算法 56
3.4.3 补偿过拟合的其他方式 58
3.5 批量归一化 60
3.5.1 归一化网络的激活函数 60
3.5.2 BN 与神经网络的拟合 61
3.6 优化算法 62
3.6.1 Mini-Batch 梯度下降法 62
3.6.2 指数加权平均 63
3.6.3 动量梯度下降法 64
3.6.4 RMS prop 65
3.6.5 Adam 优化算法 65
3.6.6 学习率衰减 66
3.7 基于TensorFlow 的两层神经网络实例 67
参考文献 71
第4 章 卷积神经网络 73
4.1 什么是卷积神经网络 73
4.1.1 计算机视觉 73
4.1.2 卷积神经网络 74
4.2 卷积神经网络基本原理 75
4.2.1 卷积神经网络的结构 75
4.2.2 卷积神经网络的层级组成及其原理 75
4.2.3 卷积神经网络的特点 81
4.3 卷积神经网络的经典网络 81
4.3.1 经典的卷积神经网络 81
4.3.2 AlexNet 概述 81
4.3.3 VGGNet 概述 82
4.3.4 ResNet 概述 84
4.4 多层卷积神经网络实例 86
4.5 本章小结 91
参考文献 91
第5 章 循环神经网络 92
5.1 什么是序列模型 92
5.1.1 序列模型简介 92
5.1.2 序列模型的符号定义 93
5.2 循环神经网络模型 94
5.2.1 RNN 的前向传播 94
5.2.2 RNN 的反向传播 96
5.2.3 不同类型的RNN 98
5.2.4 长期依赖问题 99
5.3 长短时记忆 100
5.3.1 长短时记忆网络 100
5.3.2 LSTM 的变形与演进 103
5.3.3 LSTM 实例应用 106
5.4 本章小结 108
参考文献 108
第6 章 正交调制解调器 109
6.1 基于深度学习的QAM 解调器设计 109
6.1.1 基本原理 109
6.1.2 SNR vs BER 仿真结果 112
6.2 基于深度学习的QAM 解调器设计 117
6.2.1 QAM 解调的评价标准 117
6.2.2 基于深度学习的QAM 解调 117
6.3 本章小结 127
第7 章 人工智能辅助的OFDM 接收机 128
7.1 FC-DNN OFDM 接收机 129
7.1.1 系统结构 129
7.1.2 模型训练 130
7.1.3 仿真代码 131
7.2 ComNet OFDM 接收机 140
7.2.1 整体架构 140
7.2.2 信道估计子网 142
7.2.3 信号检测子网 143
7.2.4 仿真代码 145
7.3 仿真性能分析 148
7.3.1 仿真参数 148
7.3.2 整体ComNet OFDM 接收机的仿真性能 148
7.4 本章小结 151
参考文献 151
第8 章 CSI 反馈及信道重建——CsiNet 152
8.1 CSI 反馈背景知识 152
8.2 基本原理 153
8.2.1 系统模型 153
8.2.2 压缩感知 155
8.2.3 自动编码器 155
8.3 基于深度学习的CSI 反馈 156
8.3.1 基于深度学习的反馈机制 156
8.3.2 信道状态信息反馈网络(CsiNet)结构 157
8.4 实验结果与分析 159
8.4.1 实验数据生成 159
8.4.2 实验程序 160
8.4.3 实验仿真结果 166
8.5 CsiNet-LSTM 169
8.6 本章小结 177
参考文献 177
第9 章 滑动窗序列检测方法 179
9.1 序列检测 179
9.1.1 序列检测的基本原理 179
9.1.2 最大似然序列检测准则[2] 180
9.1.3 维特比算法 181
9.2 基于深度学习的序列检测器实现 185
9.2.1 问题描述 186
9.2.2 深度学习实现 187
9.2.3 仿真分析 191
9.2.4 结果分析 198
9.3 本章小结 199
参考文献 199
第10 章 基于深度学习的Turbo 码译码 200
10.1 Turbo 码起源 200
10.2 Turbo 码编码原理 201
10.2.1 PCCC 型编码结构 201
10.2.2 SCCC 型编码结构 202
10.2.3 HCCC 型编码结构 203
10.3 Turbo 码传统译码算法 203
10.3.1 Turbo 码译码结构 204
10.3.2 MAP 算法 206
10.3.3 Log-MAP 算法 209
10.3.4 Max-Log-MAP 算法 210
10.4 基于深度学习的信道译码 210
10.4.1 优化传统“黑箱”神经网络 210
10.4.2 参数化传统译码算法 211
10.5 基于深度学习的Turbo 码译码 216
10.5.1 模型的构建 216
10.5.2 性能仿真 226
10.5.3 仿真程序 228
10.6 本章小结 250
参考文献 250
（本文编辑：王芳）
一起阅读科学!
科学出版社│微信ID：sciencepress-cspm
专业品质 学术价值
原创好读 科学品味
https://blog.sciencenet.cn/blog-528739-1242988.html
上一篇：浙江大学梁新强教授团队：土壤胶体磷储存与流失阻控
下一篇：前沿丨磁性材料的新巡游电子模型
