近年來,，作為實(shí)現(xiàn)人工智能的典型方法應(yīng)用，深度學(xué)習(xí)在計(jì)算機(jī)視覺、自動(dòng)語音識別和自然語言處理領(lǐng)域取得了廣泛的成功，讓人們領(lǐng)略到它在處理復(fù)雜問題方面的神奇能力。那么,，對于同樣需要處理大量接收數(shù)據(jù)，以恢復(fù)經(jīng)過無線傳輸?shù)男畔槟康牡臒o線通信系統(tǒng)而言，這種“神奇”的技術(shù)是否依然有效呢,？為此,，學(xué)術(shù)界提出了若干應(yīng)用深度學(xué)習(xí)技術(shù)的方法，對傳統(tǒng)信號處理算法進(jìn)行優(yōu)化改進(jìn),，例如提高信道估計(jì)精度,、優(yōu)化多天線檢測性能以及多模塊聯(lián)合優(yōu)化等。本文將著重介紹基于深度學(xué)習(xí)的信道估計(jì)方法,，并探討其優(yōu)缺點(diǎn),。

　　基于深度學(xué)習(xí)的信道估計(jì)方法可以粗略地分為兩類：一類是使用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)信道的變化特征，進(jìn)而從導(dǎo)頻信號估計(jì)完整信道,；另一類是將信道信息看作圖像,，利用圖像處理領(lǐng)域成熟的深度學(xué)習(xí)技術(shù)來感知、處理和恢復(fù)信道,。

　　類別1

　　學(xué)習(xí)信道變化特征以進(jìn)行插值和去噪

　　以正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing, OFDM)系統(tǒng)中基于梳狀導(dǎo)頻的時(shí)-頻二維插值信道估計(jì)為例,，傳統(tǒng)算法首先從導(dǎo)頻符號估計(jì)出信道信息，然后通過插值去噪獲得其它位置的信道信息,。差值需要的系數(shù)可以根據(jù)信道在各維的二階統(tǒng)計(jì)特性得到,，如時(shí)延擴(kuò)展、多普勒擴(kuò)展和空間擴(kuò)展值,，而它們的分布特性卻一般從“假設(shè)”的模型導(dǎo)出,。因此，我們可以考慮使用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)該統(tǒng)計(jì)特性或者直接獲得差值需要的系數(shù),，而避免使用假設(shè)模型,。如下圖所示，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)以從導(dǎo)頻符號所估計(jì)的結(jié)果作為輸入,，以所有符號上的信道頻率響應(yīng)作為輸出,。

　　利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)信道的變化特征用于信道估計(jì)

　　從基于給定信道仿真模型的結(jié)果來看，由于能“學(xué)習(xí)”更準(zhǔn)確的導(dǎo)頻與數(shù)據(jù)符號之間的信道變化特性,，相比于傳統(tǒng)方案,，該方案能獲得更好的性能。然而,，在訓(xùn)練階段用所有符號上的理想信道信息作為目標(biāo)優(yōu)化數(shù)據(jù),，顯然是難以實(shí)現(xiàn)的。

　　類別2

　　將多維信道狀態(tài)信息視為圖像

　　也有文獻(xiàn)提出將無線信道在多維空間上呈現(xiàn)的特征視為自然圖像,，并將圖像處理領(lǐng)域的深度學(xué)習(xí)技術(shù)應(yīng)用于信道估計(jì),。比如在毫米波大規(guī)模多天線系統(tǒng)中，為了從波束賦形接收后的導(dǎo)頻信號中估計(jì)原始空間信道,，Hengtao He[1]等人提出了一種基于學(xué)習(xí)的去噪近似消息傳遞網(wǎng)絡(luò),，如下圖所示，信道估計(jì)的目標(biāo)是從壓縮后的K維信號中估計(jì)原始的MxN (K<MN)維空間信道,。由于原始空間信道矩陣的元素不是獨(dú)立的,，即天線陣列間的空間信道矩陣具有一定的相關(guān)特性,，該稀疏特征與2D自然圖像相似，因此可以應(yīng)用源自圖像恢復(fù)的神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)迭代中的參數(shù)和相應(yīng)函數(shù),，進(jìn)而恢復(fù)原始空間信道,。

　　配置3D棱鏡天線陣列的毫米波接收機(jī)示意圖【1】

　　從參考文獻(xiàn)給出的仿真結(jié)果來看，由于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)了精確的信道特性,，能獲得比現(xiàn)有方法更優(yōu)的性能，但在實(shí)際應(yīng)用中存在一些比較典型的問題,，特別是標(biāo)簽數(shù)據(jù)集的獲取和訓(xùn)練網(wǎng)絡(luò)與實(shí)際應(yīng)用之間的不匹配,。標(biāo)簽數(shù)據(jù)是獲得良好訓(xùn)練和測試神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，對于實(shí)際應(yīng)用中的信道估計(jì)而言,，是無法獲得實(shí)時(shí)的理想信道狀態(tài)信息來訓(xùn)練神經(jīng)網(wǎng)絡(luò),。另外，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后,，網(wǎng)絡(luò)中的參數(shù)將在后續(xù)使用中保持不變,，而一旦實(shí)際應(yīng)用場景發(fā)生變化，該網(wǎng)絡(luò)的輸出將不再符合預(yù)期,，導(dǎo)致結(jié)果不理想,，對于基于深度學(xué)習(xí)的信道估計(jì)來說，也無法直接判斷該模型是否需要調(diào)整或者重新訓(xùn)練,。

　　為了解決這些問題,，可以考慮傳輸標(biāo)簽數(shù)據(jù)以重新訓(xùn)練網(wǎng)絡(luò)適應(yīng)新環(huán)境的方法，然而這些標(biāo)簽數(shù)據(jù)與導(dǎo)頻一樣會產(chǎn)生額外開銷,，降低通信效率,。為此，Peiwen Jiang[2]等人給出了一種節(jié)省傳輸標(biāo)簽數(shù)據(jù)的在線調(diào)整方案,，如下圖所示,，包括傳統(tǒng)的基于最小二乘的信道估計(jì)模塊（LS CE），兩個(gè)或多個(gè)基于神經(jīng)網(wǎng)絡(luò)的信道估計(jì)模塊（CE RefineNet m）和在線訓(xùn)練參數(shù)αm,。這些不同的CE RefineNet模塊是針對不同的信道類型（如短時(shí)延或者長時(shí)延擴(kuò)展）進(jìn)行離線訓(xùn)練,，并在在線使用過程中不調(diào)整其中系數(shù)，但對每一個(gè)模塊引入可在線訓(xùn)練調(diào)整的參數(shù)αm,，以確定在實(shí)際信道條件下是否訪問該模塊,。由于需要訓(xùn)練的參數(shù)非常有限，僅需要一小批帶標(biāo)簽的數(shù)據(jù)進(jìn)行在線調(diào)整即可,，有利于減小實(shí)時(shí)調(diào)整的開銷,。

　　支持在線調(diào)整的基于深度學(xué)習(xí)的信道估計(jì)方法【2】

　　綜上所述，目前基于深度學(xué)習(xí)的信道估計(jì)方法通常使用神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)信道變化特征,，從接收的導(dǎo)頻符號獲得完整信道信息,；或者將信道信息視為圖像,，利用成熟的類似壓縮感知方案來估計(jì)和處理信道。然而,，在實(shí)際應(yīng)用時(shí),，需要解決標(biāo)記數(shù)據(jù)的獲取和訓(xùn)練模型的自適應(yīng)在線調(diào)整等問題，而這對于無線通信系統(tǒng)來說,，可能需要標(biāo)準(zhǔn)化的支持,，比如作為標(biāo)簽數(shù)據(jù)的定義等。因此,，相比于成熟的信道估計(jì)算法來說,，基于深度學(xué)習(xí)的信道估計(jì)方法在實(shí)時(shí)性、普適性和有效性等方面依舊有很多問題需要解決,。