基于深度学习的信道反馈优化算法

当前，一些团队将深度学习理论应用于信道状态信息反馈中。其中，基于FDD模式的大规模MIMO系统首次采用CsiNet信道状态信息反馈机制，该机制中，基站端配置自动编码器将信道状态信息压缩编码为码字向量，用户端通过自动解码器将码字向量恢复出信道状态信息；编码器将信道状态信息压缩成码字，发送至用户端，不仅提高了信道状态信息的重建准确度，而且有效地降低了需要反馈的信道状态信息的数据量以及反馈链路开销。基于CsiNet网络，研究者提出了适用于时变系统的CsiNet-LSTM信道状态信息反馈机制，采用大量的数据集样本，学习信道之间的空间结构特征和时间相关性，从而提高信道矩阵的恢复质量，改善了压缩比与复杂度之间的权衡。但是，CsiNet-LSTM网络中存在大量的长短时记忆（Long-short Time Memory，LSTM）单元，导致反馈机制中存在大量的训练参数，从而增加了系统的复杂性。基于CsiNet的CSI反馈方案在编码器和解码器中引入长短时记忆，设计了压缩和解压缩模块，有效地利用了信道的相关性，从而提高信道反馈的准确度。然而，这些研究只对室内场景下做了性能分析，没有讨论室外场景的性能。科研工作者尝试在编码器网络中引入LSTM网络代替原来的全连接网络，当压缩比很高时，LSTM网络可以充分利用信道矩阵间的相关性，保留重要信息；另一种思路是，在解码器网络中加入了注意机制，可以充分利用CNN的特征图，提高了信道反馈机制的性能；可以通过设置“提前停止”用于训练步骤，避免了过度拟合，使网络收敛速度更快，并且在训练步骤上节省了大量的时间。

目前，主要通过两种方式将深度学习引用到通信物理层问题中。第一种是基于“展开”的思想，将传统的迭代算法展开为迭代操作链，且神经网络的每一层相当于每次迭代计算，该专用网络框架凭借离线训练可以很好地近似传统的迭代算法。其中，基于“展开”正交近似消息传递（Orthogonal Approximate Message Passing，OAMP）算法，设计了用于MIMO检测的多层神经网络。经过一定次数的循环迭代训练，该网络具备比传统OAMP更好的检测性能。然而，该类“展开”的想法仅在迭代具有简单结构时才可行。如果迭代面临计算量大的操作（如矩阵求逆或奇异值分解），则“展开”类型的设计不可行。(www.xing528.com)

另一种将深度学习应用到通信物理层的方法是，将一般的DNN作为一个“黑盒子”，并尝试学习它的输入和输出之间的底层关系，正如通用逼近定理中证明的那样，具有单个隐藏层的前馈网络（称为浅层神经网络）能够逼近紧集上定义的任何连续函数。与浅层神经网络相比，由于更多的隐藏层和神经元，DNN具有更强大的学习能力。目前，已经提出许多基于DNN的方法来解决无线通信中的问题，如波束成形、信道状态信息反馈、调制识别、信道编码和解码、信道估计和信号检测。特别是针对频率选择信道的正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）系统，基于DNN的联合信道估计和符号检测算法，在考虑系统缺陷和非线性的情况下优于传统的最小均方误差算法估计。对于时变信道，基于深度学习的学习辅助信道估计算法具有比最小二乘估计更好的估计性能。