浅析基于深度学习的信道估计方法
2019-10-22
近年来,作为实现人工智能的典型方法应用,深度学习在计算机视觉、自动语音识别和自然语言处理领域取得了广泛的成功,让人们领略到它在处理复杂问题方面的神奇能力。那么,对于同样需要处理大量接收数据,以恢复经过无线传输的信息为目的的无线通信系统而言,这种“神奇”的技术是否依然有效呢?为此,学术界提出了若干应用深度学习技术的方法,对传统信号处理算法进行优化改进,例如提高信道估计精度、优化多天线检测性能以及多模块联合优化等。本文将着重介绍基于深度学习的信道估计方法,并探讨其优缺点。
基于深度学习的信道估计方法可以粗略地分为两类:一类是使用神经网络学习信道的变化特征,进而从导频信号估计完整信道;另一类是将信道信息看作图像,利用图像处理领域成熟的深度学习技术来感知、处理和恢复信道。
类别1
学习信道变化特征以进行插值和去噪
以正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)系统中基于梳状导频的时-频二维插值信道估计为例,传统算法首先从导频符号估计出信道信息,然后通过插值去噪获得其它位置的信道信息。差值需要的系数可以根据信道在各维的二阶统计特性得到,如时延扩展、多普勒扩展和空间扩展值,而它们的分布特性却一般从“假设”的模型导出。因此,我们可以考虑使用神经网络学习该统计特性或者直接获得差值需要的系数,而避免使用假设模型。如下图所示,经过训练的神经网络以从导频符号所估计的结果作为输入,以所有符号上的信道频率响应作为输出。
利用神经网络学习信道的变化特征用于信道估计
从基于给定信道仿真模型的结果来看,由于能“学习”更准确的导频与数据符号之间的信道变化特性,相比于传统方案,该方案能获得更好的性能。然而,在训练阶段用所有符号上的理想信道信息作为目标优化数据,显然是难以实现的。
类别2
将多维信道状态信息视为图像
也有文献提出将无线信道在多维空间上呈现的特征视为自然图像,并将图像处理领域的深度学习技术应用于信道估计。比如在毫米波大规模多天线系统中,为了从波束赋形接收后的导频信号中估计原始空间信道,Hengtao He[1]等人提出了一种基于学习的去噪近似消息传递网络,如下图所示,信道估计的目标是从压缩后的K维信号中估计原始的MxN (K<MN)维空间信道。由于原始空间信道矩阵的元素不是独立的,即天线阵列间的空间信道矩阵具有一定的相关特性,该稀疏特征与2D自然图像相似,因此可以应用源自图像恢复的神经网络来学习迭代中的参数和相应函数,进而恢复原始空间信道。
配置3D棱镜天线阵列的毫米波接收机示意图【1】
从参考文献给出的仿真结果来看,由于神经网络学习了精确的信道特性,能获得比现有方法更优的性能,但在实际应用中存在一些比较典型的问题,特别是标签数据集的获取和训练网络与实际应用之间的不匹配。标签数据是获得良好训练和测试神经网络的基础,对于实际应用中的信道估计而言,是无法获得实时的理想信道状态信息来训练神经网络。另外,在神经网络训练完成后,网络中的参数将在后续使用中保持不变,而一旦实际应用场景发生变化,该网络的输出将不再符合预期,导致结果不理想,对于基于深度学习的信道估计来说,也无法直接判断该模型是否需要调整或者重新训练。
为了解决这些问题,可以考虑传输标签数据以重新训练网络适应新环境的方法,然而这些标签数据与导频一样会产生额外开销,降低通信效率。为此,Peiwen Jiang[2]等人给出了一种节省传输标签数据的在线调整方案,如下图所示,包括传统的基于最小二乘的信道估计模块(LS CE),两个或多个基于神经网络的信道估计模块(CE RefineNet m)和在线训练参数αm。这些不同的CE RefineNet模块是针对不同的信道类型(如短时延或者长时延扩展)进行离线训练,并在在线使用过程中不调整其中系数,但对每一个模块引入可在线训练调整的参数αm,以确定在实际信道条件下是否访问该模块。由于需要训练的参数非常有限,仅需要一小批带标签的数据进行在线调整即可,有利于减小实时调整的开销。
支持在线调整的基于深度学习的信道估计方法【2】
综上所述,目前基于深度学习的信道估计方法通常使用神经网络来学习信道变化特征,从接收的导频符号获得完整信道信息;或者将信道信息视为图像,利用成熟的类似压缩感知方案来估计和处理信道。然而,在实际应用时,需要解决标记数据的获取和训练模型的自适应在线调整等问题,而这对于无线通信系统来说,可能需要标准化的支持,比如作为标签数据的定义等。因此,相比于成熟的信道估计算法来说,基于深度学习的信道估计方法在实时性、普适性和有效性等方面依旧有很多问题需要解决。