自2010年以來，5G技術(shù)備受學術(shù)界和工業(yè)界的關(guān)注，其主要特點為高維度、高容量、密集網(wǎng)絡(luò)、低時延。相比于已經(jīng)商用化的4G系統(tǒng)，5G無線傳輸速率提升10~100倍，峰值傳輸速率達到10Gbit/s，端到端時延降至毫秒級，連接設(shè)備密度增加10~100倍，流量密度提高1000倍，頻譜效率提升5~10倍，能夠在500km/h的速度下確保用戶體驗。與面向人與人通信的2G/3G/4G不同，5G在設(shè)計之初，就考慮了人與人、人與物、物與物的互連。國際電信聯(lián)盟發(fā)布的5G八大指標包括：基站峰值速率、用戶體驗速率、頻譜效率、流量空間容量、移動性能、網(wǎng)絡(luò)能效、連接密度和時延。

迄今為止，5G主要從3個維度實現(xiàn)上述指標，即：空口增強、更寬的頻譜以及網(wǎng)絡(luò)密集化。這3個維度最具代表性的使能技術(shù)分別對應(yīng)于大規(guī)模多輸入多輸出（multiple input multiple output，MIMO）、毫米波通信以及超密集組網(wǎng)。大規(guī)模MIMO因具備提升系統(tǒng)容量、頻譜效率、用戶體驗速率、增強全維覆蓋和節(jié)約能耗等諸多優(yōu)點，被認為是5G最具潛力的核心技術(shù)。然而，大規(guī)模MIMO的發(fā)展和應(yīng)用也面臨諸多問題，如對于不具有上下行互易性的頻分雙工（frequency division duplex，F(xiàn)DD）系統(tǒng)，如何有效地實現(xiàn)于基站側(cè)獲取信道狀態(tài)信息。毫米波指的是波長在毫米數(shù)量級的電磁波，其頻率大約在30~300GHz之間。現(xiàn)有的無線通信系統(tǒng)所用頻段大多集中在300MHz~3GHz之間，對毫米波頻段的利用率較低。毫米波技術(shù)通過增加頻譜帶寬有效提高網(wǎng)絡(luò)傳輸速率，但會受傳播路徑損耗、建筑物穿透損耗和雨衰等因素的影響，在實際應(yīng)用中面臨著巨大挑戰(zhàn)。

另外，毫米波通信可與大規(guī)模MIMO有機融合，通過大規(guī)模MIMO波束成形帶來的陣列增益可以彌補毫米波穿透力差的劣勢。超密集組網(wǎng)（ultra dense network，UDN）通過更加“密集化”的無線網(wǎng)絡(luò)部署，將站間距離縮短為幾十米甚至十幾米，使得網(wǎng)站密度大大增加，從而提高頻譜復(fù)用率、單位面積的網(wǎng)絡(luò)容量以及用戶體驗速率。綜合來看，大規(guī)模MIMO利用超高天線維度充分挖掘空間資源，毫米波通信利用超大帶寬提升網(wǎng)絡(luò)吞吐量，超密集組網(wǎng)利用超密基站提高頻譜利用率，由此產(chǎn)生了海量的無線大數(shù)據(jù)，為未來無線通信系統(tǒng)利用人工智能手段提供數(shù)據(jù)源。

另一方面，近年來人工智能特別是深度學習（deep learning，DL）在計算機視覺、自然語言處理、語音識別等領(lǐng)域獲得了巨大成功，無線通信領(lǐng)域的研究者們期望將其應(yīng)用于系統(tǒng)的各個層面，進而產(chǎn)生智能通信系統(tǒng)，實現(xiàn)真正意義上的萬物互聯(lián)，滿足人們對數(shù)據(jù)傳輸速率日新月異的需求。因此，智能通信被認為是5G之后無線通信發(fā)展主流方向之一，其基本思想是將人工智能引入無線通信系統(tǒng)的各個層面，實現(xiàn)無線通信與人工智能技術(shù)有機融合，大幅度提升無線通信系統(tǒng)效能的愿景。

學術(shù)界和工業(yè)界正在上述領(lǐng)域開展研究工作，前期的研究成果集中于應(yīng)用層和網(wǎng)絡(luò)層，主要思想是將人工智能特別是深度學習的思想引入到無線資源管理和分配等領(lǐng)域。目前，該方向的研究正在向MAC（medium access control）層和物理層推進，特別是在物理層已經(jīng)出現(xiàn)無線傳輸與深度學習等結(jié)合的趨勢，然而各項研究目前還處于初步探索階段。盡管無線大數(shù)據(jù)為人工智能應(yīng)用于物理層提供可能，智能通信系統(tǒng)的發(fā)展仍處于探索階段，機遇與挑戰(zhàn)并存。

追溯歷史，無線通信系統(tǒng)從1G演進至5G并獲得巨大成功，其根源在于基于香農(nóng)信息論的無線傳輸理論體系架構(gòu)的建立與完善。一個典型的無線通信系統(tǒng)由發(fā)射機、無線信道和接收機構(gòu)成。發(fā)射機主要包括信源、信源編碼、信道編碼、調(diào)制和射頻發(fā)送等模塊；接收機包括射頻接收、信道估計、信號檢測、解調(diào)、信道解碼、信源解碼以及信宿等模塊。不同于典型的無線通信系統(tǒng)，智能通信的無線傳輸研究旨在打破原有的通信模式，獲得無線傳輸性能的大幅提升。目前這方面的研究面臨諸多挑戰(zhàn)，國內(nèi)外研究者們才開始初步探索。

圖片來源：Pixabay

5G技術(shù)具有高維度、高容量、高密集的特點，在無線傳輸中產(chǎn)生海量數(shù)據(jù)，物理層中的大數(shù)據(jù)處理成為一個興趣點，期望利用人工智能提升物理層的傳輸性能。近年來，研究者已經(jīng)對此做了初步探索，主要呈現(xiàn)出兩種類型的深度學習網(wǎng)絡(luò)，一種基于數(shù)據(jù)驅(qū)動，另一種基于數(shù)據(jù)模型雙驅(qū)動。基于數(shù)據(jù)驅(qū)動的深度學習網(wǎng)絡(luò)將無線通信系統(tǒng)的多個功能塊看作一個未知的黑盒子，利用深度學習網(wǎng)絡(luò)取而代之，然后依賴大量訓練數(shù)據(jù)完成輸入到輸出的訓練。例如，有文獻是將OFDM系統(tǒng)中整個接收模塊作為一個黑盒子，射頻接收機接收到信號，然后進行移除循環(huán)前綴操作，最后利用DNN直接完成從射頻接收機到二進制發(fā)送信號過程。

基于端到端的無線通信系統(tǒng)將整個通信系統(tǒng)由深度學習網(wǎng)絡(luò)全面替代，期望全局優(yōu)化無線通信系統(tǒng)獲得更好的性能。基于數(shù)據(jù)模型雙驅(qū)動的深度學習網(wǎng)絡(luò)在無線通信系統(tǒng)原有技術(shù)的基礎(chǔ)上，不改變無線通信系統(tǒng)的模型結(jié)構(gòu)，利用深度學習網(wǎng)絡(luò)代替某個模塊或者訓練相關(guān)參數(shù)以提升某個模塊的性能。例如，可以在無線通信系統(tǒng)MIMO信號檢測模塊OAMP接收機基礎(chǔ)上，利用深度學習網(wǎng)絡(luò)引入可訓練的參數(shù)，進一步提升信號檢測模塊的性能?；跀?shù)據(jù)驅(qū)動的深度學習網(wǎng)絡(luò)主要依賴海量數(shù)據(jù)，而基于數(shù)據(jù)模型雙驅(qū)動的深度學習網(wǎng)絡(luò)主要依賴通信模型或者算法模型。

基于數(shù)據(jù)驅(qū)動的深度學習網(wǎng)絡(luò)通過大量實例學習，吸收了被分析員標記的大量數(shù)據(jù)，以生成期望的輸出。然而，訓練深度學習網(wǎng)絡(luò)需要大量的標記數(shù)據(jù)，獲取并標記大量信息的過程不但費時而且成本高昂。除了獲取并標記數(shù)據(jù)的挑戰(zhàn)之外，大多數(shù)基于數(shù)據(jù)驅(qū)動的深度學習模型泛化性和自適應(yīng)性較弱，即使網(wǎng)絡(luò)部分結(jié)構(gòu)發(fā)生微小變化，也會導(dǎo)致訓練模型準確性大大降低。例如，如果將發(fā)送端的調(diào)制方式更換為16QAM（quadrature amplitude modulation，正交調(diào)幅）或64QAM，網(wǎng)絡(luò)需要重新訓練，因此，調(diào)整或修改模型所耗費的代價相當于重新創(chuàng)建模型。

為了減少訓練和調(diào)整深度學習模型的成本和時間，基于模型的深度學習網(wǎng)絡(luò)具有更好的泛化性和自我調(diào)整性。蜂窩移動通信從1G演進到5G，無線通信系統(tǒng)性能提升離不開功能模塊的建模，基于數(shù)據(jù)驅(qū)動的深度學習網(wǎng)絡(luò)摒棄這些已有無線通信知識，需要海量數(shù)據(jù)進行訓練與學習，而獲得的性能卻達不到已有無線通信系統(tǒng)模型的性能。基于數(shù)據(jù)模型雙驅(qū)動的深度學習網(wǎng)絡(luò)是以物理層已有模型為基礎(chǔ)，可以顯著減少訓練或升級所需的信息量。

由于已有的模型具有環(huán)境自適應(yīng)性和泛化性，因此數(shù)據(jù)模型雙驅(qū)動深度學習網(wǎng)絡(luò)不但具備這些特性，而且能在原模型基礎(chǔ)上進一步提升系統(tǒng)的性能。數(shù)據(jù)模型雙驅(qū)動深度學習網(wǎng)絡(luò)在信道估計、信號檢測、信道譯碼的應(yīng)用上取得良好性能，具有廣闊的發(fā)展前景。
編輯：hfy