機(jī)器學(xué)習(xí)在信道建模中的應(yīng)用綜述

來(lái)源：專知

本文約3000字，建議閱讀5分鐘
本文探討了機(jī)器學(xué)習(xí)如何與信道建模進(jìn)行有機(jī)融合，分別從信道多徑分簇、參數(shù)估計(jì)、模型的構(gòu)造及信道的場(chǎng)景識(shí)別展開(kāi)了討論。

信道建模是設(shè)計(jì)無(wú)線通信系統(tǒng)的基礎(chǔ)，傳統(tǒng)的信道建模方法無(wú)法自動(dòng)學(xué)習(xí)特定類型信道的規(guī)律，特別是在針對(duì)特殊應(yīng)用場(chǎng)景，如物聯(lián)網(wǎng)、毫米波通信、車聯(lián)網(wǎng)等，存在一定的局限性。此外，機(jī)器學(xué)習(xí)具有有效處理大數(shù)據(jù)、創(chuàng)建模型的能力，基于此，探討了機(jī)器學(xué)習(xí)如何與信道建模進(jìn)行有機(jī)融合，分別從信道多徑分簇、參數(shù)估計(jì)、模型的構(gòu)造及信道的場(chǎng)景識(shí)別展開(kāi)了討論，對(duì)當(dāng)前該領(lǐng)域的重要研究成果進(jìn)行了闡述，并對(duì)未來(lái)發(fā)展提出了展望。

http://www.infocomm-journal.com/txxb/CN/10.11959/j.issn.1000-436x.2021001

信號(hào)在發(fā)射機(jī)天線發(fā)送后到達(dá)接收機(jī)天線所經(jīng)歷的通道就是無(wú)線信道，無(wú)線通信正是利用電磁波信號(hào)在此通道的傳播特性進(jìn)行信息交換的一種通信方式，其特性決定了無(wú)線通信系統(tǒng)的性能限[1]。信道建模就是在真實(shí)環(huán)境中探索和表征信道特性的過(guò)程，它可以揭示無(wú)線電磁波在不同場(chǎng)景中的傳播方式。借助信道模型來(lái)了解信道的傳播特性，可以為通信系統(tǒng)的設(shè)計(jì)和優(yōu)化提供指導(dǎo)[2]，因此，信道建模是無(wú)線通信中最重要的研究方向之一，是評(píng)估、設(shè)計(jì)和部署任何無(wú)線通信系統(tǒng)的前提。

從國(guó)內(nèi)外研究現(xiàn)狀來(lái)看，面向 5G 信道特性的研究主要是在某個(gè)場(chǎng)景或頻段下采用傳統(tǒng)的手段進(jìn)行統(tǒng)計(jì)分析的，缺少自動(dòng)學(xué)習(xí)規(guī)律技術(shù)的支持，難以應(yīng)對(duì)海量化、時(shí)變性、特征多樣化的無(wú)線信道數(shù)據(jù)變化趨勢(shì)。因此，為了更好地了解信道的傳播特性，需要一種高效且具有自適應(yīng)和自學(xué)習(xí)能力的技術(shù)[3]。機(jī)器學(xué)習(xí)（ML, machine learning）是一種可以自動(dòng)地從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，并利用此規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的算法，已經(jīng)在學(xué)術(shù)界和工業(yè)界得到了廣泛的應(yīng)用。作為人工智能的一個(gè)重要分支，機(jī)器學(xué)習(xí)具有以下幾點(diǎn)優(yōu)勢(shì)。

1) 強(qiáng)大的學(xué)習(xí)能力和預(yù)測(cè)能力。相關(guān)研究表明，與現(xiàn)有的確定性和隨機(jī)性信道建模方法相比，基于機(jī)器學(xué)習(xí)的模型在準(zhǔn)確性、復(fù)雜性和靈活性之間具有較好的權(quán)衡。傳統(tǒng)的信道建模方法依賴于不同的信道配置（載波頻率、發(fā)射端/接收端位置等），比較復(fù)雜且耗時(shí)。基于機(jī)器學(xué)習(xí)的信道模型可以直接學(xué)習(xí)數(shù)據(jù)集的特征，以一種更簡(jiǎn)單的方式直接獲得信道的統(tǒng)計(jì)特性，從而使結(jié)果更加準(zhǔn)確。例如，在射線追蹤中需要構(gòu)造不同的環(huán)境，在類似WINNER（wireless world initiative new radio）的模型中需要獲得不同的參數(shù)集，而基于機(jī)器學(xué)習(xí)的信道模型則從不同場(chǎng)景中收集數(shù)據(jù)來(lái)建立通用性更強(qiáng)的模型架構(gòu)。

2) 良好的非線性擬合及自適應(yīng)能力。高速移動(dòng)、大規(guī)模天線等帶來(lái)的信道在時(shí)域和空域的非平穩(wěn)特性，使實(shí)際應(yīng)用的無(wú)線信道都是非線性的，而機(jī)器學(xué)習(xí)恰恰在模擬非線性系統(tǒng)上有著良好的性能。因此，只需要利用實(shí)測(cè)數(shù)據(jù)對(duì)基于機(jī)器學(xué)習(xí)的信道模型進(jìn)行足夠多的訓(xùn)練，就可以用來(lái)模擬實(shí)際應(yīng)用中的無(wú)線信道。此外，大規(guī)模復(fù)雜場(chǎng)景導(dǎo)致各種通信鏈路的信道條件迅速變化，此時(shí)嚴(yán)重依賴信道狀態(tài)信息（CSI, channel state information）的信道模型性能會(huì)大幅降低[4]，而利用機(jī)器學(xué)習(xí)對(duì)其訓(xùn)練以適應(yīng)新的信道條件，可以建立泛化能力更好的信道模型。

3) 擅于挖掘高維度和高冗余數(shù)據(jù)中的復(fù)雜特征，可以高效地處理海量數(shù)據(jù)。5G 應(yīng)用場(chǎng)景中提出了增強(qiáng)型移動(dòng)寬帶（eMBB, enhanced mobile broadband）、高可靠低時(shí)延（uRLLC, ultra reliable and low latency communication）及海量機(jī)器通信（mMTC, massive machine type communication）三大典型應(yīng)用場(chǎng)景，為了實(shí)現(xiàn)這一目標(biāo)，5G 系統(tǒng)需要成為一個(gè)范式轉(zhuǎn)變，包括帶寬很高的載波頻率、極端基站和設(shè)備密度以及前所未有的天線數(shù)量。相關(guān)的關(guān)鍵技術(shù)包括毫米波通信、大規(guī)模多輸入多輸出（massive MIMO）以及超密集組網(wǎng)，其中，毫米波通信利用超大帶寬提升網(wǎng)絡(luò)吞吐量，massive MIMO利用超高天線維度充分挖掘利用空間資源，超密集組網(wǎng)利用超密基站提高頻譜利用率，這使所需測(cè)量的數(shù)據(jù)量和維度迅速增加[5]。隨著數(shù)據(jù)的爆炸式增長(zhǎng)，在獲取、存儲(chǔ)和處理大量數(shù)據(jù)的過(guò)程中給傳統(tǒng)的信道建模方法帶來(lái)了很大的挑戰(zhàn)，而基于機(jī)器學(xué)習(xí)的相關(guān)算法（如聚類、神經(jīng)網(wǎng)絡(luò)、粒子群算法等）在處理大數(shù)據(jù)上卻具有得天獨(dú)厚的優(yōu)勢(shì)，例如文獻(xiàn)[6]對(duì)179個(gè)測(cè)量點(diǎn)進(jìn)行測(cè)量，得到的頻域信道沖激響應(yīng)（CIR, channel impulse response）的數(shù)據(jù)量為320 768× 254 維矩陣。通過(guò)主成分分析（PCA, principal component analysis）進(jìn)行信道建模，不僅可以將信道參數(shù)降低為6維的主成分，而且信道容量、特征值分布等方面比 TR36.873 標(biāo)準(zhǔn)更接近實(shí)際測(cè)量的結(jié)果。因此無(wú)線大數(shù)據(jù)時(shí)代給機(jī)器學(xué)習(xí)在 5G 及之后的信道建模的應(yīng)用研究帶來(lái)了機(jī)遇。

綜上，機(jī)器學(xué)習(xí)被認(rèn)為是分析測(cè)量數(shù)據(jù)、理解傳播過(guò)程和構(gòu)造模型的有力工具[7]。迄今，國(guó)內(nèi)外已經(jīng)對(duì)高鐵通信 [8,9]、毫米波通信 [10,11]、4G/5G/6G[5,12,13]、V2V 通信[14]、無(wú)人機(jī)通信[15]、massive MIMO[16]等應(yīng)用場(chǎng)景的信道模型進(jìn)行了綜述，而本文就機(jī)器學(xué)習(xí)如何與信道建模進(jìn)行有機(jī)結(jié)合展開(kāi)討論，主要可以分為以下三大類。

1) 信道多徑分簇及參數(shù)估計(jì)。在 MIMO 中出現(xiàn)了以簇為核心[2]的信道模型，這是因?yàn)檠芯看氐奶匦钥梢院?jiǎn)化建模過(guò)程。簇是一組具有相似的時(shí)延、角度等參數(shù)的多徑分量（MPC, multipath component），因此，為了在接收端識(shí)別出簇，需要一種與多徑傳播特性相對(duì)應(yīng)的聚類算法，從而提高簇核心模型的精度。自動(dòng)聚類算法（如 k-power means 算法）近年來(lái)得到了廣泛應(yīng)用，但仍然需要簇的數(shù)量等先驗(yàn)假設(shè)信息。信道建模需要從大量實(shí)測(cè)數(shù)據(jù)中提取表征信道衰落特性的各個(gè)關(guān)鍵特征參數(shù)的隨機(jī)分布，再根據(jù)信道特征參數(shù)的隨機(jī)分布來(lái)量化各個(gè)參量，在這些參量的基礎(chǔ)上構(gòu)建的信道模型才能真正體現(xiàn)和反映真實(shí)信道傳輸?shù)奶匦裕M(jìn)而通過(guò)信道參數(shù)估計(jì)算法來(lái)提取信道特征的關(guān)鍵技術(shù)。隨著無(wú)線通信的發(fā)展，信道特征的維度由最初的時(shí)–頻二維擴(kuò)展到時(shí)–頻–空三維，所需提取的參數(shù)的數(shù)據(jù)量呈現(xiàn)出爆炸式增長(zhǎng)，這給傳統(tǒng)的信道參數(shù)估計(jì)帶來(lái)了很大挑戰(zhàn)。然而許多分簇算法需要在聚類之前通過(guò)高分辨率參數(shù)估計(jì)算法提取MPC，這些算法的計(jì)算復(fù)雜度普遍較高，難以在時(shí)變信道中進(jìn)行實(shí)時(shí)操作。因此，基于機(jī)器學(xué)習(xí)的 MPC 自動(dòng)聚類算法和參數(shù)估計(jì)算法受到了廣泛的關(guān)注。

2) 信道模型構(gòu)造。5G 及未來(lái)通信系統(tǒng)將支持更大規(guī)模的天線陣列、更高的頻段、更大的帶寬及更加復(fù)雜多樣的應(yīng)用場(chǎng)景，信道數(shù)據(jù)量也隨之激增。傳統(tǒng)的基于簇的統(tǒng)計(jì)性建模方法較難找出抽頭簇與實(shí)際散射體之間的映射關(guān)系；確定性建模方法預(yù)測(cè)準(zhǔn)確但復(fù)雜度高，且依賴于環(huán)境信息精度。隨著人工智能的飛速發(fā)展，國(guó)內(nèi)外提出了基于神經(jīng)網(wǎng)絡(luò)（NN, neural network）[17]和基于簇核的信道建模方法[2]。前者利用神經(jīng)網(wǎng)絡(luò)在描述數(shù)據(jù)特征和提取系統(tǒng)輸入與輸出之間的映射關(guān)系展現(xiàn)出良好的性能，可以使用實(shí)測(cè)數(shù)據(jù)集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行充足的訓(xùn)練，從而模擬實(shí)際場(chǎng)景的無(wú)線信道，尋找輸入層變量和輸出層信道特征參數(shù)的相互關(guān)系。該方法利用了神經(jīng)網(wǎng)絡(luò)自學(xué)、自適應(yīng)和非線性擬合的特點(diǎn)，這對(duì)時(shí)變信道的建模特別重要，尤其是在分析實(shí)際信道數(shù)據(jù)時(shí)可以減少重新建模的成本。后者利用機(jī)器學(xué)習(xí)算法從海量信道數(shù)據(jù)中挖掘信道特性，找到統(tǒng)計(jì)性簇和確定性散射體之間的匹配映射關(guān)系，并通過(guò)有限數(shù)量有物理意義的簇核進(jìn)行信道建模。該方法同時(shí)結(jié)合了統(tǒng)計(jì)性建模和確定性建模的優(yōu)勢(shì)，既解決了確定性模型復(fù)雜度高的問(wèn)題，又解決了統(tǒng)計(jì)性模型缺乏物理含義的問(wèn)題。

3) 信道狀態(tài)分類/場(chǎng)景識(shí)別。信道狀態(tài)分類/場(chǎng)景識(shí)別是信道建模和通信系統(tǒng)部署的重要依據(jù)，不同場(chǎng)景下的信道模型也不一致。另外，由于信道的復(fù)雜性，實(shí)際測(cè)量所需的時(shí)間長(zhǎng)且難度高，那么精確的信道場(chǎng)景識(shí)別對(duì)系統(tǒng)進(jìn)行分析和評(píng)估可以大大提高工作的效率。然而，在傳播環(huán)境多變的情況下，使用基于單一度量的假設(shè)檢驗(yàn)對(duì)場(chǎng)景進(jìn)行分類是不夠準(zhǔn)確的；另一方面，一些機(jī)器學(xué)習(xí)算法對(duì)于數(shù)據(jù)的分類具有很大的優(yōu)勢(shì)，比如支持向量機(jī)（SVM, support vector machine）、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、決策樹(shù)等。在這種情況下，學(xué)習(xí)和提取不同場(chǎng)景下的信道屬性差異有助于自動(dòng)將測(cè)量的數(shù)據(jù)分類到不同場(chǎng)景中，建立相應(yīng)的信道模型，并發(fā)現(xiàn)用于資源分配、系統(tǒng)優(yōu)化或本地化的場(chǎng)景特征。

本文概述了機(jī)器學(xué)習(xí)應(yīng)用于信道建模過(guò)程中的相關(guān)研究。首先，介紹了利用機(jī)器學(xué)習(xí)優(yōu)化傳統(tǒng)的信道參數(shù)估計(jì)，總結(jié)了國(guó)內(nèi)外針對(duì)分簇所采用的聚類算法，并從多個(gè)角度對(duì)不同聚類算法進(jìn)行比較。其次，總結(jié)了在大尺度衰落和小尺度衰落信道下，神經(jīng)網(wǎng)絡(luò)對(duì)不同環(huán)境、場(chǎng)景和頻段下的建模，歸納出可優(yōu)化模型的算法和通用的模型結(jié)構(gòu)，介紹了一種以簇為核心的智能化建模過(guò)程。再次，提出了無(wú)線信道場(chǎng)景識(shí)別的研究難點(diǎn)以及目前的一些研究方案。最后，對(duì)全文工作進(jìn)行總結(jié)，并對(duì)未來(lái)進(jìn)行展望。

編輯：文婧