機器學(xué)習(xí)在信道建模中的應(yīng)用綜述

來源：專知

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

信道建模是設(shè)計無線通信系統(tǒng)的基礎(chǔ)，傳統(tǒng)的信道建模方法無法自動學(xué)習(xí)特定類型信道的規(guī)律，特別是在針對特殊應(yīng)用場景，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，探討了機器學(xué)習(xí)如何與信道建模進行有機融合，分別從信道多徑分簇、參數(shù)估計、模型的構(gòu)造及信道的場景識別展開了討論，對當前該領(lǐng)域的重要研究成果進行了闡述，并對未來發(fā)展提出了展望。

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

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

從國內(nèi)外研究現(xiàn)狀來看，面向 5G 信道特性的研究主要是在某個場景或頻段下采用傳統(tǒng)的手段進行統(tǒng)計分析的，缺少自動學(xué)習(xí)規(guī)律技術(shù)的支持，難以應(yīng)對海量化、時變性、特征多樣化的無線信道數(shù)據(jù)變化趨勢。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]。機器學(xué)習(xí)（ML, machine learning）是一種可以自動地從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，并利用此規(guī)律對未知數(shù)據(jù)進行預(yù)測的算法，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重要分支，機器學(xué)習(xí)具有以下幾點優(yōu)勢。

1) 強大的學(xué)習(xí)能力和預(yù)測能力。相關(guān)研究表明，與現(xiàn)有的確定性和隨機性信道建模方法相比，基于機器學(xué)習(xí)的模型在準確性、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?；跈C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，以一種更簡單的方式直接獲得信道的統(tǒng)計特性，從而使結(jié)果更加準確。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，而基于機器學(xué)習(xí)的信道模型則從不同場景中收集數(shù)據(jù)來建立通用性更強的模型架構(gòu)。

2) 良好的非線性擬合及自適應(yīng)能力。高速移動、大規(guī)模天線等帶來的信道在時域和空域的非平穩(wěn)特性，使實際應(yīng)用的無線信道都是非線性的，而機器學(xué)習(xí)恰恰在模擬非線性系統(tǒng)上有著良好的性能。因此，只需要利用實測數(shù)據(jù)對基于機器學(xué)習(xí)的信道模型進行足夠多的訓(xùn)練，就可以用來模擬實際應(yīng)用中的無線信道。此外，大規(guī)模復(fù)雜場景導(dǎo)致各種通信鏈路的信道條件迅速變化，此時嚴重依賴信道狀態(tài)信息（CSI, channel state information）的信道模型性能會大幅降低[4]，而利用機器學(xué)習(xí)對其訓(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)用場景中提出了增強型移動寬帶（eMBB, enhanced mobile broadband）、高可靠低時延（uRLLC, ultra reliable and low latency communication）及海量機器通信（mMTC, massive machine type communication）三大典型應(yīng)用場景，為了實現(xiàn)這一目標，5G 系統(tǒng)需要成為一個范式轉(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，在獲取、存儲和處理大量數(shù)據(jù)的過程中給傳統(tǒng)的信道建模方法帶來了很大的挑戰(zhàn)，而基于機器學(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)上卻具有得天獨厚的優(yōu)勢，例如文獻[6]對179個測量點進行測量，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。通過主成分分析（PCA, principal component analysis）進行信道建模，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 標準更接近實際測量的結(jié)果。因此無線大數(shù)據(jù)時代給機器學(xué)習(xí)在 5G 及之后的信道建模的應(yīng)用研究帶來了機遇。

綜上，機器學(xué)習(xí)被認為是分析測量數(shù)據(jù)、理解傳播過程和構(gòu)造模型的有力工具[7]。迄今，國內(nèi)外已經(jīng)對高鐵通信 [8,9]、毫米波通信 [10,11]、4G/5G/6G[5,12,13]、V2V 通信[14]、無人機通信[15]、massive MIMO[16]等應(yīng)用場景的信道模型進行了綜述，而本文就機器學(xué)習(xí)如何與信道建模進行有機結(jié)合展開討論，主要可以分為以下三大類。

1) 信道多徑分簇及參數(shù)估計。在 MIMO 中出現(xiàn)了以簇為核心[2]的信道模型，這是因為研究簇的特性可以簡化建模過程。簇是一組具有相似的時延、角度等參數(shù)的多徑分量（MPC, multipath component），因此，為了在接收端識別出簇，需要一種與多徑傳播特性相對應(yīng)的聚類算法，從而提高簇核心模型的精度。自動聚類算法（如 k-power means 算法）近年來得到了廣泛應(yīng)用，但仍然需要簇的數(shù)量等先驗假設(shè)信息。信道建模需要從大量實測數(shù)據(jù)中提取表征信道衰落特性的各個關(guān)鍵特征參數(shù)的隨機分布，再根據(jù)信道特征參數(shù)的隨機分布來量化各個參量，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)和反映真實信道傳輸?shù)奶匦?，進而通過信道參數(shù)估計算法來提取信道特征的關(guān)鍵技術(shù)。隨著無線通信的發(fā)展，信道特征的維度由最初的時–頻二維擴展到時–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，這給傳統(tǒng)的信道參數(shù)估計帶來了很大挑戰(zhàn)。然而許多分簇算法需要在聚類之前通過高分辨率參數(shù)估計算法提取MPC，這些算法的計算復(fù)雜度普遍較高，難以在時變信道中進行實時操作。因此，基于機器學(xué)習(xí)的 MPC 自動聚類算法和參數(shù)估計算法受到了廣泛的關(guān)注。

2) 信道模型構(gòu)造。5G 及未來通信系統(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)用場景，信道數(shù)據(jù)量也隨之激增。傳統(tǒng)的基于簇的統(tǒng)計性建模方法較難找出抽頭簇與實際散射體之間的映射關(guān)系；確定性建模方法預(yù)測準確但復(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，可以使用實測數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)進行充足的訓(xùn)練，從而模擬實際場景的無線信道，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，這對時變信道的建模特別重要，尤其是在分析實際信道數(shù)據(jù)時可以減少重新建模的成本。后者利用機器學(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)計性簇和確定性散射體之間的匹配映射關(guān)系，并通過有限數(shù)量有物理意義的簇核進行信道建模。該方法同時結(jié)合了統(tǒng)計性建模和確定性建模的優(yōu)勢，既解決了確定性模型復(fù)雜度高的問題，又解決了統(tǒng)計性模型缺乏物理含義的問題。

3) 信道狀態(tài)分類/場景識別。信道狀態(tài)分類/場景識別是信道建模和通信系統(tǒng)部署的重要依據(jù)，不同場景下的信道模型也不一致。另外，由于信道的復(fù)雜性，實際測量所需的時間長且難度高，那么精確的信道場景識別對系統(tǒng)進行分析和評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)檢驗對場景進行分類是不夠準確的；另一方面，一些機器學(xué)習(xí)算法對于數(shù)據(jù)的分類具有很大的優(yōu)勢，比如支持向量機（SVM, support vector machine）、神經(jīng)網(wǎng)絡(luò)、隨機森林、決策樹等。在這種情況下，學(xué)習(xí)和提取不同場景下的信道屬性差異有助于自動將測量的數(shù)據(jù)分類到不同場景中，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)化或本地化的場景特征。

本文概述了機器學(xué)習(xí)應(yīng)用于信道建模過程中的相關(guān)研究。首先，介紹了利用機器學(xué)習(xí)優(yōu)化傳統(tǒng)的信道參數(shù)估計，總結(jié)了國內(nèi)外針對分簇所采用的聚類算法，并從多個角度對不同聚類算法進行比較。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)對不同環(huán)境、場景和頻段下的建模，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程。再次，提出了無線信道場景識別的研究難點以及目前的一些研究方案。最后，對全文工作進行總結(jié)，并對未來進行展望。

編輯：文婧