推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于深度学习的物理层无线通信技术:机遇与挑战

更新时间:2019-12-30 19:38:02 大小:1M 上传用户:songhuahua查看TA发布的资源 浏览次数:57 下载积分:1分 出售积分赚钱 评价赚积分 ( 如何评价?) 标签:物理层无线通信深度学习深度神经网络 收藏 评论(0) 举报

资料介绍

对无线通信系统的高可靠性与超高容量需求促进了第五代移动通信(5G)的发展,然而,随着通信系统的日益复杂,现有的物理层无线通信技术难以满足这些高的性能需求。目前,深度学习被认为是处理物理层通信的有效工具之一,基于此,主要探讨了深度学习在物理层无线通信中的潜在应用,并且证明了其卓越性能。最后,提出几个可能发展的基于深度学习的物理层无线通信技术。


部分文件列表

文件名 大小
基于深度学习的物理层无线通信技术:机遇与挑战.pdf 1M

部分页面预览

(完整内容请下载后查看)
40 卷第 2 期  
2019 2 月  
Vol.40 No.2  
Journal on Communications  
February 2019  
基于深度学习的物理层无线通信技术:机遇与挑战  
桂冠,王禹,黄浩  
(南京邮电大学通信与信息工程学院,江苏 南京 210003)  
摘 要:对无线通信系统的高可靠性与超高容量需求促进了第五代移动通信(5G)的发展,然而,随着通信系统  
的日益复杂,现有的物理层无线通信技术难以满足这些高的性能需求。目前,深度学习被认为是处理物理层通信  
的有效工具之一于此要探讨了深度学习在物理层无线通信中的潜在应用且证明了其卓越性能后,  
提出几个可能发展的基于深度学习的物理层无线通信技术。  
关键词:物理层无线通信;深度学习;深度神经网络;调制模式识别;波束成形  
中图分类号TM929.5  
文献标识码A  
doi: 10.11959/j.issn.1000-436x.2019043  
Deep learning based physical layer wireless communication  
techniques: opportunities and challenges  
GUI Guan, WANG Yu, HUANG Hao  
College of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China  
Abstract: The development of the fifth-generation wireless communications (5G) system is promoted by the high re-  
quirements of the high reliability and super-high network capacity. However, existing communication techniques are hard  
to achieve the high requirements due to the more and more complexity design in 5G system. Currently, deep learning is  
considered one of effective tools to handle the physical layer wireless communications. Several potential applications  
based on deep learning were reviewed, and their effectiveness were confirmed. Finally, several potential techniques in  
deep learning based physical layer wireless communications were pointed out.  
Key words: physical layer wireless communication, deep learning, deep neural network, modulation model recognition,  
beamforming  
的通信技术在信号分类、信道估计、性能优化[1-2]  
1 引言  
等方面可能具有很大的潜力,其原因主要有如下 3  
个方面。  
爆炸性增长的数据量、高速和低延迟的通信需  
求给通信系统带来了巨大挑战,现有的通信系统难  
以满足这些需求。此外,现有的通信理论在系统结  
构信息的利用以及海量数据的处理方面存在根本  
的局限性,这意味着需要建立新的通信理论来满足  
未来无线通信系统的需求。  
1) 大多数现有的通信系统都是逐块设计的这  
意味着这些通信系统由多个模块组成(例如发射  
机、调制器、编码器等对于这种基于模块设计  
的通信体系结构,通信领域的学者已经开发了许多  
技术来优化每个模块的性能,但是每个模块的性能  
达到最佳,并不意味着整个通信系统的性能达到最  
些新的研究[3-9]表明到端优即优化整  
个通信系统)优于优化单个模型。深度学习为实现  
端到端性能最大化提供了一种先进且强力的工具。  
自阿尔法狗击败李世石起,深度学习就引起了  
学术界和工业界的广泛关注。由于深度学习在面对  
结构化信息与海量数据时的巨大优势,诸多通信领  
域的研究者也将目光投向深度学习。基于深度学习  
收稿日期2019-01-28修回日期2019-02-14  
2019043-1  
·20·  
40 卷  
2) 在无线通信系统中,在复杂、大规模的通信  
场景下,信道状况变化迅速。许多传统的通信模型,  
如基于联合空间分复用(JSDM, joint space division  
multiplexing 的大规模多输入多输出(MIMO,  
multiple input multiple output)模型[10]严重依赖信道  
状态信息(CSIchannel state information它们的  
性能在非线性时变信道下会发生恶化[3]确获取时  
变信道的 CSI 对系统性能至关重要。通过利用深度  
学习技术,有可能使通信系统可以学习突变的信道  
模型,并及时反馈信道状态。  
积神经网络(CNNconvolution neural network、  
循环神经网络(RNNrecurrent neural network)以  
及深度神经网DNN, deep neural network主 要  
识别的信号调制方式包括二进制相移键控(BPSK,  
binary phase-shift keying正交相移键控(QPSK,  
quadrature phase-shift keying八进制相移键控  
8PSK, 8 phase-shift keying连续相位频移键控  
CPFSK, continuous-phase frequency-shift keying、  
高斯频移移位键GFSK, Gaussian frequency-shift  
keying 、 四 级 脉 冲 幅 度 调 制 ( PAM4, 4  
pulse-amplitude modulation及十六相正交幅度调  
制( 16QAM, 16 quadrature amplitude modulation这  
7 种信号调制方式。采用的数据集是由信号的同向  
分量(Iin-phase component)和正交分量(Q,  
quadrature component)组成的 IQ 样本。  
3) 目前有内存共享的大规模并行架构的计  
算体系具有良好的能耗比,例如图形处理单GPU,  
graphics processing unit行计算可以吞吐大量数  
[3],十分符合现有的通信场景。此外,基于深度  
学习的通信技术可以在 GPU 上正常运行,并且可  
以充分利用这种并行架构。  
基于上述考虑,为了适应未来无线通信场景中  
的新需求,本文主要研究无线通信中的深度学习技  
术,包括基于深度学习的调制信号识别技术以及基  
于深度学习的波束赋形技术,它们将促进未来无线  
通信的进一步发展。  
2 无线通信中的深度学习  
2.1 基于深度学习的调制信号识别  
1 基于深度学习的调制模式识别  
自动调制模式识别(AMR, automatic modula-  
tion recognition)是一种识别信号调制方式的技术,  
该技术在军用领域和民用领域都发挥着巨大的作  
军用领域制模式识别主要用于电子EW,  
electronic warfare用来恢复截获的敌方信号,获取  
敌方情报民用领域动调制模式识别主要用于  
频谱监测和干扰识别现代无线通信中频谱资源是  
最宝贵的资源频谱资源的短缺也造成了某些机构  
或者个人非法占用已分配好的频段会严重干扰合  
法用户的正常通信至产生安全问题动调制模  
式识别可以协助频谱监测系统分析各个频段信号的  
调制方式而解调出被监测信号析被监测信号  
的具体属性,实现对频谱资源的监控。  
基于 CNNRNNDNN 3 种神经网络的调  
制模式识别算法在各个信噪比下的准确度如图 2 所  
示。从图 2 可以看到,基于 CNN 的调制模式算法  
的性能优越。因此,在图 3 中给出了基于 CNN 的  
调制模式识别在信噪比分别为-6 dB0 dB6 dB  
12 dB 时的混淆矩阵。由图 3 可以看出,在信噪  
比为 0 dB 了部分 QPSK 信号和 8PSK 信号难  
以区分外CNN 的调制模式识别可以正确  
鉴于深度学习在图像及文本分类任务方面的  
强大性能,本文将深度学习引入自动调制模式识  
别。具体而言,基于深度学习的调制模式识别是在  
接收到未知信号进行参数处理后,将得到的基带信  
号利用深度神经网络来识别信号的调制方式,如图  
1 所示。本文采用 3 种不同的神经网络,分别为卷  
2 基于不同调制模式识别算法的识别准确度  
2019043-2  

推荐下载

全部评论(0)

暂无评论