基于神经网络的无线通信物理层智能传输技术文献综述

文献综述（或调研报告）：

文献综述面向基于深度学习的无线物理层关键技术，从信道估计、信号检测以及端到端无线通信系统3个方面展开详细介绍，展示了该方面近年来的最新研究进展。

在大规模MIMO波束毫米波场景下，信道估计极具挑战性，尤其是在天线阵列密集、接收机配备的射频链路受限的场景。参考文献【1】提出LDAMP网络来解决这一信道估计问题。该网络将信道矩阵视作二维图像作为输入，并将降噪的卷积神经网络融合到迭代信号重建算法中进行信道估计。LDAMP基于D-AMP算法，由L层完全相同的结构串联而成。每层由降噪器、散度估量器和连接的系数组成。降噪器由具有20个卷积层的DnCNN 实现，在LDAMP 网络起到决定性作用。在未知噪声强度情况下，DnCNN降噪器能够解决高斯降噪问题，比其他降噪技术准确度更高、计算速度更快。它不是直接从含有噪声的信道图像中学习信道图像，而是先学习残余噪声，然后通过相减操作获得信道估计的图像。残差学习不仅降低了训练时间，也增强了信道估计的准确性。仿真结果表明LDAMP 网络的性能优越于当前最具潜力的其他信道估计方法。参考文献【2】提出了一种基于深度学习（DL）技术的多用户多输入多输出（MIMO）信道的联合导频设计和信道估计方案。使用两层神经网络（TNN）的导频设计器和使用深度神经网络（DNN）的信道估计器进行联合优化，它们被联合训练以最小化信道估计的均方误差（MSE）。 为了有效地减少多个用户之间的干扰，还在信道估计过程中使用连续干扰消除（SIC）技术。 最后数值结果表明，该方案明显优于基于现有技术的线性最小均方误差（LMMSE）信道估计方案。从MMSE算法的基本结构出发，参考文献[3]提出了一种基于深度学习的信道估计器，其中估计的信道向量为条件高斯随机变量，协方差矩阵具有随机性。如果协方差矩阵具有特普利兹特性和移不变的结构特性，则MMSE信道估计器的复杂度将降低很多。在信道的协方差矩阵不具备上述特性时，信道估计的复杂度将会变得很大。为了降低信道估计的复杂度，参考文献【3】仍假设采用MMSE的结构模型，并利用CNN对误差进行补偿。仿真结果表明，提出的信道估计器在降低复杂度的同时，也保证了信道估计的准确性。参考文献【4】提出了一种基于学习去噪的近似消息传递（LDAMP）网络，用于当接收机在波束空间毫米波（mmWave）大规模多输入多输出系统中配备有限数量的射频（RF）链时的信道估计，该神经网络可以从大量训练数据中学习信道结构和估计信道。即使接收器配备少量RF链，LDAMP神经网络也明显优于最先进的基于压缩感知的算法

参考文献【1】和参考文献【3】不仅考虑到实际问题中的模型特点，而且以已有算法为基础，使整个深度学习网络的学习参数较少，而且准确性高、复杂性低，更具竞争力。

参考文献【5】利用DNN实现OFDM系统中的信号检测问题。传统的OFDM系统信道估计和信号检测是两个独立的功能模块，即先进行信道估计获得确切的CSI，然后利用估计的CSI对发送信号进行恢复，信号原始恢复过程还涉及解调等模块。与传统无线通信不同，参考文献【5】将信道估计和信号检测视为一个整体，直接用DNN 实现由接收信号到原始信号的映射。参考文献【6】也采取了同样的思路，文章针对单比特量化难以实现精确的信道估计和数据检测的情况，提出了在复数比特量化的情况下OFDM接收机的基本结构和设计方法，利用深层神经网络（DNN）用合理数量的导频进行训练，最终结论是用一位ADC替换高分辨率ADC可以大大降低接收机成本和功耗，但如果使用传统方法，则会导致单天线OFDM接收机在信道估计和数据检测方面的显著性能损失。文章中针对中等数量的子载波提出了新的OFDM系统深层学习方法。这种方法是基于生成模型和多层神经网络的生成监督DNN信道估计方法。测试结果表明，可以实现可靠的信道估计，但是有一个比特量化的非线性损伤。此外，文章提出了一种配备一位ADC的无监督自检测编码器的OFDM接收机。当量化层前隐含层神经元数目增加时，该模型可获得满意的误差率。文章认为结果可以表明未量化的OFDM性能可以被深度学习方法击败。

参考文献【7】研究的是MIMO系统的信号重建问题，提出了信号检测算法DetNet。DetNet在最大似然法基础上加入梯度下降算法，从而生成一个深度学习网络。为了测试DetNet的顽健性，考虑了两种CSI已知的情景，即时不变信道和随机变量已知的时变信道。仿真结果表明，DetNet 性能优于传统的信号检测算法AMP，而且与SDR算法性能相当，具有极高的准确性和极少的时间开销（该算法速度是传统算法的30倍）。

参考文献【8】与参考文献【7】研究的问题相同，而且提出的解决方法均依赖已有的信号检测算法。参考文献【8】以OAMP迭代算法为基础，结合深度学习网络提出了OAMP-Net，目的是在原有算法基础之上，加入可调节的训练参数，进一步提升已有算法的信号检测性能。仿真结果表明，OAMP-Net的性能不仅高于OAMP算法，而且优越于更加复杂的LMMSE-TISTA算法，其算法复杂度更低且能适应于时变的信道。

【9】提出了一种称为滑动双向递归神经网络（SBRNN）的技术用于检测，其中在训练之后，当信号流到达接收器时，检测器在实时中估计数据。文章考虑基于深度学习的检测，并表明可以在不了解基础信道模型的情况下训练表现良好的检测器。此外，当已知信道模型时，证明可以训练不需要信道状态信息（CSI）的检测器。