智能无线通信 课件 第四章 物理层技术中AI的应用

无线通信中的人工智能基于AI的信号检测技术及课程案例实践（理论部分）

无线通信中的物理层技术及过程01AI在物理层技术中的应用02提纲调制与解调调制与解调03AMC技术04基于ML的调制识别技术05无线通信中的物理层技术及过程信道编码Channelencoder信道译码Channeldecoder调制Modulation解调Demodulation发送天线映射AntennaMapping接收信号检测SignalDetection无线信道WirelesschannelD/A&RFA/D&RF信源编码Channelencoder信源译码Channeldecoder发射机Transmitter接收机Receiver信道估计ChannelEstimation联合信源信道编码新型信道编译码自适应编码调制AMC多天线MIMO干扰删除IC多载波调制OFDMML/AI应用与PHY技术的现状（1/2）

Channelcoding/Jointsource-channelcodingE.Nachmani,Y.Be’ery,D.Burshtiein,“Learningtodecodelinearcodesusingdeeplearning”,2016N.Farsad,M.Rao,A.Goldsmith,“Deeplearningforjointsource-channelcodingoftext”,2018Modulation/AdaptiveModulationandCoding(AMC)ZhechenZhuandAsokeK.Nandi,“AutomaticModulationClassification:Principles,AlgorithmsandApplications”,FirstEdition,JohnWiley&Sons,Ltd.,2015MIMO,MassiveMIMON.Samuel,T.Diskin,A.Wiesel,“DeepMIMOdetection”,2017ChannelestimationH.He,C.-K,Wen,J.Shi,G.Y.Li.,“Deeplearning-basedchannelestimationforbeamspacemmWavemassiveMIMOsystems”,2018Signaldetection/OFDM/channelestimationH.Ye,G.Y.Li,B.-H.F.Juang,“PowerofdeeplearningforchannelestimationandsignaldetectioninOFDMsystems”,2018ML/AI应用与PHY技术的现状（2/2）End-to-endtransceiverdesignT.O’SheaandJ.Hoydis,"AnIntroductiontoDeepLearningforthePhysicalLayer,"IEEETrans.Cognit.Commun.Netw.,vol.3,no.4,pp.563-575,Dec.2017.H.Ye,L.Liang,G.Y.LiandB.-H.Juang,"DeepLearning-BasedEnd-to-EndWirelessCommunicationSystemsWithConditionalGANsasUnknownChannels,"IEEETrans.WirelessCommun.,vol.19,no.5,pp.3133-3143,May2020.F.AitAoudiaandJ.Hoydis,"End-to-EndLearningforOFDM:FromNeuralReceiverstoPilotlessCommunication,"IEEETrans.WirelessCommun.,vol.21,no.2,pp.1049-1063,Feb.2022.调制与解调:发射机与接收机的核心技术

频带调制模拟调制:调制信号（基带信号）是模拟信号AM（DSB，SSB：USB&LSB，VSB）FM数字调制:基带信号是数字信号ASK(2ASK,M-ASK)PSK(2PSK,M-PSK)FSK(2FSK,M-PSK)PAM(2PAM,M-PAM)QAM(QPSK,M-QAM)调幅AM调频FMASK(2ASK波形)FSK(2FSK波形）PSK(2PSK波形）PAMQAM说明：调制阶数越高，频谱利用率越高归一化星座图虽然调制阶数越高，频谱利用率越高，但是符号受到信道的影响约大，导致误码率约高BPSKQPSK8PSK16QAM无线信道对调制信号的影响符号调制频带调制无线信道频带解调符号解调AWGN信道慢衰落信道带频偏快衰落信道AWGN信道慢衰落信道带频偏快衰落信道衰落信道下的接收机设计需要克服信道衰落和频率偏移，非常复杂QPSK如何选择合适的调制方式？

传统采用固定调制方式，调制阶数越低抗干扰和噪声的能力越强（相邻星座点间的欧式距离越大）【可靠性优先】需要考虑信道最恶劣情况，因此通常选择低阶调制缺点：当信道质量好时，频谱利用率较低【损失有效性】AMC技术Cavrs在1972年提出根据接收信号电平自适应调整符号传输速率的方法来对抗信道衰落

自适应的选择不同的调制方式【可靠性-有效性的平衡】当信道质量差时选择低阶调制，保证可靠性；当信道质量好时选择高阶调制，在保证可靠性前提下，提高有效性5G移动通信系统采用的调制方式QPSKBPSK16QAM64QAM256QAM5G移动通信系统采用的调制方式AMC技术提出的机理：

不同的调制方式（或调制编码组合），其误码率和频谱效率不同AMC技术提出的机理：

不同的调制方式（或调制编码组合），其误码率和频谱效率不同BPSKQPSKM-QAM每个符号承载1bit每个符号承载2bit每个符号承载bitAMC技术基本原理在通信过程中，信号质量受信道影响而不断变化，采用某一种固定调制方式，导致频谱利用率较低根据信噪比的变化自适应的选择调制方式通过信令传递调制方式：CQI（ChannelQualityIndicator）及MCS（ModulationandCodingSets）信令AMC技术基本原理Source:AutomaticModulationClassification:Principles,AlgorithmsandApplications,FirstEdition,ZhechenZhuandAsokeK.Nandi.JohnWiley&Sons,Ltd.,2015,在通信过程中，信号质量受信道影响而不断变化，采用某一种固定调制方式，导致频谱利用率较低根据信噪比的变化自适应的选择调制方式通过调制识别智能检测调制方式，节省信令开销调制识别技术（小结）

传统AMC技术基于信令传输调制方式信息接收机自适应的选择调制方式，并通过信令反馈给发射机发射机确定调制方式，并通过信令通知接收机信令传输需要占用频谱/时隙/功率资源

自动调制识别技术接收机根据接收数据的特征分析及算法判别其调制方式无需信令传输调制方式，节省资源主要应用于支持AMC，以及不同调制信号的探测识别调制识别的要点：基于调制信号的特征

基于频谱特性的特征

基于小波变换的特征

基于高阶统计特性的特征

基于时域特性的特征参考:AutomaticModulationClassification:Principles,AlgorithmsandApplications,FirstEdition,ZhechenZhuandAsokeK.Nandi.JohnWiley&Sons,Ltd.,2015,调制信号的分类/识别

ModulationClassifiers

TraditionalMethodsLikelihood-basedClassifierDistributionTest-basedClassifierFeaturebasedClassifierMachineLearningbasedMethodsK-NearestNeighbor(KNN)ClassifierSupportVectorMachineClassifierDictionaryLearningbasedClassifierDeepLearning问题：判决需要基于调制信号的不同特征以及门限，在实际环境中不易获取优势：1.判决更易于实现；2.可以降低对于特征的依赖ML算法常用特征：调制信号的高阶统计量特征广义高阶矩：对于一个具有零均值的复随机过程X(t)，其广义高阶矩定义为

其中，E表示求期望运算，*表示函数的共轭广义高阶累积量：

优点：若随机变量均值为零，且服从高斯分布，那么它的高阶累积量（k≥3）恒为零不变，故具有抗干扰的优点。Source:HierarchicalDigitalModulationRecognitionBasedonHigher-OrderCumulants,2012

常用的高阶累积量不同调制信号的高阶累积量特征BPSKQPSK16QAM64QAM256QAMC2010000C2111111C40210.680.620.6C4120000C42210.680.620.6C60160.360.270.260.25C611642.081.81.7C62160.250.220.20.2C631642.081.81.8基于高阶累积量特征的ML调制识别方法高阶累积量决策树KNNSVM决策树+SVM决策树+KNN+GACNN深度学习稀疏字典总结AI应用于无线通信PHY技术的研究现状AMC技术思想

调制识别技术的基本原理和方法本节课重点：谢谢基于AI的信号检测技术及课程案例实践

一种基于KNN的调制识别提纲：一种基于KNN的调制识别案例系统框图kNN算法介绍调制信号的高阶统计量特征基于kNN的调制信号识别原理性能展示案例代码说明作业及要求回顾：无线通信中的物理层技术及过程32信道编码Channelencoder信道译码Channeldecoder调制Modulation解调Demodulation发送天线映射AntennaMapping接收信号检测SignalDetection无线信道WirelesschannelD/A&RFA/D&RF信源编码Channelencoder信源译码Channeldecoder发射机Transmitter接收机Receiver信道估计ChannelEstimation案例1：接收机中的调制信号识别技术33发射机Transmitter符号调制无线信道调制识别符号解调接收机Receiver基于kNN（k-NearestNeighber）算法的调制识别系统框图数字基带信号的发送和接收忽略：射频以及A/D,D/A，频带调制/解调，信源编/译码，信道编/译码假设为AWGN信道回顾：符号调制34说明：调制阶数越高，频谱利用率越高回顾：5G移动通信系统采用的调制方式35QPSKBPSK64QAM256QAM16QAMKNN（K-NearestNeighbering）算法介绍36kNN算法属于监督学习的一种算法，常用于分类器输入：实例的特征向量，对应于特征空间的点输出：实例的类别，可以取多类基本要素：特征向量提取，距离度量，k值的选择kNN算法（特征样本空间,距离度量，k）实例的类别实例的特征向量KNN算法思想37在已知类别中，计算样本集中的样本与当前测试数据（待分类数据）的距离。按照距离递增次序排序。选取与当前测试数据距离最小的k个样本。统计前k个样本属于各个类别的出现频率。将前k个样本中出现频率最高的类别作为当前点测试数据的分类结果。KNN算法示例38距离度量为欧氏距离：其中L为特征维度示例图：图例为二维欧氏距离度量分析步骤：1.分别算出测试数据Xu到各个类别样本点的距离2.对距离进行排序3.统计距离最小的k个点4.统计k个点所属的类别5.返回出现频率最高的类别，作为当前测试数据的分类结果KNN算法的优缺点39kNN算法的优缺点：优点：精度高、对异常值不敏感缺点：计算复杂度高、空间复杂度高适用数据范围：数值型改进kNN算法的方法：缩小训练集的大小（删除冗余；提取代表样本）加快kNN搜索进程选取合适的K值案例1：调制信号识别的系统框图40BPSKQPSK16QAM64QAM256QAMSource:3GPPTS38.211v15.3.05G移动通信系统使用的调制方式：发射机Transmitter符号调制无线信道调制识别符号解调接收机Receiver信号的高阶统计量特性41常用高阶累积量的计算：高阶矩的计算：数字调制信号高阶累积量的理论值42BPSKQPSK16QAM64QAM256QAMC2010000C2111111C40210.680.620.6C4120000C42210.680.620.6C60160.360.270.260.25C611642.081.81.7C62160.250.220.20.2C631642.081.81.8选用高阶累积量作为特征，如表，特征维度为L=9好处：若随机变量均值为零，且服从高斯分布，那么它的高阶累积量（阶数≥3）恒为零不变，故具有抗干扰的优点。基于KNN算法的调制信号识别技术原理43特征提取kNN算法特征提取调制信号样本集特征向量样本集发射机Transmitter符号调制无线信道调制识别符号解调接收机Receiver接收调制信号测试数据调制方式特征向量基于KNN算法的调制信号识别技术原理44特征提取kNN算法特征提取调制信号样本集特征向量样本集接收调制信号测试数据调制方式测试数据特征向量基于高阶累积量的特征向量为：第一步：处理样本集特征提取：信号的高阶统计量计算45然后计算常用高阶累积量：先计算高阶矩：高阶累积量形成L维特征向量案例源代码：给出到四阶矩，共5维特征；开发问题：要求计算到六阶矩，共9维特征基于KNN算法的调制信号识别技术原理46特征提取kNN算法特征提取调制信号样本集特征向量样本集接收调制信号测试数据调制方式测试数据特征向量第二步：处理测试数据集基于高阶累积量的特征向量为：47特征提取kNN算法特征提取调制信号样本集特征向量样本集接收调制信号测试数据调制方式测试数据特征向量第三步：基于KNN的调制识别计算距离度量：要计算？个距离统计距离最小的k个样本统计k个样本的各种调制方式的频次将出现频次最高的调制方式作为最终结果统计测试准确率=基于KNN算法的调制信号识别技术原理算法性能展示48总结：由仿真结果可知：1.随着SNR的增大，噪声的干扰相对减少，识别正确率越高。2.调制阶数越高，调制识别正确率达到1时对应的SNR就越高。3.特征由四阶累积量增加到六阶累积量时，识别正确率显著提高。实践方式一49MATLAB：数据生成部分生成样本集:getSample.m生成测试数据集:getTest***.m特征提取:Func_get_Cumulant.m模拟接收调制信号:BPSKmodulator.mQPSKmodulator.mPYTHON：调制识别部分kNN分类器:（fuc1.py）kNN调制识别（main.ipynb）kNN分类器生成测试数据识别统计正确率及结果显示digitsdata手动拷贝数据提供资源说明50提供资源案例源代码案例讲解视频下载地址：教学云平台实践方式二51数据集特征提取:？PYTHON：调制识别部分kNN分类器:（fuc1.py）kNN调制识别（main.ipynb）kNN分类器生成测试数据识别统计正确率及结果显示RxData训练样本集:.dat测试数据集:.dat作业及要求52实践案例1：基于KNN的调制识别必做任务：根据提供的数据、源代码、讲解视频等完成“基于KNN的调制识别”案例的编程、调试、性能画图及分析调制方式：BPSK，QPSK，16QAM高阶累积量：4阶数据处理：每组数据N=500个（用于计算高阶矩），样本集中每种调制类型有M=10个样本，测试集中每种调制类型有P=1000个测试数据KNN算法参数：k=10调整参数，对比并分析结果，得出结论：（1）N换成200，即200个调制符号/组，（2）k取其他值，如k=3,k=50。开放任务(选作)：修改特征提取部分，根据高阶累积量的公式，把四阶累积量（特征维度L=5）增加到六阶累积量（特征维度L=9），完成编程、调试、及性能分析。

作业及要求53实践案例1：基于KNN的调制识别提交内容：源程序：matlab数据生成部分，python调制识别部分数据：支撑main运行需要的数据，由源程序所生成实践报告：可以直接用JupyterNotebook完成报告，即main.ipynb；也可以用word完成报告。报告格式见模板。形式：将上述内容放在一个文件夹中，并形成该文件夹的压缩包压缩包命名格式：PHY1-调制识别+学号+姓名作业上传：教学云平台总结：案例一的知识点回顾54AI应用于无线通信物理层技术的现状调制技术有哪些？符号调制的原理及参数，符号速率与信息速率的关系基于ML的调制识别技术AMC技术的基本思想为什么要采用调制识别技术调制识别技术的几种方法基于kNN的调制识别技术的基本原理与实践、分析谢谢基于AI的信道估计与接收机设计课程案例

深度学习在物理层技术设计中应用的两种思路01宽带OFDM通信系统收发信机原理介绍02提纲OFDM系统中基于深度学习的信道估计和信号检测设计03基于仿真数据的验证过程及性能展示04案例代码说明0506作业及要求无线通信中的物理层技术及过程58信道编码Channelencoder信道译码Channeldecoder调制Modulation解调Demodulation发送天线映射AntennaMapping接收天线检测AntennaDetection无线信道WirelesschannelD/A&RFA/D&RF信源编码Channelencoder信源译码Channeldecoder发射机Transmitter接收机Receiver（1）基于功能模型的物理层设计（2）基于数据的物理层端到端设计新的物理层设计思路：基于数据的物理层端到端设计59可以通过自编码器训练信道模型已知，通过训练可获得某种损失函数下的最优发送/接收机设计信道模型未知，损失函数未知，虽然不能获得最优设计，但仍可应用将发射机、信道和接收机表征为一个DNN网络基于功能模型的物理层设计：OFDM信号检测60OFDM调制，单天线OFDM解调，单天线OFDM:实现高效宽带传输，子载波正交61频分复用FDM正交频分复用OFDM基于OFDM的多址方式非常灵活：FDMA+TDMAOFDM的多个子载波的正交设计62OFDM调制基本原理63单个子载波的调制信号：OFDM多载波调制信号：OFDM调制可以基于IFFT实现：64单个子载波的调制信号：OFDM多载波调制信号：OFDM调制可以基于IFFT实现：65IFFTOFDM解调可以基于FFT实现：66接收信号的时域表达式：接收信号的频域表达式：发送OFDM信号的时域表达式：(针对一个OFDM符号）OFDM调制：OFDM解调：接收信号的频域表达式：接收机从接收信号Y中检测信号XOFDM每个子载波上的信道特性近似平坦，有利于低复杂度接收机设计67OFDM符号加循环扩展CP：克服多径68CP是为了克服多径导致的符号间干扰而引入的，是一种冗余，需要消耗能量发送端在时域（OFDM调制后）增加CP，接收端接收信号后要首先在时域去除CP，然后再进行OFDM解调由于CP的循环扩展结构，OFDM在多径存在时，只要多径时延不超过循环扩展，OFDM不会受到符号间干扰OFDM的优点69OFDM频谱利用率高，实现复杂度低每个子载波上的信道特性近似平坦，接收机复杂度低OFDM通过循环扩展克服多径衰落的影响OFDM的缺点？峰均比，频偏敏感等本例OFDM参数说明70子载波数：K=64OFDM符号的CP长度：CP=161个导频OFDM符号1个数据OFDM符号时域帧结构：1个帧包含F=2个OFDM符号ttff63f62f61……f2f1f0tff63f62f61……f2f1f0时频二维帧结构OFDM收发信机系统框图71原理图：案例系统框图：H.Ye,G.Y.LiandB.Juang,"PowerofDeepLearningforChannelEstimationandSignalDetectioninOFDMSystems,"in

IEEEWirelessCommunicationsLetters,vol.7,no.1,pp.114-117,Feb.2018.信道估计和信号检测72发射机发射的时域信号经过多径信道，接收机得到的信号为：那么在接收机需要检测的频域信号为：首先进行信道估计，其次进行解调和解码，进而得到估计的发射信号H.Ye,G.Y.LiandB.Juang,"PowerofDeepLearningforChannelEstimationandSignalDetectioninOFDMSystems,"in

IEEEWirelessCommunicationsLetters,vol.7,no.1,pp.114-117,Feb.2018.信道估计和信号检测的传统经典算法73信道估计的经典算法LS算法/最小二乘MMSE算法/最小均方误差算法接收信号的频域表达式：信号检测首先，从接收的导频信号中获取信道信息，称为信道估计：信道估计信号检测的经典算法LS算法/最小二乘MMSE算法/最小均方误差算法ML算法/最大似然算法然后，从接收的信号中检测估计发送信号，称为信号检测：基于深度学习的信道估计和信号检查74深度神经网络的泛化能力能够对抗硬件非完美和无线信道衰落引起的信号畸变；利用神经网络代替信号接收机，完成信道估计和信号检测：通过神经网络直接得到联合进行信道估计和信号检测训练与部署过程75离线训练：利用仿真数据对神经网络进行训练。为了提高神经网络的泛在性，仿真数据尽量多种编码、调制和无线信道的情况在线部署：将离线训练后的网络部署在实际系统中。帧结构（数据组织结构）761个导频OFDM符号1个数据OFDM符号1个帧包含F=2个OFDM符号tDNNDNN……DNN输入:2M个实频域接收数据输出:Q个检测数据每个DNN：标签:对应Q发送比特tff63f62f61……f2f1f0tff63f62f61……f2f1f0本例：子载波K=64;F=2符号/帧检测器输出数据数量Q=16检测输出的起始数据序号j=16基于DNN的信号检测设计77输入2M个实频域接收数据标签：1个OFDM符号发送的比特序列本例：定义Loss函数本例超参数：L=4{256，500，250，120，16}本例：2M=256接收数据是复数vs.DNN处理实数？本例：子载波数K=64每帧OFDM符号数F=2每帧收到多少个符号？M=K*F=128隐藏层激活函数：ReLU函数输出层激活函数：sigmoid本例：QPSK符号J=?，128输出一个数据块（Q个数据）多个数据块，每个数据块单独DNN训练本例：j=16,Q=16性能分析：导频对不同接收机设计的影响78结论导频充足（导频开销较大）时，基于DNN的接收机可以获得和MMSE相同的性能导频较少时，基于DNN的接收机可以获得比MMSE，LS更好的性能，因此具有较高的效率和鲁棒性性能分析：OFDM的CP长度对不同接收机设计的影响79结论CP可以克服多径干扰，需要额外的能量开销传统接收机性能受CP影响较大，没有CP，多径干扰导致性能较差基于DNN的接收机对CP具有较好的鲁棒性，没有CP，比传统接收机有较大增益案例源程序说明80数据：导频数据：Pilot_64Pilot_8信道数据文件夹：Hdatas/channel_testchannel_train结果数据文件夹：result/定义参数及功能函数的子程序Global_parameters.py:定义参数：K=64，子载波数P=64，导频长度mu=2，调制阶数CP=K/4，CP长度定义功能函数：Modulation():QPSK调制IDFT():OFDM调制addCP():加CPchannel():时域输入信号与信道卷积，并加上噪声，得到时域输出removeCP():去CPDFT():OFDM解调ofdm_simulate():生成一个帧发送及接收数据/2个OFDM符号，输出为接收两个OFDM符号频域信号实部和虚部构成的向量生成数据子程序generations.pytraining_gen():生成训练数据帧validation_gen():生成验证数据帧案例源程序说明81数据：导频数据：Pilot_64Pilot_8信道数据文件夹：Hdatas/channel_testchannel_train结果数据文件夹：result/生成数据子程序generations.pytraining_gen():生成训练数据帧validation_gen():生成验证数据帧main

：主程序生成250批数据，迭代训练，并用验证数据看训练结果训练：生成epoch=100期数据，迭代训练，并用验证数据看训练结果1000帧训练数据/批次，训练一次DNN，更新参数结果处理及画图测试：不同SNR的测试数据集定义DNN网络及优化器提供资源说明82提供资源案例数据及源代码：original.rar案例讲解视频：演示.mvp下载地址：教学云平台作业及要求83实践案例2：基于DNN的联合信道估计和信号检测必做任务：根据提供的数据、源代码、讲解视频等完成案例2的编程、调试、性能画图及分析OFDM调制：K=64个子载波；CP长度：CP=K/4=16帧长=2个OFDM符号：1个导频符号，导频长度P=64，1个数据符号，符号调制为QPSK数据处理：生成100期训练数据epoch=100个（用于更好的训练），每一期有250个批次数据，每批次有1000帧数据，学习率=0.001调整参数，对比并分析结果，得出结论：（1）CP=16时，减小导频长度P，P=8（2）CP=0，即无CP；导频长度P=64（3）CP=0，即无CP；导频长度P=8开放任务(选作):(1)调整学习率lr；(2)调整超参数，例如层数，每层神经元数，激活函数等，完成编程、调试、及性能分析。

源程序作业及要求84实践案例2：基于DNN的联合信道估计和信号检测开发环境及编程语言：JupyterNotebook,Python提供数据：信道数据，见文件夹Hdatas/（不用提交，不用提交，不用提交）导频数据提交内容：输出数据：存储到文件夹result/，（运行main，结果会自动存储）主函数及子函数源程序：main,generations,Global_parameters实践报告：可以直接用JupyterNotebook完成报告，即main.ipynb；也可以用word完成报告。报告格式见模板。形式：将上述内容放在一个文件夹中，并形成该文件夹的压缩包压缩包命名格式：PHY2-DNN信号检测+学号+姓名作业上传：教学云平台发布/提交作业课程作业要求：五个案例选做两个（其中，物理层两个案例，二选一）总结：案例2的知识点回顾85深度学习在无线传输技术中应用的两种思路OFDM的基本原理，OFDM收发信机的基本构成信道估计和信号检测的概念和基本原理基于DNN的联合信道估计和信号检测设计，及性能分析DNN网络的定义参数训练性能分析谢谢基于AI的信道估计与接收机设计课程案例

基于深度学习的无线收发信机设计说明：本案例为了解内容，不用做实践案例，课程不提供代码，感兴趣同学可以自主找出下面论文作者的公开代码。深度学习在物理层设计中的应用01深度学习基本原理02基于自编码器结构的端到端物理层设计03提纲04存在的问题及解决思路T.O’Shea,J.Hoydis,“AnIntroductiontoDeepLearningforthePhysicalLayer”,IEEETrans.onCogn.Commun.Netw.,vol.3,no.4,pp.563-575,Dec.2017深度学习在物理层设计中的应用89为什么ML/DL在通信中的应用没有在CV,NLP等领域成效显著？通信是基于模型的成熟设计，对可靠性要求很高如果模型准确，用学习方法获得较大增益的期望不大ML/DL应用于传统物理层设计的思路（模型+数据）复杂通信环境，难以获得准确的数学模型，ML/DL方法的应用已经在PHY的多个技术点有研究成果新的物理层设计思路（数据驱动）：将发射机、信道和接收机表征为一个DNN网络受到Autoencoder的启发在信道数学模型已知时，已经证明了上述思想的可行性无线通信中的物理层技术及过程90信道编码Channelencoder信道译码Channeldecoder调制Modulation解调Demodulation发送天线映射AntennaMapping接收天线检测AntennaDetection无线信道WirelesschannelD/A&RFA/D&RF信源编码Channelencoder信源译码Channeldecoder发射机Transmitter接收机Receiver基于功能模型的物理层设计通信系统的最基本构成新的物理层设计思路（数据驱动）91将发射机、信道和接收机表征为一个DNN网络可以通过自编码器训练信道模型已知，通过训练可获得某种损失函数下的最优发送/接收机设计信道模型未知，损失函数未知，虽然不能获得最优设计，但仍可应用深度神经网络基本原理92深度神经网络的构成：输入层，隐藏层，输出层超参数：层数，每层神经元数量参数：权重，偏置神经网络的使用：训练：已知x1,x2....xm（输入），已知y1,y2....yn（输出，标签），求解每个连接的权值和每个神经元上的偏差值。应用：已