智能无线通信 课件 第四章 物理层技术中人工智能的应用-EXA2-1

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3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4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）5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6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：已知x1,x2....xm（输入），获得输出y1,y2....yn深度神经网络基本原理7训练方法：通过反向传播和梯度下降相结合来求解。初始：用随机数初始化权值计算损失函数：通过正向传播计算y值，跟真实y值做比对。循环：如果损失值相差比较大，则修改当前层的权重。如果损失值较小，则修改更低一层的权重。这个步骤一直重复，逐步传递到第一层的权值。深度学习基本原理：数学模型8每一层：整个DNN的参数：DNN的参数的个数？与超参数有关为激活函数，每层可能不同权值偏置训练NN：梯度下降法StochasticGradientDescent(SGD)9训练数据：S个带标签的训练数据（输入向量，正确输出向量）=损失计算：基于批量数据的损失计算：基于SGD的参数更新：学习速率迭代至收敛实际训练过程当前NN前向传播定义损失函数：自编码器介绍：一种特殊的神经网络10主要特点：输入和输出相等（无监督学习），对输入数据进行非线性压缩与重构目标是：输入数据的高效表示（降维，特征检测），中间层数据维度远低于输入数据维度（压缩）基于自编码器的端到端物理层设计11与自编码器的区别：输入和输出相等（无监督学习）目标：输入数据的有效表示，对于信道非理想特性具有高鲁棒性；因此会增加冗余（中间层的节点数可能高于输入数据）参数符号说明12Mmessages:kbitsnchannels基于自编码器结构的端到端物理层设计每一层的结构：资料来源：中国移动5G基站节能技术白皮书14基于自编码器结构的端到端物理层设计每一层的参数和激活函数：15基于自编码器结构的端到端物理层设计每一层的参数和激活函数：该DNN网络一共有多少个参数呢？16损失函数：基于仿真数据的性能验证17通信效率/速率结论：将发射机、信道和接收机表征为一个DNN网络的PHY设计具有一定可行性。基于仿真数据的性能验证18(2,2)(2,4)with(2,4)withaveragepowerconstraintReceivedsymbolswith(7,4)结论：AWGN信道，基于学习的end-to-endPHY设计能够找到最优的发射符号表达，以及发送机和接收机设计。回顾19物理层整体设计思路模型/模块化设计数据驱动的端到端一体化设计端到端物理层设计的思想及问题基于自编码器端到端物理层设计方案及可行性分析存在的问题及解决思路20M实际中非常大，例如一个信息块传输几百~几千的比特，信息的表征问题，NN的规模问题符号的表征，往往是复数，计算效率？目前是将实部和虚部分开存储，利用实数的学习算法，数据量*2实际的无线通信场景：多个发送机和接收机广播，多址接入，干扰系统无线衰落信道特性的影响信道的准确传输函数难以获得，导致损失函数对相关参数的不可微基于学习的局部增强技术研究不依赖信道的DNN结构及学习算法，例如增强学习增强接收机：增强信号的RTN（RadioTransformerNetworks）21引入一个参数估计层，估计信道参数引入一个参数变换层，补充信号失真增强接收机：增强信号的RTN（RadioTransformerNetworks）22结论：在接收机应