基于深度学习的物理层无线通信技术：机遇与挑战

doi:10.11959/j.issn.1000-436x.2019043

通信学报 ›› 2019, Vol. 40 ›› Issue (2): 19-23.doi: 10.11959/j.issn.1000-436x.2019043

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

修回日期:2019-02-14 出版日期:2019-02-01 发布日期:2019-03-04
作者简介:桂冠（1982- ），男，安徽枞阳人，博士，南京邮电大学教授，主要研究方向为基于深度学习的物理层无线通信技术。|王禹（1996- ），男，江苏东台人，南京邮电大学博士生，主要研究方向为基于深度学习的物理层无线通信技术。|黄浩（1995- ），男，江苏海安人，南京邮电大学博士生，主要研究方向为基于深度学习的物理层无线通信技术。

Deep learning based physical layer wireless communication techniques:opportunities and challenges

Guan GUI,Yu WANG,Hao HUANG

College of Telecommunications and Information Engineering,Nanjing University of Posts and Telecommunications,Nanjing 210003,China

Revised:2019-02-14 Online:2019-02-01 Published:2019-03-04

摘要/Abstract

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，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。

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

Abstract:

The development of the fifth-generation wireless communications (5G) system is promoted by the high requirements 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

中图分类号:

TN929.5

桂冠,王禹,黄浩. 基于深度学习的物理层无线通信技术：机遇与挑战[J]. 通信学报, 2019, 40(2): 19-23.

Guan GUI,Yu WANG,Hao HUANG. Deep learning based physical layer wireless communication techniques:opportunities and challenges[J]. Journal on Communications, 2019, 40(2): 19-23.

图/表 7

图1

图2

图3

图4

图5

图6

图7

参考文献 11

[1]	尤肖虎, 张川, 谈晓思 ,等. 基于 AI 的 5G 技术——研究方向与范例[J]. 中国科学:信息科学, 2018,48(12): 1589-1602.
	YOU X H , ZHANG C , TAN X S ,et al. AI for 5G:research directions and paradigms[J]. Science China, 2018,48(12): 1589-1602.
[2]	张静, 金石, 温朝凯 ,等. 基于人工智能的无线传输技术最新研究进展[J]. 电信科学, 2018,34(08): 46-55.
	ZHANG J , JIN S , WEN C K ,et al. An overview of wireless transmission technology utilizing artificial intelligence[J]. Telecommunications Science, 2018,34(8): 46-55.
[3]	O’SHEA T J , HOYDIS J . An introduction to deep learning for the physical layer[J]. IEEE Transactions on Cognitive Communications and Networking, 2017,3(4): 563-575.
[4]	YE H , LI G Y , JUANG B H . Power of deep learning for channel estimation and signal detection in OFDM systems[J]. IEEE Wireless Communications Letters, 2018,7(1): 114-117.
[5]	BORGERDING M , SCHNITER P , RANGAN S . AMP-inspired deep networks for sparse linear inverse problems[J]. IEEE Transactions on Signal Processing, 2017,65(16): 4293-4308.
[6]	GUI G , HUANG H , SONG Y ,et al. Deep learning for an effective non-orthogonal multiple access scheme[J]. IEEE Transactions on Vehicular Technology, 2018,67(9): 8440-8450.
[7]	HUANG H , YANG J , SONG Y ,et al. Deep learning for super-resolution channel estimation and DOA estimation based massive MIMO system[J]. IEEE Transactions on Vehicular Technology, 2018,67(9): 8549-8560.
[8]	HUANG H , GUI G , SARI H ,et al. Deep learning for super- resolution DOA estimation in massive MIMO systems[C]// IEEE 88th Vehicular Technology Conference (VTC Fall), 2018: 1-6.
[9]	HUANG H , SONG Y , YANG J ,et al. Deep-learning-based millimeter-wave massive MIMO for hybrid precoding[J]. IEEE Transactions on Vehicular Technology, 2019,PP(99):1.
[10]	ADHIKARY J , NAM , AHN J Y ,et al. Joint spatial division and multiplexing—the large-scale array regime[J]. IEEE Transactions on Information Theory, 2013,59(10): 6441-6463.
[11]	戈腾飞, 徐友云, 杨震 . 基于波束域降维的低复杂度大规模 MIMO波束成形方法[J]. 南京邮电大学学报(自然科学版), 2018,38(1): 66-70.
	GE T F , XU Y Y , YANG Z . Low complexity beamforming for massive MIMO systems by beam domain dimension reduction[J]. Journal of Nanjing University of Posts and Telecommunications (Natural Science Edition), 2018,38(1): 66-70.

[1]	陈东昱, 陈华, 范丽敏, 付一方, 王舰. 基于深度学习的随机性检验策略研究[J]. 通信学报, 2023, 44(6): 23-33.
[2]	李荣鹏, 汪丙炎, 张宏纲, 赵志峰. 知识增强的语义通信接收端设计[J]. 通信学报, 2023, 44(6): 70-76.
[3]	马帅, 裴科, 祁华艳, 李航, 曹雯, 王洪梅, 熊海良, 李世银. 基于生成模型的地磁室内高精度定位算法研究[J]. 通信学报, 2023, 44(6): 211-222.
[4]	林云, 徐怀韬, 王森, 张思成, 庄龙. 基于特征融合的通信语音干扰效果客观评估[J]. 通信学报, 2023, 44(3): 105-116.
[5]	张雷, 王玉, 田建杰, 张琳, 章天骄. 基于IRS辅助的MIMO车联网系统联合波束成形设计[J]. 通信学报, 2023, 44(2): 59-69.
[6]	曾嵘, 杭潇. 车联网环境下可重构智能反射面辅助无线信道估计算法[J]. 通信学报, 2022, 43(8): 142-150.
[7]	郭海燕, 杨震, 邹玉龙, 吕斌, 冯蕴天, 赵玉娟. 基于主被动波束成形联合优化的双RIS辅助抗干扰通信方法[J]. 通信学报, 2022, 43(7): 21-30.
[8]	何世文, 袁军, 安振宇, 张敏, 黄永明, 张尧学. 基于图神经网络的联合用户调度与波束成形优化算法[J]. 通信学报, 2022, 43(7): 73-84.
[9]	杨洁, 董标, 付雪, 王禹, 桂冠. 基于轻量化分布式学习的自动调制分类方法[J]. 通信学报, 2022, 43(7): 134-142.
[10]	杨秀璋, 彭国军, 李子川, 吕杨琦, 刘思德, 李晨光. 基于Bert和BiLSTM-CRF的APT攻击实体识别及对齐研究[J]. 通信学报, 2022, 43(6): 58-70.
[11]	廖勇, 王世义. 高速移动环境下基于RM-Net的大规模MIMO CSI反馈算法[J]. 通信学报, 2022, 43(5): 166-176.
[12]	廖育荣, 王海宁, 林存宝, 李阳, 方宇强, 倪淑燕. 基于深度学习的光学遥感图像目标检测研究进展[J]. 通信学报, 2022, 43(5): 190-203.
[13]	赵增华, 童跃凡, 崔佳洋. 基于域自适应的Wi-Fi指纹设备无关室内定位模型[J]. 通信学报, 2022, 43(4): 143-153.
[14]	李中捷, 熊吉源, 高伟, 韦金迎. 分布式IRS辅助毫米波MU-MISO系统联合波束成形设计[J]. 通信学报, 2022, 43(4): 216-226.
[15]	廖勇, 程港, 李玉杰. 基于深度展开的大规模MIMO系统CSI反馈算法[J]. 通信学报, 2022, 43(12): 77-88.

基于深度学习的物理层无线通信技术：机遇与挑战

Deep learning based physical layer wireless communication techniques:opportunities and challenges

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 11

相关文章 15

Metrics

推荐阅读 0