石 佳 琪， 金 桂 月， 金 基 宇， 樊 磊

( 大連工業(yè)大學 信息科學與工程學院, 遼寧 大連 116034 )

0 引 言

在過去的幾十年中，無線通信技術得到了迅速發(fā)展，對無線連接的需求也呈指數增長。第五代移動通信系統(tǒng)(5th generation wireless systems，5G)已從2020年開始在全球范圍內展開部署。5G的3種主要通信場景分別為增強移動寬帶(eMBB)、海量機器通信(mMTC)和超可靠低時延通信(uRLLC)[1]。但是，以數據為中心的智能技術的快速發(fā)展給5G通信系統(tǒng)的性能帶來了重大的挑戰(zhàn)。第六代移動通信系統(tǒng)(6th generation wireless systems，6G)將在人工智能的全面支持下得到實現，可以很好地克服5G的性能局限[2]。相比于5G，6G將擁有更寬的頻段、更高的傳輸速率、更高的頻譜效率、更大的連接容量、更短的延遲、更廣的覆蓋范圍和更強的抗干擾能力，以滿足各行業(yè)的各種網絡需求[3-4]。

在通信系統(tǒng)中，信道估計的準確程度決定整個通信系統(tǒng)的質量，信道估計具有非常重要的意義[5-6]。信道估計的目的是通過估計信道的時域或頻域響應，校正和恢復接收數據，以提高接收信號的精度。信道估計方法可以分為3類：基于導頻的信道估計、盲信道估計和半盲信道估計[7]。其中，基于導頻的信道估計方法被廣泛使用，是專家學者們研究的重點，它的計算復雜度較小、信道估計的性能更好，但與此同時會帶來導頻污染問題[8-9]。經典的信道估計方法包括最小二乘(least square，LS)估計和最小均方誤差(minimum mean square error，MMSE)估計。其中，LS估計的計算復雜度較低，被廣泛應用于實際通信系統(tǒng)中[10-11]。

近年來，深度學習方法在計算機視覺、語音識別和自然語言處理等眾多領域顯示出巨大的優(yōu)勢。在無線通信領域中，已經有很多研究者開始嘗試將深度學習方法應用到物理層，包括信道估計、信號檢測、信道譯碼、信道狀態(tài)信息(channel state information，CSI)的反饋與重建，以及端到端的通信系統(tǒng)等。目前，已有很多成果證明了結合深度學習方法可以達到甚至超越傳統(tǒng)通信算法的性能，將深度學習方法應用在物理層通信中具有一定的優(yōu)勢[12]。深度學習方法具有強大的特征提取能力和靈活的網絡結構，可以通過其優(yōu)秀的學習能力來獲得復雜的CSI，不需建立定義明確的數學模型。即使當數據量很大的時候，結合深度學習的信道估計性能也將優(yōu)于傳統(tǒng)信道估計方法。深度學習方法對提升信道估計的高效性、準確性有很大幫助，該研究方向已成為目前研究的新趨勢。然而，目前的通信系統(tǒng)大多是針對信道估計這一模塊進行建模和優(yōu)化的，而不是針對整個系統(tǒng)，因此無法保證全局最優(yōu)。與基于單個模塊的優(yōu)化相比，一些新的研究表明端到端通信系統(tǒng)的優(yōu)化具有巨大的潛力[12-13]。

本研究重點闡述了深度學習在信道估計中的應用，分別對基于模型驅動方式和數據驅動方式的信道估計展開詳細論述。其中，基于模型驅動方式的信道估計部分主要是從典型模型的角度來闡述?；跀祿寗臃绞降男诺拦烙嫴糠?，分別從基于塊優(yōu)化的角度和基于端到端系統(tǒng)全局優(yōu)化的角度進行論述。最后，討論了將深度學習方法和信道估計結合所面臨的挑戰(zhàn)與機遇。

1 深度學習基礎理論

1.1 深度神經網絡

深度神經網絡(deep neural network，DNN)基本模型結構如圖1所示，由一個輸入層、L個隱藏層和一個輸出層組成。各層之間通過全連接的方式連接在一起。增加多個隱藏層的目的是增強網絡的學習和映射能力，每個隱藏層包含多個神經元。在神經網絡中，為了避免純線性組合，在每一層的輸出后加入一個激活函數。

圖1 DNN模型結構Fig.1 Structure of DNN model

目前，最常用的兩種激活函數是整流線性單元(rectified linear unit，ReLU)函數和S型(sigmoid)函數[14]。其中，ReLU激活函數公式為

ReLU(x)=max(0，x)

(1)

即輸入信號小于0時，輸出都是0，輸入信號大于0時，輸出等于輸入。Sigmoid函數可以表示為

(2)

DNN的網絡模型與感知器類似，它們都具有線性關系，具體如公式(3)所示。

(3)

式中：xi表示輸入，wi表示各層對應的權重系數，b為偏置量，σ(·)表示激活函數，y為輸出。

1.2 卷積神經網絡

卷積神經網絡(convolutional neural network，CNN)是深度學習技術中最具代表性的網絡結構之一，在圖像處理領域取得了巨大的成功[15]。

CNN的基礎結構如圖2所示。CNN是一種層次模型，輸入層主要是對數據進行預處理，然后卷積層從輸入中提取特征，激活函數對卷積層的輸出進行非線性映射處理；在這之后添加一個池化層，以減少數據計算量，防止過擬合。依次類推，經過卷積層、激活函數、池化層等一系列操作層的層層堆疊，最終得到輸出。

圖2 CNN的基礎結構Fig.2 Infrastructure of CNN

CNN本質是一種輸入到輸出的映射，它能夠學習大量的輸入與輸出之間的映射關系，而不需要任何輸入和輸出之間的精確的數學表達式。CNN已廣泛應用于信道估計中，可以將信道估計問題轉化為圖像問題，然后通過CNN衍生出的各種網絡得以實現。

1.3 循環(huán)神經網絡

DNN和CNN的一個共同點是都沒有記憶。它們只能單獨處理每個輸入，也就是說，前一個輸入和后一個輸入完全沒有關系。然而，為了更好地處理序列信息，在一些任務中前面的輸入和后面的輸入之間具有一定的關聯性。循環(huán)神經網絡(recurrent neural network，RNN)的設計引入了狀態(tài)變量來存儲過去的信息，并使用它和當前的輸入來確定當前的輸出。簡單的RNN結構如圖3所示，主要由輸入層、隱藏層和輸出層組成。

圖3 簡單的RNN結構Fig.3 Simplified RNN structure

其中，X、S和O都是向量，U和V是矩陣。X表示輸入層的值，S表示隱藏層的值(隱藏層包含多個節(jié)點，節(jié)點數與向量S的維度相同)，O表示輸出層的值。U是輸入層到隱藏層的權重矩陣，V是隱藏層到輸出層的權重矩陣。RNN中每一層的輸出都由當前輸入X以及它們在上一時刻中隱藏層的S值決定。權重矩陣W就是將隱藏層上一時刻的值作為當前輸入的權重。

RNN在訓練過程中會存在長期依賴的問題，可能會出現非平穩(wěn)誤差，無法長久的保存歷史信息，存在梯度爆炸和梯度消失的問題。因此文獻[16]進一步提出了一種特殊的RNN，將其稱為長短期記憶網絡(long short-term memory，LSTM)，以解決梯度消失和梯度爆炸問題。在實際通信系統(tǒng)中，LSTM已廣泛應用于各種情況，例如信道估計、信源信道聯合編碼設計等。

1.4 生成對抗式網絡

訓練一個典型的DNN在很大程度上取決于大量的標記數據，在某些情況下，這些標記數據可能很難獲得甚至無法使用。生成式對抗網絡(generative adversarial networks，GAN)是一種深度學習模型，可以生成遵循特定目標分布的數據，這樣便可以降低對標記數據量的需求[17]。GAN的網絡結構如圖4所示，它由生成器G和判別器D組成。其中，生成器和判別器均由DNN構成。

圖4 GAN網絡結構圖Fig.4 Diagram of GAN network structure

在訓練過程中，將生成器網絡生成的偽數據與真實數據混合，然后判別器網絡對數據的真實性進行評估并反饋給生成器網絡，使生成器網絡生成的數據更接近真實數據。訓練生成器網絡的目的是使其生成更接近真實的數據來欺騙判別器網絡，最終使得判別器網絡無法區(qū)分真實數據和偽數據。當判別器網絡可以接受生成的數據時，將達到理想狀態(tài)。

條件生成式對抗網絡(condition generative adversarial networks，CGAN)是GAN的擴展，它提供了額外的條件信息，其中條件信息已作為附加輸入饋送給生成器網絡和判別器網絡。

在通信系統(tǒng)中，GAN和CGAN可以用來模擬信道輸出數據的分布。此外，當訓練發(fā)射機時，所學習的模型可以用作真實信道的替代，并將梯度傳遞到發(fā)射機。

2 深度學習在信道估計中的應用

深度學習作為機器學習的主要分支，已在物理層通信中得到廣泛應用。智能物理層通信可以分為兩種類型：模型驅動方式和數據驅動方式。顧名思義，模型驅動的系統(tǒng)基于預定義的數學模型及其優(yōu)化，結合了傳統(tǒng)通信知識；而數據驅動的系統(tǒng)則是基于現有數據及其學習[18]。

2.1 基于模型驅動的信道估計

2.1.1 ComNet結構

文獻[19]提出了一種基于模型驅動的深度學習體系結構，該方法將深度學習與正交頻分復用(orthogonal frequency division multiplexing，OFDM)系統(tǒng)知識相結合，以替代物理層通信中現有的OFDM接收器，并將其命名為ComNet接收機。與數據驅動的全連接深度神經網絡(FC-DNN)方法不同，作者采用逐塊信號處理的方法，將接收器分為信道估計(channel estimation，CE)子網和信號檢測(signal detection，SD)子網。圖5為ComNet接收機的體系結構圖，其輸入和輸出類似于傳統(tǒng)OFDM接收器，不同點在于ComNet接收機采用兩個級聯的基于DNN的子網來代替常規(guī)OFDM接收器。而且ComNet接收機將傳統(tǒng)通信算法如LS估計和迫零(zero forcing，ZF)檢測，作為網絡的初始化信息。該方案充分利用了傳統(tǒng)通信算法，將其與深度學習方法相結合，可以加速訓練過程。與線性最小均方誤差(linear minimum mean square error，LMMSE)方法相比，該模型驅動的深度學習接收機提供了更準確的信道估計，且與FC-DNN相比，具有更高的數據恢復精度。仿真結果進一步證明了該方法在信噪比方面的魯棒性，并且在計算復雜度或內存使用方面均優(yōu)于FC-DNN方法。

圖5 ComNet結構Fig.5 ComNet structure

2.1.2 OAMP-Net結構

文獻[20]提出了一種基于模型驅動方式的深度學習網絡，將深度學習方法納入正交近似消息傳遞算法(orthogonal approximate message passing，OAMP)中，該網絡被命名為OAMP-Net。OAMP-Net主要用于多輸入多輸出(multiple input multiple output，MIMO)檢測，它由T個級聯層組成，每層具有相同的結構，其中包含MMSE去噪器，誤差的方差和約束權重。

OAMP-Net是通過向現有的迭代檢測器添加一些可調整的參數來獲得的，并且可以通過深度學習方法來提高檢測的性能。由于網絡的可訓練變量的數量等于層數，因此可以在非常短的時間內輕松訓練網絡。此外，該網絡可以處理時變信道。仿真結果表明，OAMP-Net的性能要優(yōu)于OAMP算法，證明了該深度學習網絡可以顯著地提高迭代算法在瑞利信道和相關MIMO信道下的性能。

2.1.3 JCESD結構

在文獻[21]中，作者提出了一種用于MIMO系統(tǒng)檢測的CE和SD聯合(JCESD)的模型驅動深度學習方法。JCESD體系結構與迭代解碼具有相同的基本原理，與普通接收機設計中CE和SD的獨立設計不同，該網絡結構實現了CE和SD相互優(yōu)化。該體系結構可以在進行信號檢測時考慮信道估計誤差和信道統(tǒng)計特性，并使用估計出的有效負載數據進行信道估計來提高接收機的性能。其中，部署的模型驅動檢測器稱為OAMP-Net2，它是在OAMP檢測算法的基礎上得到的。與數據驅動的SD和CE相比，JCESD添加的參數較少，大大減少了對計算資源和訓練時間的需求，因此可以在更小的數據集下快速訓練模型。仿真結果表明，基于模型驅動的深度學習方法的MIMO檢測器顯著提高了傳統(tǒng)迭代檢測器的性能，且優(yōu)于其他基于深度學習方法的MIMO檢測器。

2.2 基于數據驅動的信道估計

2.2.1 基于DNN的信道估計

DNN是深度學習網絡中的基礎網絡，也是應用最廣泛的網絡，表1對比了不同通信系統(tǒng)下基于DNN的信道估計研究的相關文獻。文獻[22]提出了一種在OFDM系統(tǒng)中聯合信道估計和信號檢測的方法。具體而言，采用五層全連接的DNN，將與發(fā)送數據相對應的接收數據和導頻作為輸入，訓練DNN以恢復發(fā)送數據，這一過程可將信道視為“黑盒”。因此，DNN可以隱式地推斷出信道信息，并將其直接用于預測發(fā)送數據，而無須顯式地估計CSI。

表1 不同通信系統(tǒng)中基于DNN的信道估計研究Tab.1 Channel estimation based on DNN in differentcommunication systems

圖6為深度學習方法和傳統(tǒng)方法的誤碼率對比圖，表明了深度學習方法比LS方法具有更好的性能，可與MMSE方法媲美[22]。

圖6 深度學習方法和傳統(tǒng)方法的誤碼率對比圖Fig.6 Bit error rate comparison diagram of deep learningmethod and traditional method

此外，當使用較少的訓練導頻，基于深度學習的方法比傳統(tǒng)方法的性能更具有魯棒性。

圖7給出了不加循環(huán)前綴(cyclic prefix，CP)的OFDM系統(tǒng)的BER曲線，可以看出，當SNR超過15 dB時，系統(tǒng)誤碼率提升不再明顯，LS和MMSE均無法有效地估計信道，但深度學習方法仍然有效[22]。仿真結果表明，數據驅動方法可以學會以監(jiān)督的方式處理信道失真，即更新參數以最大限度地減少損失，從而提高系統(tǒng)的魯棒性。

圖7 不加CP的誤碼率曲線對比圖Fig.7 Comparison chart of bit error rate curveswithout CP

為了減輕多用戶分布式大規(guī)模MIMO系統(tǒng)的導頻污染，文獻[23]提出了一種基于DNN的導頻設計方案，以最小化信道估計的均方誤差(mean square error，MSE)。該方案可以將每個用戶的導頻信號表示為正交導頻序列的加權疊加，其中分配給每個導頻序列的功率是相應的權重。作者設計了多層全連接的DNN，用于優(yōu)化對每個導頻序列的功率分配，以最小化MSE。作者將提出的方案與其他技術進行了比較，這些技術包括基于窮舉搜索的導頻分配(exhaustive search based pilot assignment，ESPA)，平均導頻功率分配(average pilot power allocation，APPA)和隨機導頻功率分配(random pilot assignment，RPA)，仿真結果表明，該方案實現了最佳的MSE性能，其次是ESPA、RPA和APPA，并且該方案的復雜度要比ESPA低。

在文獻[24]中，作者針對多用戶MIMO信道提出了一種基于深度學習方法的聯合導頻設計和信道估計方案。作者使用雙層神經網絡(TNN)構建了一個導頻設計器，使用DNN設計了一個信道估計器，并將它們聯合訓練以最小化信道估計的MSE。在信道估計過程中，通過引入連續(xù)干擾消除技術來有效減少多個用戶之間的干擾。通過仿真分析，證明了該方法明顯優(yōu)于基于LMMSE的信道估計方法。

2.2.2 基于CNN的信道估計

CNN是深度學習方法的重要組成部分，在計算機視覺領域表現尤其突出。可將信道估計問題看作圖像處理的問題，從而利用CNN強大的特征提取和特征表示能力來提升信道估計的精度。

文獻[25]提出了一種用于通信系統(tǒng)信道估計的深度學習算法，稱為ChannelNet。將快速衰落信道的時頻響應視為二維圖像，目的是使用導頻位置處的已知值來找到信道響應的未知值。為此，提出了深度圖像處理技術的方法，即圖像超分辨率(SR)和圖像恢復(IR)。該算法使用SR與IR網絡聯合估計信道。這個過程主要分為兩個階段，在第一階段中，將導頻位置的信道響應視為一個含有噪聲的低分辨率圖像，使用SR網絡增強分辨率，得到的估計信道是一個高分辨率的圖像。在第二階段中，使用IR網絡消除噪聲影響。對于SR和IR網絡，分別使用了SRCNN算法和DnCNN算法。SRCNN首先使用插值方案來找到高分辨率圖像的近似值，然后使用三層卷積網絡提高分辨率[26]。在SRCNN的基礎上，加入DnCNN去噪網絡，利用了殘差學習的優(yōu)勢，加速網絡的訓練過程，并進一步提升了信道估計的精度[27]。仿真結果表明，在低信噪比值下，ChannelNet算法可以有效地用于信道估計，且性能可與理想的MMSE方法相媲美。

毫米波大規(guī)模MIMO技術支持使用千兆赫茲帶寬和大型天線陣列來提供高數據速率，這被認為是未來無線通信中的一項重要技術[28]。然而，當每個天線使用專用射頻(RF)鏈時，高昂的硬件成本和功耗變得難以承受。因此，當天線陣列大并且RF鏈的數量有限時，波束空間毫米波大規(guī)模MIMO系統(tǒng)的信道估計將非常具有挑戰(zhàn)性。為了解決這個問題，在文獻[29]中，作者提出了基于學習降噪的近似消息傳遞(learned denoising-based approximate message passing，LDAMP)網絡。該網絡將信道矩陣視為二維圖像，利用該網絡可以學習信道結構并從大量訓練數據中估計信道，并將去噪卷積神經網絡(DnCNN)應用到LDAMP網絡中。將LDAMP網絡與SD算法[30]，SCAMP算法[31]和DAMP算法[32]進行了仿真比較，分析可知，即使接收器配備了少量的RF鏈，由于加入了DnCNN降噪器，LDAMP網絡也明顯優(yōu)于基于壓縮感知的最新算法，表現出了深度學習方法在毫米波信道估計中的潛力。

2.2.3 基于RNN的信道估計

RNN對數據的時域相關性十分敏感，能夠有效地跟蹤時變信道的特征，適合在高速移動場景下的信道估計。文獻[33]提出了一種基于深度學習方法的信道估計網絡，稱為ChanEstNet。深度學習的非線性映射特性能夠更好地適應高速環(huán)境中不斷變化的信道，可以有效地利用離線訓練樣本中的信道信息來提高信道估計的精度。ChanEstNet網絡先使用CNN提取信道響應特征向量，然后使用雙向長短時記憶網絡(bi-directional long short-term memory，BiLSTM)估計信道。通過離線訓練大量高速信道數據來學習網絡，并充分利用訓練樣本的信道信息，以此來學習快速時變和非平穩(wěn)信道的特征，從而更好地跟蹤高速環(huán)境中不斷變化的信道。時域估計和頻域估計的仿真結果表明，與傳統(tǒng)信道估計算法相比，ChanEstNet網絡計算復雜度更低，并在高速移動場景下顯著提高了信道估計的性能。

2.2.4 基于GAN的信道估計

相比較傳統(tǒng)的神經網絡模型，GAN包含兩個不同的網絡，并且采用對抗訓練的方式來訓練網絡。GAN是一種生成式模型，可以產生更加清晰、真實的樣本，避免了損失函數設計的困難，但是存在訓練不穩(wěn)定、梯度消失的問題。為了解決上述問題，出現了GAN的各種衍生網絡，如：加入條件信息的CGAN、基于信息論的GAN的擴展網絡InfoGAN等。

傳統(tǒng)的深度學習方法主要學習的是輸入到真實信道的映射關系，不能正確設計和研究其損失函數，因此在估算信道的準確度方面存在很大困難。文獻[34]提出將CGAN應用于多用戶大規(guī)模MIMO系統(tǒng)的信道估計。CGAN是GAN的擴展網絡，它學習了從條件輸入到真實數據的映射。作者利用CGAN來學習從接收量化信號Y和導頻Φ到實際信道矩陣H的映射關系。具體結構如圖8所示，生成器部分采用圖像分割任務中表現優(yōu)異的U-Net網絡[35]，判別器部分通常使用常規(guī)的CNN。在離線訓練過程中，生成器負責根據條件輸入來估計信道矩陣。判別器將真實信道標記“1”，生成信道標記為“0”。一旦獲得訓練好的生成器，就可以利用它來得到基于Y和Φ的新輸入執(zhí)行信道估計。這一過程不僅可以學習從量化觀測值到真實信道的映射，而且可以學習自適應損失函數以正確地訓練網絡，最終預測更真實的信道。仿真結果表明，基于CGAN的方法優(yōu)于現有的深度學習方法，是一種更有效的信道估計方法，顯著提高了信道估計性能，并且在大規(guī)模MIMO系統(tǒng)中具有很高的魯棒性。

2.2.5 基于深度學習的端到端通信系統(tǒng)

深度學習已被用于改善傳統(tǒng)塊結構通信系統(tǒng)的性能，包括信號檢測、信道解碼和信道估計等，但是很難確定系統(tǒng)的全局最優(yōu)性。由于受到數據驅動方法的啟發(fā)，已有大量研究提出了端到端通信系統(tǒng)的概念[12-13]。發(fā)射機主要學習如何將發(fā)送的碼元s編碼為數據x，然后將其發(fā)送到信道并得到接收信號y。而接收機主要學習從y中恢復發(fā)送的碼元。通過監(jiān)督學習的方式訓練模型的權重，以優(yōu)化端到端的恢復精度。這個想法最先在文獻[12]中提出，并且在加性高斯白噪聲(AWGN)信道中表現出與傳統(tǒng)的塊結構方法相似的性能。隨著深度學習方法的發(fā)展，在OFDM系統(tǒng)中也提出了基于端到端通信學習的方法[13]。

精確的瞬時信道傳遞函數，即CSI，對于計算網絡的梯度是至關重要的。在許多通信系統(tǒng)中，信道傳遞函數難以提前獲得并隨時間和位置而變化。文獻[36]提出了一種基于信道未知的端到端學習的通信系統(tǒng)，即可以在不知道特定信道傳遞函數的情況下自動學習不同類型的信道影響。作者利用CGAN來學習信道輸出的分布，條件信息是來自發(fā)射機的編碼信號和導頻數據，這可以在沒有信道先驗信息的情況下實現通信系統(tǒng)的端到端學習。另外，將導頻信息添加到條件信息中，CGAN就可以生成與特定瞬時信道相對應的數據?；诙说蕉藢W習的通信系統(tǒng)結構如圖9所示，發(fā)射機、信道的生成器和接收機均由DNN組成。通過迭代地訓練這些網絡，可以以監(jiān)督方式優(yōu)化端到端的損失，并應用于時變信道，這與現有工作有很大不同。從仿真結果來看，該方法對AWGN信道和瑞利衰落信道都有效，為構建數據驅動的通信系統(tǒng)打開了新的大門。

現有的工作大多數都集中在數據驅動的深度學習方法上，該方法將通信系統(tǒng)視為黑匣子，并通過使用大量數據對其進行訓練。訓練網絡需要足夠的計算資源和大量時間，而這在通信設備中很少見到。相比之下，模型驅動的深度學習方法利用了系統(tǒng)的一些先驗知識，減少了要學習的參數的數量，也減少了對計算資源和訓練時間的需求。它們各有其優(yōu)缺點，采用模型驅動的方法可以大大降低學習模型的樣本復雜性，但是當先驗知識在實際場景中不準確時，模型可能會受到影響。雖然數據驅動的深度學習方法假設較少，樣本復雜度很大，但在不同情況下其魯棒性可能會更強。

3 深度學習的未來挑戰(zhàn)和機遇

深度學習方法能夠處理大量數據，并大幅提升信道估計的性能。但是，還有許多問題尚未完全解決，如數據集的獲取，模型的選擇，以及如何提升6G通信系統(tǒng)中信道估計的準確度等。

3.1 數據集的獲取

訓練和測試數據集的質量和數量對基于深度學習的信道估計的性能有很大影響。在計算機科學中，隨著自然語言處理、計算機視覺的迅速發(fā)展，許多眾所周知的高效數據集被提出，例如ImageNet和MNIST。然而，在基于深度學習的無線通信領域中，相關數據集卻很少，Alkhateeb[37]提供了一個專門用于深度學習信道估計的數據集，稱為DeepMIMO數據集，這將對基于深度學習的信道估計研究有很大幫助。用于無線通信的這種類型的可訪問數據集仍在開發(fā)中。數據保護和隱私法規(guī)進一步限制了對現實世界通信數據的開放訪問。但是，仍然必須公開發(fā)布一些新的數據集，即在不同信道條件下的信道響應，以加快基于深度學習的信道估計的發(fā)展[6]。

3.2 模型選擇

在基于深度學習的信道估計研究中，模型選擇是核心挑戰(zhàn)。根據基礎神經網絡模型開發(fā)了許多基于深度學習的算法，針對不同的任務選取合適的模型會讓系統(tǒng)性能得到很好的提升。DNN、CNN、RNN和GAN由于其自身的特性而在信道估計中分別具有不同的應用。DNN是深度學習的基礎網絡，其模型簡單，與感知器類似，都具有線性關系，在信道估計中最先得到應用。CNN因其強大的特征提取能力在圖像處理方面具有出色的性能，可以將信道估計問題轉化為圖像處理問題，從訓練數據中學習并獲取信道信息，以此來獲取準確的CSI。RNN具有時間相關的特性，可用于時變信道，能夠更好地處理時序信息，并且適用于高速移動場景下的信道估計。GAN是一種新穎的生成模型結構，采用對抗訓練網絡的方式，不僅提升模型訓練的準確度，還降低了損失函數設計的難度。如何增強神經網絡對不同通信場景的適用性，降低成本、訓練時間和復雜度，將是研究者們下一步需優(yōu)化的目標。

3.3 未來發(fā)展的機遇

6G是多用戶、多小區(qū)、多天線、多頻段的復雜傳輸系統(tǒng)，信號的接收與檢測過程可以看作是高維優(yōu)化的問題。信道估計在新時代將變得越來越復雜，這帶來了許多新的挑戰(zhàn)。首先，很難通過數學模型來精確描述通信系統(tǒng)，因為它過于復雜并且存在許多實際缺陷。其次，面對急劇增加的硬件復雜性，需要提出新的實現方法，以使算法更加適用。深度學習技術不是從預先建立的固定規(guī)則中學習特征，而是通過神經網絡模型從海量數據中來自主學習特征，因此網絡的效率得到了極大的提高，同時延遲也得到了降低，為6G通信系統(tǒng)中的信道估計研究開辟了新的技術路徑[38]。

利用CNN、LSTM等神經網絡模型對空-時-頻三維信道估計算法建模，自主學習用戶信道的關鍵參數，對6G通信系統(tǒng)的無線信道進行預測，從而為移動終端的接收信號檢測提供更加準確可靠的信道估計[39]。現有研究表明，深度學習在信道估計中的應用研究也給物理層通信研究提供了新的方法，具有一定的優(yōu)勢。但該研究主題仍處于起步階段，因此未來的研究中還存在許多問題有待解決。

4 結束語

本研究介紹了包括DNN、CNN、RNN和GAN在內的幾種應用較廣的深度學習方法。主要從模型驅動和數據驅動兩個角度分別闡述了將深度學習方法應用在信道估計中的最新研究成果。大量的研究結果表明了深度學習方法能夠提高信道估計的準確度，提升通信系統(tǒng)的性能；證明了基于深度學習的信道估計研究有著重要的潛在價值和優(yōu)勢[22-25]。深度學習具有強大的學習能力和更快的處理速度，數據迭代訓練可以使深度學習網絡的模型無限接近于實際通信場景，從理論上講只要提供充足的訓練樣本，深度學習網絡可以完全學習到實際信道的映射關系；同時其性能可達到甚至超越傳統(tǒng)通信算法的性能，在未來的無線通信研究中具有很強的競爭力。然而，目前的研究大多還處于仿真階段，與現實中復雜的通信場景的結合還遠遠不夠，需要進一步的探索。