周福輝，張子彤，丁 銳，徐 銘，袁 璐，吳啟暉

（南京航空航天大學(xué)電磁頻譜空間認(rèn)知?jiǎng)討B(tài)系統(tǒng)工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室，南京 211106）

引 言

電磁頻譜資源已被世界各國(guó)公認(rèn)為繼海、陸、空、天、網(wǎng)等重要戰(zhàn)略領(lǐng)域的又一國(guó)家戰(zhàn)略自然資源，在推動(dòng)社會(huì)經(jīng)濟(jì)發(fā)展、國(guó)防建設(shè)和改善人民生活等方面發(fā)揮著越來(lái)越重要的作用。然而，隨著通信、雷達(dá)、導(dǎo)航、遙感、電抗和測(cè)控等各類電磁用頻設(shè)備和系統(tǒng)的數(shù)量爆炸式增長(zhǎng)，電磁頻譜空間環(huán)境（圖1）呈現(xiàn)高動(dòng)態(tài)、異常復(fù)雜和多系統(tǒng)耦合特性［1］。而且，頻譜資源是一種有限的自然資源，隨著用頻需求的迅猛增長(zhǎng)，電磁頻譜空間的資源稀缺問(wèn)題勢(shì)必日益凸顯［2］，進(jìn)行電磁頻譜空間資源的高效利用迫在眉睫。

圖1 電磁頻譜空間Fig.1 Electromagnetic spectrum space

同時(shí)，電磁信號(hào)是移動(dòng)通信的基石，保障其工作信道的暢通無(wú)阻是必然需求，而電磁信號(hào)不可避免地對(duì)臨近信道的雷達(dá)、衛(wèi)星通信的正常工作產(chǎn)生影響。一系列智能應(yīng)用，如自動(dòng)駕駛、遠(yuǎn)程醫(yī)療等，其抗電磁干擾的能力直接關(guān)系到民生安全，同時(shí)，自身產(chǎn)生的電磁信號(hào)也會(huì)干擾到其他系統(tǒng)。因此，電磁頻譜空間中的安全隱患勢(shì)必大幅增加。為實(shí)現(xiàn)電磁頻譜空間資源的高效利用，保障電磁頻譜安全，亟需頻譜智能管控技術(shù)。

近年來(lái)，機(jī)器學(xué)習(xí)方法被廣泛使用，利用人工智能實(shí)現(xiàn)頻譜智能管控勢(shì)在必行。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)重要分支，在頻譜感知［3］、頻譜預(yù)測(cè)［4］、目標(biāo)識(shí)別［5］和目標(biāo)檢測(cè)［6］等多方面都發(fā)揮著舉足輕重的作用，是目前運(yùn)用最為廣泛的解決方法。相比于傳統(tǒng)手工設(shè)計(jì)特征的方法，基于深度學(xué)習(xí)的方法避免了繁瑣的手工設(shè)計(jì)過(guò)程，能夠自動(dòng)學(xué)習(xí)更具有區(qū)分力的深度特征，不僅降低了設(shè)計(jì)難度，同時(shí)也保障了算法性能。

然而，傳統(tǒng)深度學(xué)習(xí)方法是為計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理領(lǐng)域的問(wèn)題量身定制的，在面對(duì)電磁頻譜空間這一特定背景下的實(shí)際問(wèn)題時(shí)，此類深度學(xué)習(xí)模型取得的效果并不理想。因此，提出射頻機(jī)器學(xué)習(xí)這一概念［7］。射頻機(jī)器學(xué)習(xí)從電磁頻譜空間特性出發(fā)，以射頻大數(shù)據(jù)為基礎(chǔ)，充分利用電磁頻譜領(lǐng)域知識(shí)，具有快速、小樣本甚至零樣本、可解釋性和高性能優(yōu)勢(shì)，應(yīng)用于電磁頻譜空間的認(rèn)知、決策等方面。

針對(duì)傳統(tǒng)深度學(xué)習(xí)方法的不足，射頻機(jī)器學(xué)習(xí)旨在克服以下3大難題。

（1）傳統(tǒng)深度學(xué)習(xí)的優(yōu)秀表現(xiàn)更多地依賴于模型復(fù)雜的體系結(jié)構(gòu)和反復(fù)實(shí)驗(yàn)的調(diào)參經(jīng)驗(yàn)，人們無(wú)法探知深度學(xué)習(xí)模型究竟從數(shù)據(jù)中學(xué)到了哪些知識(shí)，如何進(jìn)行最終決策，缺乏完備的數(shù)學(xué)理論指導(dǎo)和改進(jìn)深度學(xué)習(xí)模型的表達(dá)能力、訓(xùn)練能力和泛化能力［8］。因此，射頻機(jī)器學(xué)習(xí)的第1大難題就是如何結(jié)合外部知識(shí)賦予網(wǎng)絡(luò)可解釋性。

（2）深度學(xué)習(xí)取得巨大成就的同時(shí)，人們發(fā)現(xiàn)將其應(yīng)用到實(shí)際場(chǎng)景中卻困難重重。高質(zhì)量標(biāo)簽數(shù)據(jù)的獲取首當(dāng)其沖，目前的深度學(xué)習(xí)方法需要大量的標(biāo)簽數(shù)據(jù)來(lái)進(jìn)行訓(xùn)練，但是實(shí)際應(yīng)用中數(shù)據(jù)獲取往往是困難的，這其中既包含國(guó)家機(jī)密和隱私的問(wèn)題，也有目標(biāo)對(duì)象本身就稀缺的情況，除此之外，數(shù)據(jù)標(biāo)注工作往往需要耗費(fèi)大量人力、物力，從而嚴(yán)重阻礙了深度學(xué)習(xí)技術(shù)在實(shí)際場(chǎng)景中的落地［9］。因此，射頻機(jī)器學(xué)習(xí)的第2大難題是如何提升小樣本、零樣本學(xué)習(xí)能力。

（3）深度學(xué)習(xí)方法在提高算法性能的同時(shí)，往往伴隨著龐大的網(wǎng)絡(luò)運(yùn)算，這也就使得深度學(xué)習(xí)的方法很難部署在計(jì)算資源受限的設(shè)備上，因此在一些算力受限的應(yīng)用場(chǎng)景，比如萬(wàn)物互聯(lián)、車載通信和衛(wèi)星通信等問(wèn)題中，頻譜管控目前大多還是使用一些低智能化、低算力消耗的技術(shù)完成，這同樣嚴(yán)重阻礙了頻譜智能管控的發(fā)展［10］。因此，射頻機(jī)器學(xué)習(xí)的第3大難題是針對(duì)具體問(wèn)題設(shè)計(jì)輕量化的網(wǎng)絡(luò)結(jié)構(gòu)，降低網(wǎng)絡(luò)復(fù)雜度。

1 射頻機(jī)器學(xué)習(xí)國(guó)內(nèi)外研究現(xiàn)狀

本節(jié)從物理層、數(shù)據(jù)鏈路層、網(wǎng)絡(luò)層、傳輸層和應(yīng)用層出發(fā)，介紹了射頻機(jī)器學(xué)習(xí)具體應(yīng)用的最新研究工作，如圖2所示。在物理層，射頻機(jī)器學(xué)習(xí)可以用于調(diào)制方式識(shí)別、頻譜預(yù)測(cè)、信道估計(jì)、射頻指紋識(shí)別和無(wú)線接入方式識(shí)別等。在數(shù)據(jù)鏈路層，射頻機(jī)器學(xué)習(xí)可以用于鏈路質(zhì)量評(píng)估和流量預(yù)測(cè)等。在網(wǎng)絡(luò)層，射頻機(jī)器學(xué)習(xí)可以進(jìn)行路由優(yōu)化。在傳輸層，射頻機(jī)器學(xué)習(xí)適用于擁塞控制和調(diào)度。在應(yīng)用層，射頻機(jī)器學(xué)習(xí)用于異常檢測(cè)。

圖2 射頻機(jī)器學(xué)習(xí)具體應(yīng)用的最新成果Fig.2 Application of radio frequency machine learning

1.1 物理層

1.1.1 調(diào)制方式識(shí)別

由于典型的非合作通信系統(tǒng)中使用的調(diào)制方式存在差異，因此調(diào)制方式識(shí)別是信號(hào)解調(diào)前的一項(xiàng)重要的工作，目的在于對(duì)接收機(jī)所接收到的信號(hào)進(jìn)行處理，并依據(jù)一定的規(guī)則對(duì)信號(hào)的調(diào)制方式進(jìn)行判別，為信號(hào)解調(diào)或?qū)嵤└蓴_等后續(xù)工作提供信息。在電磁頻譜空間中，頻譜資源的短缺將導(dǎo)致他人非法使用分配的頻段，而調(diào)制識(shí)別算法可以幫助頻譜監(jiān)測(cè)系統(tǒng)分析每個(gè)頻帶的調(diào)制方式，解調(diào)監(jiān)測(cè)信號(hào)，分析監(jiān)測(cè)信號(hào)屬性，最終實(shí)現(xiàn)頻譜資源高效管控［11?13］。

傳統(tǒng)的知識(shí)驅(qū)動(dòng)調(diào)制方式識(shí)別算法主要是基于特征提取的統(tǒng)計(jì)模式識(shí)別方法和基于決策理論的似然比識(shí)別方法，其在低信噪比的條件下往往效果較差且人工提取特征計(jì)算量大、步驟煩瑣，而隨著計(jì)算技術(shù)和集成電路的發(fā)展，具有深層結(jié)構(gòu)的深度學(xué)習(xí)可以從原始數(shù)據(jù)中學(xué)習(xí)特征，并利用分類器層自動(dòng)進(jìn)行分類，這類數(shù)據(jù)驅(qū)動(dòng)算法雖然大大提高了調(diào)制識(shí)別的分類精度，但在低信噪比下的分類精度仍沒(méi)有實(shí)質(zhì)性提升，并且由于深度學(xué)習(xí)的黑盒性質(zhì)還額外帶來(lái)了可解釋性問(wèn)題。針對(duì)數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)各自的缺陷，一個(gè)可行的思路是將二者融合使用，結(jié)合雙方優(yōu)勢(shì)，規(guī)避各自劣勢(shì)。在文獻(xiàn)［14］中，作者對(duì)3種自動(dòng)調(diào)制分類的網(wǎng)絡(luò)架構(gòu)性能進(jìn)行了對(duì)比，并指出繼承于專家系統(tǒng)的架構(gòu)為在射頻機(jī)器學(xué)習(xí)領(lǐng)域中設(shè)計(jì)新的網(wǎng)絡(luò)架構(gòu)提供了有價(jià)值的見(jiàn)解。

最簡(jiǎn)單的一種融合思路就是引入通信領(lǐng)域中對(duì)于信號(hào)數(shù)據(jù)的處理方式，將手動(dòng)提取的特征作為機(jī)器學(xué)習(xí)算法的輸入。文獻(xiàn)［15］提出了一種基于相位統(tǒng)計(jì)圖以及卷積神經(jīng)網(wǎng)絡(luò)的智能調(diào)制識(shí)別算法，通過(guò)相位統(tǒng)計(jì)圖獲得調(diào)相信號(hào)的特征，以圖片的形式作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的樣本提取特征從而進(jìn)行分類。文獻(xiàn)［16］提出了一種基于循環(huán)相關(guān)熵向量（Cyclic correntropy vector，CCV）和長(zhǎng)短時(shí)記憶密集連接網(wǎng)絡(luò)（Long short?erm memory densely，LSMD）的自動(dòng)調(diào)制識(shí)別方法，將接收信號(hào)中由知識(shí)驅(qū)動(dòng)算法提取的循環(huán)相關(guān)熵的CCV特征放入數(shù)據(jù)驅(qū)動(dòng)的LSMD，并利用加性余弦損失來(lái)訓(xùn)練LSMD，以最大化類間特征差異并最小化類內(nèi)特征變化。文獻(xiàn)［17］在相干接收機(jī)中使用二值卷積神經(jīng)網(wǎng)絡(luò)從預(yù)處理過(guò)的信號(hào)環(huán)形星座圖中自動(dòng)提取與調(diào)制方式相關(guān)的特征，具有功率和時(shí)間效率高、性能損失小的特點(diǎn)。文獻(xiàn)［18］通過(guò)使用Choi?Williams分布和模糊函數(shù)將雷達(dá)信號(hào)轉(zhuǎn)換為T(mén)?F圖像，然后利用灰度梯度共生矩陣提取預(yù)處理后T?F圖像的融合紋理特征并輸入支持向量機(jī)，從而實(shí)現(xiàn)了低信噪比下低截獲概率雷達(dá)輻射源信號(hào)的調(diào)制方式識(shí)別。上述文獻(xiàn)相比純知識(shí)驅(qū)動(dòng)或數(shù)據(jù)驅(qū)動(dòng)的方法，均在低信噪比條件下實(shí)現(xiàn)了調(diào)制方式識(shí)別精度的提升，但比直接以I/Q信號(hào)數(shù)據(jù)作為輸入的數(shù)據(jù)驅(qū)動(dòng)算法犧牲了一定運(yùn)行效率。

為進(jìn)一步提升低信噪比下的識(shí)別準(zhǔn)確性，文獻(xiàn)［19?22］對(duì)數(shù)據(jù)驅(qū)動(dòng)算法的輸入首先進(jìn)行了降噪處理。文獻(xiàn)［19］使用平滑偽魏格納?維爾分布（Smoothed pseudo Wigner?Ville distribution，SPWVD）時(shí)頻變換獲得不同調(diào)制類型跳頻信號(hào)的時(shí)頻圖像后使用卷積自動(dòng)編碼器對(duì)時(shí)頻圖像進(jìn)行去噪，并將去噪后的圖像發(fā)送到卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和分類識(shí)別。文獻(xiàn)［20］通過(guò)提出的低秩表示算法對(duì)原信號(hào)進(jìn)行降噪預(yù)處理并獲取信號(hào)的循環(huán)譜圖，使用稀疏濾波準(zhǔn)則對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練后，再通過(guò)神經(jīng)網(wǎng)絡(luò)從降噪后的循環(huán)譜圖中提取特征來(lái)實(shí)現(xiàn)自動(dòng)調(diào)制識(shí)別。不同于文獻(xiàn)［19?20］對(duì)提取的信號(hào)特征進(jìn)行降噪，文獻(xiàn)［21?22］直接將原始信號(hào)I/Q數(shù)據(jù)輸入卷積自編碼器進(jìn)行降噪與重構(gòu)，之后分別輸入長(zhǎng)短期記憶網(wǎng)絡(luò)（Long short?term memory，LSTM）和殘差網(wǎng)絡(luò)，自動(dòng)從低信噪比的無(wú)線電信號(hào)中提取穩(wěn)定和魯棒的特征以進(jìn)行更為精準(zhǔn)的調(diào)制方式識(shí)別。

知識(shí)驅(qū)動(dòng)的算法也可以用于調(diào)整數(shù)據(jù)驅(qū)動(dòng)算法的結(jié)構(gòu)。在文獻(xiàn)［23］中，作者提出了一種利用異步幅度直方圖（Asynchronous amplitude histograms，AAHs）訓(xùn)練的徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)識(shí)別信號(hào)調(diào)制方式的方法，通過(guò)應(yīng)用期望最大化來(lái)利用AAHs的統(tǒng)計(jì)特性并選擇徑向基函數(shù)的中心向量，取代了K?均值或隨機(jī)選擇的中心向量選擇方法，具有更高的時(shí)間效率與識(shí)別準(zhǔn)確性。文獻(xiàn)［24］提出了一種基于神經(jīng)結(jié)構(gòu)搜索的自動(dòng)調(diào)制識(shí)別方法來(lái)自動(dòng)調(diào)整深度神經(jīng)網(wǎng)絡(luò)（Deep neural network，DNN）的結(jié)構(gòu)和參數(shù)，并在訓(xùn)練和約束的組合下找到最優(yōu)結(jié)構(gòu)，提高模型搜索的靈活性，并克服反向傳播過(guò)程中不可微量化函數(shù)導(dǎo)致的梯度傳播困難。與固定結(jié)構(gòu)的網(wǎng)絡(luò)相比，文獻(xiàn)［23?24］提出的方法在低參數(shù)和浮點(diǎn)運(yùn)算條件下具有更高的識(shí)別精度。

除了關(guān)注調(diào)制識(shí)別精確度和算法復(fù)雜度，學(xué)者們對(duì)于使用數(shù)據(jù)與知識(shí)雙驅(qū)動(dòng)來(lái)減小訓(xùn)練樣本數(shù)量、提高實(shí)際通信場(chǎng)景中的適用性也做了大量研究。文獻(xiàn)［25］提出了一種基于多任務(wù)學(xué)習(xí)（Multi?task learning，MTL）的自動(dòng)調(diào)制識(shí)別方法，并引入了非白高斯噪聲和同步誤差，通過(guò)在不同信噪比條件下訓(xùn)練具有相同結(jié)構(gòu)的多個(gè)彼此共享知識(shí)（例如模型權(quán)重）的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks，CNN）模型，使得MTL可以從不同噪聲場(chǎng)景下的數(shù)據(jù)集中提取一般特征，增強(qiáng)網(wǎng)絡(luò)的泛用能力。在沒(méi)有大量標(biāo)記樣本的情況下，文獻(xiàn)［26］將生成對(duì)抗網(wǎng)絡(luò)（Generative adversarial networks，GAN）模型的特征提取能力與半監(jiān)督異常檢測(cè)方法一類支持向量機(jī)（One?class support vector machine，1SVM）相結(jié)合，利用GAN模型學(xué)習(xí)的特征對(duì)1SVM進(jìn)行訓(xùn)練，取得了優(yōu)異的調(diào)制方式識(shí)別性能。文獻(xiàn)［27］提出了一個(gè)模塊化的自動(dòng)調(diào)制識(shí)別小樣本學(xué)習(xí)框架MsmcNet，包含I/Q融合模塊、1D信號(hào)特征處理模塊和分類器，大量實(shí)驗(yàn)結(jié)果表明該框架在小樣本甚至單樣本的條件下都實(shí)現(xiàn)了較基準(zhǔn)方案更為精確的調(diào)制方式識(shí)別性能。此外，遷移學(xué)習(xí)也是解決小樣本挑戰(zhàn)的利器之一，文獻(xiàn)［28?30］均構(gòu)建了基于遷移學(xué)習(xí)的半監(jiān)督自動(dòng)調(diào)制識(shí)別方案，對(duì)未知信號(hào)和信道參數(shù)引入的信號(hào)形狀變換更具魯棒性，在有限樣本的情況下取得了良好的識(shí)別準(zhǔn)確性。

在提升可解釋性方面，文獻(xiàn)［31］提出使用概念瓶頸模型進(jìn)行信號(hào)調(diào)制識(shí)別，作為在基于深度學(xué)習(xí)的調(diào)制識(shí)別算法中提供內(nèi)在決策解釋的手段，在滿足所需識(shí)別精度的同時(shí)提供了模型可解釋性。文獻(xiàn)［32］首先通過(guò)利用不同調(diào)制的屬性特征構(gòu)建了基于殘差網(wǎng)絡(luò)的屬性學(xué)習(xí)模型，其次構(gòu)建并預(yù)訓(xùn)練了調(diào)制識(shí)別視覺(jué)模型，結(jié)合屬性學(xué)習(xí)模型和視覺(jué)模型提出了數(shù)據(jù)與知識(shí)雙驅(qū)動(dòng)的調(diào)制方式智能識(shí)別方案，在各種信道環(huán)境尤其是低信噪比下取得了非常優(yōu)異的分類精度，同時(shí)屬性特征的引入也增強(qiáng)了方案的可解釋性。

1.1.2 頻譜預(yù)測(cè)

頻譜預(yù)測(cè)通過(guò)挖掘頻譜歷史數(shù)據(jù)的內(nèi)在相關(guān)性和使用模式，并通過(guò)各種算法學(xué)習(xí)特征，對(duì)即將到來(lái)的時(shí)隙的頻譜占用進(jìn)行合理預(yù)測(cè)。以此提前獲得信道使用信息，準(zhǔn)確的頻譜預(yù)測(cè)能減少時(shí)間和能源消耗等，提高頻譜決策的準(zhǔn)確性，為動(dòng)態(tài)頻譜接入奠定基礎(chǔ)。通過(guò)引入知識(shí)可以解決純數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)頻譜預(yù)測(cè)算法在低信噪比條件下性能差、缺乏網(wǎng)絡(luò)可解釋性、對(duì)訓(xùn)練樣本需求量巨大、網(wǎng)絡(luò)訓(xùn)練消耗巨大和計(jì)算資源等問(wèn)題［33?35］。

文獻(xiàn)［36］首先提出了一種通過(guò)圖像處理從頻譜圖中準(zhǔn)確定位信號(hào)的預(yù)處理算法，進(jìn)一步地以一種時(shí)頻融合注意力網(wǎng)絡(luò)來(lái)建模復(fù)雜的時(shí)頻關(guān)系。值得注意的是，作者還以網(wǎng)絡(luò)內(nèi)耦合的方式引入了外部知識(shí)，并使用設(shè)置加權(quán)遷移學(xué)習(xí)策略，通過(guò)有效利用源頻譜和目標(biāo)頻譜的數(shù)據(jù)，進(jìn)一步提高了頻譜預(yù)測(cè)模型在目標(biāo)頻譜上的性能。文獻(xiàn)［37］提出了基于自回歸模型與LSTM的數(shù)據(jù)與知識(shí)雙驅(qū)動(dòng)的頻譜預(yù)測(cè)框架，整體結(jié)構(gòu)根據(jù)自回歸結(jié)構(gòu)改造而來(lái)，這賦予了網(wǎng)絡(luò)可解釋性。相比于傳統(tǒng)自回歸模型中利用最小二乘法進(jìn)行參數(shù)估計(jì)，該網(wǎng)絡(luò)通過(guò)深度學(xué)習(xí)方法訓(xùn)練得到優(yōu)化參數(shù)從而得到更精確的參數(shù)估計(jì)，最后每個(gè)網(wǎng)絡(luò)單元僅有的兩個(gè)可訓(xùn)練參數(shù)能夠加速網(wǎng)絡(luò)訓(xùn)練過(guò)程。文獻(xiàn)［38］提出了NN?ResNet頻譜預(yù)測(cè)模型，首先為了充分利用區(qū)域中的傳感器，部署了基于卷積神經(jīng)網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)的深度學(xué)習(xí)預(yù)測(cè)模型以預(yù)測(cè)該區(qū)域的時(shí)空頻譜使用情況，進(jìn)一步地為降低感知開(kāi)銷，應(yīng)用最近鄰插值來(lái)恢復(fù)未感知區(qū)域中的頻譜使用數(shù)據(jù)，由此借助重建過(guò)程進(jìn)行預(yù)測(cè)所需的傳感器更少，在傳感器稀疏的情況下保持了較高的預(yù)測(cè)準(zhǔn)確率。

1.1.3 信道估計(jì)

無(wú)線通信系統(tǒng)的性能很大程度上受到無(wú)線信道的影響，如陰影衰落和頻率選擇性衰落等的存在使得發(fā)射機(jī)和接收機(jī)之間的傳播路徑非常復(fù)雜。無(wú)線信道并不像有線信道固定并可預(yù)見(jiàn)，其具有的隨機(jī)性對(duì)接收機(jī)的設(shè)計(jì)提出了很大挑戰(zhàn)。在正交頻分復(fù)用技術(shù)（Orthogonal frequency division multiplexing，OFDM）系統(tǒng)的相干檢測(cè)中需要對(duì)信道進(jìn)行估計(jì)，信道估計(jì)的精度將直接影響整個(gè)系統(tǒng)的性能。為了能在接收端準(zhǔn)確地恢復(fù)發(fā)射端的發(fā)送信號(hào)，人們采用各種措施來(lái)抵抗多徑效應(yīng)對(duì)傳輸信號(hào)的影響，信道估計(jì)技術(shù)的實(shí)現(xiàn)需要知道無(wú)線信道的信息，如信道的階數(shù)、多普勒頻移和多徑時(shí)延或者信道的沖激響應(yīng)等參數(shù)。信道估計(jì)是信道對(duì)輸入信號(hào)影響的一種數(shù)學(xué)表示，而“好”的信道估計(jì)則是使得某種估計(jì)誤差最小化的估計(jì)算法［39?41］。

文獻(xiàn)［42］通過(guò)將現(xiàn)有的迭代檢測(cè)算法展開(kāi)到DNN結(jié)構(gòu)中并在每一層引入兩個(gè)輔助參數(shù)實(shí)現(xiàn)了基于知識(shí)驅(qū)動(dòng)深度學(xué)習(xí)（Deep learning，DL）的大規(guī)模多輸入多輸出（Multiple?in multiple?out，MIMO）檢測(cè)器，使得檢測(cè)器可以用更小的數(shù)據(jù)集快速訓(xùn)練。文獻(xiàn)［43］在基于知識(shí)驅(qū)動(dòng)DL的MIMO檢測(cè)器基礎(chǔ)上，進(jìn)一步提出了聯(lián)合信道估計(jì)和信號(hào)檢測(cè)框架，檢測(cè)器考慮了信道估計(jì)誤差和信道統(tǒng)計(jì)信息，而信道估計(jì)由檢測(cè)數(shù)據(jù)細(xì)化并考慮了檢測(cè)誤差，通過(guò)數(shù)據(jù)與知識(shí)雙驅(qū)動(dòng)獲得了顯著的性能增益。文獻(xiàn)［44］提出了將DL與專家知識(shí)相結(jié)合的OFDM接收機(jī)，接收機(jī)分為信道估計(jì)子模塊和信號(hào)檢測(cè)子模塊，每個(gè)子模塊均為DNN并使用現(xiàn)有的傳統(tǒng)解決方案作為初始化。文獻(xiàn)［45］提出了將DL與共軛梯度算法相結(jié)合的基于知識(shí)驅(qū)動(dòng)的DL網(wǎng)絡(luò)用于MIMO中恒定包絡(luò)預(yù)編碼。文獻(xiàn)［46］提出了將DL集成到最大對(duì)數(shù)后驗(yàn)概率算法中的TurboNet用于Turbo譯碼。

1.1.4 射頻指紋識(shí)別

隨著無(wú)線通信技術(shù)的不斷發(fā)現(xiàn)，保障無(wú)線網(wǎng)絡(luò)的安全也變得愈發(fā)重要。由于設(shè)備內(nèi)部元件在生產(chǎn)制造和使用過(guò)程中存在著難以預(yù)知的損耗，同一制造商生產(chǎn)的同一批次設(shè)備也存在微小且穩(wěn)定的差異，這一獨(dú)特的差異稱為射頻指紋。因此，獨(dú)具穩(wěn)定性和唯一性的射頻指紋可以對(duì)設(shè)備身份進(jìn)行有效的識(shí)別，提升物理層的無(wú)線網(wǎng)絡(luò)安全［47?49］。

目前為止，部分國(guó)內(nèi)外學(xué)者利用收發(fā)器獨(dú)特的物理層特性實(shí)現(xiàn)對(duì)射頻指紋的識(shí)別。文獻(xiàn)［50］利用設(shè)備中信號(hào)的載波頻率偏移（Carrier frequency offset，CFO）的平均值相對(duì)穩(wěn)定這一特性，提出了一種根據(jù)CFO值校準(zhǔn)CNN輸出的混合分類器。文獻(xiàn)［51］利用輸入信號(hào)的相位和頻率偏移量作為知識(shí)，結(jié)合數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)方法達(dá)到訓(xùn)練網(wǎng)絡(luò)的目的，提升了低信噪比下分類性能。

此外，還可以利用其他輔助知識(shí)來(lái)提升識(shí)別精度。文獻(xiàn)［52］提出了一種基于噪聲模型輔助CNN的射頻指紋識(shí)別方法，以增強(qiáng)物理層安全。其中噪聲模型對(duì)接收信號(hào)進(jìn)行處理以消除原始數(shù)據(jù)的影響，只留下包含設(shè)備獨(dú)特特性的噪聲部分。文獻(xiàn)［53］融合了三維希爾伯特譜和雙譜這兩種特征，提出了基于深度學(xué)習(xí)的多特征融合的射頻指紋識(shí)別模型，提升了模型識(shí)別的精度。

通常的射頻識(shí)別系統(tǒng)具有海量數(shù)據(jù)流的特點(diǎn)，在實(shí)際應(yīng)用場(chǎng)景中，不僅需要大量的手工工作來(lái)收集相關(guān)數(shù)據(jù)樣本并標(biāo)記數(shù)據(jù)，而且還可能隨著項(xiàng)目的進(jìn)展而出現(xiàn)新的數(shù)據(jù)類別，大量標(biāo)簽樣本的收集難以甚至完全無(wú)法實(shí)現(xiàn)。文獻(xiàn)［54］提出了一種基于可變形卷積網(wǎng)絡(luò)的射頻指紋識(shí)別方法，使卷積運(yùn)算更偏向于能量較高的特征圖中有用的信息內(nèi)容而忽略部分背景噪聲信息，并利用分布式聯(lián)邦學(xué)習(xí)系統(tǒng)解決了多方聯(lián)合訓(xùn)練模型在不交換原始樣本數(shù)據(jù)的情況下局部訓(xùn)練樣本數(shù)量不足的問(wèn)題，無(wú)需訓(xùn)練序列和導(dǎo)頻且信息量小，實(shí)現(xiàn)了較高的能源效率和頻譜效率。文獻(xiàn)［55］將半監(jiān)督學(xué)習(xí)引入射頻指紋識(shí)別，提出了一種基于雙譜特征提取的自分類GAN，利用信號(hào)的雙譜估計(jì)作為發(fā)射器的特征表示，將標(biāo)簽信息嵌入到隱藏層中以指導(dǎo)GAN的訓(xùn)練，在多種場(chǎng)景下都具有良好的半監(jiān)督分類性能。

1.1.5 無(wú)線接入方式識(shí)別

由于頻譜資源有限，相互競(jìng)爭(zhēng)的無(wú)線技術(shù)受到不同程度的干擾，多種無(wú)線技術(shù)共存是未來(lái)通信系統(tǒng)的趨勢(shì)。智能認(rèn)知無(wú)線電系統(tǒng)需要正確的頻譜可用性評(píng)估和在訪問(wèn)許可頻帶之前的態(tài)勢(shì)感知。在異構(gòu)共存網(wǎng)絡(luò)中，隨著干擾概率的增加，對(duì)操作特定頻段的無(wú)線技術(shù)的識(shí)別為認(rèn)知節(jié)點(diǎn)提供了潛在干擾的估計(jì)，無(wú)線接入方式分類對(duì)于實(shí)現(xiàn)高效的頻譜共享和干擾管理至關(guān)重要?，F(xiàn)有的基于深度學(xué)習(xí)的方法可以通過(guò)直接捕獲輸入數(shù)據(jù)的特征對(duì)其進(jìn)行低精度的分類，但因?yàn)檩斎霐?shù)據(jù)類型的不確定、噪聲干擾等因素的存在使得分類的準(zhǔn)確度偏低［56?58］。

文獻(xiàn)［59］關(guān)注輕量化網(wǎng)絡(luò)，基于信號(hào)存在多尺度特征的事實(shí)，提出了一種多尺度卷積神經(jīng)網(wǎng)絡(luò)框架用于無(wú)線接入方式識(shí)別，具有更優(yōu)的分類性能和更快的收斂速度。文獻(xiàn)［60］考慮了多個(gè)可區(qū)分的物理層設(shè)置，根據(jù)原始I/Q測(cè)量值對(duì)傳輸設(shè)置如帶寬、載波頻率和接收信號(hào)強(qiáng)度（Receiving signal strength indicator，RSSI）進(jìn)行估計(jì)，實(shí)現(xiàn)了符號(hào)級(jí)提取方案以提取調(diào)制設(shè)置的獨(dú)特特征并應(yīng)用于機(jī)器學(xué)習(xí)中以識(shí)別接收到的無(wú)線技術(shù)類型。與原始I/Q測(cè)量值相比極大簡(jiǎn)化了提取的特征，因此可以使用簡(jiǎn)單的結(jié)構(gòu)設(shè)計(jì)機(jī)器學(xué)習(xí)分類器如多層感知機(jī)，從而面向物聯(lián)網(wǎng)節(jié)點(diǎn)快速部署。文獻(xiàn)［61］面向小樣本場(chǎng)景，作者提出了一種使用深度自編碼器的無(wú)線接入方式識(shí)別算法，利用軟件定義無(wú)線電來(lái)構(gòu)建I/Q樣本的大型未標(biāo)記數(shù)據(jù)集，但只需要對(duì)其中少數(shù)樣本進(jìn)行標(biāo)記即可開(kāi)始學(xué)習(xí)過(guò)程，最大限度地減少手工標(biāo)記頻譜數(shù)據(jù)的需要，且該方法只需要原始I/Q樣本，因此可以很容易地從低成本的傳感設(shè)備中獲取。文獻(xiàn)［62］面向開(kāi)放集識(shí)別的難題，提出了一種基于CountGAN架構(gòu)的多任務(wù)學(xué)習(xí)體系結(jié)構(gòu)，用于識(shí)別已知和未知的無(wú)線信號(hào)類型，其中多任務(wù)架構(gòu)的引入能夠捕獲信號(hào)的調(diào)制域信息從而改進(jìn)單個(gè)無(wú)線信號(hào)的表示，使用度量學(xué)習(xí)中的圓損失和極值理論進(jìn)一步增強(qiáng)了模型的魯棒性和對(duì)開(kāi)放集場(chǎng)景的適應(yīng)性。

1.2 數(shù)據(jù)鏈路層

1.2.1 流量預(yù)測(cè)

流量預(yù)測(cè)是將歷史流量數(shù)據(jù)輸入到非線性模型中來(lái)預(yù)測(cè)當(dāng)前或者未來(lái)的網(wǎng)絡(luò)流量，可以反映出網(wǎng)絡(luò)某一時(shí)刻或者某一段時(shí)間內(nèi)網(wǎng)絡(luò)業(yè)務(wù)的使用情況。通過(guò)流量預(yù)測(cè)模型提前了解流量的變化趨勢(shì)，會(huì)大大提升網(wǎng)絡(luò)資源分配調(diào)度的效率，從而提升整個(gè)網(wǎng)絡(luò)資源的可利用率。無(wú)線網(wǎng)絡(luò)流量的歷史數(shù)據(jù)是高度非線性和復(fù)雜的，因此數(shù)據(jù)點(diǎn)在空間上相互關(guān)聯(lián)，時(shí)間上相互依賴。然而，在一個(gè)連續(xù)空間中，時(shí)空特征的動(dòng)態(tài)變化是突然的。射頻機(jī)器學(xué)習(xí)通過(guò)將通信領(lǐng)域知識(shí)融合在原有的時(shí)空特征來(lái)提升流量預(yù)測(cè)準(zhǔn)確性［63?65］。

文獻(xiàn)［66］在捕捉隱藏在數(shù)據(jù)間復(fù)雜時(shí)空相關(guān)性的同時(shí)，充分利用影響蜂窩數(shù)據(jù)業(yè)務(wù)生成的各種因素（空間、時(shí)間和社會(huì)活動(dòng)水平），提出了一種基于遷移學(xué)習(xí)的新型深度神經(jīng)網(wǎng)絡(luò)架構(gòu)STCNet，實(shí)現(xiàn)有限樣本下的流量預(yù)測(cè)。雖然上述遷移學(xué)習(xí)解決了數(shù)據(jù)有限的問(wèn)題，但是仍舊需要從類似場(chǎng)景中學(xué)習(xí)和遷移信息，短時(shí)間內(nèi)對(duì)用戶的流量水平進(jìn)行預(yù)測(cè)仍然具有挑戰(zhàn)性。面對(duì)上述存在的問(wèn)題，文獻(xiàn)［67］提出了一種基于元學(xué)習(xí)的反饋模型，該模型包含一個(gè)主策略和一組預(yù)測(cè)器，其中每個(gè)預(yù)測(cè)器都經(jīng)過(guò)了優(yōu)化，用以預(yù)測(cè)特定類型的流量。然后，主策略通過(guò)每個(gè)預(yù)測(cè)器反饋的預(yù)測(cè)精度來(lái)動(dòng)態(tài)選擇最合適的預(yù)測(cè)器。文獻(xiàn)［68］將網(wǎng)絡(luò)流量問(wèn)題建模為馬爾可夫決策過(guò)程，然后通過(guò)蒙特卡羅Q學(xué)習(xí)預(yù)測(cè)網(wǎng)絡(luò)流量。值得注意的是，為了解決實(shí)時(shí)性要求，作者提出了一種基于殘差的字典學(xué)習(xí)算法來(lái)降低該算法的計(jì)算復(fù)雜度。

此外，文獻(xiàn)［69］利用無(wú)線流量中特殊事件發(fā)生觸動(dòng)流量變化的可預(yù)測(cè)因果關(guān)系，提出了基于相關(guān)性和因果性的預(yù)測(cè)框架，該框架集成了時(shí)空流量信息和其他維度信息的兩類預(yù)測(cè)，利用不同層次信息間的互補(bǔ)優(yōu)勢(shì)來(lái)最大程度地提升預(yù)測(cè)精度。

1.2.2 鏈路質(zhì)量評(píng)估

在無(wú)線通信環(huán)境中，信道條件會(huì)隨著時(shí)間和空間的變化發(fā)生顯著的變化，進(jìn)而會(huì)影響無(wú)線鏈路的質(zhì)量。建立有效的鏈路質(zhì)量評(píng)估模型不但能夠客觀地評(píng)價(jià)鏈路質(zhì)量、鏈路的穩(wěn)定性和敏捷性，還可以結(jié)合路由對(duì)數(shù)據(jù)傳輸提供保障。具體來(lái)說(shuō)，鏈路質(zhì)量越好，接收信號(hào)成功的比例就越高，故而，通信就越發(fā)可靠。除此之外，鏈路質(zhì)量的有效預(yù)測(cè)可提供巨大的性能回報(bào)，如減少數(shù)據(jù)包丟失而提高網(wǎng)絡(luò)吞吐量，受限的路由重新發(fā)現(xiàn)等［70?71］。

文獻(xiàn)［72］將不同物理層參數(shù)承載的鏈路質(zhì)量信息通過(guò)輕量級(jí)加權(quán)歐幾里得距離進(jìn)行融合，利用融合后的參數(shù)與包接受率的映射模型實(shí)現(xiàn)鏈路質(zhì)量的定量估計(jì)。文獻(xiàn)［73］利用實(shí)時(shí)流量值和鏈路信息來(lái)評(píng)估鏈路質(zhì)量，提出了一種基于流量感知和鏈路質(zhì)量的路由協(xié)議，在數(shù)據(jù)包交付率和平均傳輸延遲方面實(shí)現(xiàn)了顯著的性能提升。文獻(xiàn)［74］根據(jù)無(wú)線鏈路的特性采用小波去噪法將信噪比時(shí)間序列分解為確定性部分和隨機(jī)部分，通過(guò)兩個(gè)LSTM預(yù)測(cè)確定性部分和隨機(jī)部分的方差，計(jì)算置信區(qū)間邊界，用于判斷鏈路質(zhì)量是否適合下一次傳輸。

1.3 網(wǎng)絡(luò)層

路由的目的是選擇合適的路徑將信息從發(fā)射機(jī)傳遞到接收機(jī)。為了使信息可以更快、更高效地傳輸?shù)侥康牡兀话愀鶕?jù)流量需求對(duì)路由進(jìn)行優(yōu)化。路由優(yōu)化指的是以最有效和最高效的方式優(yōu)化流量的路由路徑。現(xiàn)有的部分路由優(yōu)化方法是遵循網(wǎng)絡(luò)中固定數(shù)量的路由器進(jìn)行的。一旦部分路由器發(fā)生故障或者手動(dòng)修改拓?fù)浣Y(jié)構(gòu)，現(xiàn)有的路由優(yōu)化算法可能就無(wú)法正確地做出路由選擇。射頻機(jī)器學(xué)習(xí)為這些情況提供可能。將通信領(lǐng)域知識(shí)引入路由優(yōu)化，可以在動(dòng)態(tài)變化的無(wú)線通信環(huán)境中自適應(yīng)地生成最優(yōu)模型［75?77］。

文獻(xiàn)［78］利用鏈路可靠性和其他傳統(tǒng)路由指標(biāo)來(lái)設(shè)計(jì)路由算法，通過(guò)斯費(fèi)勒?萊曼核和雙卷積神經(jīng)網(wǎng)絡(luò)（Weisfeiler?Lehman kernel and dual convolutional neural network，WL?DCNN）模型引入相似度矩陣和拉普拉斯譜來(lái)提取和標(biāo)記目標(biāo)鏈接生成的子圖，提升了拓?fù)涮卣魍诰虻淖詫W(xué)習(xí)能力，為深度學(xué)習(xí)模型構(gòu)建主要輸入和輔助輸入。實(shí)驗(yàn)結(jié)果表明，該模型在保持較高能量效率的同時(shí)有效提高了傳感器網(wǎng)絡(luò)的彈性。文獻(xiàn)［79］利用物理層信干噪比這一概念，使用強(qiáng)化學(xué)習(xí)對(duì)路由進(jìn)行有效優(yōu)化。其中，單個(gè)智能體與每個(gè)流相關(guān)聯(lián)，通過(guò)基于相鄰節(jié)點(diǎn)的地理位置信息智能地做出聯(lián)合路由和頻譜分配決策來(lái)避免干擾。

此外，面對(duì)地面用戶與基站沒(méi)有可靠直接連接的情況，多跳無(wú)人機(jī)網(wǎng)絡(luò)可以作為數(shù)據(jù)中繼。文獻(xiàn)［80］研究了多跳無(wú)人機(jī)中繼網(wǎng)絡(luò)中的分組路由問(wèn)題，提出了新型聯(lián)合訓(xùn)練機(jī)制，即無(wú)人機(jī)自己內(nèi)部和無(wú)人機(jī)間的訓(xùn)練，解決了智能體動(dòng)作空間大這一難題，從而最小化數(shù)據(jù)包傳輸時(shí)間，降低網(wǎng)絡(luò)擁塞概率。

1.4 傳輸層

1.4.1 擁塞控制

現(xiàn)實(shí)生活中，設(shè)備的處理和轉(zhuǎn)發(fā)能力都是有限的。當(dāng)所有網(wǎng)絡(luò)參與者發(fā)送數(shù)據(jù)過(guò)快或者信道質(zhì)量較差時(shí)，擁塞就會(huì)發(fā)生。而擁塞導(dǎo)致的排隊(duì)和丟包導(dǎo)致的超時(shí)都會(huì)大大降低傳輸速率。網(wǎng)絡(luò)擁塞控制主要解決網(wǎng)絡(luò)傳輸需求和網(wǎng)絡(luò)傳輸能力不匹配引起的擁塞問(wèn)題。當(dāng)擁塞發(fā)生時(shí)減少發(fā)送速率或者提前對(duì)帶寬進(jìn)行分配，可以在一定程度上滿足低延時(shí)的要求［81?83］。

文獻(xiàn)［84］考慮了影響鏈路擁塞的當(dāng)前流路由信息，采用改進(jìn)后的Q學(xué)習(xí)算法進(jìn)行擁塞控制。實(shí)驗(yàn)結(jié)果表明該模型可以實(shí)現(xiàn)更高的鏈路利用率和更低的擁塞水平。然而，由于Q表的存儲(chǔ)容量有限，Q學(xué)習(xí)算法可能適用于狀態(tài)有限的場(chǎng)景，這無(wú)法適用于網(wǎng)絡(luò)中的潛在變化。文獻(xiàn)［85］提出了一種新的基于共享瓶頸的擁塞控制模型，其利用顯式擁塞通知機(jī)制來(lái)檢測(cè)子流之間的共享瓶頸。值得注意的是，為了在保持瓶頸公平性的同時(shí)提供負(fù)載平衡，提出了耦合擁塞控制算法來(lái)估計(jì)每個(gè)子流的擁塞程度，并利用它來(lái)動(dòng)態(tài)地控制擁塞窗口。文獻(xiàn)［86］利用多智能體強(qiáng)化學(xué)習(xí)提出了一種分布式學(xué)習(xí)方法，以適應(yīng)多變的環(huán)境并實(shí)現(xiàn)高效的擁塞控制。值得注意的是，每個(gè)智能體的網(wǎng)絡(luò)中都引入了兩層注意力機(jī)制，一層注意力機(jī)制會(huì)獲取其他鏈路的狀態(tài)，另一層注意力機(jī)制在不犧牲整體性能的情況下充分挖掘每個(gè)鏈路的傳輸潛力。文獻(xiàn)［87］將無(wú)線接入網(wǎng)（Radio access network，RAN）信息引入基于深度強(qiáng)化學(xué)習(xí)的擁塞控制中，這會(huì)有助于智能體直接了解潛在的瓶頸信息。同時(shí)，智能體會(huì)據(jù)此來(lái)采取行動(dòng)防止RAN中的擁塞，從而提高網(wǎng)絡(luò)利用率。

1.4.2 調(diào)度

為了加快任務(wù)的處理速度，資源調(diào)度器將作業(yè)劃分為多個(gè)任務(wù)。然后，調(diào)度器將每個(gè)任務(wù)分配到某個(gè)計(jì)算資源上運(yùn)行。因此，任務(wù)調(diào)度就是如何根據(jù)計(jì)算資源的負(fù)載狀態(tài)和任務(wù)的計(jì)算需求合理地將任務(wù)分配給計(jì)算資源，目標(biāo)是確保負(fù)載平衡并提高計(jì)算資源的利用率［88?89］。

文獻(xiàn)［90］將優(yōu)化功率分配的專家知識(shí)和深度人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，以解決無(wú)單元大規(guī)模MIMO通信系統(tǒng)中的接入點(diǎn)調(diào)度問(wèn)題串行帶寬受限的前傳架構(gòu)。然而，傳統(tǒng)純數(shù)據(jù)驅(qū)動(dòng)的優(yōu)化算法會(huì)存在收斂速度慢的問(wèn)題。文獻(xiàn)［91］提出了基于強(qiáng)化學(xué)習(xí)的云資源調(diào)度方案，并在強(qiáng)化學(xué)習(xí)中引入模仿學(xué)習(xí)來(lái)減少最優(yōu)策略的訓(xùn)練時(shí)間。文獻(xiàn)［92］設(shè)計(jì)了一種基于自適應(yīng)深度強(qiáng)化學(xué)習(xí)的任務(wù)調(diào)度框架，用于高效節(jié)能的云計(jì)算。其中，作者構(gòu)建了一個(gè)自動(dòng)生成網(wǎng)絡(luò)，其可以根據(jù)不斷變化的工作量動(dòng)態(tài)調(diào)整深度強(qiáng)化學(xué)習(xí)的折扣因子，以實(shí)現(xiàn)加速學(xué)習(xí)速度的目的。文獻(xiàn)［93］考慮到有限的計(jì)算和通信資源，通過(guò)深度Q網(wǎng)絡(luò)算法對(duì)任務(wù)卸載、無(wú)線信道分配和圖像壓縮率選擇進(jìn)行聯(lián)合決策，以獲得較高的平均識(shí)別精度和較低的平均處理延遲。值得注意的是，作者將神經(jīng)網(wǎng)絡(luò)算法作為底層算法融合到深度Q網(wǎng)絡(luò)算法中，以減少模型維數(shù)災(zāi)難，加快收斂速度。文獻(xiàn)［94］提出了一種知識(shí)驅(qū)動(dòng)的云端多目標(biāo)工作流調(diào)度算法。一方面，該算法利用工作流的結(jié)構(gòu)知識(shí)將大規(guī)模決策轉(zhuǎn)化為一系列小規(guī)模分組策略，以加快收斂速度；另一方面，該算法挖掘工作流任務(wù)和云資源的知識(shí)，估計(jì)目標(biāo)空間歸一化的理想點(diǎn)和最低點(diǎn)，保持多目標(biāo)工作流調(diào)度的多樣性。

此外，部分優(yōu)化算法還會(huì)存在搜索空間冗余的難點(diǎn)。文獻(xiàn)［95］研究了一種基于知識(shí)的自適應(yīng)離散優(yōu)化框架，在最小化工作流程成本的同時(shí)將其執(zhí)行時(shí)間保持在預(yù)定的期限中。值得注意的是，作者將每小時(shí)成本中的空閑時(shí)間知識(shí)重構(gòu)自適應(yīng)控制搜索步長(zhǎng)的離散傳播算子，以在巨大的搜索空間中高效地搜索有希望的區(qū)域，將任務(wù)分配方案相應(yīng)資源的優(yōu)秀塊結(jié)構(gòu)作為知識(shí)，以強(qiáng)化局部區(qū)域并加速收斂。文獻(xiàn)［96］提出了一種基于深度強(qiáng)化學(xué)習(xí)的表示模型，以適應(yīng)節(jié)點(diǎn)和任務(wù)的動(dòng)態(tài)變化，解決深度強(qiáng)化學(xué)習(xí)中由于海量數(shù)據(jù)引起的維度災(zāi)難的難點(diǎn)，而后利用降維后的向量表示進(jìn)行調(diào)度決策。

1.5 應(yīng)用層

近年來(lái)，隨著通信技術(shù)的迅速發(fā)展，各類無(wú)線電設(shè)備不斷涌現(xiàn)，通信系統(tǒng)中的信號(hào)成分也越來(lái)越復(fù)雜。如果將包含已知授權(quán)用頻設(shè)備發(fā)出的正常頻點(diǎn)信號(hào)以及相應(yīng)的背景噪聲的特定電磁空間定義為正常狀態(tài)的電磁空間，則當(dāng)發(fā)生未授權(quán)設(shè)備入侵、用頻設(shè)備互相干擾等導(dǎo)致電磁空間遭到破壞的異常情況時(shí)，應(yīng)視為電磁空間的異常狀態(tài)。異常情況的發(fā)生使得通信系統(tǒng)的安全可靠性大大降低。由于異常情況難以避免，因此在電磁頻譜監(jiān)測(cè)領(lǐng)域內(nèi)，異常信號(hào)檢測(cè)技術(shù)至關(guān)重要。隨著深度學(xué)習(xí)在通信領(lǐng)域的應(yīng)用范圍越來(lái)越廣泛，依據(jù)射頻信號(hào)特性和領(lǐng)域知識(shí)為異常信號(hào)檢測(cè)任務(wù)定制相適應(yīng)結(jié)構(gòu)的深度學(xué)習(xí)模型也是題中應(yīng)有之義［97?99］。

文獻(xiàn)［100］基于預(yù)測(cè)誤差的方法，將LSTM網(wǎng)絡(luò)和高斯混合模型相結(jié)合實(shí)現(xiàn)了實(shí)時(shí)異常檢測(cè)算法。文獻(xiàn)［101］基于重構(gòu)誤差的方法，將自編碼器結(jié)構(gòu)引入生成對(duì)抗網(wǎng)絡(luò)中，生成信號(hào)時(shí)頻圖的重構(gòu)圖像，根據(jù)生成對(duì)抗網(wǎng)絡(luò)判別器的損失值和重構(gòu)誤差判斷輸入信號(hào)是否為異常信號(hào)。文獻(xiàn)［102］同樣基于重構(gòu)誤差，將LSTM和CNN分別作為編碼和解碼網(wǎng)絡(luò)，并引入生成對(duì)抗思想，結(jié)合半監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)方式對(duì)輸入信號(hào)的功率譜密度圖進(jìn)行重構(gòu)并根據(jù)重構(gòu)誤差檢測(cè)異常信號(hào)。文獻(xiàn)［103］提出了用歸一化修正條件轉(zhuǎn)移熵作為識(shí)別時(shí)間序列因果關(guān)系的度量并構(gòu)建因果網(wǎng)絡(luò)，使用具有特征注意力機(jī)制的多元LSTM對(duì)遙測(cè)數(shù)據(jù)進(jìn)行建模、預(yù)測(cè)以及異常檢測(cè)，與傳統(tǒng)的基于預(yù)測(cè)模型的異常檢測(cè)方法相比，該方法可以用于研究多變量和大規(guī)模遙測(cè)數(shù)據(jù)中的因果關(guān)系，模型預(yù)測(cè)對(duì)異常信號(hào)更敏感。文獻(xiàn)［104］研究了一種基于元學(xué)習(xí)的跨頻帶頻譜異常檢測(cè)方法，通過(guò)使用InceptionV 3的預(yù)訓(xùn)練模型來(lái)分析不同頻帶數(shù)據(jù)以獲取不同頻帶之間的差異，之后構(gòu)建元學(xué)習(xí)數(shù)據(jù)集并通過(guò)元學(xué)習(xí)訓(xùn)練模型找到模型參數(shù)的最優(yōu)分布，最后使用少量目標(biāo)頻段數(shù)據(jù)微調(diào)模型以檢測(cè)目標(biāo)頻譜中的異常信號(hào)。

2 射頻機(jī)器學(xué)習(xí)框架

根據(jù)數(shù)據(jù)驅(qū)動(dòng)與知識(shí)驅(qū)動(dòng)的不同作用機(jī)理，將現(xiàn)有射頻機(jī)器學(xué)習(xí)方法總結(jié)為4大框架：串行雙驅(qū)動(dòng)框架、并行雙驅(qū)動(dòng)框架、耦合雙驅(qū)動(dòng)框架和反饋雙驅(qū)動(dòng)框架。接下來(lái)對(duì)4種框架分別進(jìn)行詳細(xì)介紹。

2.1 串行雙驅(qū)動(dòng)框架

在基于數(shù)據(jù)和知識(shí)串行雙驅(qū)動(dòng)框架中（圖3），設(shè)數(shù)據(jù)輸入為X，模型輸出為Y，將數(shù)據(jù)驅(qū)動(dòng)建模為g(X)，知識(shí)驅(qū)動(dòng)建模為f(X)，因此基于數(shù)據(jù)與知識(shí)串行雙驅(qū)動(dòng)框架可以表示為

圖3 基于數(shù)據(jù)與知識(shí)串行雙驅(qū)動(dòng)框架Fig.3 Data?and?knowledge serial dual?driven framework

具體來(lái)說(shuō)，數(shù)據(jù)和知識(shí)串行雙驅(qū)動(dòng)方法能夠更詳盡地表征目標(biāo)對(duì)象，知識(shí)驅(qū)動(dòng)的方法對(duì)數(shù)據(jù)驅(qū)動(dòng)的結(jié)果做進(jìn)一步修改提高。在提升整體性能的同時(shí)，知識(shí)的引入能夠降低純數(shù)據(jù)驅(qū)動(dòng)方法對(duì)大量樣本的依賴，另一方面，數(shù)據(jù)驅(qū)動(dòng)的修正能夠降低知識(shí)驅(qū)動(dòng)方法中精確建模的壓力。文獻(xiàn)［105］將LSTM的強(qiáng)非線性擬合能力和差分整合移動(dòng)平均自回歸（Autoregressive integrated moving average，ARIMA）模型的線性擬合能力相結(jié)合，構(gòu)建了LSTM?ARIMA預(yù)測(cè)模型，利用ARIMA模型對(duì)LSTM的預(yù)測(cè)誤差建模，最后，將兩者的輸出結(jié)果相加得到最終的預(yù)測(cè)結(jié)果。文獻(xiàn)［44］將信號(hào)接收機(jī)劃分為信道估計(jì)子網(wǎng)和信號(hào)檢測(cè)子網(wǎng)，每個(gè)子網(wǎng)絡(luò)為一個(gè)深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，且首先通過(guò)模型方法進(jìn)行初始估計(jì)，接著通過(guò)數(shù)據(jù)驅(qū)動(dòng)的雙向LSTM進(jìn)行精估計(jì)。文獻(xiàn)［106］首先通過(guò)傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)方法，多次預(yù)測(cè)得到初步圖像分類結(jié)果，接著根據(jù)多標(biāo)簽分類結(jié)果構(gòu)建知識(shí)子圖，將場(chǎng)景相關(guān)性和語(yǔ)義相關(guān)性作為分類標(biāo)準(zhǔn)，輔助圖像識(shí)別，提升模型的精確度。

2.2 并行雙驅(qū)動(dòng)框架

在基于數(shù)據(jù)和知識(shí)并行雙驅(qū)動(dòng)框架中（圖4），設(shè)數(shù)據(jù)輸入為X，模型輸出為Y，將數(shù)據(jù)驅(qū)動(dòng)建模為g(X)，知識(shí)驅(qū)動(dòng)建模為f(X)，融合模塊建模為h(X1，X2)，因此基于數(shù)據(jù)與知識(shí)并行雙驅(qū)動(dòng)框架可以表示為

圖4 基于數(shù)據(jù)與知識(shí)并行雙驅(qū)動(dòng)框架Fig.4 Data?and?knowledge parallel dual?driven framework

具體來(lái)說(shuō)，數(shù)據(jù)驅(qū)動(dòng)方法和知識(shí)驅(qū)動(dòng)方法并行工作，數(shù)據(jù)驅(qū)動(dòng)方法和知識(shí)驅(qū)動(dòng)方法各自存在不足，因此，可以通過(guò)二者之間的比較或融合以實(shí)現(xiàn)性能的提升。當(dāng)兩者的輸出屬于不同類型數(shù)據(jù)時(shí)，可以通過(guò)一個(gè)控制模塊對(duì)數(shù)據(jù)類型進(jìn)行轉(zhuǎn)換。這種集成方法有助于提高模型可靠性和模型完整性，但是整體運(yùn)行時(shí)間通常依賴于知識(shí)驅(qū)動(dòng)的方法。文獻(xiàn)［32］將語(yǔ)義屬性知識(shí)作為新的數(shù)據(jù)源，構(gòu)建屬性學(xué)習(xí)模型，將屬性學(xué)習(xí)結(jié)果與數(shù)據(jù)驅(qū)動(dòng)的視覺(jué)模型輸出結(jié)果相結(jié)合，顯著提升了低信噪比下的性能。由于LSTM的預(yù)測(cè)結(jié)果普遍偏低，ARIMA結(jié)果普遍偏高，基于這一先驗(yàn)知識(shí)，文獻(xiàn)［107］提出了一種LSTM和ARIMA組合預(yù)測(cè)模型，通過(guò)Critic方法將兩個(gè)模塊的輸出結(jié)果融合，以實(shí)現(xiàn)性能提升。

文獻(xiàn)［69］基于預(yù)測(cè)結(jié)果的相關(guān)性和因果性提出了數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)方法和知識(shí)驅(qū)動(dòng)的ARIMA并行的預(yù)測(cè)方法，兩者動(dòng)態(tài)互補(bǔ)，實(shí)現(xiàn)了預(yù)測(cè)精度的提升。此外，作者還設(shè)計(jì)了一種輕量化網(wǎng)絡(luò)結(jié)構(gòu)降低了運(yùn)算復(fù)雜度。

文獻(xiàn)［66］利用多種不同領(lǐng)域的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，提取數(shù)據(jù)之間的復(fù)雜時(shí)空相關(guān)性，最后采用拼接的方式融合多通道輸出。文獻(xiàn)［108］針對(duì)小樣本和零樣本學(xué)習(xí)問(wèn)題提出了一種深度視覺(jué)語(yǔ)義嵌入模型，視覺(jué)模型和語(yǔ)義學(xué)習(xí)模型分別提取出原始數(shù)據(jù)的視覺(jué)特征和語(yǔ)義特征，針對(duì)這兩種不同類型的數(shù)據(jù)特征，設(shè)計(jì)一個(gè)轉(zhuǎn)換模型將其映射到同一個(gè)特征域，最終通過(guò)最小二乘嵌入損失函數(shù)來(lái)量化兩者之間的誤差，實(shí)現(xiàn)語(yǔ)義知識(shí)與原始視覺(jué)數(shù)據(jù)的融合。

2.3 耦合雙驅(qū)動(dòng)框架

在基于數(shù)據(jù)和知識(shí)耦合雙驅(qū)動(dòng)框架（圖5）中，設(shè)數(shù)據(jù)輸入為X，模型輸出為Y，將數(shù)據(jù)驅(qū)動(dòng)建模為g(X)，知識(shí)驅(qū)動(dòng)建模為f(X)，因此基于數(shù)據(jù)與知識(shí)耦合雙驅(qū)動(dòng)框架可以表示為

圖5 基于數(shù)據(jù)與知識(shí)耦合雙驅(qū)動(dòng)框架Fig.5 Data?and?knowledge coupled dual?driven framework

具體來(lái)說(shuō)，數(shù)據(jù)驅(qū)動(dòng)方法作為內(nèi)部模塊嵌入知識(shí)驅(qū)動(dòng)方法中，用于復(fù)雜元素替換或模型參數(shù)校準(zhǔn)。相比于純知識(shí)驅(qū)動(dòng)的方法，這種集成方法能夠降低精確建模的壓力，因?yàn)閿?shù)據(jù)驅(qū)動(dòng)的方法能夠通過(guò)端到端的訓(xùn)練方法自動(dòng)訓(xùn)練得到最合適的模型參數(shù)。相比于黑盒子結(jié)構(gòu)的純數(shù)據(jù)驅(qū)動(dòng)方法，模型結(jié)構(gòu)賦予了網(wǎng)絡(luò)可解釋性，同時(shí)能夠降低對(duì)數(shù)據(jù)量的依賴，提升整體設(shè)計(jì)的靈活性。以知識(shí)驅(qū)動(dòng)的深度學(xué)習(xí)為代表性案例，文獻(xiàn)［37］將自回歸模型的迭代過(guò)程展開(kāi)成深度網(wǎng)絡(luò)的層級(jí)結(jié)構(gòu)，在展開(kāi)的網(wǎng)絡(luò)結(jié)果中人為加入若干可學(xué)習(xí)參數(shù)，通過(guò)深度學(xué)習(xí)的訓(xùn)練方法優(yōu)化這些參數(shù)和不同步長(zhǎng)的權(quán)重，不僅大大改善了傳統(tǒng)深度學(xué)習(xí)方法訓(xùn)練參數(shù)量大、實(shí)時(shí)性差的缺點(diǎn)，而且顯著提升了預(yù)測(cè)準(zhǔn)確度。文獻(xiàn)［42］中迭代檢測(cè)算法被展開(kāi)為DNN結(jié)構(gòu)，這樣將檢測(cè)任務(wù)嵌入深度學(xué)習(xí)網(wǎng)絡(luò)中，同時(shí)在每一層都引入額外的可學(xué)習(xí)參數(shù)以消除多用戶之間的干擾。文獻(xiàn)［45］中，共軛梯度算法被展開(kāi)為多層深度網(wǎng)絡(luò)，該網(wǎng)絡(luò)通過(guò)無(wú)監(jiān)督學(xué)習(xí)來(lái)獲取搜索步長(zhǎng)，并調(diào)整搜索方向。類似地，文獻(xiàn)［109］將迭代算法展開(kāi)為深度網(wǎng)絡(luò)，設(shè)計(jì)出了用于有限字母預(yù)編碼的大規(guī)模多輸入多輸出網(wǎng)絡(luò)。

除了上述知識(shí)驅(qū)動(dòng)的深度學(xué)習(xí)這一典型耦合雙驅(qū)動(dòng)方法之外，還有許多其他耦合方法，將知識(shí)巧妙地嵌入數(shù)據(jù)驅(qū)動(dòng)框架中。文獻(xiàn)［110］針對(duì)移動(dòng)目標(biāo)檢測(cè)問(wèn)題，利用牛頓定律這一公認(rèn)的結(jié)構(gòu)化物理知識(shí)生成標(biāo)簽數(shù)據(jù)，避免了深度學(xué)習(xí)難以獲取大量高質(zhì)量標(biāo)簽數(shù)據(jù)的問(wèn)題。雖然本文是基于移動(dòng)目標(biāo)做勻速運(yùn)動(dòng)這一假設(shè)進(jìn)行實(shí)驗(yàn)的，但是其思想依舊具有指導(dǎo)性意義。文獻(xiàn)［111］設(shè)計(jì)了一個(gè)知識(shí)驅(qū)動(dòng)的深度神經(jīng)網(wǎng)絡(luò)，將文本語(yǔ)義信息和知識(shí)圖譜分別通過(guò)嵌入式學(xué)習(xí)表示為向量，將語(yǔ)義表示與知識(shí)表示相結(jié)合構(gòu)成多通道多維數(shù)據(jù)，利用深度學(xué)習(xí)方法實(shí)現(xiàn)了用戶興趣預(yù)測(cè)。類似地，文獻(xiàn)［112］通過(guò)現(xiàn)有大型知識(shí)圖譜，根據(jù)感興趣內(nèi)容提取出知識(shí)子圖，利用知識(shí)表示、語(yǔ)義表示和鄰近實(shí)體表示構(gòu)建多通道數(shù)據(jù)，輸入數(shù)據(jù)驅(qū)動(dòng)的循環(huán)神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)股票趨勢(shì)預(yù)測(cè)。文獻(xiàn)［84］提出了一種改進(jìn)的Q學(xué)習(xí)方法，每個(gè)Q訓(xùn)練周期中都增加了新的擁堵判斷，從而對(duì)鏈路帶寬進(jìn)行了進(jìn)一步約束。將改進(jìn)的Q學(xué)習(xí)方法代入狀態(tài)/動(dòng)作/獎(jiǎng)勵(lì)/狀態(tài)/動(dòng)作（State?action?reward?state?action，SARSA）算法中，既可以提高鏈路的利用率，又避免了網(wǎng)絡(luò)擁塞的情況。文獻(xiàn)［113］提出將基于翻譯模型的結(jié)構(gòu)化實(shí)體表示和基于圖像的實(shí)體圖像表示相結(jié)合，選擇性地突出與實(shí)體表示更相關(guān)的圖像表示，三元組實(shí)體與圖像的結(jié)合實(shí)現(xiàn)了更好的知識(shí)表示學(xué)習(xí)。

多任務(wù)學(xué)習(xí)作為一種融合多域知識(shí)的學(xué)習(xí)方法，通過(guò)遷移相似但是不同領(lǐng)域的知識(shí)，旨在提升多任務(wù)性能的同時(shí)降低深度學(xué)習(xí)對(duì)各個(gè)任務(wù)數(shù)據(jù)量的要求。文獻(xiàn)［114］利用不同調(diào)制類型的信號(hào)對(duì)I/Q和A/P信號(hào)敏感度不一致的特點(diǎn)，將調(diào)制分類和高低信噪比分類兩個(gè)不同任務(wù)一起學(xué)習(xí)，顯著提升了分類性能。

2.4 反饋雙驅(qū)動(dòng)框架

在基于數(shù)據(jù)和知識(shí)反饋雙驅(qū)動(dòng)框架（圖6）中，設(shè)數(shù)據(jù)輸入為X，模型輸出為Y，將數(shù)據(jù)驅(qū)動(dòng)建模為g(X)，知識(shí)驅(qū)動(dòng)建模為f(X)，因此基于數(shù)據(jù)與知識(shí)反饋雙驅(qū)動(dòng)框架可以表示為

圖6 基于數(shù)據(jù)與知識(shí)反饋雙驅(qū)動(dòng)框架Fig.6 Data?and?knowledge feedback dual?driven framework

具體來(lái)說(shuō)，當(dāng)輸入數(shù)據(jù)和輸出數(shù)據(jù)為同類型數(shù)據(jù)時(shí)，通常可以通過(guò)輸出來(lái)指導(dǎo)輸入數(shù)據(jù)，從而彌補(bǔ)輸入數(shù)據(jù)質(zhì)量低下的問(wèn)題。

文獻(xiàn)［115］針對(duì)圖像的細(xì)節(jié)恢復(fù)和偽影去除兩個(gè)問(wèn)題，分別構(gòu)建知識(shí)驅(qū)動(dòng)的先驗(yàn)表達(dá)過(guò)程與數(shù)據(jù)驅(qū)動(dòng)的深度預(yù)測(cè)過(guò)程，實(shí)現(xiàn)了領(lǐng)域知識(shí)與深度信息的充分融合。交替迭代的求解機(jī)制保證中間結(jié)果被及時(shí)修正，進(jìn)一步引導(dǎo)解序列沿著理想的傳播方向逼近目標(biāo)解。在文獻(xiàn)［116］中，作者利用TransR、TransE等知識(shí)圖譜表征算法，通過(guò)從知識(shí)圖譜中挖掘推理規(guī)則，提出了一種有效的語(yǔ)義校正算法，在接收端檢測(cè)信息的語(yǔ)義合理行，當(dāng)出現(xiàn)語(yǔ)義錯(cuò)誤時(shí)，反饋到發(fā)送端進(jìn)行重傳，顯著提高了語(yǔ)義通信系統(tǒng)的魯棒性。文獻(xiàn)［67］提出了一種反饋式預(yù)測(cè)器，這種方案不需要預(yù)訓(xùn)練模型，直接將預(yù)測(cè)結(jié)果反饋給當(dāng)前的預(yù)測(cè)器進(jìn)行狀態(tài)更新，通過(guò)迭代訓(xùn)練得到最優(yōu)解。

但是，在針對(duì)具體任務(wù)時(shí)，難以找到合適的互補(bǔ)任務(wù)，因此，反饋雙驅(qū)動(dòng)方法存在一定的應(yīng)用局限性。

3 關(guān)鍵挑戰(zhàn)和開(kāi)放性問(wèn)題

近幾年來(lái)，國(guó)內(nèi)外學(xué)者已經(jīng)開(kāi)始進(jìn)行射頻機(jī)器學(xué)習(xí)的基礎(chǔ)性研究，但是，現(xiàn)有的研究還存在大量局限性，未來(lái)的射頻機(jī)器學(xué)習(xí)應(yīng)考慮以下關(guān)鍵挑戰(zhàn)和開(kāi)放性問(wèn)題。

3.1 樣本質(zhì)量

電磁頻譜空間中可以獲得大規(guī)模的樣本，但是樣本本身的質(zhì)量層次不齊，導(dǎo)致樣本標(biāo)注是一項(xiàng)費(fèi)時(shí)費(fèi)力又難以保證準(zhǔn)確性的工作。如果標(biāo)注的樣本質(zhì)量較低會(huì)使得研究結(jié)果受低質(zhì)量數(shù)據(jù)的影響或損害。此外，現(xiàn)有的大部分?jǐn)?shù)據(jù)集是私有的，這使得比較不同模型性能變得困難，同時(shí)也難以創(chuàng)新原有的射頻機(jī)器學(xué)習(xí)模型。因此，其中一個(gè)關(guān)鍵性挑戰(zhàn)是制定標(biāo)準(zhǔn)的數(shù)據(jù)集和評(píng)估指標(biāo)。

3.2 知識(shí)的表征與高效利用

知識(shí)的利用在電磁頻譜管控中是十分重要的，然而知識(shí)具有多種表征方式，例如文本描述、仿真結(jié)果、知識(shí)圖譜、科學(xué)公式和邏輯規(guī)則等，如何將這些知識(shí)應(yīng)用于射頻機(jī)器學(xué)習(xí)是一個(gè)值得思考的問(wèn)題。部分知識(shí)能夠以公式的形式引入射頻機(jī)器學(xué)習(xí)，例如可以將違反先驗(yàn)知識(shí)的方程引入損失函數(shù)中，加快模型的收斂速度。部分知識(shí)能夠以仿真結(jié)果的形式引入射頻機(jī)器學(xué)習(xí)，仿真結(jié)果作為訓(xùn)練數(shù)據(jù)的一部分，增加了原始訓(xùn)練數(shù)據(jù)集的大小，提升了模型性能。更多的知識(shí)表示方式難以直接引入射頻機(jī)器學(xué)習(xí)，需要根據(jù)不同的電磁頻譜任務(wù)設(shè)計(jì)特定的知識(shí)表征和引入方式。

3.3 輕量化網(wǎng)絡(luò)結(jié)構(gòu)

現(xiàn)有的射頻機(jī)器學(xué)習(xí)算法依賴于大規(guī)模計(jì)算設(shè)備，其表現(xiàn)在訓(xùn)練和測(cè)試階段需要大存儲(chǔ)量、高計(jì)算量的硬件平臺(tái)的支持。然而，現(xiàn)實(shí)生活中的通信設(shè)備都是資源有限的平臺(tái)，難以實(shí)現(xiàn)現(xiàn)有的高復(fù)雜度的射頻機(jī)器學(xué)習(xí)算法的順利部署，如手機(jī)、公共場(chǎng)所攝像頭和無(wú)人駕駛汽車等。具體來(lái)說(shuō)，高復(fù)雜度的射頻機(jī)器學(xué)習(xí)模型會(huì)帶來(lái)弊端：（1）調(diào)用一個(gè)較復(fù)雜的模型時(shí)，模型加載所占用的內(nèi)存空間較大，剩下的內(nèi)存可能不足以支撐設(shè)備運(yùn)行致使設(shè)備死機(jī)；（2）模型較復(fù)雜會(huì)導(dǎo)致計(jì)算量暴增，向手機(jī)、無(wú)人機(jī)等設(shè)備所含的芯片無(wú)法承載過(guò)大的計(jì)算量。

3.4 穩(wěn)健性能

由于無(wú)線傳播的性質(zhì)，將目標(biāo)射頻信號(hào)輸入DNN之前的預(yù)處理步驟與射頻機(jī)器學(xué)習(xí)的穩(wěn)健性有著密切的關(guān)系。無(wú)線通信通常對(duì)傳輸中的擾動(dòng)非常敏感，其中人為惡意攻擊是射頻機(jī)器學(xué)習(xí)需要解決的首要問(wèn)題。一方面，最近DNN脆弱性問(wèn)題的爆發(fā)很大程度上歸功于快速梯度符號(hào)法（Fast gradient sign attack，F(xiàn)GSM），F(xiàn)GSM與其衍生的相關(guān)攻擊證明DNN容易受到無(wú)法察覺(jué)的疊加式干擾而導(dǎo)致誤分類，這些干擾的實(shí)現(xiàn)只需要一個(gè)反向傳播，計(jì)算量低實(shí)時(shí)性高；另一方面，隨著DNN規(guī)模日益龐大，外包機(jī)器學(xué)習(xí)服務(wù)逐漸流行，由幾個(gè)大型云計(jì)算提供商提供，然而同時(shí)也帶來(lái)了安全隱患，因?yàn)橛脩艨赡艿玫奖缓箝T(mén)攻擊感染的DNN模型，后門(mén)可以是在訓(xùn)練過(guò)程中植入（通過(guò)將模型訓(xùn)練過(guò)程外包給惡意或不安全的第3方），或者是由第3方在訓(xùn)練之后添加。最新的研究表明，公開(kāi)數(shù)據(jù)集也可能存在后門(mén)傳播風(fēng)險(xiǎn)，例如惡意用戶在數(shù)據(jù)集中植入后門(mén)攻擊并在公開(kāi)平臺(tái)二次傳播，這種經(jīng)過(guò)“設(shè)計(jì)”的數(shù)據(jù)集會(huì)使攻擊者能夠操控用戶正常訓(xùn)練的網(wǎng)絡(luò)模型。因此，射頻機(jī)器學(xué)習(xí)的一個(gè)關(guān)鍵挑戰(zhàn)是應(yīng)對(duì)包括惡意攻擊在內(nèi)的干擾穩(wěn)健性。

3.5 高動(dòng)態(tài)復(fù)雜電磁頻譜環(huán)境

現(xiàn)有的大多數(shù)射頻機(jī)器學(xué)習(xí)方法仍然在模擬或者預(yù)定的環(huán)境中進(jìn)行評(píng)估，而這些模擬或者預(yù)定的環(huán)境不能充分替代真實(shí)的高動(dòng)態(tài)的無(wú)線通信環(huán)境。具體來(lái)說(shuō)，隨著無(wú)線信道的快速時(shí)變，網(wǎng)絡(luò)拓?fù)涞膭?dòng)態(tài)變化等因素會(huì)導(dǎo)致無(wú)線通信環(huán)境和通信任務(wù)快速變化。面對(duì)新的無(wú)線通信環(huán)境和新的通信任務(wù)，一方面，射頻機(jī)器學(xué)習(xí)無(wú)法保證原有的網(wǎng)絡(luò)結(jié)構(gòu)可以在新環(huán)境中取得最優(yōu)的性能，另一方面，射頻機(jī)器學(xué)習(xí)需要重新訓(xùn)練網(wǎng)絡(luò)參數(shù)，導(dǎo)致時(shí)效性難以保證。除此之外，在實(shí)際通信環(huán)境中會(huì)存在應(yīng)急通信、突發(fā)通信等情況。射頻機(jī)器學(xué)習(xí)如何處理這種突發(fā)狀況也是一個(gè)亟待解決的難題。

3.6 通信領(lǐng)域獨(dú)有的神經(jīng)網(wǎng)絡(luò)架構(gòu)

基于射頻機(jī)器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)架構(gòu)對(duì)于電磁頻譜管控是有效的，例如調(diào)制方式識(shí)別、信道估計(jì)和射頻指紋識(shí)別等。然而，這些神經(jīng)網(wǎng)絡(luò)架構(gòu)仍然存在些許不足：一方面，基于深度神經(jīng)網(wǎng)絡(luò)架構(gòu)的射頻機(jī)器學(xué)習(xí)算法在提升性能的同時(shí)往往伴隨著模型復(fù)雜度的增加；另一方面，基于強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)的射頻機(jī)器學(xué)習(xí)算法會(huì)面臨動(dòng)作空間大、模型難以收斂的難題。因此，設(shè)計(jì)通信領(lǐng)域獨(dú)有的神經(jīng)網(wǎng)絡(luò)架構(gòu)對(duì)于射頻機(jī)器學(xué)習(xí)的應(yīng)用至關(guān)重要。

4 結(jié)束語(yǔ)

本文對(duì)射頻機(jī)器學(xué)習(xí)在無(wú)線通信系統(tǒng)的具體應(yīng)用進(jìn)行了詳細(xì)的總結(jié)，并從物理層、數(shù)據(jù)鏈路層、網(wǎng)絡(luò)層、傳輸層和應(yīng)用層這5個(gè)層次出發(fā)對(duì)已有的算法進(jìn)行歸類分析。根據(jù)現(xiàn)有射頻機(jī)器學(xué)習(xí)在無(wú)線通信中的應(yīng)用，本文利用數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)的相互作用機(jī)理總結(jié)了4種數(shù)據(jù)和知識(shí)雙驅(qū)動(dòng)的射頻機(jī)器學(xué)習(xí)框架。最后，根據(jù)現(xiàn)有研究問(wèn)題提出了關(guān)鍵挑戰(zhàn)和開(kāi)放性問(wèn)題。