自2010年以來，5G技術備受學術界和工業界的關注，其主要特點為高維度、高容量、密集網絡、低時延。相比于已經商用化的4G系統，5G無線傳輸速率提升10~100倍，峰值傳輸速率達到10Gbit/s，端到端時延降至毫秒級，連接設備密度增加10~100倍，流量密度提高1000倍，頻譜效率提升5~10倍，能夠在500km/h的速度下確保用戶體驗。與面向人與人通信的2G/3G/4G不同，5G在設計之初，就考慮了人與人、人與物、物與物的互連。國際電信聯盟發布的5G八大指標包括：基站峰值速率、用戶體驗速率、頻譜效率、流量空間容量、移動性能、網絡能效、連接密度和時延。

迄今為止，5G主要從3個維度實現上述指標，即：空口增強、更寬的頻譜以及網絡密集化。這3個維度最具代表性的使能技術分別對應于大規模多輸入多輸出（multiple input multiple output，MIMO）、毫米波通信以及超密集組網。大規模MIMO因具備提升系統容量、頻譜效率、用戶體驗速率、增強全維覆蓋和節約能耗等諸多優點，被認為是5G最具潛力的核心技術。然而，大規模MIMO的發展和應用也面臨諸多問題，如對于不具有上下行互易性的頻分雙工（frequency division duplex，FDD）系統，如何有效地實現于基站側獲取信道狀態信息。毫米波指的是波長在毫米數量級的電磁波，其頻率大約在30~300GHz之間。現有的無線通信系統所用頻段大多集中在300MHz~3GHz之間，對毫米波頻段的利用率較低。毫米波技術通過增加頻譜帶寬有效提高網絡傳輸速率，但會受傳播路徑損耗、建筑物穿透損耗和雨衰等因素的影響，在實際應用中面臨著巨大挑戰。

另外，毫米波通信可與大規模MIMO有機融合，通過大規模MIMO波束成形帶來的陣列增益可以彌補毫米波穿透力差的劣勢。超密集組網（ultra dense network，UDN）通過更加“密集化”的無線網絡部署，將站間距離縮短為幾十米甚至十幾米，使得網站密度大大增加，從而提高頻譜復用率、單位面積的網絡容量以及用戶體驗速率。綜合來看，大規模MIMO利用超高天線維度充分挖掘空間資源，毫米波通信利用超大帶寬提升網絡吞吐量，超密集組網利用超密基站提高頻譜利用率，由此產生了海量的無線大數據，為未來無線通信系統利用人工智能手段提供數據源。

另一方面，近年來人工智能特別是深度學習（deep learning，DL）在計算機視覺、自然語言處理、語音識別等領域獲得了巨大成功，無線通信領域的研究者們期望將其應用于系統的各個層面，進而產生智能通信系統，實現真正意義上的萬物互聯，滿足人們對數據傳輸速率日新月異的需求。因此，智能通信被認為是5G之后無線通信發展主流方向之一，其基本思想是將人工智能引入無線通信系統的各個層面，實現無線通信與人工智能技術有機融合，大幅度提升無線通信系統效能的愿景。

學術界和工業界正在上述領域開展研究工作，前期的研究成果集中于應用層和網絡層，主要思想是將人工智能特別是深度學習的思想引入到無線資源管理和分配等領域。目前，該方向的研究正在向MAC（medium access control）層和物理層推進，特別是在物理層已經出現無線傳輸與深度學習等結合的趨勢，然而各項研究目前還處于初步探索階段。盡管無線大數據為人工智能應用于物理層提供可能，智能通信系統的發展仍處于探索階段，機遇與挑戰并存。

追溯歷史，無線通信系統從1G演進至5G并獲得巨大成功，其根源在于基于香農信息論的無線傳輸理論體系架構的建立與完善。一個典型的無線通信系統由發射機、無線信道和接收機構成。發射機主要包括信源、信源編碼、信道編碼、調制和射頻發送等模塊；接收機包括射頻接收、信道估計、信號檢測、解調、信道解碼、信源解碼以及信宿等模塊。不同于典型的無線通信系統，智能通信的無線傳輸研究旨在打破原有的通信模式，獲得無線傳輸性能的大幅提升。目前這方面的研究面臨諸多挑戰，國內外研究者們才開始初步探索。

圖片來源：Pixabay

5G技術具有高維度、高容量、高密集的特點，在無線傳輸中產生海量數據，物理層中的大數據處理成為一個興趣點，期望利用人工智能提升物理層的傳輸性能。近年來，研究者已經對此做了初步探索，主要呈現出兩種類型的深度學習網絡，一種基于數據驅動，另一種基于數據模型雙驅動。基于數據驅動的深度學習網絡將無線通信系統的多個功能塊看作一個未知的黑盒子，利用深度學習網絡取而代之，然后依賴大量訓練數據完成輸入到輸出的訓練。例如，有文獻是將OFDM系統中整個接收模塊作為一個黑盒子，射頻接收機接收到信號，然后進行移除循環前綴操作，最后利用DNN直接完成從射頻接收機到二進制發送信號過程。

基于端到端的無線通信系統將整個通信系統由深度學習網絡全面替代，期望全局優化無線通信系統獲得更好的性能。基于數據模型雙驅動的深度學習網絡在無線通信系統原有技術的基礎上，不改變無線通信系統的模型結構，利用深度學習網絡代替某個模塊或者訓練相關參數以提升某個模塊的性能。例如，可以在無線通信系統MIMO信號檢測模塊OAMP接收機基礎上，利用深度學習網絡引入可訓練的參數，進一步提升信號檢測模塊的性能。基于數據驅動的深度學習網絡主要依賴海量數據，而基于數據模型雙驅動的深度學習網絡主要依賴通信模型或者算法模型。

基于數據驅動的深度學習網絡通過大量實例學習，吸收了被分析員標記的大量數據，以生成期望的輸出。然而，訓練深度學習網絡需要大量的標記數據，獲取并標記大量信息的過程不但費時而且成本高昂。除了獲取并標記數據的挑戰之外，大多數基于數據驅動的深度學習模型泛化性和自適應性較弱，即使網絡部分結構發生微小變化，也會導致訓練模型準確性大大降低。例如，如果將發送端的調制方式更換為16QAM（quadrature amplitude modulation，正交調幅）或64QAM，網絡需要重新訓練，因此，調整或修改模型所耗費的代價相當于重新創建模型。

為了減少訓練和調整深度學習模型的成本和時間，基于模型的深度學習網絡具有更好的泛化性和自我調整性。蜂窩移動通信從1G演進到5G，無線通信系統性能提升離不開功能模塊的建模，基于數據驅動的深度學習網絡摒棄這些已有無線通信知識，需要海量數據進行訓練與學習，而獲得的性能卻達不到已有無線通信系統模型的性能。基于數據模型雙驅動的深度學習網絡是以物理層已有模型為基礎，可以顯著減少訓練或升級所需的信息量。

由于已有的模型具有環境自適應性和泛化性，因此數據模型雙驅動深度學習網絡不但具備這些特性，而且能在原模型基礎上進一步提升系統的性能。數據模型雙驅動深度學習網絡在信道估計、信號檢測、信道譯碼的應用上取得良好性能，具有廣闊的發展前景。
編輯：hfy