论文部分内容阅读
智能通信技术中将机器学习、深度学习等算法作为工具用于求解无线通信物理层和链路层的问题。目前，以Tensorflow、Pytorch、Mxnet为代表的的深度学习、机器学习相关的软件工具已经发展到了十分成熟的地步，它们都提供了非常丰富和便捷的接口给研究者和工程师使用。同时深度学习技术也被证明在各个领域都能够发挥出比传统算法更高效的性能。
论文第一章介绍了基础的深度神经网络的基本原理以及应用，并且介绍了目前深度学习在通信系统中的使用场景。在通信技术中，传统算法通常是依据某些假设而推导出的某种情况下的最优解，但是在实际情况中这些假设通常并不成立。因此以深度学习为代表的数据驱动的方法，可以避免人工构建对实际情况的模型假设，直接从实际数据出发，寻找最优解，这类新型的方法在通信领域也逐渐展示出了其优越的性能。
论文第二章考虑一个标准的稀疏码分多址（SCMA）检测系统，第二章研究了在加性高斯白噪声（AWGN）信道条件下的SCMA检测系统，使用传统的信息传播算法（MPA）作为参照基准，提出了基于稀疏连接的深度神经网络的检测方法。第二章中通过将网络参数初始化成相同的数值来达到与MPA算法相同的性能，进而使用梯度下降法优化网络参数使得网络能够得到额外的性能增益。在MPA迭代次数为2，神经网络块数2 ，误码率为10?2时，神经网络方法有0.3dB的增益。
接着论文第三章中考虑了一个多输入单输出（MISO）的系统的信道状态信息（CSI）压缩反馈问题。论文第三章讨论了基于码本的方法以及基于神经网络的方法在CSI压缩反馈时候的性能。第三章中提出了使用多层卷积神经网络级联的方式来提取信道特征，接着使用循环神经网络来捕获信道的时序缓变特征并且对特征进行压缩。在COST2100室内信道场景下，为每条多径分配16个比特时，第三章中所提出的基于循环神经网络的方法相比于基于码本的方法和原始的卷积神经网络，均有超过3dB的均方误差（NMSE）性能增益。此外，论文第三章进一步研究了循环神经网络、全连接网络，残差网络等不同结构的设置对网络的计算效率以及性能的影响，并最终给出了两种不同结构的残差循环神经网络结构，分别适用于高性能要求和低复杂度要求这两种情况，为不同的通信场景提供了多方案的技术参考。
论文第四章中针对量化过程不可微分的问题，引入了量化网络训练的方式并且提出了使用固定值替代其导数，使得设计的比特量化网络能够在CSI压缩反馈任务中使用梯度下降算法进行端到端的训练。第四章中提出了一种用于信道信息压缩反馈的比特级优化的网络结构，该网络将信道信息直接压缩成最终用于反馈传输的比特流。比特量化网络产生的比特信息的方法与同类型基于压缩感知算法的方法相比，在NMSE上拥有近4dB增益，在误比特率上拥有5dB左右的增益。
论文第五章对全文做了总结，并且指出了未来可能的研究方向。
论文第一章介绍了基础的深度神经网络的基本原理以及应用，并且介绍了目前深度学习在通信系统中的使用场景。在通信技术中，传统算法通常是依据某些假设而推导出的某种情况下的最优解，但是在实际情况中这些假设通常并不成立。因此以深度学习为代表的数据驱动的方法，可以避免人工构建对实际情况的模型假设，直接从实际数据出发，寻找最优解，这类新型的方法在通信领域也逐渐展示出了其优越的性能。
论文第二章考虑一个标准的稀疏码分多址（SCMA）检测系统，第二章研究了在加性高斯白噪声（AWGN）信道条件下的SCMA检测系统，使用传统的信息传播算法（MPA）作为参照基准，提出了基于稀疏连接的深度神经网络的检测方法。第二章中通过将网络参数初始化成相同的数值来达到与MPA算法相同的性能，进而使用梯度下降法优化网络参数使得网络能够得到额外的性能增益。在MPA迭代次数为2，神经网络块数2 ，误码率为10?2时，神经网络方法有0.3dB的增益。
接着论文第三章中考虑了一个多输入单输出（MISO）的系统的信道状态信息（CSI）压缩反馈问题。论文第三章讨论了基于码本的方法以及基于神经网络的方法在CSI压缩反馈时候的性能。第三章中提出了使用多层卷积神经网络级联的方式来提取信道特征，接着使用循环神经网络来捕获信道的时序缓变特征并且对特征进行压缩。在COST2100室内信道场景下，为每条多径分配16个比特时，第三章中所提出的基于循环神经网络的方法相比于基于码本的方法和原始的卷积神经网络，均有超过3dB的均方误差（NMSE）性能增益。此外，论文第三章进一步研究了循环神经网络、全连接网络，残差网络等不同结构的设置对网络的计算效率以及性能的影响，并最终给出了两种不同结构的残差循环神经网络结构，分别适用于高性能要求和低复杂度要求这两种情况，为不同的通信场景提供了多方案的技术参考。
论文第四章中针对量化过程不可微分的问题，引入了量化网络训练的方式并且提出了使用固定值替代其导数，使得设计的比特量化网络能够在CSI压缩反馈任务中使用梯度下降算法进行端到端的训练。第四章中提出了一种用于信道信息压缩反馈的比特级优化的网络结构，该网络将信道信息直接压缩成最终用于反馈传输的比特流。比特量化网络产生的比特信息的方法与同类型基于压缩感知算法的方法相比，在NMSE上拥有近4dB增益，在误比特率上拥有5dB左右的增益。
论文第五章对全文做了总结，并且指出了未来可能的研究方向。