自2010年以來(lái)，5G技術(shù)備受學(xué)術(shù)界和工業(yè)界的關(guān)注，其主要特點(diǎn)為高維度、高容量、密集網(wǎng)絡(luò)、低時(shí)延。相比于已經(jīng)商用化的4G系統(tǒng)，5G無(wú)線傳輸速率提升10~100倍，峰值傳輸速率達(dá)到10Gbit/s，端到端時(shí)延降至毫秒級(jí)，連接設(shè)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(yàn)。與面向人與人通信的2G/3G/4G不同，5G在設(shè)計(jì)之初，就考慮了人與人、人與物、物與物的互連。國(guó)際電信聯(lián)盟發(fā)布的5G八大指標(biāo)包括：基站峰值速率、用戶體驗(yàn)速率、頻譜效率、流量空間容量、移動(dòng)性能、網(wǎng)絡(luò)能效、連接密度和時(shí)延。

迄今為止，5G主要從3個(gè)維度實(shí)現(xiàn)上述指標(biāo)，即：空口增強(qiáng)、更寬的頻譜以及網(wǎng)絡(luò)密集化。這3個(gè)維度最具代表性的使能技術(shù)分別對(duì)應(yīng)于大規(guī)模多輸入多輸出（multiple input multiple output，MIMO）、毫米波通信以及超密集組網(wǎng)。大規(guī)模MIMO因具備提升系統(tǒng)容量、頻譜效率、用戶體驗(yàn)速率、增強(qiáng)全維覆蓋和節(jié)約能耗等諸多優(yōu)點(diǎn)，被認(rèn)為是5G最具潛力的核心技術(shù)。然而，大規(guī)模MIMO的發(fā)展和應(yīng)用也面臨諸多問(wèn)題，如對(duì)于不具有上下行互易性的頻分雙工（frequency division duplex，F(xiàn)DD）系統(tǒng)，如何有效地實(shí)現(xiàn)于基站側(cè)獲取信道狀態(tài)信息。毫米波指的是波長(zhǎng)在毫米數(shù)量級(jí)的電磁波，其頻率大約在30~300GHz之間。現(xiàn)有的無(wú)線通信系統(tǒng)所用頻段大多集中在300MHz~3GHz之間，對(duì)毫米波頻段的利用率較低。毫米波技術(shù)通過(guò)增加頻譜帶寬有效提高網(wǎng)絡(luò)傳輸速率，但會(huì)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(shí)際應(yīng)用中面臨著巨大挑戰(zhàn)。

另外，毫米波通信可與大規(guī)模MIMO有機(jī)融合，通過(guò)大規(guī)模MIMO波束成形帶來(lái)的陣列增益可以彌補(bǔ)毫米波穿透力差的劣勢(shì)。超密集組網(wǎng)（ultra dense network，UDN）通過(guò)更加“密集化”的無(wú)線網(wǎng)絡(luò)部署，將站間距離縮短為幾十米甚至十幾米，使得網(wǎng)站密度大大增加，從而提高頻譜復(fù)用率、單位面積的網(wǎng)絡(luò)容量以及用戶體驗(yàn)速率。綜合來(lái)看，大規(guī)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(wǎng)絡(luò)吞吐量，超密集組網(wǎng)利用超密基站提高頻譜利用率，由此產(chǎn)生了海量的無(wú)線大數(shù)據(jù)，為未來(lái)無(wú)線通信系統(tǒng)利用人工智能手段提供數(shù)據(jù)源。

另一方面，近年來(lái)人工智能特別是深度學(xué)習(xí)（deep learning，DL）在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、語(yǔ)音識(shí)別等領(lǐng)域獲得了巨大成功，無(wú)線通信領(lǐng)域的研究者們期望將其應(yīng)用于系統(tǒng)的各個(gè)層面，進(jìn)而產(chǎn)生智能通信系統(tǒng)，實(shí)現(xiàn)真正意義上的萬(wàn)物互聯(lián)，滿足人們對(duì)數(shù)據(jù)傳輸速率日新月異的需求。因此，智能通信被認(rèn)為是5G之后無(wú)線通信發(fā)展主流方向之一，其基本思想是將人工智能引入無(wú)線通信系統(tǒng)的各個(gè)層面，實(shí)現(xiàn)無(wú)線通信與人工智能技術(shù)有機(jī)融合，大幅度提升無(wú)線通信系統(tǒng)效能的愿景。

學(xué)術(shù)界和工業(yè)界正在上述領(lǐng)域開(kāi)展研究工作，前期的研究成果集中于應(yīng)用層和網(wǎng)絡(luò)層，主要思想是將人工智能特別是深度學(xué)習(xí)的思想引入到無(wú)線資源管理和分配等領(lǐng)域。目前，該方向的研究正在向MAC（medium access control）層和物理層推進(jìn)，特別是在物理層已經(jīng)出現(xiàn)無(wú)線傳輸與深度學(xué)習(xí)等結(jié)合的趨勢(shì)，然而各項(xiàng)研究目前還處于初步探索階段。盡管無(wú)線大數(shù)據(jù)為人工智能應(yīng)用于物理層提供可能，智能通信系統(tǒng)的發(fā)展仍處于探索階段，機(jī)遇與挑戰(zhàn)并存。

追溯歷史，無(wú)線通信系統(tǒng)從1G演進(jìn)至5G并獲得巨大成功，其根源在于基于香農(nóng)信息論的無(wú)線傳輸理論體系架構(gòu)的建立與完善。一個(gè)典型的無(wú)線通信系統(tǒng)由發(fā)射機(jī)、無(wú)線信道和接收機(jī)構(gòu)成。發(fā)射機(jī)主要包括信源、信源編碼、信道編碼、調(diào)制和射頻發(fā)送等模塊；接收機(jī)包括射頻接收、信道估計(jì)、信號(hào)檢測(cè)、解調(diào)、信道解碼、信源解碼以及信宿等模塊。不同于典型的無(wú)線通信系統(tǒng)，智能通信的無(wú)線傳輸研究旨在打破原有的通信模式，獲得無(wú)線傳輸性能的大幅提升。目前這方面的研究面臨諸多挑戰(zhàn)，國(guó)內(nèi)外研究者們才開(kāi)始初步探索。

圖片來(lái)源：Pixabay

5G技術(shù)具有高維度、高容量、高密集的特點(diǎn)，在無(wú)線傳輸中產(chǎn)生海量數(shù)據(jù)，物理層中的大數(shù)據(jù)處理成為一個(gè)興趣點(diǎn)，期望利用人工智能提升物理層的傳輸性能。近年來(lái)，研究者已經(jīng)對(duì)此做了初步探索，主要呈現(xiàn)出兩種類型的深度學(xué)習(xí)網(wǎng)絡(luò)，一種基于數(shù)據(jù)驅(qū)動(dòng)，另一種基于數(shù)據(jù)模型雙驅(qū)動(dòng)?；跀?shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)將無(wú)線通信系統(tǒng)的多個(gè)功能塊看作一個(gè)未知的黑盒子，利用深度學(xué)習(xí)網(wǎng)絡(luò)取而代之，然后依賴大量訓(xùn)練數(shù)據(jù)完成輸入到輸出的訓(xùn)練。例如，有文獻(xiàn)是將OFDM系統(tǒng)中整個(gè)接收模塊作為一個(gè)黑盒子，射頻接收機(jī)接收到信號(hào)，然后進(jìn)行移除循環(huán)前綴操作，最后利用DNN直接完成從射頻接收機(jī)到二進(jìn)制發(fā)送信號(hào)過(guò)程。

基于端到端的無(wú)線通信系統(tǒng)將整個(gè)通信系統(tǒng)由深度學(xué)習(xí)網(wǎng)絡(luò)全面替代，期望全局優(yōu)化無(wú)線通信系統(tǒng)獲得更好的性能。基于數(shù)據(jù)模型雙驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)在無(wú)線通信系統(tǒng)原有技術(shù)的基礎(chǔ)上，不改變無(wú)線通信系統(tǒng)的模型結(jié)構(gòu)，利用深度學(xué)習(xí)網(wǎng)絡(luò)代替某個(gè)模塊或者訓(xùn)練相關(guān)參數(shù)以提升某個(gè)模塊的性能。例如，可以在無(wú)線通信系統(tǒng)MIMO信號(hào)檢測(cè)模塊OAMP接收機(jī)基礎(chǔ)上，利用深度學(xué)習(xí)網(wǎng)絡(luò)引入可訓(xùn)練的參數(shù)，進(jìn)一步提升信號(hào)檢測(cè)模塊的性能?；跀?shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)主要依賴海量數(shù)據(jù)，而基于數(shù)據(jù)模型雙驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)主要依賴通信模型或者算法模型。

基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)通過(guò)大量實(shí)例學(xué)習(xí)，吸收了被分析員標(biāo)記的大量數(shù)據(jù)，以生成期望的輸出。然而，訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)需要大量的標(biāo)記數(shù)據(jù)，獲取并標(biāo)記大量信息的過(guò)程不但費(fèi)時(shí)而且成本高昂。除了獲取并標(biāo)記數(shù)據(jù)的挑戰(zhàn)之外，大多數(shù)基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)模型泛化性和自適應(yīng)性較弱，即使網(wǎng)絡(luò)部分結(jié)構(gòu)發(fā)生微小變化，也會(huì)導(dǎo)致訓(xùn)練模型準(zhǔn)確性大大降低。例如，如果將發(fā)送端的調(diào)制方式更換為16QAM（quadrature amplitude modulation，正交調(diào)幅）或64QAM，網(wǎng)絡(luò)需要重新訓(xùn)練，因此，調(diào)整或修改模型所耗費(fèi)的代價(jià)相當(dāng)于重新創(chuàng)建模型。

為了減少訓(xùn)練和調(diào)整深度學(xué)習(xí)模型的成本和時(shí)間，基于模型的深度學(xué)習(xí)網(wǎng)絡(luò)具有更好的泛化性和自我調(diào)整性。蜂窩移動(dòng)通信從1G演進(jìn)到5G，無(wú)線通信系統(tǒng)性能提升離不開(kāi)功能模塊的建模，基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)摒棄這些已有無(wú)線通信知識(shí)，需要海量數(shù)據(jù)進(jìn)行訓(xùn)練與學(xué)習(xí)，而獲得的性能卻達(dá)不到已有無(wú)線通信系統(tǒng)模型的性能?；跀?shù)據(jù)模型雙驅(qū)動(dòng)的深度學(xué)習(xí)網(wǎng)絡(luò)是以物理層已有模型為基礎(chǔ)，可以顯著減少訓(xùn)練或升級(jí)所需的信息量。

由于已有的模型具有環(huán)境自適應(yīng)性和泛化性，因此數(shù)據(jù)模型雙驅(qū)動(dòng)深度學(xué)習(xí)網(wǎng)絡(luò)不但具備這些特性，而且能在原模型基礎(chǔ)上進(jìn)一步提升系統(tǒng)的性能。數(shù)據(jù)模型雙驅(qū)動(dòng)深度學(xué)習(xí)網(wǎng)絡(luò)在信道估計(jì)、信號(hào)檢測(cè)、信道譯碼的應(yīng)用上取得良好性能，具有廣闊的發(fā)展前景。
編輯：hfy