基于深度学习的无线通信文章汇总-v1

信道估计

序号	文章标题	代码链接	年份	文章来源
1	Deep Learning at the Edge for Channel Estimation in Beyond-5G Massive MIMO	github	2021	IEEE Wireless Communications
2	Deep Transfer Learning Based Downlink Channel Prediction for FDD Massive MIMO Systems	github	2019	IEEE Transactions on Communications

文献[1]有以下几点值得借鉴：1）代码可以在linux操作系统中使用shell脚本语言自动运行matlab生成信道数据，再调用python进行网络训练和测试。整体的代码编写规范可读性强。2）如下图所示，对于MIMO信道估计问题，网络的输出为一对收发天线$(n_R,n_T)$对应的K个OFDM子载波的CSI，网络的输入为第$n_R$个接收天线接收到的时域信号。能够这样设计的原因在于每一对收发天线对应的CSI可以独立地被估计，可以对比MIMO-OFDM系统的信道估计过程。可以看出，这种架构的网络参数量与收发天线数无关，参数量较小。通过设置batch size为收发$N_R\times N_T$，可以并行的输出所有收发天线的CSI。3）添加噪声层，使得网络可以应用于不同信噪比的情况。4）数据标签使用无噪接收信号采用LS或LMMSE估计得到。

文献[2]使用迁移学习解决已经训练好的深度学习网络应用到新的信道环境，用于预测FDD系统的下行信道信息。室外的大规模MIMO仿真采用3D射线追踪仿真软件Remcom Wireless Insite，该软件能在复杂的大型地理区域、市区、室内环境或这些条件混合的环境中，对电磁波传递路径以及通讯系统各频道工作特性进行仿真与预测，但它并不是一款免费的软件。它是一个专业的无线通信仿真工具，需要购买相应的许可证才能使用。

波束优化

序号	文章标题	代码链接	年份	文章来源
1	Beamforming Design for Large-Scale Antenna Arrays Using Deep Learning	github	2020	IEEE Wireless Communication Letters

如下图所示，文献[1]考虑的是大规模MIMO采用有限射频链路，使用相位偏移的波束赋形，当优化变量数目较大时，优化问题的求解非常困难。文献[1]使用与频谱效率有关的损失函数避免了对数据设置标签的麻烦。

信道状态预测

序号	文章标题	代码链接	年份	文章来源
1	A Deep Learning Model for Wireless Channel Quality Prediction	github	2019	IEEE International Conference on Communications

准确地建模和预测无线信道质量的变化对于许多网络应用至关重要，例如4G LTE网络中的调度和改进的视频流传输，以及WiFi网络中的比特率调整以提高性能。文献[1]提出了一种基于编码器-解码器的序列到序列深度学习模型，该模型能够根据过去的信号强度数据预测未来的无线信号强度变化。作者考虑了两种不同版本的深度学习模型：即分别使用LSTM和GRU作为其基本单元结构。
预测问题的前提是可预测性，即后一时刻的信道信息与之前时刻的信道相关，相关性越大，越容易预测。

发送端到接收端

序号	文章标题	代码链接	年份	文章来源
1	An Introduction to Deep Learning for the Physical Layer	github	2017	IEEE Transactions on Cognitive Communications and Networking
2	Benchmarking End-to-end Learning of MIMO Physical-Layer Communication	github	2020	IEEE Global Communications Conference

文献[1]通过将通信系统解释为自编码器，开发了一种新的通信系统设计方法，将其视为一个端到端的重建任务，旨在在单个过程中联合优化发射机和接收机的组件，展示了如何将这一思想扩展到多个发射机和接收机的网络。
使用自编码器建模收发端模型的问题在于，模型中的信道模型为窄带MIMO再加高斯白噪声，对于更复杂的信道则更难使用深度学习框架实现。

Radio Transformer Networks

序号	文章标题	代码链接	年份	文章来源
1	Radio Transformer Networks: Attention Models for Learning to Synchronize in Wireless Systems	-	2016	2016 50th Asilomar Conference on Signals, Systems and Computers

如下图所示，文献[1]将学习的注意力模型引入无线电机器学习领域，用于调制识别的任务，通过利用空间变换网络并引入新的适用于无线电领域的变换。这种注意力模型允许网络学习一个定位网络，该网络能够基于网络对分类准确性、稀疏表示和正则化的优化，盲目地同步和标准化无线电信号，而无需了解信号结构的任何知识。