深度学习在增强型无线通信系统设计中的应用

通信系统物理层的创新传统上通过将收发器分解为若干处理模块集来实现，每个模块基于数学模型独立优化。相反，基于深度学习（DL）的系统能够处理日益复杂且无易处理模型可用的任务。本论文旨在比较不同方法以释放 DL 在物理层的全部潜力。首先，我们描述基于神经网络（NN）的模块策略，其中优化一个 NN 以替换通信系统中的某一模块。我们将此策略应用于引入一种多用户多输入多输出（MU-MIMO）检测器，其构建于现有基于 DL 的架构之上。其次，我们详述端到端策略，其中发射机与接收机被建模为自动编码器。该方法通过设计在满足峰均功率比（PAPR）与邻道泄漏比（ACLR）约束的同时实现高吞吐量的波形来说明。最后，我们提出混合策略，其中多个 DL 组件插入传统架构但被训练以优化端到端性能。为证明其益处，我们提出一种 DL 增强的 MU-MIMO 接收机，其相比传统接收机既能实现更低误码率（BER），又对任意用户数保持可扩展性。每种方法各有优劣。第一种最易实现，但其独立模块优化不能确保系统整体最优。另一方面，以第二种方法设计的系统计算复杂但允许新机会如免导频传输。最后，第三种方法的组合灵活性与端到端性能增益使其适用于短期实际部署。