迈向可解释机器学习：储层计算在无线接收处理中的有效性

深度学习已在包括物理层在内的多种无线通信应用中被快速采用。尽管其在信道均衡与接收处理/符号检测等任务中展现出令人印象深刻的性能，但在解释此优越性能方面仍有许多不足。本工作中，我们研究了信道均衡这一具体任务，应用一种称为储层计算（RC）的流行基于学习的技术，其相比传统方法与其他基于学习的方法表现出更优性能。具体而言，我们应用回声状态网络（ESN）作为信道均衡器，并从其运作原理出发提供基于信号处理的机理理解。基于此基础，我们将可用的领域知识以无线信道统计的形式直接融入 ESN 模型权重中。这为 ESN 模型权重的优化初始化铺平了道路，而传统上这些权重是未训练且随机初始化的。最后，我们通过仿真展示了这种优化初始化在接收处理/符号检测性能上的提升。这是迈向可解释机器学习（XML）以及赋予实用模型可解释性的第一步，可结合可用领域知识以提升性能并增强检测可靠性。