近年來，作為實現人工智能的典型方法應用，深度學習在計算機視覺、自動語音識別和自然語言處理領域取得了廣泛的成功，讓人們領略到它在處理復雜問題方面的神奇能力。那么，對于同樣需要處理大量接收數據，以恢復經過無線傳輸的信息為目的的無線通信系統而言，這種“神奇”的技術是否依然有效呢？為此，學術界提出了若干應用深度學習技術的方法，對傳統信號處理算法進行優化改進，例如提高信道估計精度、優化多天線檢測性能以及多模塊聯合優化等。本文將著重介紹基于深度學習的信道估計方法，并探討其優缺點。

　　基于深度學習的信道估計方法可以粗略地分為兩類：一類是使用神經網絡學習信道的變化特征，進而從導頻信號估計完整信道；另一類是將信道信息看作圖像，利用圖像處理領域成熟的深度學習技術來感知、處理和恢復信道。

　　類別1

　　學習信道變化特征以進行插值和去噪

　　以正交頻分復用(Orthogonal Frequency Division Multiplexing, OFDM)系統中基于梳狀導頻的時-頻二維插值信道估計為例，傳統算法首先從導頻符號估計出信道信息，然后通過插值去噪獲得其它位置的信道信息。差值需要的系數可以根據信道在各維的二階統計特性得到，如時延擴展、多普勒擴展和空間擴展值，而它們的分布特性卻一般從“假設”的模型導出。因此，我們可以考慮使用神經網絡學習該統計特性或者直接獲得差值需要的系數，而避免使用假設模型。如下圖所示，經過訓練的神經網絡以從導頻符號所估計的結果作為輸入，以所有符號上的信道頻率響應作為輸出。

　　利用神經網絡學習信道的變化特征用于信道估計

　　從基于給定信道仿真模型的結果來看，由于能“學習”更準確的導頻與數據符號之間的信道變化特性，相比于傳統方案，該方案能獲得更好的性能。然而，在訓練階段用所有符號上的理想信道信息作為目標優化數據，顯然是難以實現的。

　　類別2

　　將多維信道狀態信息視為圖像

　　也有文獻提出將無線信道在多維空間上呈現的特征視為自然圖像，并將圖像處理領域的深度學習技術應用于信道估計。比如在毫米波大規模多天線系統中，為了從波束賦形接收后的導頻信號中估計原始空間信道，Hengtao He[1]等人提出了一種基于學習的去噪近似消息傳遞網絡，如下圖所示，信道估計的目標是從壓縮后的K維信號中估計原始的MxN (K<MN)維空間信道。由于原始空間信道矩陣的元素不是獨立的，即天線陣列間的空間信道矩陣具有一定的相關特性，該稀疏特征與2D自然圖像相似，因此可以應用源自圖像恢復的神經網絡來學習迭代中的參數和相應函數，進而恢復原始空間信道。

　　配置3D棱鏡天線陣列的毫米波接收機示意圖【1】

　　從參考文獻給出的仿真結果來看，由于神經網絡學習了精確的信道特性，能獲得比現有方法更優的性能，但在實際應用中存在一些比較典型的問題，特別是標簽數據集的獲取和訓練網絡與實際應用之間的不匹配。標簽數據是獲得良好訓練和測試神經網絡的基礎，對于實際應用中的信道估計而言，是無法獲得實時的理想信道狀態信息來訓練神經網絡。另外，在神經網絡訓練完成后，網絡中的參數將在后續使用中保持不變，而一旦實際應用場景發生變化，該網絡的輸出將不再符合預期，導致結果不理想，對于基于深度學習的信道估計來說，也無法直接判斷該模型是否需要調整或者重新訓練。

　　為了解決這些問題，可以考慮傳輸標簽數據以重新訓練網絡適應新環境的方法，然而這些標簽數據與導頻一樣會產生額外開銷，降低通信效率。為此，Peiwen Jiang[2]等人給出了一種節省傳輸標簽數據的在線調整方案，如下圖所示，包括傳統的基于最小二乘的信道估計模塊（LS CE），兩個或多個基于神經網絡的信道估計模塊（CE RefineNet m）和在線訓練參數αm。這些不同的CE RefineNet模塊是針對不同的信道類型（如短時延或者長時延擴展）進行離線訓練，并在在線使用過程中不調整其中系數，但對每一個模塊引入可在線訓練調整的參數αm，以確定在實際信道條件下是否訪問該模塊。由于需要訓練的參數非常有限，僅需要一小批帶標簽的數據進行在線調整即可，有利于減小實時調整的開銷。

　　支持在線調整的基于深度學習的信道估計方法【2】

　　綜上所述，目前基于深度學習的信道估計方法通常使用神經網絡來學習信道變化特征，從接收的導頻符號獲得完整信道信息；或者將信道信息視為圖像，利用成熟的類似壓縮感知方案來估計和處理信道。然而，在實際應用時，需要解決標記數據的獲取和訓練模型的自適應在線調整等問題，而這對于無線通信系統來說，可能需要標準化的支持，比如作為標簽數據的定義等。因此，相比于成熟的信道估計算法來說，基于深度學習的信道估計方法在實時性、普適性和有效性等方面依舊有很多問題需要解決。