本文约3000字，建议阅读5分钟
本文探讨了机器学习如何与信道建模进行有机融合，分别从信道多径分簇、参数估计、模型的构造及信道的场景识别展开了讨论。
信道建模是设计无线通信系统的基础，传统的信道建模方法无法自动学习特定类型信道的规律，特别是在针对特殊应用场景，如物联网、毫米波通信、车联网等，存在一定的局限性。此外，机器学习具有有效处理大数据、创建模型的能力，基于此，探讨了机器学习如何与信道建模进行有机融合，分别从信道多径分簇、参数估计、模型的构造及信道的场景识别展开了讨论，对当前该领域的重要研究成果进行了阐述，并对未来发展提出了展望。
http://www.infocomm-journal.com/txxb/CN/10.11959/j.issn.1000-436x.2021001
信号在发射机天线发送后到达接收机天线所经历的通道就是无线信道，无线通信正是利用电磁波信号在此通道的传播特性进行信息交换的一种通信方式，其特性决定了无线通信系统的性能限[1]。信道建模就是在真实环境中探索和表征信道特性的过程，它可以揭示无线电磁波在不同场景中的传播方式。借助信道模型来了解信道的传播特性，可以为通信系统的设计和优化提供指导[2]，因此，信道建模是无线通信中最重要的研究方向之一，是评估、设计和部署任何无线通信系统的前提。
从国内外研究现状来看，面向 5G 信道特性的研究主要是在某个场景或频段下采用传统的手段进行统计分析的，缺少自动学习规律技术的支持，难以应对海量化、时变性、特征多样化的无线信道数据变化趋势。因此，为了更好地了解信道的传播特性，需要一种高效且具有自适应和自学习能力的技术[3]。机器学习（ML, machine learning）是一种可以自动地从数据中发现规律，并利用此规律对未知数据进行预测的算法，已经在学术界和工业界得到了广泛的应用。作为人工智能的一个重要分支，机器学习具有以下几点优势。
1) 强大的学习能力和预测能力。相关研究表明，与现有的确定性和随机性信道建模方法相比，基于机器学习的模型在准确性、复杂性和灵活性之间具有较好的权衡。传统的信道建模方法依赖于不同的信道配置（载波频率、发射端/接收端位置等），比较复杂且耗时。基于机器学习的信道模型可以直接学习数据集的特征，以一种更简单的方式直接获得信道的统计特性，从而使结果更加准确。例如，在射线追踪中需要构造不同的环境，在类似WINNER（wireless world initiative new radio）的模型中需要获得不同的参数集，而基于机器学习的信道模型则从不同场景中收集数据来建立通用性更强的模型架构。
2) 良好的非线性拟合及自适应能力。高速移动、大规模天线等带来的信道在时域和空域的非平稳特性，使实际应用的无线信道都是非线性的，而机器学习恰恰在模拟非线性系统上有着良好的性能。因此，只需要利用实测数据对基于机器学习的信道模型进行足够多的训练，就可以用来模拟实际应用中的无线信道。此外，大规模复杂场景导致各种通信链路的信道条件迅速变化，此时严重依赖信道状态信息（CSI, channel state information）的信道模型性能会大幅降低[4]，而利用机器学习对其训练以适应新的信道条件，可以建立泛化能力更好的信道模型。
3) 擅于挖掘高维度和高冗余数据中的复杂特征，可以高效地处理海量数据。5G 应用场景中提出了增强型移动宽带（eMBB, enhanced mobile broadband）、高可靠低时延（uRLLC, ultra reliable and low latency communication）及海量机器通信（mMTC, massive machine type communication）三大典型应用场景，为了实现这一目标，5G 系统需要成为一个范式转变，包括带宽很高的载波频率、极端基站和设备密度以及前所未有的天线数量。相关的关键技术包括毫米波通信、大规模多输入多输出（massive MIMO）以及超密集组网，其中，毫米波通信利用超大带宽提升网络吞吐量，massive MIMO利用超高天线维度充分挖掘利用空间资源，超密集组网利用超密基站提高频谱利用率，这使所需测量的数据量和维度迅速增加[5]。随着数据的爆炸式增长，在获取、存储和处理大量数据的过程中给传统的信道建模方法带来了很大的挑战，而基于机器学习的相关算法（如聚类、神经网络、粒子群算法等）在处理大数据上却具有得天独厚的优势，例如文献[6]对179个测量点进行测量，得到的频域信道冲激响应（CIR, channel impulse response）的数据量为320 768× 254 维矩阵。通过主成分分析（PCA, principal component analysis）进行信道建模，不仅可以将信道参数降低为6维的主成分，而且信道容量、特征值分布等方面比 TR36.873 标准更接近实际测量的结果。因此无线大数据时代给机器学习在 5G 及之后的信道建模的应用研究带来了机遇。
综上，机器学习被认为是分析测量数据、理解传播过程和构造模型的有力工具[7]。迄今，国内外已经对高铁通信 [8,9]、毫米波通信 [10,11]、4G/5G/6G[5,12,13]、V2V 通信[14]、无人机通信[15]、massive MIMO[16]等应用场景的信道模型进行了综述，而本文就机器学习如何与信道建模进行有机结合展开讨论，主要可以分为以下三大类。
1) 信道多径分簇及参数估计。在 MIMO 中出现了以簇为核心[2]的信道模型，这是因为研究簇的特性可以简化建模过程。簇是一组具有相似的时延、角度等参数的多径分量（MPC, multipath component），因此，为了在接收端识别出簇，需要一种与多径传播特性相对应的聚类算法，从而提高簇核心模型的精度。自动聚类算法（如 k-power means 算法）近年来得到了广泛应用，但仍然需要簇的数量等先验假设信息。信道建模需要从大量实测数据中提取表征信道衰落特性的各个关键特征参数的随机分布，再根据信道特征参数的随机分布来量化各个参量，在这些参量的基础上构建的信道模型才能真正体现和反映真实信道传输的特性，进而通过信道参数估计算法来提取信道特征的关键技术。随着无线通信的发展，信道特征的维度由最初的时–频二维扩展到时–频–空三维，所需提取的参数的数据量呈现出爆炸式增长，这给传统的信道参数估计带来了很大挑战。然而许多分簇算法需要在聚类之前通过高分辨率参数估计算法提取MPC，这些算法的计算复杂度普遍较高，难以在时变信道中进行实时操作。因此，基于机器学习的 MPC 自动聚类算法和参数估计算法受到了广泛的关注。
2) 信道模型构造。
5G 及未来通信系统将支持更大规模的天线阵列、更高的频段、更大的带宽及更加复杂多样的应用场景，信道数据量也随之激增。传统的基于簇的统计性建模方法较难找出抽头簇与实际散射体之间的映射关系；确定性建模方法预测准确但复杂度高，且依赖于环境信息精度。随着人工智能的飞速发展，国内外提出了基于神经网络（NN, neural network）[17]和基于簇核的信道建模方法[2]。前者利用神经网络在描述数据特征和提取系统输入与输出之间的映射关系展现出良好的性能，可以使用实测数据集对神经网络进行充足的训练，从而模拟实际场景的无线信道，寻找输入层变量和输出层信道特征参数的相互关系。该方法利用了神经网络自学、自适应和非线性拟合的特点，这对时变信道的建模特别重要，尤其是在分析实际信道数据时可以减少重新建模的成本。后者利用机器学习算法从海量信道数据中挖掘信道特性，找到统计性簇和确定性散射体之间的匹配映射关系，并通过有限数量有物理意义的簇核进行信道建模。该方法同时结合了统计性建模和确定性建模的优势，既解决了确定性模型复杂度高的问题，又解决了统计性模型缺乏物理含义的问题。
3) 信道状态分类/场景识别。信道状态分类/场景识别是信道建模和通信系统部署的重要依据，不同场景下的信道模型也不一致。另外，由于信道的复杂性，实际测量所需的时间长且难度高，那么精确的信道场景识别对系统进行分析和评估可以大大提高工作的效率。然而，在传播环境多变的情况下，使用基于单一度量的假设检验对场景进行分类是不够准确的；另一方面，一些机器学习算法对于数据的分类具有很大的优势，比如支持向量机（SVM, support vector machine）、神经网络、随机森林、决策树等。在这种情况下，学习和提取不同场景下的信道属性差异有助于自动将测量的数据分类到不同场景中，建立相应的信道模型，并发现用于资源分配、系统优化或本地化的场景特征。
本文概述了机器学习应用于信道建模过程中的相关研究。首先，介绍了利用机器学习优化传统的信道参数估计，总结了国内外针对分簇所采用的聚类算法，并从多个角度对不同聚类算法进行比较。其次，总结了在大尺度衰落和小尺度衰落信道下，神经网络对不同环境、场景和频段下的建模，归纳出可优化模型的算法和通用的模型结构，介绍了一种以簇为核心的智能化建模过程。再次，提出了无线信道场景识别的研究难点以及目前的一些研究方案。最后，对全文工作进行总结，并对未来进行展望。
编辑：文婧
