3 (Chat) 8 (Navire) : Prédire

Machine Translated by Google
OZPOYRAZ et al. : RÉSEAUX SANS FIL 6G ASSISTÉS À L'APPRENTISSAGE PROFOND : UNE ENQUÊTE COMPLÈTE DES ARCHITECTURES PHY RÉVOLUTIONNAIRES
3 (Chat) 8 (Navire)
FIGURE 15. Exemple de scénario MUMIMO massif avec un grand réseau d'antennes prenant en
9 (Camion) 9 (Camion)
charge plusieurs utilisateurs.
FIGURE 14. Prédictions du modèle CNN formé sur les images invisibles. plusieurs antennes côté émetteur et côté récepteur comme dans les
premières normes, connue sous le nom de technologie MIMO.
Les systèmes MIMO peuvent fournir un gain de diversité spatiale
4 tableau img = im gto tableau ( image ) 5 lorsque les symboles transmis sont reçus à partir de plusieurs chemins
tableau img = tableau img . remodeler ( − 1 6 c = , 3 2 , 3 2 , 3 ) et que l'effet d'évanouissement est atténué. Alternativement, le gain
np . argmax ( modèle . prédire ( tableau img ) ) de multiplexage spatial est obtenu par des systèmes MIMO où la
capacité du canal augmente linéairement avec le minimum d'antennes
Ici, nous importons d'abord l'image et la redimensionnons pour
d'émission et de réception [44]. En développant les systèmes MIMO
l'adapter à notre modèle. Ensuite, nous convertissons l'image en la
conventionnels avec quelques centaines d'antennes qui desservent
matrice de pixels 3D correspondante. Puisque nous alimentons le
simultanément de nombreux utilisateurs, la technologie massive multi
modèle avec un train de données comprenant 50000 instances, l'entrée
utilisateurs (MU) MIMO est devenue une percée. Massive MUMIMO
du modèle a la dimension de (N, 32, 32, 3). Ainsi, nous remodelons le utilise tous les avantages du MIMO conventionnel tout en éliminant les
tableau de pixels 3D pour avoir 1 comme première dimension et
interférences MU pour améliorer encore les performances de
prédisons la classe de l'image en prenant l'indice maximum du tableau
transmission, comme le montre la Fig. 15. Massive MIMO offre 10 fois
de sortie. La figure 14 montre les prédictions de notre modèle sur
ou plus de capacité par rapport au MIMO conventionnel via son
quatre images explicites que le modèle n'a jamais vues auparavant.
puissant capacité de multiplexage spatial. De plus, il améliore l'efficacité
Le modèle reconnaît correctement le chat et le camion, tandis qu'il
énergétique de l'ordre de 100 fois grâce à la capacité de formation de
classe le chien et la grenouille donnés comme un camion et un navire,
faisceaux pointus dans les petites régions avec un grand nombre
ce qui prend en charge la faible précision de validation de la Fig. 13.
d'antennes [45].
Nous avons couvert les bases des architectures DL, présenté un
Bien que la technologie massive MIMO apporte d'immenses
aperçu des trois techniques DL les plus utilisées : DNN, CNN et RNN,
avantages, elle a un certain prix. La caractéristique la plus remarquable
et fourni l'étape de programmation d'une tâche de classification
du MIMO massif, le multiplexage spatial, nécessite des informations
d'images. Dans ce qui suit, nous commencerons nos investigations
fiables sur l'état des canaux (CSI). Lors de la transmission en liaison
sur les applications DL sur les technologies PHY avec les systèmes
descendante des systèmes MIMO conventionnels tels que dans la
MIMO. norme Long Term Evolution (4G), la station de base (BS) transmet
une séquence pilote afin que les utilisateurs estiment les réponses du
III. DL pour les systèmes MIMO émergents canal et les renvoient à la BS. Néanmoins, cette méthode n'est pas
Les technologies de communication sans fil de nouvelle génération adaptée aux systèmes MIMO massifs car chaque utilisateur devrait
devraient apporter une variété d'améliorations telles qu'un débit de estimer quelques centaines de réponses de canaux, ce qui engendre
données extrêmement élevé et une efficacité spectrale. La toute un énorme surcoût de rétroaction.
nouvelle technologie de communication mobile, la 5G, a attiré l'attention Une autre raison est que les pilotes doivent être orthogonaux entre les
des milieux académiques et industriels avec la promesse d'un débit de antennes et cela nécessite une quantité considérable de ressources
données maximal de 20 Gb/s ainsi que d'autres améliorations majeures orthogonales [45]. Un autre défi de la technologie massive MIMO est
en termes de latence et d'efficacité énergétique/spectre. Le catalyseur le nombre de chaînes de radiofréquences (RF) requises. Lorsque
clé d'un monde entièrement intelligent, la 6G, introduira des chaque antenne d'émission au niveau de la station de base est activée
spécifications encore plus élevées telles qu'un débit de données de pour transmettre un symbole différent, le nombre de chaînes RF
pointe d'au moins 1 Tb/s et un débit de données expérimenté par l'utilisateur
requises
de 1 Geb/s
st é[5].
gal au nombre d'antennes d'émission, ce qui augmente
Ces améliorations significatives sont possibles grâce à l'utilisation de le coût du matériel. Comme une solution prometteuse
12 VOLUME ,
devrait moduler les bits d'information en utilisant des constellations de
TX RX forme complexe optimisées pour les environnements de transmission.
C'est la mission de la boîte noire intelligente de trouver les meilleurs
emplacements pour les points de la constellation et d'optimiser les
Précodage avec Canal fiable
Basse résolution Estimation frontières de décision pour ces points [46].
DAC Cependant, pour obtenir une amélioration des performances concernant
les conceptions de constellations classiques, le récepteur doit être
conscient des limites de décision des constellations de forme complexe
Constellation Faible complexe utilisées. Par conséquent, il est impossible pour les détecteurs
QuasiML
Conception conventionnels de décoder les bits d'information sans la connaissance
L'APPRENTISSAGE EN PROFONDEUR Symbole
ET PLUS Détection initiale de la conception de la constellation. C'est là que l'apprentissage
E2E apparaît comme l'un des concepts remarquablement charmants
pour les systèmes de communication sans fil de nouvelle génération, où
De bout en bout De bout en bout
le but est d'optimiser pleinement à la fois l'émetteur et le récepteur en
Apprentissage (TX) Apprentissage (RX)
représentant l'ensemble du système comme un autoencodeur (AE) [47].
Les techniques DL brillent comme une solution brillante aux
FIGURE 16. Applications DL pour les côtés émetteur et récepteur d'un
inconvénients mentionnés cidessus et aux besoins supplémentaires
système MIMO.
des systèmes MUMIMO massifs de nouvelle génération grâce à leur
capacité à apprendre un mappage approprié de l'entrée à la sortie. Les
blocs basés sur des modèles d'un système de communication
aux problèmes inhérents au MIMO mentionnés cidessus, la messagerie
conventionnel qui dépendent de modèles mathématiques optimisés
instantanée apparaît comme un candidat solide pour les technologies
pourraient être remplacés par des blocs intelligents basés sur des
de communication sans fil de nouvelle génération. En plus de réduire le
données qui sont robustes aux changements dynamiques de
besoin d'un nombre massif d'exigences de chaîne RF, les techniques IM
l'environnement de transmission. L'objectif ultime est de réaliser des
offrent une efficacité énergétique et spectrale élevée en transmettant
systèmes de communication intelligents E2E, qui, à notre avis,
des bits d'information supplémentaires en utilisant les indices des blocs
révolutionneront la technologie de prochaine génération. Sur la Fig. 16,
de construction d'un système de communication [12]. L'un des défauts
les applications des techniques DL pour les systèmes MIMO sont
les plus critiques des techniques d'IM est la complexité de la détection.
présentées dans une perspective de haut niveau avec une catégorisation
Plus il y a de bits transmis via IM, plus le détecteur devient complexe. Le
en parties émetteur et récepteur. Les soussections suivantes mettront
détecteur optimal est le détecteur à maximum de vraisemblance (MLD)
en lumière les recherches de pointe dans la littérature sur les applications
et dans certains cas, il est impossible de l'utiliser en raison de son niveau
DL pour les systèmes MIMO ainsi que les orientations futures et les
de complexité inacceptable. À ce stade, les détecteurs linéaires, tels que
questions ouvertes dans ce domaine. Plus précisément, dans la sous
les détecteurs de forçage zéro (ZF) et d'erreur quadratique moyenne
section III.A, nous démontrerons l'utilisation de DL dans la détection
minimale (MMSE), ont lieu avec le coût d'un taux d'erreur binaire (BER)
pour les systèmes MIMO. La soussection III.B étudie les schémas
pire. Ainsi, il existe un compromis entre la complexité et les performances
d'estimation de canal MIMO basés sur DL. En combinant des détecteurs
BER des détecteurs basés sur des modèles actuellement utilisés.
MIMO assistés par DL et des estimateurs de canal, nous discutons des
récepteurs MIMO intelligents et introduisons les ensembles de données
du monde réel qui pourraient constituer une référence pour les études
Le prétraitement des signaux de transmission, souvent appelé
futures dans la soussection III.C. La soussection III.D décrit les
précodage, est un autre sujet vital dans les systèmes MUMIMO massifs
conceptions d'émetteurs MIMO intelligents et les AE. Les technologies
efficaces. La BS utilise le précodage avant la transmission pour atténuer
de messagerie instantanée de pointe basées sur DL sont décrites dans
l'impact de l'évanouissement du canal et annuler les interférences MU. la soussection III.E. Enfin, la soussection III.F montre un exemple de mise en œuvre
Cependant, les techniques de précodage qui existent actuellement dans
les normes nécessitent des convertisseurs numériqueanalogique (CNA)
haute résolution qui apportent une grande complexité au système. Par A. Détection de signal pour les systèmes MIMO
conséquent, la conception de précodeurs avec des DAC basse résolution La principale motivation derrière l'utilisation des techniques DL dans les
est intéressante parmi les problèmes de conception d'émetteurs MIMO détecteurs MIMO est de surmonter le compromis entre la complexité
massifs intelligents. Dans le contexte des émetteurs MIMO intelligents, de calcul et les performances du BER. Le MLD fonctionne selon un
un autre sujet en plein essor est la conception de la constellation puisque modèle mathématique solide et il est prouvé que le MLD fournit la
les performances des systèmes de communication sont fortement performance optimale du BER dans des conditions idéales [48], [49].
affectées par la forme de la constellation. Depuis leur enfance jusqu'à la Étant donné que les techniques DL, en particulier les DNN, sont des
pointe de la technologie, les bits d'information sont modulés par un approximateurs de fonctions générales, le modèle du MLD peut être
nombre limité de constellations telles que la modulation d'amplitude en représenté par des NN avec une complexité significativement faible. Ces
quadrature (QAM) et la modulation par déplacement de phase (PSK). approximations ne devraient pas surpasser MLD. Au lieu de cela, il est
Les émetteurs MIMO intelligents de nouvelle génération sont prévu d'atteindre le perfor
VOLUME , 13
mance de MLD sans exiger la complexité peu pratique de MLD. Dans ce l'antenne d'émission active est détectée par un DNN, en supposant que
qui suit, nous révélons et résumons un bref aperçu de la littérature dans le CSI parfait est disponible au niveau du récepteur. Le modèle BDNN
ce sens. surpasse les détecteurs linéaires et fonctionne de manière similaire au
Les auteurs de [50] et [51] étudient un détecteur basé sur DL appelé MLD avec une complexité moindre.
DetNet pour un système MIMO. La structure de DetNet est légèrement Les traités examinés jusqu'à présent suivent le principe fondamental
différente de celle d'un DNN bien connu, où il est conçu sur la base de des DNN, qui consiste à empiler les couches cachées pour construire un
l'algorithme itératif de descente de gradient projeté. La performance BER réseau profond et augmenter la capacité d'apprentissage. Cependant,
du DetNet est comparée aux détecteurs de pointe, au passage de les auteurs dans [55] se rendent compte que l'approfondissement du
message approximatif (AMP) et à la relaxation semidéfinie (SDRX) sous réseau après un certain nombre de couches cachées n'améliore pas
l'hypothèse d'un CSI parfait au niveau du récepteur. Comme une considérablement les performances du BER. Par conséquent, ils
approche similaire à [50] et [51], l'étude de [52] vise à créer un détecteur proposent un réseau de détection parallèle, où plusieurs réseaux de
basé sur DL piloté par modèle pour un système MIMO basé sur détection DL fonctionnent en parallèle pour introduire un effet de diversité.
l'algorithme de détection itératif existant, orthogonal AMP (OAMP). Le Afin d'obtenir la diversité, une fonction de perte spéciale est conçue. La
réseau proposé, OAMPNet, utilise des paramètres supplémentaires détection s'effectue sur la base de la parfaite connaissance du CSI. De
pouvant être entraînés pour améliorer les performances BER du même, dans [56], un détecteur basé sur DL composé de nombreux
détecteur OAMP sous CSI parfait. DNN modifiés parallèles introduit un gain de diversité dans un modèle
de système MIMO. Les DNN modifiés utilisent le principe d'apprentissage
Un autre membre des réseaux basés sur des modèles DL apparaît résiduel et diffèrent de plusieurs manières et introduisent de la diversité
dans [53], où les auteurs combinent des détecteurs basés sur des dans le système.
modèles et basés sur des données pour créer un schéma d'apprentissage partiel.
En supposant un CSI parfait, les simulations informatiques révèlent que
Un NN détecte une partie des symboles de modulation d'amplitude le détecteur proposé surpasse les détecteurs basés sur ZF, MMSE et
phase (APM) dans un système MIMO en tant que partie non linéaire DNN unique.
basée sur les données du détecteur. Le reste des symboles APM est Le type de NN utilisé dans les détecteurs basés sur DL est un autre
détecté par un détecteur ZF classique en tant que partie basée sur le facteur clé qui attire l'attention. Dans cette perspective, les travaux de
modèle linéaire du détecteur. Ce schéma nécessite également une CSI [57] comparent les détecteurs basés sur DNN et CNN pour résoudre les
parfaite au niveau du récepteur. problèmes de détection robuste avec un CSI imparfait et un cadre DL
Contrairement aux solutions précédentes, une architecture DNN efficace pour une détection peu complexe. Cette comparaison révèle
purement pilotée par les données est proposée pour détecter les que le détecteur basé sur DNN fonctionne nettement mieux en termes
symboles transmis sur un canal d'évanouissement à trajets multiples de performances BER. De plus, il surpasse les détecteurs ZF, MMSE et
avec des contraintes de bande passante dans [54]. Des canaux DetNet [50], [51] avec des CSI parfaits et imparfaits au niveau du
d'évanouissement plat et d'évanouissement sélectif en fréquence sont récepteur. Cependant, le détecteur MLD a une performance BER
mis en œuvre pour analyser les performances du BER du détecteur. considérablement meilleure que le détecteur proposé. Avec une approche
Pour une gamme de pourcentages de surdébit pilote dans le signal similaire, les détecteurs basés sur DNN, CNN et RNN sont conçus sans
transmis, le détecteur proposé est comparé au BER théorique du canal dépendance de canal et comparés au MLD dans [58]. Les simulations
d'évanouissement de Rayleigh et à l'égaliseur de retour de décision sans informatiques de cette étude montrent que l'approche basée sur RNN
nécessiter de CSI au niveau du récepteur. est la plus performante, tandis que l'approche basée sur DNN est la
Comme indiqué précédemment, les détecteurs basés sur DL devraient moins bonne. Le fait que l'architecture basée sur DNN surpasse
réduire la complexité des modèles de système MIMO avec des techniques l'architecture basée sur CNN dans [57] mais se dégrade dans [58]
IM. Dans ce contexte, les DNN pilotés par les données et pilotés par le démontre que l'architecture DL optimale dépend du modèle et de
modèle sont étudiés respectivement dans [48] et [49]. l'environnement du système.
Au lieu d'un seul DNN géant, les travaux de [48] suggèrent d'utiliser des
sousDNN pilotés par les données pour le processus de détection d'un
système MIMO avec modulation spatiale généralisée (GSM). Jusqu'à présent, les détecteurs suggérés se sont appuyés sur des
L'architecture proposée fonctionne de la même manière que le MLD et hypothèses de canal sans tenir compte des conditions du monde réel.
le détecteur DNN unique avec une complexité moindre sous l'hypothèse Cependant, selon [59] et [60], le principal problème avec les détecteurs
que le canal d'évanouissement est fixe et que le bruit est gaussien basés sur DL existants est soit des performances désagréables sur des
indépendant et distribué de manière identique (iid). canaux pratiques corrélés spatialement, soit une charge de calcul en
Cependant, lorsque le bruit est corrélé ou présente une déviation dans raison du recyclage pour chaque réalisation de canal. Ainsi, les auteurs
sa distribution, l'architecture sousDNN surpasse le détecteur MLD et le de [59] se concentrent sur un détecteur MIMO basé sur DL robuste qui
détecteur DNN unique. Le CSI au niveau du récepteur n'est pas peut s'optimiser via une formation en ligne pendant la transmission sur
nécessaire pour les canaux à évanouissement fixe, mais il est essentiel des modèles de canaux réalistes et spatialement corrélés. Le détecteur
pour les canaux variant dans le temps. D'autre part, dans [49], les proposé, appelé MMNet, est construit sur des algorithmes itératifs à seuil
auteurs proposent un détecteur de bloc basé sur DL piloté par modèle souple.
pour GSM inspiré des détecteurs de bloc linéaires tels que les détecteurs Des expériences menées en utilisant un ensemble de données de
Block ZF et BlockMMSE. Le symbole APM de chaque réalisations de canaux à partir du canal 3GPP 3D MIMO indiquent que
14 VOLUME ,
MMNet surpasse les approches classiques telles que AMP et SDRX, CSI. Le deuxième problème est que la plupart des détecteurs basés sur
ainsi que les techniques DL récentes telles que Det Net [50], [51] et DL n'ont jamais été testés dans un environnement réel. Dans la suite,
OAMPNet [52], sous l'hypothèse d'un CSI parfait. Le travail dans [60] nous examinerons la littérature sur les estimateurs de canal basés sur
introduit un NN supplémentaire, un HyperNetwork, qui élimine le besoin DL dans les systèmes MIMO.
de recyclage en ligne en plus d'une version modifiée de MMNet pour
créer le détecteur HyperMIMO. Les résultats de la simulation informatique
B. Estimation de canal pour les systèmes MIMO La
révèlent que le détecteur HyperMIMO surpasse le MMSE et l'OAMPNet
justification fondamentale de l'utilisation des méthodes DL dans
[52] et fonctionne de manière similaire au MMNet et au MLD avec moins
l'estimation massive de canal MIMO est de permettre une estimation de
de coûts de calcul sous le CSI parfait.
canal fiable avec considérablement moins de pilotes que le nombre
d'antennes d'émission et de CAN basse résolution au niveau de la station
Le développement de détecteurs basés sur DL en recréant des
de base. Cela conduit à un processus de détection robuste avec une
modèles mathématiques à l'aide de DNN est populaire parmi les
quantité raisonnable de ressources pour l'estimation de canal.
chercheurs. [50], [51] et [52] sont des exemples d'architectures DL
Un estimateur de canal basé sur DL pour les systèmes MIMO massifs
pilotées par modèle. De plus, le travail dans [61] présente un détecteur
de liaison descendante est présenté dans [67], où la longueur du pilote
basé sur DNN pour les systèmes MIMO massifs.
est inférieure au nombre d'antennes d'émission au niveau de la station
L'architecture DNN est pilotée par les modèles puisqu'elle dépend d'une
de base. L'estimateur de canal proposé se compose de deux étapes,
méthode de détection itérative existante donnée dans [62]. Il y a des
dont la première implique deux DNN travaillant ensemble pour effectuer
paramètres supplémentaires à apprendre pour l'annulation des
la conception du pilote et l'estimation du canal assistée par le pilote. Dans
interférences MU. Le détecteur suggéré surpasse les détecteurs itératifs
la deuxième étape, l'estimation de canal et la détection de symboles sont
[62], DetNet [50], [51] et MMSE, en supposant un CSI parfait au niveau
mises en œuvre de manière itérative par un autre DNN pour améliorer
du récepteur. Cependant, il existe également des architectures pilotées
les performances de l'estimation, appelée estimation de canal assistée
par les données utilisant le même concept. Les auteurs de [63] proposent
par les données. Les simulations informatiques révèlent que l'estimateur
un détecteur MIMO baptisé ViterbiNet qui élimine la dépendance CSI en
à deux étapes surpasse l'estimateur de canal assisté par les données
intégrant l'architecture DNN dans l'algorithme de Viterbi. Leurs résultats
conventionnel basé sur MMSE donné dans [68]. Les auteurs de [69]
de simulation indiquent que le détecteur ViterbiNet a une performance
étendent cette étude aux systèmes MUMIMO en liaison montante.
supérieure par rapport au décodeur Viterbi conventionnel. Une autre
approche classique de détection MIMO, le décodage de sphère (SPD), L'estimateur de canal recommandé, contrairement à [67], saute l'étape
d'estimation assistée par les données. Des DNN distincts conçoivent les
rencontre les DNN dans l'étude de [64]. La méthode proposée apprend
signaux pilotes pour les utilisateurs lors de la première partie de l'étape
le rayon de l'hypersphère de décodage, surpassant les versions
d'estimation assistée par pilote. Par la suite, des DNN séparés estiment
précédentes du SPD et se rapprochant du MLD avec beaucoup moins
les canaux des utilisateurs à l'aide de l'annulation d'interférences
de complexité en supposant le CSI parfait. L'étude de [65] explore
successives (SIC). L'estimateur suggéré surpasse à la fois l'estimateur
l'utilisation de DL dans la détection de recherche taboue (TS).
MMSE traditionnel et l'approche DL sans SIC. De plus, [67] et [69]
étudient la longueur optimale du pilote pour obtenir une plus grande
Deux modèles sont proposés : FSNet et DLAided TS, ce dernier
capacité.
s'appuyant sur le premier. En supposant qu'un CSI parfait soit disponible
L'estimation des canaux dans les systèmes MIMO massifs à ondes
au niveau du récepteur, la méthode TS assistée par DL proposée réduit
millimétriques est compliquée car le nombre de chaînes RF est limité.
la complexité d'environ 90 % par rapport aux algorithmes TS existants
Les auteurs de [70] proposent un réseau AMP basé sur le débruitage
tout en conservant presque les mêmes performances.
appris (LDAMP) pour résoudre ce problème. Le réseau LDAMP est un
Contrairement à la littérature inspectée jusqu'à présent, les auteurs de
réseau de récupération d'image qui traite la matrice de canaux comme
[66] considèrent le cas MU et présentent un détecteur MUMIMO basé
une image 2D, avec un pilote unique pour tous les canaux du réseau
sur NN appelé REMIMO. Ils concernent la résilience face aux erreurs de
d'antennes. Le réseau LDAMP surpasse les variantes AMP
spécification des canaux, la capacité à gérer un nombre variable
conventionnelles. L'étude de [71] se concentre sur l'estimation de la
d'utilisateurs et l'invariance à la séquence dans laquelle les utilisateurs
direction d'arrivée (DOA) basée sur DNN en plus de l'estimation de
interagissent avec le système. Le détecteur DL piloté par modèle proposé
canal basée sur DNN. Plus précisément, deux algorithmes basés sur
dépend de la stratégie d'augmentation neurale, qui combine la procédure
DNN exploitent des processus DOA et d'estimation de canal sans avoir
d'apprentissage avec les biais inductifs.
besoin de symboles pilotes. Des simulations informatiques approfondies
vérifient que les algorithmes suggérés de DOA et d'estimation de canal
Nous classons les détecteurs basés sur DL étudiés selon cinq
dépassent les techniques traditionnelles en termes d'erreur quadratique
spécifications clés dans le tableau 2. Il convient de noter que les teintes
moyenne (MSE) des performances de DOA et de BER. Motivés par les
rouges et vertes dans la colonne CSI indiquent une exigence CSI et
inconvénients de [70], les auteurs de [72] développent un meilleur réseau
aucune exigence CSI, alors qu'elles représentent des simulations
informatiques sans et avec un ensemble de données du monde réel de débruitage basé sur les CNN avec le réseau LDAMP, résultant en
l'algorithme AMP de débruitage entièrement convolutif. La longueur de
dans la colonne Real World Dataset, respectivement. Deux résultats
pilote requise est inférieure au nombre de composantes de canal à
notables sont déduits du tableau 2. Le premier est que, pour fonctionner
estimer. L'AMP de débruitage entièrement convolutif
comme prévu, la plupart des modèles de système nécessitent la parfaite
VOLUME , 15
TABLEAU 2. Un aperçu de la littérature sur les détecteurs MIMO basés sur DL en tenant compte de cinq facteurs clés (les teintes rouges indiquent l'exigence CSI ou sans le monde réel
l'ensemble de données et les teintes vertes n'indiquent aucune exigence CSI ou avec un ensemble de données du monde réel).
CSI Monde réel Données ou

Papier Structure DL Repères
Exigence Base de données Piloté par le modèle
MIMO profond
DétNet AMP, SDRX Modèle
Détection [50]
Apprendre à détecter [51] DétNet AMP, SDRX Modèle
MIMO piloté par modèle
OAMPNet OAMP Modèle
Détection [52]
Apprentissage partiel [53] DNN ZF, MLD, DNN unique Modèle
Rétroaction sur la décision
Apprendre pour
DNN Égaliseur, théorique Données
Détection [54]
Rayleigh
SousDNN pour GSM [48] Flexible SousDNN MLD, DNN unique Données
BDNN [49] BlocDNN BZF, BMMSE, MLD Modèle
DL parallèle [55] NRP SPD, DetNet Données
Parallèle basé sur DL Parallèle modifié
ZF, MMSE, DNN unique Données
Détecteur [56] DNN
MIMO efficace ZF, MMSE, MLD,
DNN, CNN Données
Détection [57] DétNet
Mise en œuvre DNN, CNN,
MILLIARD Données
Méthodologies [58] RNN
MMSE, MLD, AMP,
Neural adaptatif
MMNet SDRX, VBLAST, Données
Détection [59]
DetNet, OAMPNet
Modifié MMSE, MLD,
HyperMIMO [60] Données
MMNet OAMPNet, MMNet
Massif piloté par le modèle Itératif [62], MMSE,
DNN Modèle
MIMO [61] DétNet
Viterbe, Glisse
Viterbi basé sur DL [63] ViterbiNet Données
RNN bidirectionnel
Sphère basée sur DL
DNN Variantes SPD Données
Décodage [64]
Tabou assisté par DL FS Net, ZF, MMSE, SPD,

Données
Rechercher [65] TS assisté par DL Commandé SIC, DetNet
MMSE, MLD, AMP,
SDRX, VBLAST,
REMIMO [66] REMIMO Données
DetNet, OAMPNet,
OAMPNet2
16 VOLUME ,
L'algorithme a une performance successive sur LDAMP [70] et d'autres et les algorithmes MMSE linéaires de Bussgang en termes de MSE sous les
variantes d'AMP en termes de MSE normalisée (NMSE) et de taux de somme deux canaux iid et spatialement corrélés. De même, les travaux de [79]
réalisable. Un autre estimateur de canal construit sur la méthode AMP apprise proposent un estimateur de canal basé sur DNN pour les systèmes MIMO
classique (LAMP) est présenté dans [73], qui est le mélange gaussien assisté massifs à un bit. Les auteurs effectuent des recherches pour déterminer la
par a priori LAMP. Dans la première étape de l'algorithme LAMP de mélange longueur et l'architecture de la séquence pilote nécessaire pour s'assurer que
gaussien, une nouvelle fonction de retrait est développée sur la base de la les signaux reçus quantifiés sont mappés à la matrice de canal. Selon ces
distribution de mélange gaussien des éléments de canal de l'espace de analyses, plus il y a d'antennes BS, meilleures sont les performances
faisceau. Ensuite, l'estimation de canal d'espace de faisceau basée sur le d'estimation du canal pour une même longueur de pilote. De manière
mélange gaussien LAMP est effectuée en fonction de la fonction de équivalente, plus il y a d'antennes BS, moins il faut de longueur de pilote pour
rétrécissement dérivée dans la deuxième étape. L'algorithme proposé surpasse les mêmes performances d'estimation de canal. Le réseau suggéré surclasse
les algorithmes OMP, AMP et LAMP en termes de NMSE. Les méthodes l'algorithme GAMP dans le cadre du scénario de canal MIMO massif intérieur
suggérées dans [70], [72] et [73] sont simulées à l'aide du modèle de canal proposé par [74] et [75].
SalehValenzuela bien connu. L'étude [73] a également exécuté d'autres
simulations informatiques avec l'ensemble de données pratiques du canal de Contrairement aux anciens estimateurs de canal à un bit, [80] introduit un
lancer de rayons fourni par [74] et [75]. réseau antagoniste génératif conditionnel (GAN) qui peut apprendre une
fonction de perte adaptative pour optimiser la procédure de formation et prédire
les canaux. L'algorithme GAN conditionnel proposé est comparé à l'algorithme
Outre une estimation de canal moins assistée par le pilote, les estimateurs GAMP à mélange gaussien de maximisation des attentes, à l'algorithme à
basés sur DL ouvrent la voie à une prédiction fiable même avec des deux étapes [67], à l'algorithme d'estimation LDAMP, canal et DOA [71] et à
convertisseurs analogiquenumérique (ADC) à faible résolution. Dans [76], une l'estimateur de canal à un bit [78] en utilisant le canal de lancer de rayons.
BS MIMO massive équipée de CAN à résolution mixte implémente l'estimation jeu de données donné par [74] et [75]. Les simulations informatiques révèlent
de canal avec des DNN. Un DNN à entrée directe estime les canaux en utilisant que l'algorithme GAN conditionnel a une performance plus successive que les
les signaux reçus de toutes les antennes, tandis qu'un DNN de prédiction à benchmarks en termes de NMSE moyen.
entrée sélective estime les canaux des antennes avec des CAN basse
résolution via les signaux reçus des antennes avec des CAN haute résolution.
L'algorithme proposé a une performance supérieure au MMSE classique et À l'exception de [67], tous les estimateurs de canal que nous avons
aux méthodes AMP généralisées à mélange gaussien de maximisation des examinés jusqu'à présent n'ont pris en compte que des scénarios de liaison montante.
attentes. L'idée d'utiliser des ADC à résolution mixte est améliorée dans [77], Cependant, l'estimation du canal de liaison descendante est également cruciale
où les auteurs proposent une technique d'optimisation pour l'allocation des en termes de détection fiable des symboles côté utilisateur. Il est courant de
ADC à résolution mixte ainsi que l'estimation du canal et la conception du supposer que les canaux de liaison descendante et de liaison montante sont
pilote. Plus précisément, le CENet estime les canaux, le SELNet attribue des réciproques, et la BS renvoie les canaux de liaison montante estimés aux
ADC à un bit et à haute résolution, et le PDNet construit la matrice pilote. Le utilisateurs. Néanmoins, les performances de détection se dégradent lorsque
cadre suggéré surpasse l'AMP généralisé conventionnel (GAMP) et le GAMP le canal n'est pas réciproque. Ainsi, les auteurs de [81] introduisent un réseau
sans grille en termes de NMSE. d'étalonnage de canaux, appelé CaliNet, basé sur les DNN pour estimer
précisément les canaux descendants à partir des canaux montants lorsqu'il n'y
a pas de réciprocité. Les résultats de la simulation informatique indiquent que
CaliNet fonctionne mieux que la méthode Argos et similaire à la borne de
En outre, le cadre complet est comparé aux scénarios partiels dans lesquels CramerRao.
´
toutes les antennes de la BS ont des ADC à un bit, et seul le CENet existe. Un
autre schéma partiel comprend toutes les antennes ADC à un bit avec à la fois En plus des estimateurs de canal basés sur DL antérieurs, l'étude de [82]
PDNet et CENet. La conception partielle avec des ADC haute résolution non étudie l'apprentissage par renforcement dans l'estimation de canal des réseaux
optimisés, PDNet et CENet fonctionne de la même manière que le cadre sans fil industriels. L'algorithme proposé est le double deep Qlearning, où la
complet. longueur du pilote est égale au nombre de composantes de canal à estimer.
En utilisant des méthodes DL, il est possible de réduire encore plus la L'approche recommandée dépasse le MMSE estimé dans un environnement
résolution ADC, dans laquelle une estimation précise du canal est possible de fabrication industrielle en intérieur avec une perte de trajet de 4,7 dB, une
malgré des ADC complets à un bit. L'étude de [78] présente un estimateur de occultation de 8,6 dB et des obstacles de 29 dB. Cependant, le MMSE idéal
canal basé sur DNN pour les systèmes MIMO massifs à un bit. Le signal pilote surpasse la technique suggérée dans le même scénario. Semblable à la façon
est divisé en segments dans la première étape, où chacun forme l'entrée d'un dont [82] examine un environnement intérieur réaliste, [83] suggère un
DNN. estimateur de canal basé sur RNN pour les systèmes MIMO massifs dans le
Le canal estimé est la moyenne des sorties de tous les DNN. modèle de canal 5G Quadriga 2.0 sans visibilité directe [84], [85]. L'algorithme
Ensuite, les symboles de données détectés utilisant l'estimation initiale sont recherche itérativement les prises de canal et débruite leurs amplitudes dans
interprétés comme les signaux pilotes restants et utilisés pour mettre à jour le domaine temporel. En considérant le taux d'erreur de trame, les résultats de
l'estimation de canal initiale, similaire à la procédure de [67]. L'algorithme simulation pour une vitesse d'utilisateur de 5 km/h montrent que
proposé surpasse le LS traditionnel
VOLUME , 17
l'estimateur de canal itératif basé sur RNN surpasse la technique MMSE que DeepSM surpasse les schémas de référence dans tous les scénarios.
traditionnelle. Semblable à l'architecture itérative de DeepSM, les travaux de [88] proposent
Compte tenu de sept facteurs clés, nous catégorisons les estimateurs de un réseau d'estimation de canal et de détection de symboles conjoint basé
canal basés sur DL examinés dans le tableau 3. Les couleurs rouge et verte sur DL, OAMP Net2, en déployant l'algorithme itératif existant OAMP.
dans la colonne Pilot Design indiquent si la conception pilote existe dans
l'étude, alors qu'elles indiquent le modèle de système avec et sans ADC OAMPNet2 effectue une estimation initiale du canal basée sur le pilote et
basse résolution. dans la dernière colonne. FCDAMP, EMGMGAMP et GM détecte ensuite les symboles d'information. Ensuite, les processus
LAMP représentent respectivement l'AMP à débruitage entièrement d'estimation de canal et de détection de symboles assistés par les données
convolutif, le GAMP à mélange gaussien à maximisation des attentes et se déroulent de manière itérative. L'approche recommandée surpasse les
l'AMP appris à mélange gaussien. L'observation la plus frappante du tableau AMP, OAMP, MMSE, MMSESIC, Det Net [50], [51] et OAMPNet [52] dans
3 est que presque tous les estimateurs basés sur DL fonctionnent pour les différentes configurations MIMO et ordres de modulation. Les détecteurs
scénarios MIMO massifs en liaison montante. C'est une conséquence MLD et SPD, en revanche, surclassent OAMPNet2 avec leur complexité
favorable que la majorité des approches répondent à la motivation d'utiliser nettement plus grande. De plus, OAMPNet2 est spécifiquement comparé à
moins de pilotes pour les estimateurs de canal basés sur DL. Il est également OAMPNet [52] dans diverses configurations MIMO et ordres de modulation
encourageant de noter que les scénarios de canal réalistes deviennent de en tenant compte à la fois des scénarios de canaux iid et corrélés, dans
plus en plus courants, quoique encore insuffisamment, dans le cadre des lesquels OAMPNet2 bat le prédécesseur dans toutes les situations. En
estimateurs de canal basés sur DL. outre, les auteurs examinent OAMPNet2 sous le modèle pratique de canal
Quadriga 3GPP 3D MIMO [84], [85].
La soussection suivante combine les détecteurs basés sur DL et
estimateurs de canal pour construire un cadre de récepteur intelligent et
fournit un aperçu des ensembles de données du monde réel. Les auteurs de [89] proposent deux structures de récepteur basées sur
DL pour les systèmes MUMIMO de liaison montante. La première technique,
FullCon, est un algorithme basé sur DNN piloté par les données et détecte
C. Détection de signal combinée et estimation de canal et ensembles
les bits d'information par le signal reçu directement sans exécuter
de données du monde réel
explicitement l'estimation de canal. MdNet, quant à lui, sépare les phases
Après avoir examiné les détecteurs et les estimateurs de canal basés sur
d'estimation de canal et de détection de symboles. L'estimation de canal
DL, nous pouvons maintenant les intégrer dans un seul algorithme pour
basée sur DNN suit l'estimation LS dans la première étape, tandis que le
obtenir une architecture de récepteur complètement intelligente, ce qui nous
détecteur basé sur DL vient après la détection ZF dans la deuxième étape.
mènera à notre objectif ultime des systèmes de communication intelligents
Les deux algorithmes de récepteur sont testés à l'aide de diverses
E2E. Dans [86], un seul DNN exécute conjointement l'estimation de canal et
configurations MIMO et du nombre de couches cachées et de neurones à
la détection de symboles pour un système MIMOAlamouti, un cas unique
l'intérieur des couches.
de codes de blocs spatiotemporels avec deux antennes d'émission. Le DNN
De plus, ils sont comparés à deux structures de récepteurs classiques dont
à quatre couches prend les parties réelles et imaginaires du signal reçu la première consiste en une estimation de canal LS et une détection MMSE,
comme entrée et génère les probabilités des combinaisons de symboles de
tandis que la seconde comprend une estimation de canal LS et une détection
transmission possibles, sans estimer explicitement le canal. Le réseau
itérative de gradient projeté.
recommandé a une perte de rapport signal sur bruit (SNR) de 1 dB par
Selon les résultats de la simulation informatique, FullCon et MdNet surpassent
rapport à la détection MLD avec un CSI parfait et un gain SNR de 3 dB par
les techniques traditionnelles dans les configurations MIMO 2 × 2 et 4 × 4 .
rapport à la détection MLD avec un CSI imparfait, au même BER.
Un résultat notable des simulations informatiques est que FullCon a des
performances supérieures à MdNet en MIMO 2 × 2 , tandis que MdNet prend
la tête en MIMO 4 × 4 .
Les auteurs de [87] orientent leurs recherches vers un récepteur
Comme étudié jusqu'à présent, la littérature sur les architectures de
intelligent pour la modulation spatiale (SM) considérant des canaux
récepteurs basées sur DL a atteint sa maturité. Cependant, pour les intégrer
dynamiques variant dans le temps. Le réseau suggéré, appelé DeepSM, se
dans des systèmes et des normes du monde réel, il est nécessaire d'examiner
compose de deux DNN parallèles, le DNN supérieur mettant à jour le CSI et
la faisabilité de ces conceptions à l'aide d'ensembles de données du monde
le DNN inférieur détectant les symboles transmis à chaque intervalle de
réel. Il est également essentiel de disposer d'un ensemble de données
temps. Le CSI initial est calculé à l'aide de la technique LS utilisant un signal
suffisamment volumineux pour reproduire les résultats des algorithmes
pilote d'une longueur égale au nombre d'antennes d'émission. DeepSM est
existants dans la littérature, créer des références et comparer différents
comparé aux récepteurs DNN conventionnels basés sur des modèles et
algorithmes basés sur des données universelles [74]. Comme le montrent
pilotés par des données sur des modèles de canaux variant dans le temps
les tableaux 2 et 3, la popularité des ensembles de données pratiques n'est
et invariants dans le temps. Les deux benchmarks implémentent l'estimation
pas satisfaisante, ce qui incite les chercheurs à se concentrer sur la
du canal LS et supposent que le canal est invariant pendant toute la
génération d'ensembles de données à l'aide de scénarios du monde réel.
simulation. Par la suite, le récepteur basé sur un modèle conventionnel utilise
Dans [74] et [75], un jeu de données générique, baptisé DeepMIMO, pour
la détection MLD, tandis que le récepteur basé sur un DNN piloté par les
les systèmes mmWave et massive MIMO est proposé. Les canaux
données détecte les symboles transmis par un DNN. Des simulations
DeepMIMO sont générés sur la base de données précises de lancer de
informatiques poussées révèlent
rayons collectées à partir du logiciel Remcom Wireless InSite [90]. Par conséquent, cet ense
18 VOLUME ,
TABLEAU 3. Un aperçu de la littérature sur les estimateurs de canal MIMO basés sur DL en tenant compte de sept facteurs clés (les teintes rouges indiquent l'absence de conception pilote,
ADC à basse résolution ou sans ensemble de données du monde réel et les teintes vertes indiquent une conception pilote, des ADC à basse résolution ou avec un ensemble de données du monde réel).
Réel Faible
DL Pilote Liaison descendante Pilote
Papier Monde Repères Résolution
Structure Longueur ou liaison montante Conception
Base de données ADC
Basé sur DL
DNN Faible MMSE assisté par les données [68] Liaison descendante
À deux étages [67]
Conception pilote conjointe et
Estimation du canal pour DNN Faible MMSE Liaison montante
EN [69]
Espace de faisceau basé sur DL
MIMO massif à ondes millimétriques LDAMP Faible Variantes AMP Liaison montante
(2018) [70]
Divers Conventionnel
Canal Super Résolution
DNN Pas de pilote Détection compressée Liaison montante
& Estimation DOA [71]
Méthodes
MIMO massif à ondes millimétriques FCDAMP Faible Variantes LDAMP, AMP Liaison montante
(2020) [72]
MIMO massif à ondes millimétriques GMLAMPE Faible AMPLI, LAMPE Liaison montante
(2021) [73]
Résolution mixte
DNN, CNN Faible MMSE, EMGMGAMP Liaison montante
Mixte
CAN [76]
Estimation conjointe du canal PDNet,
& CAN mixtes SELNet, GAMP variable, GAMP sans grille Liaison montante

Mixte
Attribution [77] CENet
Basé sur la moyenne du segment LS, Bussgang Linéaire
DNN Haut Liaison montante
1 bit
Estimation du canal [78] MMSE
DL pour ADC 1 bit et
DNN Faible SPORT Liaison montante
1 bit
Moins de pilotes [79]
Conditionnel MU 1 bit conditionnel EMGMGAMP, [67],

Faible Liaison montante
1 bit
GAN [80] CEPENDANT LDAMP, [71], [78]
´
Canal ULDL CaliNet Argos, CramerRao
Faible Les deux
Étalonnage [81] (DNN) Bondir
Double profondeur Q
DDQL Haut MMSE Pas d'information
Apprentissage [82]
RNN itératif [83] RNN Pas d'information MMSE Pas d'information
VOLUME , 19
L'idée de base sousjacente aux communications E2E est de remplacer
JEUX DE DONNÉES DU MONDE RÉEL POUR MIMO DLAIDE
les blocs séparés d'un émetteur, d'un canal et d'un récepteur MIMO par
un seul réseau DL qui peut être formé en tant qu'AE pour résoudre le
PROFONDE MIMO Quadrige
1 Données de lancer de rayons 2 problème de sousoptimisation de la structure de bloc conventionnelle
Modèles de canal 3GPP
pour les systèmes MIMO massifs à
ondes millimétriques [25], [94]. Pour commencer, nous allons d'abord nous plonger dans les
détails de la conception de la constellation basée sur DL dans la partie
VIWI DONNÉES MIMO 5G
suivante.
3 Données de lancer de rayons
pour les communications sans fil
4 Canaux 5G en combinant des simulateurs
assistées par la vision
de circulation automobile et de lancer
de rayons
Comme mentionné précédemment, la construction de constellations
à l'aide de réseaux DL est un processus E2E puisque le réseau doit
FIGURE 17. Principaux ensembles de données du monde réel pris en compte pour les techniques
optimiser à la fois les positions et les régions de décision des points de
MIMO assistées par DL.
constellation. L'objectif est de maximiser l'information mutuelle entre
l'entrée et la sortie du canal, même lorsque le modèle de canal est
géométrie de l'environnement ainsi que les positions de l'émetteur et inconnu [46].
du récepteur. De plus, le processus de création de données est L'étude de [95] fournit un AE pour la conception de constellations
optimales et d'architectures de récepteurs pour les canaux de bruit
paramétrique, ce qui permet aux chercheurs d'affiner les paramètres
en fonction du scénario souhaité. De même, [91] et [92] présentent un blanc gaussien additif (AWGN) avec interférence radar additive. La
cadre de production de données paramétrique et évolutive pour les métrique d'optimisation est une information mutuelle.
communications sans fil assistées par la vision basé sur la modélisation Sous diverses hypothèses de modèle de canal pour différents régimes
3D et le lancer de rayons fournis par [90]. L'objectif est la coexistence SNR, plusieurs procédures de démappage sont suggérées.
de données visuelles et sans fil, avec des données visuelles, telles que De plus, le réseau proposé permet d'utiliser des méthodes de codage
celles collectées à partir de capteurs ou de caméras LiDAR (détection puissantes telles que les codes turbo ou les codes de contrôle de
et télémétrie de la lumière), aidant les systèmes de communication parité à faible densité (LDPC). Les simulations informatiques révèlent
sans fil qui fonctionnent dans le même appareil ou la même zone. que le réseau basé sur AE surpasse les architectures avec les
Quadriga, qui signifie générateur de canaux radio quasi déterministes, constellations traditionnelles. Le réseau dans [96] effectue une mise en
est un outil de simulation de canaux radio MIMO pratiques pour des forme probabiliste pour améliorer les constellations ainsi que la mise
réseaux tels que les environnements intérieurs et les communications en forme géométrique. La mise en forme probabiliste optimise la
par satellite [84], [85]. Comme indiqué dans [85], Quadriga facilite la probabilité d'occurrence des points de constellation. Même lorsque la
création de modèles de canaux donnés par des entités telles que géométrie de la constellation est fixe, comme QAM, la mise en forme
3GPP. Il peut également être considéré comme une application du probabiliste améliore le débit d'informations réalisable. Ce réseau
maximise également l'information mutuelle en utilisant les AE, comme
modèle WINNER bien connu avec des modifications pour les
communications par satellite via son approche stochastique basée sur dans [95]. La méthode de mise en forme de joint proposée permet
la géométrie. Il étend le système de simulation terrestre basé sur des d'obtenir des performances proches de la capacité et d'effectuer à la
instantanés pour produire des séries chronologiques en bande de base fois une QAM non mise en forme et une QAM uniquement de forme
à valeurs complexes. Les travaux de [93] fournissent une procédure géométrique sur les canaux d'évanouissement AWGN et Rayleigh. [97]
pour créer des environnements de canaux réalistes pour divers analyse la conception de constellation basée sur l'AE sur un canal
scénarios 5G en combinant un simulateur de trafic de véhicules et un d'interférence MU pour résoudre le problème d'interférence dynamique.
simulateur de lancer de rayons. En produisant des données de canal Plus précisément, le réseau AE adaptatif basé sur DL peut apprendre
de propagation, l'objectif est d'aider les solutions basées sur DL à le degré d'interférence et améliorer les performances du BER en
relever les défis liés au PHY de mmWave MIMO dans la 5G. Pour ajustant la constellation de chaque utilisateur en conséquence. Selon
résumer, les études analysées qui proposent des ensembles de des simulations informatiques, les constellations apprises des utilisateurs
données du monde réel pour les communications MIMO sont résumées sont bien décomposées et ils se concentrent sur leurs clusters face à
à la Fig. 17. Dans la soussection suivante, nous discuterons des de fortes interférences. Il est donc beaucoup plus facile pour le
récepteur
algorithmes assistés par DL dans le contexte des émetteurs MIMO intelligents et des dce
décoder les informations
ommunications E2E. dans l'environnement à fortes
interférences. En outre, le réseau basé sur AE fonctionne de manière
très similaire à la PSK binaire non codée (BPSK) et à la PSK en
D. Conception d'émetteurs intelligents et autoencodeurs Nous
quadrature (QPSK) typiques, avec une amélioration d'environ 2 dB par
avons analysé comment optimiser les blocs individuels d'un récepteur
rapport à la 8PSK et à la 16QAM.
MIMO séparément et conjointement dans les soussections précédentes.
Contrairement aux premiers, [98] étudie la conception de constellation
Ainsi, nous montrons que les réseaux DL peuvent apprendre et
Grassmannienne basée sur l'AE dans les systèmes MIMO non
optimiser un cadre de récepteur MIMO complet pour une gamme de
cohérents, où ni l'émetteur ni le récepteur ne nécessitent de CSI.
critères d'optimisation. Cependant, nous n'avons pas encore atteint
Chaque point de la variété Grassmann est une matrice unitaire et la
notre objectif ultime de révolution des technologies de communication
distance entre chaque paire de points est égale à la norme de Frobenius
avec des cadres entièrement intelligents. Par conséquent, nous en corde. La méthode recommandée est comparée à des constellations
étudierons les approches DL qui optimisent les blocs individuels d'un
grassmanniennes conçues par des techniques traditionnelles et à une
émetteur MIMO et apprendrons éventuellement un travail de cadre
constellation non grassmannienne.
d'émetteur complet réglé avec l'architecture de récepteur correspondante. Le
20 VOLUME ,
Les résultats de la simulation indiquent que le réseau proposé dépasse encode les bits en symboles, tandis que le second effectue le précodage.
toutes les approches de pointe et atteint l'ordre de diversité le plus élevé. Le récepteur de cette approche basée sur l'AE comprend un réseau de
transformateur radio (RTN). Le réseau de précodage au niveau de
Parallèlement à des conceptions de constellation intelligentes plus l'émetteur et le RTN au niveau du récepteur sont formés de manière E2E
résistantes aux environnements de propagation dynamique que les pour surclasser le système MIMO classique basé sur DL.
constellations fixes traditionnelles, des approches basées sur DL ont Des simulations avec différentes configurations MIMO révèlent que
également été appliquées au précodage dans des émetteurs MIMO massifs. l'architecture combinée de précodage et RTN proposée surpasse les
L'objectif est d'utiliser les réseaux DL pour offrir un précodage fiable avec méthodes de précodage linéaire traditionnelles ZF et MMSE et les
des DAC basse résolution tout en diminuant considérablement la structures DL avec uniquement le précodage ou RTN.
complexité. L'étude de [99] étudie une conception de précodage à un bit Les auteurs analysent également en profondeur les constellations
avec la conception de constellation optimale utilisant des AE. apprises du réseau de précodage.
Dans un système MUMIMO massif multicast où la BS diffuse le signal Les recherches substantielles dans [105], [106] et [107] aboutissent à
d'information à tous les utilisateurs, l'émetteur compose un DNN suivi un cadre de précodage assisté par DL pour les systèmes MUMIMO
d'une couche binaire pour satisfaire la contrainte de précodage à un bit. massifs de liaison descendante avec un réseau planaire uniforme à la
Étant donné que les gradients de la couche binaire sont toujours nuls, la BS. L'objectif de ce cadre est de mettre en œuvre un précodage qui
mise en œuvre de l'approche standard de rétropropagation est compliquée. maximise le taux ergodique tout en limitant la puissance de transmission
Par conséquent, les auteurs utilisent une approximation qui est une globale sous une contrainte en utilisant à la fois le CSI instantané et
variante de l'estimateur direct. Des expériences sur des canaux fixes et statistique. Les auteurs, cependant, convertissent ce problème de
variables montrent que le réseau de conception de constellation et de maximisation du débit ergodique en un problème de qualité de service
précodage à un bit basé sur AE surpasse les transmissions PSK et QAM amélioré pour le rendre traitable, et la structure de précodage optimal
avec le précodeur à un bit conventionnel [100]. émerge en conséquence. Ainsi, la structure proposée utilise un DNN pour
obtenir avec succès l'architecture de précodage optimale et pour atténuer
Il convient également de noter que les performances de la conception de le problème de complexité. Par conséquent, le cadre proposé réduit
constellation basée sur AE avec le précodeur standard à un bit [100] sont considérablement la complexité tout en conservant presque les mêmes
les meilleures, démontrant le potentiel des réseaux DL pilotés par modèle. performances que la technique itérative traditionnelle.
De même, [101] fournit un précodage de niveau de symbole (SLP) basé
sur AE et une conception de constellation pour les systèmes MUMIMO De plus, les auteurs minimisent la complexité en divisant le problème
massifs unicast dans lesquels la BS transmet un signal d'information d'optimisation en deux sections qui évaluent respectivement le CSI
unique à chaque utilisateur. De plus, les auteurs examinent une conception instantané et statistique. Des expériences avec le modèle de canal
SLP robuste pour les constellations QAM classiques dans les cas où les Quadriga [84], [85] prouvent que les cadres généraux et à faible
constellations basées sur l'AE sont difficiles à exécuter dans la réalité. complexité produisent des performances presque optimales avec une
Selon les résultats numériques, le SLP et le réseau de conception de complexité considérablement inférieure à celle de l'approche itérative
constellation basés sur l'AE proposés surpassent le SLP basé sur l'AE classique.
avec la constellation QAM et le SLP non robuste avec la constellation L'étude de [108] propose une autre architecture de précodage basée
QAM. Une autre conception SLP basée sur DL est fournie dans [102], où sur les données DNN dans laquelle le réseau apprend entièrement la
les auteurs proposent un précodage NN efficace pour atténuer les relation entréesortie d'un précodeur presque optimal pour maximiser les
interférences MU dans un modèle de système MUMISO. La métrique informations mutuelles. Les résultats de simulation montrent que le réseau
d'optimisation est la qualité de service minimale de tous les utilisateurs. suggéré produit presque les mêmes performances que le précodeur
Les résultats de la simulation montrent que le réseau suggéré a des optimal avec une complexité nettement inférieure à celle des précodeurs
performances supérieures à celles du précodage conventionnel au niveau itératifs traditionnels, tout comme dans [105], [106] et [107]. Le travail
des blocs. dans [109] adopte une approche similaire à [108], dans laquelle un DNN
Cependant, le schéma SLP optimisé convexe traditionnel bat le réseau piloté par les données apprend le comportement d'un précodeur idéal
recommandé avec une complexité considérablement plus grande, ce qui pour maximiser les informations mutuelles avec une complexité
indique que le réseau SLP basé sur DL offre des performances robustes considérablement réduite.
avec une complexité considérablement réduite. Le DNN suggéré accepte la matrice de précodage de remplissage d'eau
Le travail dans [103] est similaire à [99] et [101] en ce qu'il propose un vectorisée comme entrée et donne l'optimum. Concernant différentes
réseau de précodage basé sur AE pour les systèmes MIMO. L'émetteur configurations MIMO, les simulations indiquent que le réseau
se compose de deux DNN qui codent les bits en symboles et précodent recommandé atteint les performances optimales tout en diminuant
ces symboles avec une normalisation de puissance à la fin. Comme le considérablement le temps d'exécution.
montrent les simulations informatiques, le réseau de précodage basé sur Outre les conceptions de précodage basées sur AE et DNN discutées
AE surpasse les techniques de précodage linéaire conventionnelles jusqu'à présent, les réseaux basés sur DL pilotés par modèle sont
telles que ZF et MMSE et le précodage non linéaire TomlinsonHarashima également populaires dans le contexte de la conception de précodage en
en supposant un CSI parfait. Les auteurs de [104] présentent une combinant les algorithmes conventionnels avec des techniques DL.
structure DNN séparée similaire à celle de [103] dans l'émetteur MIMO. Les travaux de [110] optimisent la méthode conventionnelle de précodage
Le premier des deux DNN non linéaire biconvexe à 1 bit (C2PO) en
VOLUME , 21
réglage des paramètres de l'algorithme dans un modèle de système MU ÉMETTEUR
MIMO massif. Le C2PO optimisé NN (NNOC2PO) déploie les itérations
Source Canaliser
Modulateur Précodeur
de C2PO et utilise la rétropropagation pour ajuster les paramètres. Les Codeur Codeur
simulations menées à l'aide du modèle de canal Quadriga [84], [85] Information
Saisir
illustrent que l'algorithme NNO C2PO proposé nécessite environ 50 %
moins d'itérations que C2PO pour une performance de BER similaire. De
plus, NNO C2PO peut utiliser les mêmes paramètres appris pour un
modèle de canal donné pour divers modèles de canal avec une perte de
COMMUNICATION SANS FIL DE BOUT EN BOUT
performance modérée, indiquant la robustesse aux circonstances de CANALISER
canal dynamiques. De la même manière, l'étude de [111] développe un
Information
autre algorithme itératif conventionnel appelé estimation discrète itérative Sortir
(IDE2) pour développer un réseau DL piloté par un modèle pour MU
MIMO massif avec précodage en alphabet fini. Le réseau proposé, IDE2
Net, précode les signaux de transmission à l'aide de CNA basse résolution DESTINATAIRE
en modifiant l'algorithme IDE2 actuel avec des paramètres configurables. Source Canaliser

Démodulateur Combineur
Décodeur Décodeur
FIGURE 18. Un modèle de système de communication E2E PHY, où les blocs de traitement de
Les simulations révèlent que IDE2Net a des performances sensiblement signal individuels sont remplacés par un seul réseau DL adaptatif.
meilleures que l'algorithme IDE2 et des formes légèrement supérieures
NNOC2PO [110] pour le même nombre d'itérations.
fonction de perte mise en œuvre via une couche personnalisée suivant
Suivant les traces des premiers, les auteurs développent la méthode
la sortie. Le CINN atteint les mêmes performances que le modèle
classique du gradient conjugué itératif pour le précodage d'enveloppe
d'interférence constructif conventionnel et les formes supérieures du
constante dans [112]. Le réseau suggéré, CEPNet, optimise l'approche
précodeur ZF linéaire, comme indiqué dans les simulations pour un
traditionnelle en introduisant des paramètres entraînables pour réduire
nombre différent d'utilisateurs. En outre, CINN est une méthode
les interférences MU et les coûts de calcul. Les simulations montrent
adaptative à l'utilisateur dans laquelle un modèle formé avec un nombre
que CEPNet surpasse de manière significative l'algorithme conventionnel
spécifique d'utilisateurs fonctionne dans des scénarios avec un nombre
en termes de BER et de performances de débit moyen réalisables avec
variable d'utilisateurs, ce qui est pratique pour les environnements dynamiques.
moins de complexité. Le CEPNet est également résistant aux erreurs
Après avoir étudié en profondeur les architectures d'émetteurs MU
d'estimation de canal et à l'inadéquation du modèle de canal comme
MIMO massives intelligentes telles que les constellations de formes
dans [110]. L'étude de [113] déploie l'algorithme MMSE pondéré itératif
complexes basées sur AE et DNN et les conceptions de précodage, c'est
(WMMSE) dans une structure par couches pour maximiser le taux de
le moment idéal pour se concentrer sur les systèmes de communication
somme. Le réseau proposé intègre des paramètres entraînables à
E2E dans lesquels un seul réseau DL géant remplace tous les blocs
l'algorithme WMMSE pour éliminer les inversions de matrice et réduire la
individuels. Cette approche, illustrée par un exemple de modèle de
complexité. Contrairement aux études précédentes, les auteurs
système sur la Fig. 18, peut permettre une optimisation E2E sans
développent un schéma de précodage basé sur CNN pour comparer leur
nécessiter de modèle de canal mathématique, ce qui est très pratique car
méthode basée sur un modèle à un réseau basé sur les données. Des
résultats de simulation approfondis dans un modèle de système MU la définition mathématique du canal peut être difficile à obtenir dans
certains environnements compliqués. Le principal problème avec le
MIMO massif avec un nombre variable d'antennes d'émission et
modèle de canal inconnu est que la technique de rétropropagation
d'utilisateurs montrent que la méthode proposée atteint le taux de somme
conventionnelle, sur laquelle reposent la plupart des réseaux DL,
de l'algorithme WMMSE et surpasse le schéma basé sur CNN avec
nécessite une connaissance complète des gradients dans chaque couche.
beaucoup moins de complexité. En dépliant, une autre technique itérative
Lorsque le modèle de canal est inconnu, il est impossible d'obtenir des
conventionnelle, la méthode des multiplicateurs à direction alternée
gradients ce qui complique la rétropropagation. Les chercheurs dans ce
(ADMM), est mappée à un cadre DL dans [114].
domaine ont proposé diverses solutions à ce problème. L'étude de [116]
présente une technique d'optimisation appelée optimisation stochastique
Les auteurs fournissent ADMMNet pour les communications mmWave à
de perturbation simultanée pour approximer les gradients de canal afin
grande échelle dans lesquelles le SLP basé sur DL sélectionne le sous
que le modèle E2E devienne entraînable en utilisant la méthode de
ensemble optimal de chaînes RF pour réduire la consommation d'énergie.
rétropropagation standard. Le réseau E2E avec l'approximation suggérée
Les résultats de la simulation montrent que l'ADMMNet surpasse les
atteint les performances de BER théoriques dans les canaux
algorithmes conventionnels d'ADMM, de poursuite d'adaptation
d'évanouissement AWGN et Rayleigh.
orthogonale et de descente coordonnée.
Considérant une approche différente de celle des recherches
antérieures sur les réseaux DL pilotés par modèle qui déploient les
Les auteurs de [47] et [117] introduisent un nouvel aspect du défi du
algorithmes itératifs existants, [115] présente une architecture de
gradient inconnu dans lequel le réseau E2E itère entre l'apprentissage de
précodage basée sur DL pilotée par le modèle de communication par
l'émetteur basé sur l'apprentissage par renforcement et l'apprentissage
interférence constructive. Le modèle CINN proposé comprend un modèle personnalisé
supervisé du récepteur. L'émetteur
22 VOLUME ,
agit comme un agent dans un problème d'apprentissage par avec la qualité d'image récupérée, qui fonctionne mieux que les
renforcement, apprenant l'environnement en utilisant la fonction de techniques de compression conventionnelles.
perte du récepteur comme récompense. D'autre part, le récepteur Les réseaux E2E sont plus faciles à utiliser lorsque le modèle de
est entraîné de manière supervisée pour obtenir la fonction de perte. canal est accessible car il existe des gradients de canal et le réseau
Les résultats de la simulation indiquent que la méthode alternative peut être entraîné de manière E2E. L'étude pionnière dans ce
proposée fonctionne de manière similaire au réseau DNN supervisé domaine, qui est donnée dans [25], analyse un réseau E2E pour un
E2E avec un modèle de canal différentiable connu. En plus de cette modèle de canal donné et une fonction de perte. Cette recherche
technique d'entraînement alterné, les travaux de [118] proposent un approfondie comprend diverses investigations. Tout d'abord, le
système de rétroaction fiable dans lequel le récepteur peut réseau E2E basé sur AE est comparé à un schéma BPSK non codé
transmettre la valeur de perte à l'émetteur sans supposer une liaison à plusieurs taux de codage, le réseau proposé surpassant ce dernier.
de rétroaction sans faille. Le système de rétroaction suggéré forme Pour observer les connaissances des experts dans les réseaux E2E,
les deux extrémités de la communication en tant qu'émetteur et les auteurs modifient un RTN audessus du réseau basé sur AE, ce
récepteur, supprimant la nécessité d'une liaison de retour parfaite. qui améliore les performances. En étendant le concept AE à plusieurs
Lorsque le réseau alternatif E2E [47], [117] équipé du système de émetteurs et récepteurs, les auteurs examinent les performances
rétroaction recommandé est formé dans un environnement de d'un réseau E2E basé sur AE dans un canal d'interférence. La
rétroaction bruyant, il fonctionne presque de la même manière que comparaison avec un système de temps partagé révèle des gains
le réseau alternatif E2E avec une liaison de rétroaction parfaite, substantiels. De plus, un réseau DL basé sur CNN offre des
comme l'indiquent les simulations. performances prometteuses dans le contexte de la classification de
Les études dans [119] et [120] fournissent un réseau E2E modulation et surpasse les approches de fonctionnalités expertes.
indépendant du canal avec un GAN conditionnel modélisant le canal Ce traité exhaustif ouvre la porte à notre objectif ultime de révolution
pour produire des gradients. En utilisant les signaux codés de PHY. Les auteurs de [125] appliquent cette technique E2E innovante
l'émetteur et les signaux pilotes reçus comme informations de aux modèles de systèmes MIMO et étudient les performances des
conditionnement, le GAN conditionnel génère le modèle de canal et AE sur les canaux d'évanouissement de Rayleigh pour diverses
ouvre la voie à une formation supervisée. Des simulations configurations MIMO. Dans le premier cas, un AE optimise son
approfondies montrent que le réseau suggéré atteint les performances schéma d'encodage lors de la formation pour introduire la diversité
d'un réseau E2EDNN avec un modèle de canal connu sur les spatiale dans une configuration MIMO 2 × 1 . Comparé au codage
canaux d'évanouissement AWGN et Rayleigh. Alamouti bien connu, l'AE crée un schéma de codage supérieur
Cependant, les auteurs de [121] et [122] soulignent les problèmes sans CSI au niveau de l'émetteur, comme démontré dans les
de disparition de gradient et de surajustement du réseau E2E basé simulations, où l'AE atteint une diversité légèrement plus élevée
sur GAN. Ils offrent un GAN assisté par résidu qui génère la dans deux tranches de temps. Cette amélioration est la conséquence
différence entre le signal émis et reçu. Le GAN assisté par résidu de la répartition inégale de la puissance entre les antennes. Dans le
introduit des gradients supplémentaires dans le réseau pour second cas, un autre AE est formé pour obtenir un multiplexage
surmonter le problème de disparition des gradients. spatial avec un BER inférieur à un système MIMO traditionnel dans
De plus, la fonction de perte est modifiée en ajoutant un régularisateur un cadre MIMO 2 × 2 . Semblable à la situation de diversité spatiale,
pour éviter le surajustement. Des simulations utilisant des canaux l'AE génère un meilleur code de multiplexage spatial et produit des
d'évanouissement théoriques AWGN et Rayleigh et un ensemble de performances de BER sensiblement plus élevées. [126] étend le
données pratiques de canaux de lancer de rayons DeepMIMO [74], système de CI à
[75] illustrent que le GAN assisté par résidu proposé surpasse le entrée unique et sortie unique (SISO) sur le canal AWGN étudié
réseau alternatif E2E [47], [117] et le GAN conventionnel E2E basé dans [25] aux systèmes de canaux d'interférence SISO et MIMO sur
sur GAN. réseau [119], [120] dans tous les cas. le canal d'évanouissement de Rayleigh. L'AE proposé [25] avec un
Au lieu d'un GAN imitant le canal, les études de [123] et [124] ordre de modulation de quatre dans un système de canal
suggèrent une couche convolutive stochastique pour représenter le d'interférence SISO fonctionne légèrement mieux que le système
canal dans un réseau E2E sans signaux pilotes. Le récepteur DNN MIMO standard sans interférence à utilisateur unique utilisant le
se compose de deux DNN pour l'extraction d'informations de canal schéma de modulation QPSK. La démonstration des signaux reçus
et la récupération de données, les informations de canal extraites révèle quatre régions bien séparées correspondant aux points de
étant fusionnées avec le signal reçu via une opération de production constellation, ce qui indique avec quelle efficacité l'AE apprend à
bilinéaire utilisée pour la récupération de données. Des simulations transmettre avec un ordre de modulation de quatre. Avec l'AE formé
approfondies dans des canaux MIMO sélectifs en fréquence et à dans un canal d'interférence MIMO, l'amélioration des performances
évanouissement plat montrent que l'approche recommandée devient considérable par rapport au système MIMO standard sans
surpasse les estimations des canaux LS et MMSE tout en suivant le interférence à utilisateur unique. En supposant que le modèle de
réseau E2E basé sur GAN. De plus, la méthode E2E est canal est disponible comme dans [25], l'étude de [127] propose un
exceptionnellement résistante aux corrélations de canaux, alors que réseau E2E basé sur le bloc AE pour gérer les longueurs d'entrée
les techniques conventionnelles se détériorent même avec une dynamiques, ce qui est remarquable en termes d'efficacité. Le
connaissance parfaite du CSI. Une autre expérience intrigante est la réseau suggéré utilise RNN pour construire un mécanisme de
transmission d'images sans fil dans laquelle les auteurs testent leur réseau E2E
mémoire.
VOLUME , 23
Les résultats de la simulation montrent que le réseau AE basé sur RNN a des systèmes de communication. Un autre aspect prometteur de la vision 6G est
performances supérieures par rapport aux réseaux basés sur CNN dans les MIMOIM, qui, comme indiqué précédemment, permet une efficacité
canaux AWGN et les canaux d'évanouissement personnalisés. De plus, les énergétique et spectrale élevée tout en réduisant le nombre de chaînes RF
auteurs examinent le diagramme de constellation appris 64QAM. requises en exploitant les éléments constitutifs d'un système de communication
Le travail dans [128] fournit une autre recherche approfondie qui comprend comme sources d'informations supplémentaires. Cependant, le compromis
de nombreux examens pour la communication E2E entre la complexité du détecteur et les performances du BER est un problème
systèmes. La principale motivation est de passer de l'AE par symbole à l'AE pour les systèmes IM.
par bit pour la première fois dans la littérature pour montrer que l'optimisation De plus, l'utilisation de plusieurs algorithmes avancés tels que la sélection
des métriques de bit améliore les performances globales. AE au niveau du bit d'antenne d'émission (TAS), l'allocation de puissance et la sélection MCS peut
avec IEEE 802.11n (WiFi 4) encore améliorer les performances BER des systèmes IM. En raison de
Le code LDPC surpasse l'AE en termes de symboles avec le code LDPC l'immense complexité des méthodes traditionnelles pour mettre en œuvre ces
IEEE 802.11n et la communication conventionnelle utilisant PSK ou QAM. De algorithmes, les approches DL semblent attrayantes pour l'amélioration de
plus, l'analyse de la constellation apprise prouve que l'optimisation au niveau l'efficacité des systèmes IM. La figure 19 catégorise les principales contributions
du bit conduit à une meilleure séparation dans la constellation, ce qui est un de DL aux systèmes IM.
indicateur solide de l'amélioration des performances. Les auteurs améliorent
encore les performances du BER en remplaçant le démappeur du modèle par L'étude de [130] propose un nouveau cadre de travail basé sur les
le schéma de démappage et de décodage itératif, ce qui se traduit par une données pour les TAS et les problèmes d'allocation de puissance dans les
performance BER supérieure par rapport à l'AE au niveau du bit sans systèmes SMMIMO en considérant deux techniques ML différentes. En tant
démappage et décodage itératifs au niveau du récepteur. De plus, ils que contribution initiale, le cadre permet d'obtenir des solutions réalisables
optimisent les codes LDPC utilisés dans le démappage itératif et l'AE bit à bit avec une complexité réduite en comparant les approches d'optimisation
assisté par décodage et obtiennent une amélioration des performances du conventionnelles en utilisant des classificateurs d'apprentissage supervisé
BER. Bien que le canal AWGN soit supposé dans les simulations informatiques, tels que les Kplus proches voisins (KNN) et la machine à vecteurs de support
la force de la technique proposée est sa flexibilité à appliquer à n'importe quel (SVM). Les auteurs examinent un cadre basé sur DNN pour les tâches
modèle de canal sans modification, comme le démontrent les simulations d'optimisation dans la deuxième partie. En outre, ils explorent l'impact de la
utilisant la radio définie par logiciel (SDR). L'étude de [129] étudie une solution conception de vecteurs de caractéristiques sur les performances du BER pour
au problème de trouver des codes de bloc (n, k) pour maximiser la distance les deux méthodes. Plus précisément, ils suggèrent trois méthodes distinctes
de Hamming minimale entre les mots de code en utilisant des AE. Outre une de génération de vecteurs de caractéristiques (FVG) : FVG conventionnelle
fonction de perte personnalisée, les auteurs suggèrent deux structures de avec le module des éléments de canal, FVG séparée avec le module des
récepteur en fonction du DNN et du RNN bidirectionnel. Le modèle proposé parties réelles et imaginaires des éléments de canal, et FVG conjointe avec la
fonctionne presque de la même manière que les codes de blocs optimaux corrélation de la matrice de canal. paires de colonnes. Des simulations
dans le canal AWGN, et la distance de Hamming minimale apprise par l'AE approfondies sur diverses configurations MIMO et schémas de modulation
atteint sa valeur optimale spécifiée en théorie. De plus, le code de bloc basé montrent que le TASSM basé sur SVM surpasse le TASSM basé sur KNN,
sur AE surpasse l'optimum théorique sous les discordances de modèle de tandis que le TASSM basé sur DNN dépasse les deux. Joint FVG a des
canal dans lesquelles la différence de performance augmente à mesure que performances supérieures à celles des deux autres approches FVG avec des
le niveau de corrélation augmente. performances presque optimales.
De même, l'allocation de puissance basée sur DNN dans SM avec FVG
commun atteint les meilleures performances BER par rapport à d'autres
schémas d'allocation de puissance et combinaisons FVG. En plus de cela,
Selon les principales études examinées dans la littérature, nous notons [131] minimise la surcharge de calcul en supprimant les éléments répétés du
qu'il y a des progrès notables vers des systèmes de communication sans fil processus de sélection d'antenne. Le DNN proposé surpasse la méthode
entièrement intelligents et optimisés E2E en remplaçant tous les blocs séparés proposée dans [130] avec moins de neurones cachés dans lesquels les deux
dans les systèmes de communication conventionnels par un seul réseau DL schémas utilisent la technique FVG conjointe. Cependant, la sélection
massif. d'antenne optimisée pour la distance euclidienne (EDAS) a des performances
Sans aucun doute, il y aura bientôt d'autres développements pour intégrer ces substantielles par rapport à ces techniques TASSM basées sur DNN.
approches innovantes dans la vie réelle. Dans la soussection suivante, nous
explorerons les applications émergentes de DL dans la transformation de la Dans [132], les auteurs proposent une technique TASSM basée sur le
messagerie instantanée classique pour en faire une technologie incontournable DNN et sur un arbre de décision à renforcement de gradient. Compte tenu
pour la 6G. de l'importance des caractéristiques obtenues à partir de la matrice de
canaux, ils utilisent la corrélation de matrice de canaux, comme le FVG joint
dans [130], comme vecteur de caractéristiques. Les résultats de la simulation
E. DLEmpowered IM 2.0 : amélioration de l'efficacité de la messagerie
indiquent que les méthodes TASSM basées sur l'arbre de décision DNN et
instantanée conventionnelle
gradient boosting offrent des performances presque optimales tout en
Jusqu'à présent, nous avons couvert les principaux développements des
surpassant les schémas SM conventionnels et TAS SM aléatoires. De plus,
applications DL pour les systèmes MIMO massifs, en commençant par la
l'arbre de décision d'amplification du gradient
détection de symboles au niveau du récepteur et en progressant vers l'intelligence E2E
24 VOLUME ,
EDAS. Ils surpassent la sélection d'antenne à capacité optimisée, KNN
de [130], et d'autres algorithmes de sélection d'antenne traditionnels.
ANTENNE DE TRANSMISSION MODULATION ET CODAGE
SÉLECTION SÉLECTION DU SCHÉMA
Outre le TAS et l'allocation de puissance, la sélection MCS est un
autre concept essentiel pour améliorer l'efficacité des systèmes IM.
1 2 L'étude dans [136] décrit une méthode de sélection de livre de codes
basée sur DNN pour les systèmes SMMIMO. Le récepteur prédit le
taux d'erreur de symbole (SER) correspondant à chaque livre de codes
à l'aide de l'état instantané du canal et renvoie le livre de codes optimal
ENTRÉE DL
à l'émetteur. Chaque livre de codes attribue différentes combinaisons
AUDELÀ D'EUX de constellations aux antennes d'émission, où le nombre total de bits
par canal utilisé reste constant. La commutation dynamique entre ces
livres de codes en fonction des prédictions SER basées sur DNN donne
des résultats nettement meilleurs que l'utilisation de n'importe quel livre
3 4
de codes tout au long de la transmission. Les travaux de [137]
proposent une approche basée sur DNN pour calculer à la volée les
POUVOIR FIABLE
ALLOCATION DÉTECTION informations mutuelles d'un système SMMIMO, permettant une
adaptation MCS dynamique. Les auteurs explorent différents vecteurs
de caractéristiques d'entrée, où ils contiennent certaines caractéristiques
de la matrice de canal et du SNR. La méthode basée sur DNN proposée
FIGURE 19. Quatre applications principales de DL dans MIMOIM.
obtient des informations mutuelles presque parfaitement avec une
complexité nettement inférieure à celle des approximations traditionnelles
de Taylor et Jensen, ouvrant la porte à l'adaptation MCS. De plus, les
atteint une complexité inférieure à DNN avec des performances BER
auteurs étendent leurs analyses dans [138] pour calculer la capacité de
légèrement inférieures. Semblable à [132], le travail dans [133] fournit
canal d'un modèle de système GSMMIMO, dans le même but avec
un schéma TASGSM basé sur DNN et un arbre de décision dans des
[137] que de permettre l'adaptation dynamique. Le modèle suggéré
scénarios de canaux pratiques. Les auteurs créent un banc d'essai 16
basé sur le DNN calcule la capacité avec presque aucune erreur,
× 4 en utilisant des SDR pour les tests et l'estimation des dégradations
comme le fournissent les simulations. [139] présente une technique de
du canal pour une référence d'optimisation théorique. Les expériences
sélection de débit de code basée sur
révèlent que les techniques suggérées surpassent l'EDAS tandis que le
DNN dans les systèmes SMMIMO. Le DNN proposé extrait les
TASGSM basé sur DNN dépasse le TASGSM basé sur l'arbre de
normes des colonnes de matrice de canal et les angles entre chaque
décision dans le scénario réel. Les auteurs de [134] proposent un autre
paire de colonnes de matrice de canal et les combine avec SNR comme
schéma TASSM dépendant des DNN combinant le module de la
caractéristiques d'entrée, comme décrit dans [137]. La sortie DNN est
matrice de canal et la corrélation de la matrice de canal comme vecteur
le taux de codage maximal qui convient sous une contrainte BER. Les
de caractéristique, ce qui correspond à la combinaison de FVG
résultats de la simulation montrent que la sélection de débit de code
conventionnel et de FVG joint dans [130]. Le TASSM basé sur DNN dynamique basée sur DNN offre un débit presque maximal et surpasse
avec le type FVG recommandé fonctionne de manière similaire à EDAS
considérablement les scénarios à débit fixe sous une contrainte BER.
tout en surpassant le TASSM basé sur la décision de la forêt aléatoire
Les auteurs étendent leur modèle dans [140] pour prédire le MCS
et divers schémas TASSM conventionnels et atteint une complexité optimal plutôt que seulement le taux de code en fonction des mêmes
moindre.
caractéristiques d'entrée. L'approche de sélection MCS basée sur DNN
atteint des performances presque maximales, tout comme le seul
Le problème TAS est traité dans [135] pour les systèmes SM en
scénario d'optimisation du taux de codage dans [139], indiquant une
duplex intégral dans lesquels l'autointerférence est un problème crucial
efficacité accrue dans les systèmes SMMIMO.
en utilisant les méthodes DNN et SVM. Les auteurs dérivent d'abord les
limites supérieure et inférieure de la capacité de canal du SM en duplex
Contrairement aux études précédentes, [141] fournit un schéma de
intégral et utilisent ensuite ces dérivations dans EDAS et la sélection sélection d'ordre de modulation basé sur DNN sans tenir compte du
d'antenne à capacité optimisée pour générer un ensemble d'étiquettes
taux de codage du système. Le modèle DNN recommandé prédit l'ordre
d'apprentissage. Contrairement aux méthodes TAS précédentes dont
de modulation optimal en maximisant la distance euclidienne minimale,
la majorité utilise la FVG conjointe de [130], elles proposent une FVG à
similaire aux méthodes mises en œuvre dans les algorithmes TASIM.
vecteur propre basée sur l'analyse en composantes principales pour
Les résultats de simulation indiquent que la sélection d'ordre de
extraire les caractéristiques vectorielles de la matrice de canal et
modulation basée sur DNN assistée par SMMIMO surpasse de manière
améliorer les performances du BER. Des simulations approfondies
significative le SM classique avec une complexité nettement inférieure
illustrent que le FVG à vecteur propre proposé conduit à de meilleures
à celle des algorithmes de sélection conventionnels.
performances que le FVG conjoint de [130] dans divers paramètres de
nombre d'antennes d'émission et de schémas de modulation. Les
méthodes DNN et SVM proposées fonctionnent presque de la même manière et sont comparables à
VOLUME , 25
Les études découvertes jusqu'à présent libèrent le potentiel des systèmes TABLEAU 4. Paramètres de réseau et de formation [49].
de messagerie instantanée pour les futures technologies de communication
Paramètres Valeur Paramètres Valeur
6G et audelà, grâce aux approches DL qui améliorent encore l'efficacité du
système en utilisant des algorithmes sophistiqués tels que TAS, l'allocation de
2(Non +
Nœuds d'entrée 0,005
puissance et la sélection MCS avec une complexité remarquablement faible. Taux d'apprentissage
NrNp)
Nous pouvons maintenant conclure l'examen de la littérature sur les systèmes
MIMO assistés par DL et passer à la mise en œuvre du modèle MIMOIM Nombre de
Couche masquée 3 15.000.000
générique présenté dans [49], qui pourrait donner une idée de la programmation Ensemble d'entraînement
MIMODL aux lecteurs intéressés.
Nombre de
Nœuds de sortie M 5.000.000
Ensemble de validation
F. MIMODL en action Couche masquée
CV 50
Époque
Activation
Le GSM est l'une des techniques les plus prometteuses pour le PHY des futurs
systèmes de communication sans fil en combinant les avantages du SM et du BPSK Caché
Couche de sortie
MIMO. En réduisant le nombre de chaînes RF requises en activant uniquement Softmax 1286432
Activation Nœuds
un sousensemble des antennes d'émission, le GSM a une complexité inférieure
à celle du MIMO conventionnel. Il améliore également l'efficacité du SM en QPSK masqué
Fonction de perte Entropie croisée 25612864
activant davantage d'antennes d'émission et en transmettant davantage de bits Nœuds
d'information.
16QAM
Cependant, lorsque le nombre de combinaisons d'antennes d'émission et de Optimiseur CAD 512256128
Nœuds cachés
bits d'information augmente, la complexité de la détection MLD augmente
jusqu'à des niveaux intolérables, comme discuté précédemment.
D'autre part, les détecteurs linéaires, tels que les détecteurs ZF et MMSE, produisent
opération inverse incluant la matrice de canal, H, qui peut être donnée comme
des performances BER nettement inférieures à celles du MLD, introduisant un
suit : xˆZF = (HHH) −1HHy,
compromis dans les systèmes GSM. Pour répondre à ce compromis BERcomplexité,
les auteurs de [49] suggèrent un détecteur basé sur DNN pour les systèmes GSM. Ils xˆMMSE = (HHH + σ Ici, xˆZF et
2 (12)
considèrent un modèle de système GSM avec Nt antennes d'émission et Nr antennes xˆMMSE représentent I) 1HHy.
de réception (Nr < Nt), où Np (2 ≤ Np Nt) sur Nt antennes d'émission sont sélectionnées
respectivement les vecteurs de symboles détectés par les détecteurs ZF et
par des bits d'index pour être activées dans
MMSE. opération inverse réussie, Nr doit au moins être égal à Nt , ce qui
) combinaisons d'antennes garantit que HHH a un rang complet.Cependant, cette exigence réduit la
NT
n'importe quel créneau horaire. Il y a N = 2log2( Par exemple
faisabilité pratique du GSM dans les systèmes MIMO massifs avec des
d'émission légitimes (TAC), où chaque antenne active transmet un symbole de
centaines d'antennes d'émission à la BS car il est presque impossible pour un
la constellation MQAM normalisée S. Ainsi, le nombre total de bits transmis
utilisateur équipement pour installer autant d'antennes. Par conséquent, les
dans chaque intervalle de temps est égal à B = log2N + Nplog2M.
détecteurs linéaires de bloc modifient légèrement les équations de (12) et
emploient HI au lieu de H, ce qui se traduit par N solutions de ̂sI pour chaque
En supposant une matrice de canal MIMO à évanouissement plat quasi
TAC légitime. Dans la dernière étape, les détecteurs linéaires de bloc
statique, H C Nr×Nt
, dont les entrées suivent une distribution gaussienne
comparent le distance entre le vecteur de signal reçu y et chaque produit HIˆsI
complexe CN (0, 1), le vecteur de signal reçu y C Nr×1 peut être exprimé
pour estimer les symboles TAC et QAM sélectionnés, comme indiqué ci
comme suit :
dessous ( ˆI) = arg min ||y − HIˆsI ||2 F ,
y = Hx + n = HI s + n, (dix)
où x est le vecteur des symboles d'émission, n C Nr×1 est le vecteur
d'échantillons de bruit blanc gaussien additif avec une distribution gaussienne je je
(13)
complexe CN (0, σ2 I), s est le vecteur de symboles des antennes d'émission
(ˆs) = ̂sIˆ.
actives et HI est le matrice de canaux correspondant aux antennes d'émission
Ce schéma de détection structuré en blocs atteint de meilleures
actives.
Le détecteur MLD optimal pour ce schéma de transmission GSM effectue performances BER que les détecteurs linéaires classiques car il intègre
une recherche exhaustive sur tous les TAC et symboles d'information possibles, l'approche MLD aux détecteurs linéaires.
comme indiqué cidessous Cependant, la complexité augmente avec le nombre croissant d'antennes
d'émission, comme prévu, et la détection de bloc fonctionne toujours moins
( ˆI, ̂s) = arg min ||y − HI s||2 F , (11) bien que le MLD optimal en raison de la partie linéaire sousoptimale. Ainsi, les
I I,s S
auteurs de [49] remplacent la composante linéaire de la détection de bloc par
où je = {I1, I2, . . . , IN } est l'ensemble des TAC légitimes et S est l'ensemble des un DNN pour améliorer la précision de l'estimation de ̂sI . La figure 20 illustre
vecteurs de symboles QAM possibles des antennes d'émission actives. Les détecteurs l'émetteur GSM et le détecteur de blocDNN considéré.
linéaires traitent de la résolution d'un
26 VOLUME ,
FIGURE 20. Modèle de système du détecteur BDNN qui intègre un DNN dans la détection de bloc classique pour les systèmes GSM [49].
Comme le montre la Fig. 20, le détecteur de blocDNN se compose de 8 x = Input t ( sh a pe= ( nx 9 for i , ) )

deux étapes : FVG et feedforward DNN. Dans la première étape, in range (Np ) :
le FVG génère le vecteur de caractéristique d'entrée di du DNN à dix h1 = Dense ( 2 5 6 , kernelregularizer = l 2 ( l =
anticipation en traitant les données brutes composées du 0 . 0 0 , activation =" r el u nom="D" +
",
vecteur de signal reçu y et la matrice de canal HI correspondant au i ”
1 ) str ( je ) + 1 fois )
e TAC légitime. Comme décrit dans [130], le 11 b1 = B atc hN o rm ali za ti on ( name=”BN” + str ( i
le type de FVG sélectionné a un impact significatif sur les performances du modèle,
”
) + 1” ) ( h1 )
et le FVG commun donne la meilleure performance parmi les 12 h2 = Dense ( 1 2 8 kernelregularizer
, = l 2 ( l =
”
autres types de FVG pour le modèle proposé dans [130]. Ainsi, 0 . 0 0 1 ) , activation =" r el u , nom="D" +
les auteurs de [49] explorent l'influence du type FVG sur ”
str ( je ) + 2 ” ) ( b1 )
fiabilité de la détection et évaluer les performances BER du 13 b2 = B atc hN o rm ali za ti on ( name=”BN” + str ( i
détecteur de blocDNN pour trois types de FVG décrits dans [130] : ”
) + 2” ) ( h2 )
FVG séparée, FVG conjointe et FVG conventionnelle. Combiner 14 h3 = Dense ( 6 4 , kernelregularizer = l 2 ( l =
”
les vecteurs de caractéristiques de tous les TAC légitimes, le FVG crée 0 . 0 0 , activation =" r el u , nom="D" +
la matrice de caractéristiques D et l'envoie au DNN à anticipation. ”
1 ) str ( je ) + 3” ) ( b2 )
Dans la deuxième étape, le DNN donne un ̂sI pour chaque di . le Le 15 b3 = B atc hN o rm ali za ti on ( name=”BN” + str ( i
”
DNN feedforward contient Np sousDNN pour estimer ) + 3” ) ( h3 )
Symbole QAM correspondant à chaque antenne d'émission active. 16 y = Dense ( ny , 0 . kernelregularizer = l 2 ( l =
”
Enfin, le détecteur blockDNN utilise (13) pour obtenir le 0 0 1 ) , activation =” soft tm ax , nom = "O
”
symboles TAC et QAM sélectionnés. Nous reproduisons quelquesuns des + str ( je ) ) ( b3 )
chiffres dans [49] en utilisant les paramètres de réseau et de formation 17 ylst. ajouter ( y )
donné dans le tableau 4 et partager une partie des codes d'exemple. 18 llst . append (" categoricalcrossentro py " )
La procédure de formation de tout détecteur de blocDNN ignore 19 mlst . ajouter ( ” ” ) précision
le schéma GSM à l'émetteur, en supposant que tous transmettent 20 modèle = Modèle ( entrées =x , sorties = ylst )
les antennes sont actives, ce qui est logique puisque DNN n'est que 21 SGD opt = SGD( lr = 0 . 0 0 5 22 , nesterov = Vrai )
responsable de la détection des symboles QAM à partir d'un TAC. Dans modèle . c ompile ( optimiseur =SGD opt , mesures perte = dernier ,
De plus, le signal reçu ne subit pas d'AWGN =mlst )
pendant la formation. Voici un exemple de création de modèle de
un DNN avec FVG séparé pour la transmission QPSK, qui est Ici, nous créons une chaîne de calques au lieu d'utiliser le
une autre version de la définition du modèle dans Keras différente de Module séquentiel pour chaque antenne d'émission active par
ce que nous avons fourni dans la section IIB : une boucle for et combinezles en un seul modèle. Le
Les modules BatchNormalization et l2 représentent le lot
1 à partir du flux tenseur. Importation de keras Entrée , Modèle
couche de normalisation et régularisateur l2, respectivement. Le suivant
2 du flux tenseur. keras. calques importés Dense ,
L'étape consiste à définir les paramètres PHY avant de construire le
B atc hN o rm ali za ti on
données d'entraînement:
3 du flux tenseur . keras. les optimisateurs importent SGD
4 du flux tenseur . keras. régularisateurs import l 2
1 importez WirelessCommLib en tant que wcl
5 etc. , je ler , mlst = [ ] , [ ] , [ ]
2 N tot = wcl . Combinaison (Nt, Np)
6 M, Nt , Np , Non = 4 , 2 , 2 , 2
3 ns = int ( np . plancher ( np . log 2 ( N tot ) ) )
7 nx , ny = 2 * Nr + 2 * Nr * Np , M
VOLUME , 27
FIGURE 21. Comparaisons BER pour le détecteur BDNN (a) Détecteurs conventionnels vs détecteur BDNN, (b) Détecteur BDNN avec différents types de FVG, (c)
Détecteur BDNN sous différents niveaux de modulation.
4 m = int ( np . log 2 (M) ) Le nombre d'instances d'apprentissage est égal à Ns. Pour l'entrée
5 est = Np * m de chaque donnée d'entraînement, nous générons d'abord aléatoirement un tableau de bits
6 ntot = ns + is et coder ces bits dans un vecteur de transmission x en utilisant
7 N = 2 ** ns Fonction EncodeBits . Par la suite, nous générons aléatoirement un
8 est no rm alisé = Vrai matrice de canal iid H dont les éléments suivent le complexe
9 ss = wcl . C onstellation (M, type mod , Distribution gaussienne CN (0, 1) via la fonction Channel , et
est normalisé) multipliezle par x. Les données d'entrée sont la concaténation de
10 TAC défini = wcl . Ensemble TAC optimal ( Nt , Np , N) les vecteurs caractéristiques du vecteur de signal reçu y et le
matrice de canaux H. Les étiquettes de ces données d'apprentissage sont les
La WirelessCommLib est notre package pour les applications liées à PHY symboles corrects transmis depuis toutes les antennes :
tâches, dans lesquelles la fonction Combination(a, b) correspond à
1 tr ai noutputdata = [ ]
le nombre d'éléments b désordonnés extraits d'éléments a, Constellation
2 pour i dans la plage (Np ) :
renvoie un jeu de symboles donné un niveau de modulation M
3 étiquettes = np . zéros ( ( Ns , M) )
et le type de modulation, comme PSK ou QAM. Ensemble TAC optimal
4 pour j dans la plage ( Ns ) :
crée l'ensemble des TAC légitimes à partir de tous les TAC possibles.
5 début = ns + je * m
L'optimalité indique que l'ensemble de TAC n'est pas créé par
6 arrêt = ns + ( je + 1 ) * m
choisir au hasard certains des TAC, au lieu de cela, l'ensemble de TAC est
7 bits = bit tmat ri x [ start : st op , j ]
créé de sorte que le nombre de chaque antenne d'émission dans l'ensemble
8 labels [ j , tr wcl. Bin2Dec ( bits ) ] = 1
est égal ou proche l'un de l'autre. Maintenant, on peut construire
9 ai noutputdata . ajouter (étiquettes)
les données d'entraînement d'entrée :
1 Ns = 15000000 Ici, la fonction Bin2Dec convertit le tableau de bits donné en
symbole correspondant. Une fois les données d'entraînement et le modèle
2 Type FVG = ”SFVG”
est prêt, nous pouvons entraîner le modèle :
3 bitmat ri x = np aléatoire . rand ( 2 Ns ) ) , taille = ( pas
, 1 modèle . fit ( tr ai ninputdata , données de sortie tr ai
4 pour j dans la plage ( Ns ) : , partage de validation = 0 . 2 5 , taille de lot =5 1 2 ,
5 bi tarray = bi tmat ri x [ : , j ] ,
ep et s=5 0 shuffle
=Vrai )
6 x = wcl EncodeBi ts ( tableau bi , ss , TAC défini
, ns , m, Nt , Np ) Les codes, les modèles entraînés, les simulations pour tester le modèle B
7 H = WCL. Canal ( [ Nr y = , NT ] ) DNN et les comparaisons avec le modèle linéaire classique
8 np . matmul (H, x ) détecteurs et MLD, ainsi que les chiffres générés sont
9 tr ai ninputdata [ j , : ] = np . concaténer ( ( disponible dans notre base de données en ligne1 . La figure 21(a) montre que
wcl .FVG( y , FVG type ) , wcl .FVG(H, le détecteur blockDNN proposé surpasse les détecteurs linéaires block
Type FVG ) ) ) [ : , 0 ]
conventionnels et fonctionne de manière similaire au
1https://github.com/burakozpoyraz/BlockDNN
28 VOLUME ,
détection MLD optimale en supposant Nt = 4, Nr = 2, Np = 2 et éléments de ressources. Dans les systèmes OFDM conventionnels,
modulation QPSK. Il convient de noter que, par rapport au MLD, le les symboles de données modulés pour chaque sousporteuse de
modèle BDNN proposé peut obtenir des résultats similaires avec moins données sont déterminés dans le domaine fréquentiel en mappant les
de complexité temporelle. La figure 21 (b) montre l'impact du type FVG bits d'information à la constellation PSK/QAM. Un certain nombre de
sur les performances du BER du détecteur B DNN sous le même sousporteuses sont allouées pour la transmission de symboles pilotes
réglage avec le premier sauf la modulation BPSK. Contrairement au afin d'effectuer une estimation de canal côté récepteur. Ces symboles
modèle de [130], où le FVG joint produit les meilleures performances, pilotes peuvent être insérés dans le symbole OFDM avec des méthodes
le détecteur de blocDNN qui utilise un FVG séparé offre les meilleures de type bloc ou peigne [143]. Les coefficients de canal peuvent être
performances de BER, tandis que les autres types de FVG provoquent estimés dans le domaine temporel ou dans le domaine fréquentiel et de
une communication peu fiable avec une valeur de BER de près de 0,5 nombreuses techniques d'estimation, qui offrent des performances et
dans tous les cas. Niveaux SNR. Ainsi, le type de FVG approprié peut une complexité différentes, ont été proposées pour ces deux domaines
varier en fonction de l'application, nécessitant un examen approfondi [144], [145]. Dans le domaine fréquentiel, la réponse en fréquence du
lors de l'étape de validation. Enfin, la figure 21 (c) fournit les canal est estimée en exploitant des symboles pilotes et est interpolée
performances du BER du détecteur de blocDNN sous différents niveaux pour obtenir la réponse en fréquence du canal sur des symboles de
de modulation, en supposant les mêmes réglages d'antenne données. Par exemple, les moindres carrés (LS) et le carré d'erreur
qu'auparavant. Le blocDNN avec BPSK obtient les meilleures moyen minimum linéaire (LMMSE) sont deux méthodes d'estimation de
performances BER, tandis que 16QAM réalise les pires, comme prévu. canal dans le domaine fréquentiel bien connues. Après insertion des
En contrepartie, l'augmentation de l'ordre de modulation fournit des symboles pilotes, le signal OFDM dans le domaine temporel est obtenu
débits binaires plus élevés. en employant la transformée de Fourier rapide inverse (IFFT). De plus,
un CP est intégré au début ou à la fin du symbole OFDM pour éliminer
Avec cette implémentation frappante, nous pouvons maintenant l'ISI. De plus, le CP nous permet de modéliser le canal sélectif en
terminer cette partie et passer à l'examen de la section suivante des fréquence sous forme de convolution circulaire. Après l'ajout d'un CP,
méthodes DL pour les formes d'onde MC. le signal OFDM est transmis via le canal de communication sans fil. Du
côté du récepteur, le CP est supprimé et le signal OFDM dans le
domaine fréquentiel est acquis en prenant FFT. Une estimation de
IV. DL pour Multicarrier Waveform Design La
canal est effectuée et une égalisation est appliquée pour supprimer
forme d'onde, qui caractérise la forme physique des signaux porteurs
l'effet du canal sans fil. Enfin, le signal est démodulé pour obtenir des
d'informations, est l'un des composants clés des systèmes de
informations.
communication sans fil [20]. Les formes d'onde existantes peuvent être
classées en deux groupes en tant que formes d'onde à porteuse unique
Bien que l'OFDM présente plusieurs avantages, comme indiqué ci
(SC) et MC. Afin d'augmenter le débit de données dans un système SC
dessus, il présente également de nombreux inconvénients tels qu'un
ou MC, la durée des symboles doit être réduite ou, de manière
PAPR élevé, une sensibilité aux erreurs de fréquence et de
équivalente, la bande passante occupée pour la transmission de
synchronisation, des émissions hors bande élevées (OOBE) et une
données doit être augmentée. Cependant, avec l'adoption d'une bande
surcharge CP et pilote. Après le fonctionnement IFFT, les sous
passante plus large, les formes d'onde SC souffrent d'un évanouissement
porteuses sont additionnées de manière aléatoire dans le domaine
sélectif en fréquence qui provoque une interférence entre symboles
temporel, ce qui peut provoquer des crêtes élevées en raison du
(ISI) car la durée des symboles est inférieure à l'étalement du retard du
chevauchement des amplitudes de crête de différents signaux.
canal sans fil. Étant donné que des techniques d'égalisation complexes
L'amplificateur de puissance à l'émetteur fonctionne dans la région non
doivent être appliquées pour réduire l'ISI, il est très difficile de fournir
linéaire en raison de ces pics élevés, générant une distorsion et une
des débits de données élevés avec les formes d'onde SC existantes.
dispersion spectrale. Ces pics donnent lieu à un PAPR élevé qui réduit
Dans un système MC, la bande de fréquence est divisée en plusieurs
l'efficacité de l'amplificateur de puissance, des convertisseurs analogique
sousbandes également appelées sousporteuses [142]. Ces sous
numérique et numériqueanalogique. Par conséquent, les chercheurs
porteuses sont utilisées en parallèle pour véhiculer simultanément des
ont conçu diverses techniques de réduction du PAPR pour les systèmes
bits d'information. L'espacement entre deux sousporteuses consécutives
de transmission OFDM [146]. Un autre inconvénient de l'OFDM est la
est choisi de manière à ce que chacune d'elles subisse un
sensibilité aux interférences interporteuses (ICI) causées par une
évanouissement plat dans le domaine fréquentiel. Par conséquent, un
mobilité élevée, le bruit de phase, le décalage temporel et le décalage
simple égaliseur à prise unique peut être utilisé pour supprimer l'effet
de fréquence porteuse (CFO). Le canal dans un environnement sans fil
de canal dans les systèmes MC. Par conséquent, les techniques MC
mobile change rapidement dans le temps. Cela met à rude épreuve le
permettent une transmission à large bande pour transmettre des
récepteur puisqu'il doit estimer précisément le canal avant une détection
informations; par conséquent, elles produisent des débits de données plus élevés que les techniques SC.
cohérente. La conséquence la plus critique de cette variation temporelle
OFDM apparaît comme la forme d'onde MC la plus populaire et a
est la distorsion de l'orthogonalité entre les sousporteuses résultant en
été utilisée dans de nombreuses normes telles que LTE et la famille
ICI, dont l'intensité est déterminée par la quantité de variation temporelle
IEEE 802.11 en raison de sa structure simple et efficace.
du canal. De plus, un ICI peut également se produire en raison de la
En raison des sousporteuses orthogonales superposées, l'OFDM est différence de fréquence entre les oscillateurs locaux de l'émetteur et du
capable d'utiliser efficacement le spectre. De plus, la grille temps
récepteur. Comme ICI perturbe les sousporteuses OFDM, la détection de données d
fréquence de l'OFDM permet une utilisation flexible de
VOLUME , 29
moins précis, et un égaliseur à une seule prise ne peut pas fournir des
performances satisfaisantes. Ainsi, des procédés plus compliqués sont
ÉMETTEURRÉCEPTEUR
nécessaires pour décoder les symboles OFDM. Pour lutter contre ce OFDM 2.0
CONCEPTION
problème difficile d'atténuation des interférences dans des environnements à
forte mobilité ou en présence de CFO, plusieurs algorithmes de décodage Conception Rx uniquement PAPR élevé audessus de la tête
ont été proposés [147]. Une autre préoccupation importante avec les Conception conjointe Tx&Rx Distorsion non linéaire
systèmes OFDM est leurs émissions excessives hors bande (OOBE) qui
Estimation du canal DL EN MC Bruit de phase
doivent être réduites pour éviter les interférences des canaux adjacents. Le SYSTÈMES
Détection de symboles Erreur de synchronisation
signal OFDM a une impulsion rectangulaire dans le domaine temporel, qui
génère un signal sinc dans le domaine fréquentiel. Les lobes latéraux des Codage des canaux Interférence multitons
signaux sinc au niveau des porteuses de bord provoquent d'énormes Égalisation Haute Mobilité

interférences ; par conséquent, ils doivent être minimisés. L'OOBE diminue
grâce à diverses méthodes de fenêtrage/filtrage ainsi qu'à l'attribution de la
bande de garde pour répondre aux critères de masque spectral des différentes
normes. Néanmoins, l'efficacité spectrale se dégrade en raison de l'attribution FIGURE 22. Applications DL dans les systèmes MC.
de la bande de garde fixe. Enfin, dans les systèmes OFDM, l'insertion des
symboles CP et pilote est hautement indispensable. Cependant, l'efficacité
Dans ce contexte, DL apparaît comme un outil attrayant pour résoudre
spectrale diminue en raison de la réservation d'un nombre considérable de
des problèmes difficiles dans la conception de systèmes de transmission MC.
ressources pour le CP et le surdébit pilote.
Par exemple, DL peut être utilisé pour améliorer les sousblocs des systèmes
MC tels que l'estimation de canal et la détection de symboles ou pour
optimiser conjointement l'ensemble du pipeline de transmission et de
Ces dernières années, de nombreuses formes d'onde MC basées sur
réception. Dans la littérature, un grand nombre de méthodes intéressantes
l'OFDM différentes et attrayantes ont été conçues pour atténuer les
basées sur DL sont développées pour améliorer les performances des
inconvénients de l'OFDM. L'OFDM fenêtré (WOFDM) a été proposé pour
schémas MC existants. Dans la soussection de la conception de l'émetteur
réduire l'OOBE en appliquant l'opération de fenêtrage à l'OFDM classique.
récepteur, comme le montre la Fig. 22, nous présentons à la fois des
Le banc de filtres MC (FBMC) [148], qui implémente une opération de filtrage
architectures de récepteur basées sur DL et également des conceptions
par sousporteuse, a été introduit. Le FBMC peut utiliser le spectre plus
conjointes d'émetteur et de récepteur. Ensuite, dans la deuxième sous
efficacement et est plus résistant en cas de mobilité élevée par rapport à
section, les techniques basées sur DL, qui comblent les lacunes de l'OFDM,
l'OFDM au prix d'un traitement supplémentaire du signal. Le multiplexage par
sont étudiées. Ces techniques apportent des améliorations significatives qui
répartition en fréquence généralisé (GFDM) [149], qui effectue également un
nous encouragent à croire en la faisabilité de solutions basées sur DL pour
filtrage au niveau de la sousporteuse comme le FBMC, apparaît comme une
les futurs systèmes MC.
forme d'onde remarquablement flexible car il n'a pas à répondre à l'exigence
d'orthogonalité. Une autre forme d'onde engageante est la MC filtrée
A. Conception d'émetteur
universelle (UFMC) qui applique un filtrage aux sousbandes au lieu des sous
récepteur Dans cette soussection, un aperçu des études de la revue de la
porteuses [150]. UFMC a besoin de moins de redondance par rapport à
littérature sur les conceptions de récepteurs et d'émetteursrécepteurs basés
FBMC ; cependant, il n'est pas applicable pour des débits de données très
sur DL, c'estàdire les études qui se concentrent sur l'optimisation conjointe
élevés. Comme mentionné précédemment, étant donné que l'orthogonalité
des structures d'émetteur et de récepteur, est fourni. Pour la conception du
de ses sousporteuses est perturbée, l'OFDM est très sensible à un Doppler
récepteur, la plupart des études se concentrent principalement sur la mise en
élevé qui conduit à l'ICI. Ou la modulation thogonale tempsfréquenceespace
œuvre de techniques basées sur DL pour l'estimation de canal et la détection
(OTFS) apparaît comme une forme d'onde prometteuse qui apporte une
de symboles. Pour la conception de l'émetteurrécepteur, les blocs de
solution astucieuse à cet inconvénient de l'OFDM [151]. Même dans les
traitement au niveau de l'émetteur et du récepteur sont conçus ensemble en
canaux à effet Doppler élevé, OTFS garantit que chaque symbole transmis a
utilisant des approches basées sur l'AE pour optimiser le système dans son ensemble.
un gain de canal quasi constant en convertissant le canal à trajets multiples
DL a été mis en œuvre pour l'estimation de canal et la détection de
variant dans le temps en un canal à retard Doppler bidimensionnel. Enfin,
symboles dans un système OFDM pour la première fois dans [153]. Dans
l'OFDM avec IM (OFDMIM) apparaît comme une forme d'onde prometteuse
cette étude, les DNN se sont avérés capables d'apprendre et d'évaluer les
basée sur l'OFDM qui ne modifie que les processus de modulation/
propriétés des canaux sans fil. L'architecture DNN proposée, qui est formée
démodulation du système OFDM simple et offre un degré de liberté
avec les symboles OFDM simulés, a été conçue comme pilotée par les
supplémentaire pour la conception de la forme d'onde grâce à la flexibilité de
données et entièrement connectée. Lorsque le nombre de pilotes est réduit
l'IM [152]. Il est clair que toutes les formes d'onde mentionnées cidessus
ou que le CP est complètement supprimé, le récepteur basé sur DNN proposé
présentent à la fois des avantages et des inconvénients par rapport à l'OFDM.
surpasse les algorithmes traditionnels tels que LS et MMSE en termes de
En raison de sa structure simple, l'OFDM a également été choisi pour les
performances d'erreur.
réseaux 5G, et nous pensons qu'il conservera son importance pour les futurs
systèmes sans fil.
De plus, le récepteur basé sur DNN offre de meilleures performances d'erreur
que LS et MMSE en présence de bruit d'écrêtage. Dans [154], un DNN de
faible complexité appelé SimNet avec
30 VOLUME ,
une architecture simple et une formation plus courte ont été conçues Tranches de temps
pour effectuer une estimation de canal. Un NN basé sur le méta
apprentissage appelé estimation de canal robuste avec méta NN,
RoemNet, est également introduit [155]. Puisqu'il exploite le méta porteuses
Sous
NN
apprenant, RoemNet peut résoudre de nouveaux problèmes
d'apprentissage de canal avec un nombre minimal de pilotes.
DeepRx, qui améliore considérablement les performances Patron pilote Image LR Image RH récupérée
d'estimation de canal et de détection de symboles en ajustant les
entrées de NN de manière intelligente, est une autre approche basée FIGURE 23. Représentation de la grille tempsfréquence sous forme
d'image 2D [162].
sur les données DL [156]. Puisqu'il prend en charge la structure de
trame 5G, y compris différents schémas de modulation ou
configurations pilotes, DeepRx est compatible avec les systèmes de
communication 5G. La sortie de DeepRx a été déterminée de telle
Les auteurs de [162]–[170] ont considéré la réponse temps
sorte que divers schémas QAM peuvent être pris en charge en ne
fréquence du canal sans fil comme une image 2D comme dans la
formant qu'un seul NN. Les auteurs ont étudié les performances
Fig. 23 où LR et HR signifient respectivement basse résolution et
d'erreur codées et non codées de DeepRx et l'ont comparé au
haute résolution. Dans [163], la réponse du canal aux positions
récepteur LMMSE bien connu. Il est indiqué que DeepRx surpasse
pilotes est considérée comme une image à basse résolution et le
LMMSE pour différentes configurations pilotes. De plus, DeepRx a
canal estimé est une image à haute résolution. Un récepteur basé
une supériorité sur LMMSE en présence de décalage Doppler et
d'interférences intercellulaires. Les NN susmentionnés fonctionnent sur DL appelé ChannelNet comprenant deux CNN différents, un
CNN à super résolution [171] et un CNN à débruitage [172], qui
avec des tenseurs à valeur réelle, ce qui peut entraîner une plus
améliore la résolution de l'image à basse résolution et élimine l'effet
grande complexité du DNN et une diminution de ses performances.
du bruit, respectivement, est conçu. Dans [162], inspiré de la
Dans [157], un réseau convolutif à valeurs complexes profondes, qui
technique de super résolution d'image [173] et de la technologie de
fonctionne dans des champs complexes et décode les bits des
synthèse d'images conditionnées [174], deux NN en cascade, un
signaux OFDM du domaine temporel sans nécessiter aucune opération IFFT/FFT, a été proposé.
réseau d'estimation de canal et un réseau de récupération
Une approche basée sur un modèle appelée ComNet [158], qui
conditionnelle de canal, ont été utilisés pour estimer le canal et
conçoit deux DNN différents pour les blocs d'estimation de canal et
détecter le signal.
de détection de symboles, a été proposée au lieu d'effectuer
Dans [164], une méthode d'estimation de canal basée sur DL, qui ne
conjointement l'estimation de canal et la détection de symboles dans
nécessite pas d'apprentissage, a été introduite pour les signaux
[153]. Ces deux DNN sont initialisés par des solutions de
communication sans fil classiques. Grâce au bénéfice des OFDM multidimensionnels. Une autre technique d'estimation de
canal, qui combine l'estimateur LS conventionnel avec un CNN à
connaissances d'experts, il devient possible de réduire le besoin de
super résolution rapide, FSRCNN, [175] pour augmenter les
données d'entraînement et de converger plus rapidement avec la
performances d'estimation, a été présentée [166]. Un réseau
méthode pilotée par les modèles par rapport à celle pilotée par les
d'estimation de canal résiduel profond, ReEsNet, dont l'architecture
données [153]. De plus, les résultats de la simulation ont montré que
est optimisée en tirant parti de l'apprentissage résiduel, [165] est
ComNet surpasse les algorithmes d'estimation de canal et de
introduit pour surpasser ChannelNet [163]. Une architecture NN
détection de symboles rivaux tels que l'estimation de canal LMMSE,
basée sur CNN appelée FreqTimeNet [168], [169], qui effectue
le DNN entièrement connecté [153], la détection de symboles
l'apprentissage dans le domaine temporel et fréquentiel, est introduite
MMSE. L'inadéquation entre le modèle de canal pour la formation
pour l'estimation de canal. FreqTimeNet diminue la complexité en
hors ligne et l'environnement réel, qui provoque un écart de
facilitant l'orthogonalité entre deux domaines. Des résultats de
performance entre la simulation et le test en direct, est détectée dans
simulation complets ont indiqué que FreqTimeNet surpasse
[159]. Pour surmonter ce problème, un nouveau système de formation
ChannelNet et ReEsNet.
en ligne appelé récepteur SwitchNet est conçu pour capter les
En outre, une autre conception NN appelée AttenFreqTimeNet, qui
caractéristiques des canaux qui ont été négligées lors de la formation
inclut une technique DL largement utilisée appelée mécanisme
hors ligne. SwitchNet prépare l'estimation de canaux multiples
d'attention, a été présentée. Puisqu'il utilise les informations SNR,
RefineNet de ComNet avec diverses conditions de canaux et
AttenFreqTimeNet surpasse FreqTimeNet.
sélectionne le réseau par apprentissage en ligne. Une autre approche
Une structure DL basée sur CNN appelée dual CNN, qui tire parti à
basée sur un modèle est DeepWiPHY [160], un récepteur OFDM
basé sur DL qui est entièrement compatible avec la nouvelle norme la fois du domaine de retard angulaire et du domaine de fréquence
spatiale, est introduite. De plus, un autre nouveau réseau appelé
WiFi IEEE 802.11ax. Contrairement aux conceptions mentionnées
HyperNet est proposé pour améliorer encore la robustesse. Dans
cidessus, le récepteur DeepWiPHY est formé non seulement avec
[170], un NN basé sur GAN appelé SRGAN est exploité pour une
un ensemble de données synthétiques, mais également avec un
super résolution afin d'obtenir la réponse complète du canal.
ensemble de données du monde réel créé à l'aide de modules de
En raison de l'emploi du discriminateur, l'estimateur de canal
périphériques radio logiciels universels (USRP). Enfin, une technique
proposé a une supériorité sur ReEsNet et les techniques traditionnelles
basée sur un modèle, qui divise l'estimation de canal en trois réseaux basés sur CNN, est également proposée [161].
telles que LMMSE.
VOLUME , 31
Il est également possible de mettre en œuvre des techniques basées sous déséquilibre du QI [193] et réduction du PAPR [194]. Enfin, les
sur DL à la fois côté émetteur et côté récepteur. Ainsi, l'ensemble du récepteurs assistés par DL sont présentés pour les systèmes GFDM et
pipeline d'émetteurrécepteur OFDM peut être optimisé conjointement GFDMIM [195], [196].
en utilisant la structure basée sur AE. Dans [176], des auteurs ont montré Dans les tableaux 5 et 6, nous démontrons les méthodes d'estimation
qu'il est possible d'intégrer le système E2E dans un système OFDM. En de canal et de détection de symboles basées sur DL avec leurs
outre, pour la transmission d'images sans fil sur des canaux techniques NN respectives pour OFDM et les formes d'onde alternatives
d'évanouissement par trajets multiples avec une distorsion non linéaire, basées sur OFDM telles que FBMC et GFDM. Ici, nous notons que SD
une technique de codage sourcecanal conjoint basée sur DL est donnée [177].
et CE représentent respectivement la détection de symbole et l'estimation
Enfin, dans [178], un système MC basé sur DL appelé MCAE, qui de canal. On peut voir dans le tableau 5 que CNN est plus fréquemment
optimise les opérations de modulation et de démodulation conjointement exploité, en particulier pour l'estimation de canal, en raison de sa
pour maximiser le codage et le gain de diversité, est présenté. Ce capacité à apprendre la corrélation dans une grille tempsfréquence.
système MC AE est expliqué en détail dans la soussection suivante.
D'autre part, divers NN ont été conçus pour l'estimation de canal et la
détection de symboles dans des schémas basés sur OFDMIM. Dans
B. OFDM 2.0 basé sur DL : Surmonter les inconvénients
[179], un DNN entièrement connecté, appelé DeepIM, est utilisé pour la
de l'OFDM classique
détection de symboles d'OFDMIM. L'efficacité du DNN dans la détection
Dans cette soussection, un aperçu de la littérature sur les techniques
de signal d'OFDMIM est démontrée en termes de performances d'erreur
basées sur DL pour traiter les principaux inconvénients de l'OFDM est
et de complexité de décodage. Un prétraitement basé sur la connaissance
donné. En bénéficiant d'une approche de déploiement particulièrement
du domaine est appliqué au signal reçu avant de l'entrer dans DeepIM.
profonde, de nombreux schémas basés sur DL sont proposés pour
Un récepteur basé sur CNN a également été proposé où les symboles
améliorer les performances des systèmes OFDM classiques.
reçus sont convertis en coordonnées polaires pour faciliter le décodage
Dans [197], un nouveau réseau de réduction PAPR, PRNet, est
des bits d'information transmis par les sousporteuses actives [180].
proposé où les performances PAPR et BER sont optimisées conjointement
Pour améliorer les performances de l'estimation de canal et de la
grâce à son architecture basée sur AE. De plus, un NN à valeur réelle
détection de symboles pour l'OFDMIM assisté par le pilote, des DNN
peu complexe est présenté pour réduire le PAPR et minimiser le BER
complexes et des CNN complexes ont été exploités [181]. De plus, un
en même temps [198]. Étant donné que la méthode proposée dans [198]
détecteur appelé DeepDM qui comprend à la fois un DNN et un CNN est
est implémentée dans le domaine temporel contrairement à PRNet, elle
introduit pour un schéma basé sur OFDMIM, OFDMIM bimode (DM
OFDMIM) [182]. Dans DeepDM, CNN et DNN sont utilisés pour détecter peut fournir une réduction de la complexité.
Néanmoins, l'optimisation de différentes métriques augmente
respectivement les bits d'index et les bits modulés QAM/PSK.
considérablement la complexité de calcul. Motivé par une approche
pilotée par un modèle, un réseau de réservation de tonalité basé sur DL,
à savoir TRNet, est proposé pour améliorer uniquement les performances
Un autre récepteur appelé IMNet est également proposé pour détecter
du PAPR afin d'augmenter la vitesse d'entraînement [199]. TRNet
les signaux MIMOOFDM assistés par IM, IMMIMOOFDM, [183].
améliore les performances de la méthode de réservation de tonalité
Enfin, les performances du récepteur basé sur DNN sont étudiées pour
classique et contrairement à PRNet, il n'est appliqué que du côté
le codage vectoriel creux OFDM qui peut également être considéré
émetteur. Une autre méthode DL basée sur la réservation de tonalité
comme un membre de la famille OFDMIM [184].
appelée DLTR est introduite dans [200] où la méthode de réservation
Les récepteurs basés sur DNN ont également été conçus pour
de tonalité conventionnelle est déployée pour concevoir un DNN.
d'autres formes d'onde telles que UFMC, FBMC, GFDM et OTFS.
De plus, dans [201], une technique de réservation de tonalité basée sur
Dans [185], pour le système UFMC à modulation d'indice à deux étages,
DL pilotée par modèle, qui produit une faible complexité en raison de sa
un détecteur de signal basé sur DL appelé TSIMNet, est proposé sur
conception intelligente, est proposée en déployant un schéma de
des canaux acoustiques sousmarins à trajets multiples. Des récepteurs
réservation de tonalité itératif comme une couche de DNN. Dans [202],
basés sur DNN et ResNetDNN ont été présentés pour l'estimation de
l'utilisation de NN résiduels avec softclipping est présentée comme une
canal et la détection de symboles des systèmes FBMC dans [186], [187],
nouvelle approche de réduction de PAPR. Les auteurs de [203] ont
respectivement. De plus, dans [188], une méthode de passage de
proposé d'employer un DNN au niveau de l'émetteur pour développer
message d'approximation généralisée amortie est suggérée pour
une méthode de modulation à haute dimension qui permet de réguler à
minimiser la complexité du récepteur dans les systèmes OTFS, les
la fois le PAPR et le rapport de fuite du canal adjacent. Un autre NN est
facteurs d'amortissement étant réglés à l'aide d'approches DL. Une
implémenté côté récepteur pour décoder les bits d'information. Enfin,
méthode basée sur DNN pilotée par les données [189], une autre
une méthode de réduction PAPR basée sur AE est introduite pour les
technique basée sur DNN à faible complexité [190] qui égalise le signal
signaux OFDM précodés sans réduire les performances OOBE [204].
reçu au niveau du symbole et une conception basée sur CNN 2D [191]
ont été proposées pour la tâche d'égalisation à l'OTFS. destinataire.
Afin de supprimer le CP dans les systèmes OFDM, une technique
De plus, dans [192], les auteurs ont présenté un nouveau cadre basé
DL pilotée par un modèle basée sur le passage orthogonal approximatif
sur DNN pour l'égalisation des systèmes SISO et MIMOOTFS. Des
des messages (DLOAMP) est présentée [205], [206]. Le module
architectures d'émetteursrécepteurs basées sur DNN ont également été
d'estimation de canal de ComNet [158] et le NN de détection OAMP,
introduites pour la détection des signaux OTFS
OAMPNet, qui fusionne la méthode OAMP
32 VOLUME ,
TABLEAU 5. Vue d'ensemble des conceptions d'émetteursrécepteurs DL pour les systèmes MC. TABLEAU 6. Présentation des conceptions d'émetteursrécepteurs DL pour les systèmes OTFS
(Les teintes rouges indiquent pas de CE ou pas de SD et les teintes vertes indiquent CE ou SD).
Référence Nom Forme d'onde de type CE SD NN
[153] FCDNN DNN OFDM Référence Nom Forme d'onde de type CE SD NN

[156] DeepRx CNN OFDM
Basé sur DL
[157] DCCN CNN OFDM [188] Dépliage OTFS
SPORT
SAN,
[162] CENet OFDM
CEPENDANT
[189] N / A DNN OTFS
DNN,
[158] ComNet OFDM [190] DNN OTFS
LSTM SymboleDNN
DNN, [191] N / A CNN OTFS

[160] Deep WiPHY OFDM
CNN
[192] N / A RNN OTFS
[159] SwitchNet DNN OFDM
MAIS, [193] N / A DNN OTFS

[176] N / A OFDM
DNN
[194] N / A DNN OTFS
MAIS,
[177] N / A OFDM
CNN
MAIS,
[176] MCAE OFDM
DNN
et DL en incorporant quelques paramètres entraînables, sont
[154] SimNet DNN OFDM inclus dans le récepteur DLOAMP. Les auteurs ont montré
[166] FSRCE CNN OFDM que la complexité de DLOAMP est inférieure à ComNet
[165] ReEsNet CNN OFDM et DLOAMP est capable d'adapter des canaux variant dans le temps.
[168] FreqTimeNet DNN OFDM Dans [206], les performances de OAMPNET sont étudiées non
[161] N / A CNN OFDM que par une simulation approfondie et aussi en employant un vrai
SRGAN GAN OFDM système de communication. Une autre méthode DL basée sur un modèle

[170]
basé sur l'algorithme OAMP a également été proposé pour CP
[155] RoemNet DNN OFDM
suppression dans les systèmes MIMOOFDM [207]. Bien que le CP soit
[163] ChannelNet CNN OFDM
inséré dans le signal OFDM du domaine temporel pour éviter l'ICI, sa longueur
CN,
[167] DoubleCNN OFDM peut ne pas être assez long dans certains scénarios pratiques. Dans
RNN
En cas de CP insuffisant, les récepteurs basés sur DL pilotés par modèle sont
[164] DCE DNN OFDM
conçu pour la détection des signaux SISOOFDM [208] et MIMO OFDM [209]. En
[169] AttenFreqTimeNet DNN OFDM
plus du CP, les frais généraux du pilote doivent
OFDM
DNN à prendre en compte dans les systèmes OFDM pour augmenter la
[179] DeepIM
DANS LE
efficacité. Dans [210], premièrement, le nombre de symboles pilotes est
DNN, OFDM supprimé partiellement sans diminution des performances d'erreur.
[182] DeepDM
CNN DANS LE
Deuxièmement, en utilisant un NN basé sur AE, les pilotes sont complètement
OFDM supprimé avec une constellation apprise ou superposé
[180] CNNIM CNN
DANS LE
pilotes. Afin d'augmenter considérablement le débit,
OFDM les auteurs de [211] ont abordé à la fois la CP et la réduction du pilote
[183] IMNet CNN
DANS LE problèmes et démontré qu'il est possible d'éliminer la PC
OFDM et piloter entièrement en exploitant l'apprentissage E2E. Dans [212], pour
[184] SVC profond CNN
DANS LE systèmes MIMOOFDM massifs duplex à répartition en fréquence,
DNN, OFDM une conception pilote et un canal de liaison descendante combinés basés sur NN

[181] N / A
CNN DANS LE
approche d'estimation est présentée. Une réduction pilote efficace
UFMC
approche est également suggérée pour réduire les frais généraux du pilote et
[185] TSIMNet DNN économiser des ressources tempsfréquence pour la transmission de données par
DANS LE
élaguant progressivement les neurones moins importants de la densité
[186] dlCE DNN FBMC
couches. Enfin, pour résoudre le problème d'estimation de canal,
[187] ResDNN DNN FBMC
une technique d'apprentissage E2E basée sur l'AE sans pilote est présentée
DNN,
[195] N / A GFDM dans [213] où un CNN et deux DNN sont implémentés dans
CNN
respectivement côté émetteur et côté récepteur.
DNN, GFDM
[196] DeepConvIM Comme mentionné précédemment, une mobilité élevée provoque des ICI dans l'OFDM
CNN DANS LE
signaux et cet ICI perturbe l'orthogonalité entre
sousporteuses et rend le processus de détection considérablement
difficile. DL apparaît comme un outil intéressant pour pouvoir
VOLUME , 33
pour détecter les signaux OFDM dans un environnement variant rapidement dans le temps. TABLEAU 7. Un aperçu des conceptions basées sur DL se concentrant sur les inconvénients de l'OFDM.
Dans [214], un réseau d'estimation de canal, ChanEstNet, qui (Les couleurs sont utilisées pour regrouper les types de problèmes similaires.)
exploite un CNN et un RNN, est introduit pour l'estimation du canal dans les
Nom de référence Problème Type NN
scénarios mobiles à haut débit. De plus, cette idée
[197] PRNet PAPR élevé AE, DNN
est étendu aux systèmes MIMO [215]. Cascade basée sur DL
[198] N / A PAPR élevé AE, DNN
structures appelées ICINet [216] et CascadeNet [217] sont
[199] TRNet PAPR élevé AE, DNN
également proposé pour l'estimation de canal et la détection de symboles
[200] DLTR PAPR élevé Déploiement
pour les canaux variant rapidement dans le temps. Enfin, DL basé sur AE
[201] N / A PAPR élevé Déploiement
technique est également développée pour faire face à des
divers environnements dans les communications maritimes [218]. Résiduel
[202] RDNN PAPR élevé
Dans les systèmes de transmission OFDM, DL peut également être utilisé DNN
pour lutter contre d'autres déficiences telles que le bruit de phase et MAIS
erreurs de synchronisation. Par exemple, un récepteur basé sur DL [203] N / A PAPR élevé Résiduel
appelé HybridDeepRx est introduit pour détecter de manière non linéaire CNN
signaux OFDM déformés [219]. De plus, afin de Haut
[204] N / A AE, DNN
atténuer la distorsion non linéaire dans un système MIMOOFDM, PAPR&OOBE
les auteurs de [220] ont conçu à la fois des modèles et des données [205] Surdébit CP DLOAMP Déploiement

Récepteurs basés sur DL. De plus, pour atténuer le bruit de phase [206] Surdébit CP DLOAMP Déploiement
dans l'estimation de canal et la détection de symboles dans les deux GFDM CGOAMP
[207] Frais généraux CP Déploiement
et les systèmes OFDM, une méthode basée sur DL comprenant DNN et FILET
CNN, a été conçu [221]. Dans [222], la technique basée sur LSTM et DNN a été
[208] Jusqu'à DetNet Frais généraux CP Déploiement
utilisée pour diminuer les multitons
[209] N / A Frais généraux CP Déploiement
interférence dans un système OFDM à codage polaire. Dans [223], un
MAIS,
version améliorée de FCDNN [153] est présentée pour effectuer
[210] N / A Frais généraux du pilote Résiduel
estimation de canal et détection de symbole en présence de
CNN
erreur de synchronisation temporelle. Enfin, sous la restriction
MAIS,
quantification complexe à un bit, les auteurs de [224] explorent CP&Pilote
[211] N / A Résiduel
techniques innovantes basées sur DL pour un récepteur OFDM. Aérien
CNN
Dans le tableau 7, nous fournissons un résumé des études examinées
[212] N / A Frais généraux du pilote CNN
qui se concentrent sur les conceptions basées sur DL pour surmonter certains problèmes importants
inconvénients de l'OFDM classique, tels que PAPR et CP élevés Oui, CNN,
[213] N / A Frais généraux du pilote
aérien. En particulier, le déploiement profond apparaît comme un DNN
concept important pour faire face aux déficiences difficiles CN,
[214] ChanEstNet Haute Mobilité
de l'OFDM en déployant des algorithmes conventionnels. Pour PAPR BiLSTM
réduction, les NN basés sur AE sont avantageux car ils peuvent CN,
[215] N / A Haute Mobilité
améliorer encore les performances d'erreur tout en réduisant le PAPR. BiLSTM
Bien que les méthodes basées sur DL soient très prometteuses, il existe DNN,
sont encore des limitations et des inconvénients liés à l'application [216] ICINet Haute Mobilité Résiduel
de solutions basées sur DL pour les formes d'onde MC. Un des plus CNN
limitations importantes est le fait que la plupart des études se concentrent sur [217] CascadeNet Haute Mobilité Déploiement
optimisant une seule métrique de performance telle que le BER et
Oui, CNN,
[218] N / A Haute Mobilité
PAPR. Malheureusement, les performances des systèmes MC dépendent LSTM
sur plusieurs indicateurs clés de performance, qui devraient être
Non linéaire Résiduel
pris en compte dans le processus de conception. La mise en œuvre de ces [219] HybridDeepRx
Distorsion CNN
indicateurs à la conception du modèle DL est une tâche difficile et a
Non linéaire
pas été abordée dans la littérature. Aussi, le processus de conception [220] N / A DNN
Distorsion
nécessite l'implication de diverses applications 6G telles que
Bruit de phase
eMBB, URLLC, mMTC et leurs combinaisons possibles. [221] N / A DNN, CNN
Compensation
Ces applications nécessitent des défis spécifiques qui doivent
Ingérence LSTM,
être pris en compte dans la conception du modèle DL. [222] N / A
Suppression DNN
Synchronisation
[223] N / A DNN
C. Un exemple de système OFDM basé sur AE Erreur
Dans cette soussection, nous introduisons un système MC basé sur AE (MC Un peu
[224] N / A AE, DNN
AE) proposé dans [178]. Le schéma fonctionnel de MC AE est donné à la Fig. Quantification
24. Dans MCAE, un système OFDM
34 VOLUME ,
Modulateur Sans fil Démodulateur
Canaliser
Modulateur Démodulateur
Message IFFT & Suppression Message
Combineur Séparateur
Séparateur Ajout de CP PC et FFT Combineur
Modulateur Démodulateur
Encodeur Décodeur
NormOne
hot
Linéaire Softmax
CV
CF CF CF
FIGURE 24. Le schéma fonctionnel du système MCAE [178].
avec Nc nombre de sousporteuses, est considérée. Ces Nc 1.5
sousporteuses sont séparées en G blocs, chacun contenant N
sousporteuses, où N = Nc/G. Pour chaque sousbloc, la méthode 1
AE est effectuée indépendamment. Comme on le voit sur la
figure 24, les blocs modulateur et démodulateur du système
OFDM global sont modélisés en tant que codeur et décodeur DNN d0,5 'un AE.
Du côté de l'émetteur, pour le gième sousbloc, g = 1, ∙ ∙ ∙ G,
,le
message entrant sg est mappé dans un vecteur à un point s 0
RM×1 . Notez que le message entrant sg peut être un flux binaire
de longueur m. Ensuite, s est passé à travers des couches
0,5
linéaires et de normalisation et converti en un vecteur à valeurs
complexes xg. Après cela, le symbole OFDM global est obtenu
J T T
T. en concaténant tous les sousblocs sous la 1 , 2x
, , x G]
∙ ∙ ∙
1
forme x¯ = [x Après avoir exécuté les procédures de transmission
OFDM, x¯ est transmis via le canal Rayleigh et le signal reçu est
1,5
obtenu. Pour le huitième sousbloc, la relation entréesortie du 1,5 1 0,5 0 0,5 1 1.5
domaine fréquentiel peut être donnée par
FIGURE 25. La constellation apprise de MCAE pour N = 2 et M = 8.
yg = hg xg + ng, (14)
où yg, hg et ng sont le signal reçu, le coefficient de canal et les Pour l'apprentissage de cette structure basée sur l'AE, un ensemble de
vecteurs AWGN correspondant au gème sousbloc, messages entrants aléatoires et des échantillons de canal et de bruit
respectivement. Les éléments de hg et ng suivent les distributions générés de manière aléatoire sont utilisés. La fonction de perte MSE et la
CN (0, 1) et CN (0, σ2 ), respectivement. Le SNR reçu moyen méthode d'optimisation SGD sont exploitées pour la formation.
est défini comme γ¯ = Es/σ2 , Es représente la où La constellation apprise pour le système MCAE peut être vue sur
puissance d'émission moyenne. Côté récepteur, le CSI h parfait la Fig. 25, où chaque marqueur représente le point de constellation
est supposé connu. Les parties réelle et imaginaire de yg et hg complexe d'une sousporteuse. Dans [178], il est démontré que la
sont concaténées et le vecteur résultant est donné en entrée au diversité et les gains de codage du système MCAE sont supérieurs
décodeur. aux schémas de référence grâce à la constellation apprise par la
Comme on le voit sur la figure 24, le vecteur entré est passé à capacité de la structure AE. Par conséquent, le système MCAE peut
travers deux couches FC différentes avec des fonctions fournir des performances d'erreur exceptionnelles dans les canaux
d'activation ReLU et softmax. Enfin, le message estimé sg est obtenu.d'évanouissement.
VOLUME , 35

3 (Chat) 8 (Navire) : Prédire

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

3 (Chat) 8 (Navire) : Prédire

Uploaded by

Copyright:

Available Formats

Machine Translated by Google

CSI Monde réel Données ou

Apprendre à détecter [51] DétNet AMP, SDRX Modèle

Apprentissage partiel [53] DNN ZF, MLD, DNN unique Modèle

Sous­DNN pour GSM [48] Flexible Sous­DNN MLD, DNN unique Données

B­DNN [49] Bloc­DNN B­ZF, B­MMSE, MLD Modèle

DL parallèle [55] NRP SPD, DetNet Données

Tabou assisté par DL FS Net, ZF, MMSE, SPD,

Estimation du canal pour DNN Faible MMSE Liaison montante

MIMO massif à ondes millimétriques LDAMP Faible Variantes AMP Liaison montante

MIMO massif à ondes millimétriques FCDAMP Faible Variantes LDAMP, AMP Liaison montante

MIMO massif à ondes millimétriques GM­LAMPE Faible AMPLI, LAMPE Liaison montante

& CAN mixtes SELNet, GAMP variable, GAMP sans grille Liaison montante

Conditionnel MU 1 bit conditionnel EM­GM­GAMP, [67],

RNN itératif [83] RNN Pas d'information MMSE Pas d'information

en modifiant l'algorithme IDE2 actuel avec des paramètres configurables. Source Canaliser

Comme le montre la Fig. 20, le détecteur de bloc­DNN se compose de 8 x = Input t ( sh a pe= ( nx 9 for i , ) )

ont été proposés [147]. Une autre préoccupation importante avec les Conception conjointe Tx&Rx Distorsion non linéaire

signaux sinc au niveau des porteuses de bord provoquent d'énormes Égalisation Haute Mobilité

[153] FC­DNN DNN OFDM Référence Nom Forme d'onde de type CE SD NN

DNN, [191] N / A CNN OTFS

MAIS, [193] N / A DNN OTFS

[161] N / A CNN OFDM que par une simulation approfondie et aussi en employant un vrai

SRGAN GAN OFDM système de communication. Une autre méthode DL basée sur un modèle

DNN, OFDM une conception pilote et un canal de liaison descendante combinés basés sur NN

erreurs de synchronisation. Par exemple, un récepteur basé sur DL [203] N / A PAPR élevé Résiduel

les auteurs de [220] ont conçu à la fois des modèles et des données [205] Surdébit CP DL­OAMP Déploiement

Modulateur Sans fil Démodulateur

You might also like

SousDNN pour GSM [48] Flexible SousDNN MLD, DNN unique Données

BDNN [49] BlocDNN BZF, BMMSE, MLD Modèle

MIMO massif à ondes millimétriques GMLAMPE Faible AMPLI, LAMPE Liaison montante

Conditionnel MU 1 bit conditionnel EMGMGAMP, [67],

Comme le montre la Fig. 20, le détecteur de blocDNN se compose de 8 x = Input t ( sh a pe= ( nx 9 for i , ) )

[153] FCDNN DNN OFDM Référence Nom Forme d'onde de type CE SD NN

les auteurs de [220] ont conçu à la fois des modèles et des données [205] Surdébit CP DLOAMP Déploiement