综述:从传统机器学习到基础模型的角度,探讨基于学习的无线物理层(PHY层)方法:一项全面综述

《Computer Science Review》:Learning-based approaches for wireless PHY layers from the perspective of conventional machine learning to foundation models: A comprehensive survey

【字体: 大 中 小 】 时间:2025年12月22日 来源:Computer Science Review 12.7

编辑推荐:

  **Tesfahunegn Minwuyelet Mengistu | K.M. Faisal | Taewoon Kim | Arif Ullah | Wooyeol Choi** **釜山国立大学信息融合工程系,2 Busandaehak-ro 63beon-gil, G

  **Tesfahunegn Minwuyelet Mengistu | K.M. Faisal | Taewoon Kim | Arif Ullah | Wooyeol Choi**
**釜山国立大学信息融合工程系,2 Busandaehak-ro 63beon-gil, Geumjeong-gu, 釜山, 46241, 韩国**

**摘要**
无线通信的未来要求低延迟、超可靠的连接性以及实时管理大量物联网(IoT)设备的能力。通过将机器学习(ML)、深度学习(DL)和基础模型集成到无线系统和设备中,可以实现这些服务质量(QoS)的需求。特别是基础模型,在克服传统方法的局限性方面显示出巨大潜力,系统性能的提升幅度在9.63%到12.80%之间,且在某些条件下还有可能超过这一范围。本文探讨了如何将ML、DL和基础模型应用于无线通信的物理层(PHY层)。内容涵盖了各种学习算法,如深度神经网络、循环神经网络和前馈神经网络,并解释了它们的设计、训练方法及面临的挑战。关键应用包括信道估计、星座图设计、信号检测以及优化信号调制方案,以提高频谱效率和抗噪能力。文章还讨论了这些模型如何增强MIMO系统的检测性能。此外,还强调了在不同通信领域采用这些模型时所面临的挑战和机遇,包括精度、复杂性和泛化能力之间的权衡。传统ML在数据集较小、计算复杂度较低且需要高度可解释性的任务中表现更好,而DL方法在大规模、高维无线问题(如信道状态信息CSI预测、干扰分类和频谱感知)中往往优于传统方法。这项调查为智能通信系统的发展提供了宝贵的见解,指导从业者实施下一代无线技术的学习辅助策略。

**引言**
自第一代无线通信系统问世以来,无线技术持续发展,从提供基本覆盖范围发展到满足更复杂的需求[1]、[2]、[3]、[4]。特别是5G蜂窝通信系统,预计将显著提高覆盖范围、连接设备数量和吞吐量,同时降低功耗和延迟。蜂窝网络正在演变为连接多种无线设备的IoT系统,包括可穿戴设备、传感器、智能手机、虚拟现实和无人机[5]、[6]、[7]、[8]、[9]。机器学习(ML)技术因其广泛应用而成为丰富无线通信功能的强大工具。ML使任何无线设备都能通过学习和预测环境特征(如流量模式、无线信道动态、用户情境和网络组成)来有意识地智能监控周围环境,并主动采取行动以实现特定目标。因此,通信基础设施可以利用ML从环境中学习并优化动态网络[10]、[11]、[12]、[13]、[14]、[15]、[16]。

无线通信的迅速扩展导致大量无线终端设备连接到网络系统中,使得无线电频谱资源变得稀缺。因此,目前仍无法满足用户的通信需求和解决频谱短缺的根本问题[17]。为此,研究人员开始关注在无线技术中高效组织和利用频谱资源[18]、[19]、[20]、[21]。传统的基于模型的无线方法难以满足新场景下的需求,例如大规模超密集网络中的低延迟要求以及在信道模型不确定的复杂情况下的连接。当交互条件因高度复杂的环境或不可控硬件问题而难以数学化定义时,基于数学模型的连接框架(如信道估计)将无法准确模拟实际情况。

在无线通信系统中,ML可以从智能和预测性数据洞察中受益,从而提高条件意识和整个系统管理能力。在这种情况下,ML将使无线网络能够处理来自传感器数据、无人机和监控设备等来源的大量数据,生成网络中大量设备的稳健运行地图[22]。基于机器学习的智能资源管理能力确实能够解决一系列问题,包括无线接入技术选择和小区关联、功率管理、频率分配、智能波束成形和频谱管理。通过实时识别无线环境和网络用户的状况,基于ML的资源管理方法可以完全在线运行。因此,这些技术将随着时间的推移提升性能,实现更智能和动态的网络决策。此外,ML也可用于无线通信系统的物理层(PHY层)。ML技术可以用于重新设计发射机和接收机层的调制和编码等功能[23]、[24]、[25]、[26]、[27]、[28]。

特别是DL已在实际的5G网络中成功应用于关键任务,如动态频谱分配、自适应波束管理和大规模MIMO系统中的移动性预测。例如,基于ML的信道预测器(使用CNN、LSTM或注意力机制)在动态、非静态环境中优于传统的基于模型的卡尔曼滤波器,在实际的移动性和干扰条件下实现了更稳健的通信。在商业5G网络中,华为等厂商已在OpenAirInterface等测试平台上实现了基于神经网络的自动编码器和深度学习模型,实验表明相比传统算法,信噪比(SNR)提升了2-3分贝[29]、[30]、[31]、[32]、[33]、[34]、[35]。这些进展凸显了传统基于规则的方法在复杂、快速变化的无线环境中的局限性,并强烈推动了自适应、数据驱动的ML技术的应用[34]、[35]、[36]、[37]、[38]、[39]、[40]。此外,在使用开源OpenAirInterface(OAI)平台和USRP软件定义无线电的真实世界5G测试平台中,基于深度学习的接收器(如DeepRx)在室内传播环境中显著优于传统基于模型的接收器[36]。这些成果表明ML可以有效弥补硬件缺陷和传统分析算法难以处理的复杂信道效应[36]。

向6G无线网络的演进将彻底改变通信系统,要求在高度动态和复杂的环境中实现超可靠、低延迟和智能传输[37]、[38]、[39]、[40]。这一愿景的关键在于通过利用数据驱动的学习技术来增强传统由模型驱动的PHY层。尽管已有研究探讨了ML和DL在无线网络中的应用,但许多研究仅提供了总体概述或主要关注高层协议和网络级优化。为了填补这一空白,我们的工作提出了一个全面的调查,从PHY层的角度出发,捕捉了先进学习方法与关键PHY层任务(如信道估计、可见光通信(VLC)、信号检测、星座图设计和资源分配)之间日益增长的协同作用。我们采用了一种独特的方法,聚焦于新兴学习范式的交叉点,如基础模型(包括Transformer架构、大型语言模型(LLMs)和多模态学习框架),以及之前被忽视的PHY层面临的挑战。这一及时视角与6G环境中无线信道的日益复杂性相吻合,这些环境涵盖了高移动性场景和异构多模态感知,需要能够从多样化和部分标记的数据源中学习的模型。

本文的主要贡献是提供了关于ML、DL和基础模型在无线网络设计中应用的全面研究。我们不仅展示了无线通信与ML、DL和基础模型交叉点的关键进展,还探讨了将这些框架应用于下一代无线系统开发和分析时的主要挑战和机遇。此外,我们还详细介绍了支撑ML方法的神经网络架构,包括各种神经网络类型及其训练技术、应用场景和定义特征。本文的主要贡献如下:

- **ML、DL和基础模型的统一比较**:本文在无线通信系统的背景下提供了ML、DL和基础模型的全面比较,讨论了它们的优势、劣势和适用领域。
- **PHY层无线任务的系统分类**:本文引入了一种分类方法,将无线通信中的PHY层任务进行分类,并将每个任务与合适的ML、DL和基础模型方法关联起来。
- **方法论局限性的关键分析**:本文探讨了ML、DL和基础模型的局限性和挑战,特别关注泛化能力、数据稀缺性、可解释性和计算效率等问题。
- **无线系统中的新兴趋势**:本文讨论了大规模基础模型、边缘计算和多模态数据融合在无线通信网络中的集成及其对未来无线系统的潜在影响。
- **核心PHY层任务的基准模型**:本文使用统一的数据库和评估框架,为核心PHY层任务提供了基准模型,比较了传统ML技术、现代DL架构和新兴基础模型,并通过条形图和表格提供了性能对比。
- **真实数据与模拟数据的性能分析**:本文在真实世界信道条件下(如城市衰落和多路径效应)评估了模型的鲁棒性和误差来源,通过比较真实数据和模拟数据的性能。
- **计算复杂性评估**:本文通过报告参数数量、推理时间和内存占用量来评估计算复杂性,并讨论了模型压缩和在边缘设备上部署的策略。
- **模型安全性评估**:本文研究了模型在对抗性攻击下的安全性,并探讨了包括联邦学习在内的隐私保护技术,以提出稳健的安全增强措施。
- **动态无线条件下的评估**:本文考察了模型在多普勒频移和移动性引起的衰落等动态条件下的性能,特别强调了时间建模要求。
- **超参数敏感性分析**:本文进行了超参数敏感性分析,提供了关于模型在不同无线环境中的可重复性和性能调优的见解。
- **多模态融合分析**:本文探讨了结合射频(RF)和传感器数据的多模态融合场景,并使用热图和消融研究分析了特征贡献。

为具体针对这一领域的未来研究方向,我们提出了十个开放式研究问题,分为四个关键主题类别:
- **基础模型与无线信号处理的集成**:
- 我们如何理论量化无线基础模型在任务间传输中的样本效率优势与特定任务DL训练相比?
- 将基础模型集成到现有无线协议和通信架构中的最佳实践是什么?
- 如何优化微调策略以实现无线通信任务的实时部署?
- **动态无线环境中的泛化能力和鲁棒性**:
- 基础模型如何有效地泛化到不同的无线环境中,特别是在移动性和信道条件快速变化的情况下?
- 如何在高度动态或对抗性无线环境中(例如干扰、衰落或干扰场景)确保ML/DL的鲁棒性能?
- **基于边缘的无线系统的能效架构**:
- 如何为在严格计算限制下运行的边缘设备设计能效高的DL架构?
- 可以采用哪些技术来降低部署在无线边缘计算系统中的基础模型的能耗?
- **隐私、安全和信任在基于ML/DL的无线系统中**:
- 哪些隐私保护技术(例如联邦学习、差分隐私)最适合分布式、基于边缘的无线基础模型?
- 如何确保由大规模基础模型驱动的无线资源分配机制的安全性和可信度?
- 可以将哪些安全机制纳入基于LLM的无线决策代理中,以减轻对抗性攻击或意外行为?

这些问题为未来的研究提供了具体和富有启发性的方向,特别是在将ML、DL和基础模型应用于无线通信系统方面。在这项工作中,我们超越了传统的ML/DL分类,探讨了基础模型如何在无线通信中发挥变革性作用,特别是在适应性、泛化和多任务学习至关重要的场景中。随着6G网络面临需要实时适应性、跨领域高泛化能力和处理大量非结构化多模态数据的需求,对这些模型的需求日益增加。我们的分析不仅限于理论探索,还延伸到了实际应用。我们强调了如何将最先进的模型与物理层通信挑战相结合,系统地比较这些模型并识别可采取的研究空白。这项全面的调查不仅作为学术参考,还为构建和部署6G时代的机器学习增强型无线通信系统提供了指导。通过将基础神经网络原理与机器学习和无线通信领域的最新进展相结合,本文提供了机器学习如何应对未来无线网络复杂性的整体视角。我们首先介绍了机器学习的基本原理,然后对神经网络架构进行了分类,探讨了每个类别的训练技术、应用场景和关键要素。接着,我们回顾了受益于这些架构的无线应用,重点关注每个领域所面临的特定挑战和机遇。为了进一步阐明问题,我们提供了示例性的案例研究,并突出了展示神经网络在无线通信中潜力的关键成果。研究最后探讨了各个专业领域的未来研究方向,为希望推进无线通信中机器学习应用的研究人员和实践者提供了全面的资源。这项调查不仅加深了对无线系统中神经网络的理解,还为推动6G通信及未来技术的边界发展做出了贡献。

本文的其余部分组织如下:第2节概述了各种类型的机器学习和基础模型;第3节讨论了使用传统方法的无线通信网络应用;第4节讨论了使用基础模型的无线通信网络应用,包括基于学习的信道估计、可见光通信(VLC)和多输入多输出(MIMO)检测技术,同时分析了传统方法和基础模型在无线通信网络中的应用;第5节对传统技术和基础模型进行了详细的比较分析;第6节讨论了将机器学习整合到通信系统中的机遇和挑战;第7节提出了结论性的意见,并概述了未来的研究方向。

### 无线通信中的机器学习和基础模型概述
本节介绍了本文讨论的无线通信研究中使用的不同机器学习方法和基础模型,包括监督学习、无监督学习、迁移学习、强化学习、深度学习、联邦学习、神经网络、Transformer、GPT、LLM以及基于基础模型的MMLM。表1根据优化目标和所用模型列出了选定的机器学习方法,其中UWC和SAT-Comm是...

### 基于学习的信道估计
机器学习最近在无线通信的多个应用中得到了关注,尤其是在信道估计方面,这是无线系统中的一个主要挑战。由于需要大量的计算资源,研究人员转向了深度学习模型来进行信道估计,而不是传统的估计方法,后者在5G环境中可能不适用,因为5G环境中存在OFDM、大规模MIMO和毫米波等多种技术。因此,关于毫米波和大规模MIMO的应用也在研究中得到了关注...

### 使用基础模型的无线通信网络应用
基础模型(FM)是能够执行多种任务或解决多个领域问题的大规模AI模型,例如语言处理和图像分析(如图16所示)。深度学习中的基础模型以其基于海量数据训练的单一大型模型为特征,这种模型可以作为各种下游任务的基础,并在多个任务中表现出广泛的可泛化能力和高精度。它们提供了灵活的解决方案...

### 比较分析
图17中展示的深度学习模型比较基于Zayat等人[117]提出的定性指标以及该领域普遍接受的解释。使用了诸如“低”、“中等”和“高”等术语,以及“是”、“否”和“部分”等二元或部分指标,来捕捉模型在可解释性、计算复杂性和序列建模能力等方面的概念差异...

### 计算能力
使用数据驱动的机器学习方法取得的最显著成果通常依赖于大型数据集和强大的计算设备,而这些资源可能不在具有有限处理能力的设备上可用。然而,最常见的无线设备,尤其是网络边缘的低复杂度终端,其内存和计算能力有限,这使得基于机器学习的方法在无线通信网络中难以实施。因此,边缘计算正在被部署以解决这一问题...

### 结论
这项全面的调查旨在探讨机器学习、深度学习和基础模型在无线通信系统物理层任务中的变革性作用,特别是在6G对超高可靠性、低延迟和动态环境适应性的要求背景下。我们的分析表明,虽然传统的机器学习方法提供了可解释且轻量级的解决方案,但在高维衰落和复杂信道条件下,深度学习架构的表现始终更为出色...

### 未来研究方向
未来在AI驱动的定位系统中的研究应致力于提高模型在动态环境中的鲁棒性和适应性。一个关键方向是将实际变化中信道行为(如多普勒频移、多径衰落和非视距(NLOS)条件)整合到训练数据集中。这些数据集应模拟各种现实世界场景,包括高速移动、室内/室外切换以及不同的环境条件。此外,模型还应该考虑到这些因素...

### 竞争利益声明
作者声明他们没有已知的可能会影响本文所报告工作的竞争财务利益或个人关系。

### 致谢
本研究部分得到了韩国政府资助的信息与通信技术规划与评估研究所(IITP)-ITRC(信息技术研究中心)的资助(项目编号IITP-2025-RS-2023–00260098,占比50%)以及IITP-人工智能融合创新人力资源发展项目的资助(项目编号IITP-2025-RS-2023–00254177,占比50%)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号