苏 爽，陈洪雁

（中国石油西南油气田分公司通信与信息技术中心，四川 成都 610000）

0 引 言

得益于无线通信技术的飞速发展，其在全世界的应用情境日渐增多，如多天线技术、无线认证技术、场景分类技术等，而场景类别划分是通过计算机来分析，然后安全划分场景类别。但是，基于无线通信数据库的内容量日渐增多，有关的场景分类数据及场景类别也随之越来越多样，以人工来划分场景类别难以满足当下的需要。得益于人类生产水平的提升，可以适应各类工作场景的机器被慢慢开发出来用以替代人力，并持续开发出新的智能机器，来代替已无法与当下生产力相匹配的机器。被开发出来的此类智能机器大多是基于以往人类工作场景来展开仿真。因此，在21 世纪，机器学习将成为通信信号处理的核心技术之一。

1 机器学习概述

机器学习是一门探讨计算机如何模拟完成人类学习活动的多领域交叉性学科，涵盖了诸多学科，如概率论、统计学、凸优化及复杂度理论等。机器学习理论是为了构建出某些算法来使计算机能自主“学习”，并获得新知识或者新技能，重构既有知识构架，使其对本身的性能展开进一步优化[1]。人类在自身学习方面的探索虽能追溯至很早之前，然而对机器学习的探索时间却并不长。人类最早对机器学习的探索可追溯至19 世纪末的神经科学，瓦尔岱耶（Wilhelm von Waldyer）被卡哈尔等提供的客观证据信服，发现神经元是彼此相连的现象[2]。随后，在20 世纪初发现神经元的“兴奋”与“抑制”作用，至20 世纪中期，发现学习律等，20 世纪后，人类对于机器学习的探索也越来越成熟。

2 机器学习在无线通信的应用

在无线通信物理层中应用机器学习主要涉及调制路径辨识、信道编译码、信道预测、信号检测、图像信号处理等诸多方面。文章主要从降峰值平均功率比（Peak to Average Power Ratio，PAPR）办法、信道预测和信号检测、调制方式辨识以及信道编译码等模块进行具体阐述。考虑到模块和链路之间的收益区别，同时详细说明了目前无线通信物理层端到端的传输路径应用情况。

2.1 基于深度学习的降PAPR 方案

正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）系统中，高PAPR 是一个较为严重的短板。相关文献给出了一个新的降PAPR 方案，通过PRNet，基于自动编码器进一步学习建构[3]。在此类建构中，通过进一步学习的方式，借助星座映射与符号重映射去与重新建构的子载波相适应，进而让路径基于最低误码率性能，仍可大幅度减小PAPR。此方案给出了一个在深层次神经网络下的降PAPR方案，所有的子模块均由全连接层（Fully Connected layers，FC）以及线性整流单元构成归一化，其彼此相连建立一个不可分割的整体。连接层之中，将基于权重系数下的矩阵乘法运用在除法偏移中，连接层包括了2 018 个隐藏位置。整个连接层的输出为归一化单元，此模块将线性整流单元所输入的信号展开归一化来让PRNet 获得更全面的训练。相对既有方案，此方案借助模拟实验验证后给出的降PAPR 方案的误码率更小，即同等性能前提下，此PRNet 方案可以得到将近5 dB的增益。同时，就PAPR累积概率的分布而言，相较别的方案，此方案在减小PAPR 上会更为有效。

2.2 基于SVM 的场景分类方法

支持向量机（Support Vector Machines，SVM）分类器在场景分类模式中的应用，主要是对于信号的特性矩阵进行学习及训练，并在其中发掘出最佳划分超平面。将通过训练得到的分布模型来划分特性矩阵中角度功率谱的特点类别，对测量时间中的角度功率谱分布进行辨识，最终完成对下行路径中场景的分类。通过SVM 分类器下的分布模型对角度功率谱实施仿真训练学习与场景分类。仿真训练是借助SVM 分类器对依顺均衡及正态分布的角度功率谱实施训练，从而获得分布模型；而场景分类则是借助分布模型来对特性矩阵中的角度功率谱开展场景分类[4]。

SVM 主要是通过3 类核函数来处理数据，如表1所示。各类核函数之间的空间计算水平存在差异，当特性数据量大大超过样本数据量时，不用再映射数据，最佳方案是选择线性核函数；而特性数据量大大低于样本数据量时，最佳方案是选择非线性核函数。径向基核函数是一种常规应用性核函数，也叫高斯核函数，通常用在对线性紧密数据样本的处理中，出现多个参数时，能更好地实现计算处理成效。

表1 SVM 核函数种类表

信号通过基站发射之后，运用SVM 分类器就可以对移动平台所获得的信号做场景分类。基于训练模型的信号角度功率谱特性是利用SVM 分类器得到的，由此获得分布模型。移动首先基于所接收信号来获得下行路径的特性矩阵，利用SVM 分布模型也可以得到特性矩阵角度功率谱在场景状态的分类，只是此时的SVM 分布模型需要有一段时间的训练。要想确定标签究竟是1 还是2，与角度功率谱分布有关。当在测量时间范围内时，其分布情况如果与分布模型里面得到的均衡分布拥有同样的特性，则标签就确定是1；如果与分布模型内的均正态分布特性相同，则标签就确定是2。

2.3 网络资源分配方法

无线通信网络资源转发指的是，无线网络节点在开展协同通信时，中继点为实现将所接收的网络资源传递至预期节点，针对性选用处理传输资源的方法来确保无线通信顺利完成的一类方式。无线通信网络资源分配指的是以比例公平算法对来自无线网络节点的无线通信网络资源展开分配[5]。无线通信网络资源接入指的是借助无线专网信道选择的不同时隙，让各类无线通信业务可根据所设优先级来对各种时隙进行选择，进而在相应时隙中使用同一条频段，借助时隙隔离，从而实现物理层中无线通信网络资源在多个业务窗口上的隔离性接入。多业务终端在发送与接入传输请求时，按各类业务传输要求来完成不同优先级的设定。优先级的设定公式为

式中：k为业务的优先级；Tk为无线通信网络资源的接入时延门限；Sk为要接入的资源量。接下来通过不同业务的优先级，形成时隙占用表，在信道资源中根据优先级来分配闲余时隙。将时隙占用表发至不同业务终端，终端会对各个传输业务的所在时隙展开进一步分析，而后在相应频段上接入和传送无线通信网络资源。网络资源业务请求量较大时，会将量少、相对固定的资源接入优先级低的业务，将量大的资源接入有较高优先级的业务。无线通信网络资源被接入核心基站后，网络资源与分配业务之间的节点距离较大时，利用增添中继节点来顺利分配无线通信的网络资源，中继节点的目标在于通过转发无线通信网络资源来实现网络资源转发任务。通过解码转发方式进行，可有效确保无线通信网络资源转发的完成。所有的网络业务端信源发送端通过广播的形式发送各自的资源信息，而网络资源预期接收端和中继节点对此信号展开同步侦听与接收。中继节点的接收资源能量值计算公式为

式中：Er为接收的资源能量值；τ0为能量接收时间；Ps为从中心基站发送的资源信号；hbr为信号传送时长；a为中继节点的能量接收效率；b为接收的资源能够用于转发信息所占的比例。而后中继节点会对所收信号展开解码和估值，接下来中继节点将通过估值的网络资源信号转发到资源的目标接收端，再由此目标端分别界定与接收2 条信道的数据。中继节点在这个转发过程中对所收网络资源信号展开简易的检测及界定，有利于后期无线通信网络资源分配的实施。

2.4 基于深度学习的信道编译码

借助软比特信息论，信道编译码将冗余数据填入发送端，通过舍弃有效性得到可靠性，在此过程中还原的符号信息，将根据软比特信息论开展译码。相关文献给出了迭代BP-CNN 框架下的信道译码办法，如图1 所示[6]。

图1 基于BP-CNN 的LDPC 译码器

BP-CNN 下的低密度奇偶校验码（Low Density Parity Check Codes，LDPC）译码器利用卷积神经网络（Convolutional Neural Network，CNN）的图像除噪等应用优点，与信道译码对比，通过CNN 对噪音精准预估，然后利用BP 在低噪音的空间下进行译码。首先，对CNN 加以训练成为噪音估计器，实现最低的CNN输出噪音残差并最大限度听从高斯的分布。其次，将所接收的信号y和BP 译码结果的差来作为训练完成的CNN 输入，其输出传输到接收端，和y做差后所得的低噪信号来实施BP 译码。最后，基于以上步骤，最终进一步准确BP的译码作用。就模拟结果而言，相对以往的LDPC 译码办法，利用BP-CNN 的LDPC译码器得到的信噪比收益增长更为显著。

2.5 网络安全漏洞智能监测系统

得益于5G 技术的诞生，无线通信网络借此发展更为迅速，然而随之出现的就是不断涌来的安全问题，这也成为无线通信网络领域需要研究的核心问题。无线通信网络的安全与社会、国家的信息安全息息相关。而当下亟待解决的关键问题就在于无线通信网络安全问题，其会生成诸多漏洞信息。漏洞信息指的是在硬软件、协议或是实际通信系统当中，通过安全漏洞生成的各种信息。利用对漏洞信息的分析，可以及时发现漏洞产生的原因，同时对其进行最为高效的修补，以确保无线通信网络的安全。无线通信网络在具体的网络分配中，在省级中心网络中设置PTK-5500 控制器，对无线通信网络平台进行管理，以确保无线通信网络的可靠性。优化后的系统硬件主要由漏洞信息采集、漏洞信息扫描、无线通信网络安全漏洞智能监测三大模块组成。利用对漏洞信息的直接提取，同时选取传输层多协议标签交换（Transport-Multi Protocol Label Switching，T-MPLS）高速数据传输法来传送采集、扫描及监测所得的信息。利用机器学习技术增强整个漏洞的监测成效，通过机器学习来高速扫描漏洞，完成对漏洞的高效化监测。优化之后的监测体系对于漏洞监测反馈的灵敏度更高，并能减少系统开发的投入。采用机器学习算法，来实现对监测系统软件内容的进一步强化。将该算法融入智能监测系统软件，以此来智能化检测无线通信网络的安全漏洞。检测无线通信网络的安全漏洞时，通过最佳评估函数来对通信网络内的常规信息进行处理。但还是存在隐藏较深的异样信息，因此必须对此类信息开展深度处理。采用神经网络算法来对其展开挑选，生成由输入层、输出层、规则层组成的3 层神经网络算法模型。

3 结 论

本文研究了机器学习方法在无线通信中的应用。得益于机器学习的进一步发展，新方式及理论随之持续出现，这也使无线通信信号处理等技术获得了更为新颖的应用方法。以新机器学习技术来处理代表性通信问题，使得系统的整体性能进一步提高，如小区中无线通信业务量预估等问题，就可以根据之前的小区业务量数据来解析出内在规律，进而预估出后续业务量的分布，最终改进基站分配，实现减少能耗的目标，对于引领低碳通信、尽享环保生活有着极大的意义。