基于AI的5G技术-研究方向与范例-学习笔记
文章来源:尤肖虎,张川,谈晓思,金石,邬贺铨.基于AI的5G技术——研究方向与范例[J].中国科学:信息科学,2018,48(12):1589-1602.
目录
0、摘要
1、引言
1.1 5G常识
1.2 AI常识
(1)监督学习
(2)非监督学习
(3)增强学习(重点研究一下)
(4)两种常见的学习方法1-方向传播学习算法(BP)
(5)两种常见的学习方法2-Q学习算法(Bellman算法)
2、AI应用于5G系统的发展方向
2.1 在应用中,涉及3类技术问题
2.2 辩证看待AI技术在5G移动通信中的应用
2.3 AI在5G中的4种应用问题
(1)无法建模问题
(2)难以求解问题
(3)统一模式高效实现问题
(4)最优检测与估计问题
3、AI应用于5G系统的典型范例
3.1 网络自组织与自优化
(1)自组织网络(self organizing network,SON)
(2)基于AI的故障诊断系统(自动故障分析系统)[34]
3.2 时频资源最优分配
3.3 5G通用加速器
方法1:将置信传播算法改进为DNN算法
方法2:将置信传播算法改为CNN算法
方法总结:二维脉动阵列架构
3.4 物理层端到端的优化
(1)AI算法在物理层若干模块上的应用
(2)AI算法在两个或多个物理层模块的联合优化
(3)单个模块的优化并无法保证整个物理层端到端通信的整体优化[37]*
(4)联合优化问题*
0、摘要
主要做了三件事:
(1)概述5G移动通信技术的基础;
(2)梳理AI技术在5G发展中的发展方向;
(3)给出了有关5G网络优化、资源最优分配、5G物理层统一加速运算以及端到端物理层联合优化等若干典型范例。
关键词:AI技术、网络优化、资源分配、统一加速、端到端联合优化
1、引言
1.1 5G常识
主要目标:增强带宽,万物互联
典型的应用场景、关键技术指标,见:https://blog.csdn.net/qq_30507287/article/details/114537335
新的关键技术:在5G中,新型关键技术指标:网络虚拟化和切片技术,基本思想是5G网络构建在云计算平台上,通过计算资源的隔离、动态调配与迁移,实现网络资源的灵活调配,以适应未来5G极为丰富的应用场景。见paper:Tao X F, Han Y, Xu X D, et al. Recent advances and future challenges for mobile network virtualization. Sci China Inf Sci, 2017, 60: 040301
Re1:第一个5G技术标准,支持非独立组网(non-standalone,NSA)与eMBB功能[8];
Re2:独立组网(standalone,SA)[9];
在4G基础上,5G的改进:
(1)MIMO技术进行增强,引入大规模天线阵列技术;
(2)对OFDM时隙结构和时频资源模块(Resource Block,RB)划分方案进行补充,提出了更为灵活的空中接口技术;
(3)下一个5G版本引入:非正交多用户接入(NOMA)技术,支持广域覆盖的中低速物联网应用;
(4)将无线网络功能单元划分为分布式单元(distributed units,DU)和中心单元(central units, CU),并引入了基于云计算的网络虚拟化与切片技术。
1.2 AI常识
(1)监督学习
(2)非监督学习
(3)增强学习(重点研究一下)
典型例子:可在线处理的增强学习方法。基于智能实体agent和环境environment之间的动态交互。
(4)两种常见的学习方法1-方向传播学习算法(BP)
参见前期深度学习笔记。
(5)两种常见的学习方法2-Q学习算法(Bellman算法)
基本思想:选择Q函数,作为衡量一个智能实体执行某种动作的代价函数;该智能实体根据所处的环境,对所有可能的动作进行Q函数评估,并从中选择出奖励成分最大的动作,并加以行动。场景的迭代更新形式,满足智能实体的动作、环境的变化和Q函数的调整以在线的方式实现。Q函数的收敛证明见[20]。
2、AI应用于5G系统的发展方向
2.1 在应用中,涉及3类技术问题
(1)组合优化问题:5GNR的资源分配问题就是组合优化问题。找一种最优的资源配置方式,将资源利用率最大化。
(2)检测问题:5G通信接收机就是一个检测问题。对接收信号进行辨识,确定发射信号,并使检测错误概率最低。
(3)估计问题:5G通信信道参数估计是实现系统相关接收的必要条件。根据5G系统所发送的导频信号,估计出无线信号从发射端到接收端所历经的信道畸变。
Re*:AI在5G系统中的应用[25-37]。
2.2 辩证看待AI技术在5G移动通信中的应用
(1)已经拥有典型设计和处理方法;
(2)存在性能界(Shannon 容量限);
(3)AI学习本身的局限性,收敛时间问题,需要进行充分评估才行;
(4)AI学习算法的计算复杂度通常较高。
2.3 AI在5G中的4种应用问题
(1)无法建模问题
难以统一建模的问题,例如:覆盖问题、干扰问题、邻区选择、越区切换问题等。还包括多种,多个维度的指标相互依赖或相互矛盾,难以建立全局性的优化模型。
(2)难以求解问题
资源分配问题[39,40],例如:小区间时频资源块分配、正交导频资源分配、波束分配、大规模MIMO多用户聚类、无线网络虚拟化资源池调配等。(最优解求解问题通常属于NP-hard类型的组合优化问题)。AI技术可以支持此类问题的求解。
(3)统一模式高效实现问题
可以理解为:一些基本功能模块的级联组合问题(说白了就是:方案执行流程中模块组合问题)。例如5GNR的物理层涉及:大规模MIMO多用户空时处理、NOMA信号检测、LDPC码和Ploar码信道编译码等功能模块。每个模块算法不一,但理论上均可采用AI逐一解决[25-33],目的:简化系统设计流程、加速工程实现的进程、提高物理层实现的课配置性,并最终降低系统实现成本、提高实现效率。
(4)最优检测与估计问题
①用人工神经网络取代传统发射机和接收机的基本功能模块;
②使用AI技术进行跨层联合优化:物理层与媒体控制层的联合优化、信源和信道的联合优化、算法设计与硬件实现的联合优化等。
3、AI应用于5G系统的典型范例
3.1 网络自组织与自优化
(1)自组织网络(self organizing network,SON)
1)SON包括了网络自动配置、自优化、自愈合等。
2)实现:网络规划、网络配置、网络优化的高度自动化;节省运营成本,降低人为故障。
3)涉及基站自主参数配置、动态规划、迁移学习、网络故障的自动检测和定位、网络参数的自动优化。
4)涉及AI方法有:人工神经网络学习、蚁群优化、遗传算法。
(2)基于AI的故障诊断系统(自动故障分析系统)[34]
1)AI技术需要克服两个问题:
①现有数据的KPI种类多;
②减少人工参与(人工诊断成本高,能力有限)
2)基于AI的故障诊断系统,核心诊断步骤:
①利用1.2 (2)中图2的无监督自组织映射(SOM)实现对无标签高维度数据的初步分类;
②对SOM建立的神经元进行一次无监督的聚类。(欧式距离即表示其映射数据之间的差异,采用沃德Ward聚类算法可实现对神经元的聚类)
③引入专家对分好类的数据进行故障分析,有监督地贴上故障标签。
④自动故障诊断系统,其诊断流程如图4所示:
3.2 时频资源最优分配
以Q学习算法的应用为例:智能实体具有对移动用户的RB(资源块)分配,其分配更新原则:
(1)同一小区,选择SIR(信干比)较好的空闲RB分配给用户;
(2)不断更新本小区SIR最差用户的RB;
(3)对于同一RB,把本小区最差和邻小区最好的SIR进行配对或分簇;Q学习算法参考图3。
下图图5是一个典型的多小区,多用户下行链路RB分配示意图:
目标:智能实体在动作集合确定后,以所有用户的信息容量之和最大化为准则;其次,还要与用户的功率最优分配相结合,最后,可以进一步考虑用户QoS的比例公平性(采用Lagrange乘子法)。
Re50,51:对AI在5G资源分配中的应用进行了总结和展望;(*)
Re52:提出了增强学习方法在5G新框架中的网络切片技术方面的新应用。(*)
3.3 5G通用加速器
对于基带多模块问题不统一性,可以使用一个基于置信传播的、参数可配置的通用加速器实现整个基带功能。
但是,上述基带功能受其性能限制,一些场景下置信传播算法无法满足要求,因此采用AI的5G通用加速器,这种加速器有两种方法,可以将置信传播算法改进为一个性能更好的AI算法。
方法1:将置信传播算法改进为DNN算法
(1)将置信传播算法的因子图复制多次,按照原有连接方式连成一个深度神经网络,复制次数等于置信算法的迭代次数。
(2)对DNN进行训练。
R30:基于DNN的Polar码译码器;
R58:基于DNN的MIMO检测器。
方法2:将置信传播算法改为CNN算法
(1)将置信传播算法的因子图节点排列在图片上,其中每个像素代表一个节点,像素相邻表示对应节点在因子图中相连。
(2)利用CNN进行训练。R35:提出的BP-CNN信道译码器。
方法总结:二维脉动阵列架构
(1)神经网络带来的是系统的提升和硬件架构的统一。分析CNN的核心操作是卷积运算,分析DNN的核心运算是二维矩阵乘法运算。二维脉动阵列可以同时完成CNN和DNN的功能,从而实现基于AI的5G通用加速器。二维脉动阵列结构,如下图所示。参考Re:28。
(2)Re31,在有信道编码、信道、信道均衡器,及译码器组成的系统中,接收机的均衡器与译码器分别可以用CNN和DNN实现。
针对上述均衡器和译码器,有两种方法设计AI加速器:
①硬件消耗的优先设计;
②吞吐速率有限的设计。
3.4 物理层端到端的优化
(1)AI算法在物理层若干模块上的应用
Re36:基于神经网络的调制模式识别;
Re30:DNN极化码译码器;
Re35:基于DNN的MIMO检测算法
(2)AI算法在两个或多个物理层模块的联合优化
Re31:基于神经网络的信道均衡和信道译码的联合优化;
Re37、59:AI在物理层各模块的应用进行了总结。
(3)单个模块的优化并无法保证整个物理层端到端通信的整体优化[37]*
(4)联合优化问题*
Re59:将物理层通信看作是一个端到端的信号重构问题。并应用自编码器概念来表示物理层的通信过程,进行联合优化。
自编码器包含:编码、调制、信道均衡等物理层模块,被简单表示为发射端、信道、接收端。
①发射端和接收端表示为全连接的DNN;
②发射端连接一个归一化层来确保输出值符合物理约束;
③接收端连接一个softmax激活函数层;
④输出一个概率向量来决定接收到的信息;
⑤发射端和接收端之间的信道用一个噪声层(Noise Layer)表示。
联合优化问题中的自编码器构建端到端通信模型的结构如下图8所示:
Re59:将自编码器模型推广到干扰信道的多用户模型上;
Re60:将自编码器优化方法推广到MIMO上,通过增加信道矩阵相关模块,形成如图9所示的MIMO自编码器通信模型。
基于AI的5G技术-研究方向与范例-学习笔记相关推荐
- 基于 AI 的 5G 技术 | 尤肖虎
基于 AI 的 5G 技术 | 尤肖虎 中国科学信息科学 前天 作者:尤肖虎 张川 谈晓思 金石 邬贺铨 摘 要 第五代移动通信(5G)技术将为移动互联网的快速发展提供无所不在的基础性业务能力,在满足 ...
- 尤肖虎等:基于AI的5G技术:4大研究方向、4个典型范例
尤肖虎等:基于AI的5G技术:4大研究方向.4个典型范例 本文作者 尤肖虎:东南大学教授,移动通信国家重点实验室主任 张 川:东南大学信息科学与工程学院副教授 谈晓思:移动通信国家重点实验室(东南大学 ...
- 基于AI的超分辨技术在RTC领域的技术难点与挑战
正文字数:8603 阅读时长:12分钟 基于AI的超分辨技术在图像恢复和图像增强等领域的应用前景,受到了学术界的关注,但在RTC领域中很多算法并不能满足实际场景下的应用需求.本次分享我们邀请到了网易 ...
- 云、AI、5G技术驱动时代,文娱产业如何实现云上突围?
2020年伊始,新型冠状病毒疫情在催生"宅经济"蓬勃发展的同时,也带来了移动互联网文娱消费的新趋势.根据QuestMobile数据,春节后移动互联网单日人均使用时长增至7.3小时, ...
- 智能分析网关基于AI烟火识别技术的消防预警方案
AI烟火识别是基于深度学习神经网络技术和视频智能分析的一项实用性技术,通过对监控区域内的烟雾和火焰进行精准检测与识别,并实时预警,有效协助工作人员及时处理消防危机. 烟火识别的算法特征: 1)烟雾检测 ...
- 知识图谱·概念与技术--第1章学习笔记--知识图谱概述--知识图谱的概念,与传统语义网络的区别
知识图谱·概念与技术--第1章学习笔记--知识图谱概述--知识图谱的概念,与传统语义网络的区别 知识图谱的概念,与传统语义网络的区别 狭义概念 作为语义网络的内涵 与传统语义网络的区别 优点 缺点 与 ...
- 模拟电子技术不挂科学习笔记3(放大电路的分析方法)
文章目录 一.放大电路基础(2~4分) 二.放大电路的分析方法(10分) 写在最后 一.放大电路基础(2~4分) 1.放大电路基础知识 2.放大电路基础例题 二.放大电路的分析方法(10分) 1.放大 ...
- 基于pymongo的学生信息考勤管理系统开发学习笔记之mongo篇
基于pymongo的学生信息考勤管理系统开发学习笔记 前言 Chapter 1. 安装简要 第一节 下载安装mongo 第二节 配置mongo 第三节 安装mongoVue Chapter 2. 数据 ...
- 云、AI、5G技术融合,会将移动互联网带到什么新高度?
进入互联网下半场,5G创新的风口已然到来,5G将为用户带来前所未有的体验.在此趋势下,AI.云.5G等基础技术的融合与应用创新,将焕发各行各业的生机,使移动互联网走向新的高度. 7月17日,在华为云2 ...
最新文章
- 这样设计订单系统,同事直呼 666!
- 《统一沟通-微软-实战》-3-部署-Exchange 2010-4-基本配置
- PostgreSQL在win7上安装详细步骤
- Sql批量插入时如果遇到相同的数据怎么处理
- 【Vegas原创】终端服务器超出了最大允许连接数 解决方法
- SQL SERVER逆向工程将数据库导入PowerDesigner
- Eclipse配置自动提示(eclipse设置代码API自动出现)
- 北航卓越计划 计算机科学,解读:北京航空航天大学2017卓越计划自主招生条件...
- 基于卷积神经网络的图像情感分析模型,Python实现
- 为什么要序列化Serialization
- vue set方法_Vue 数据响应式
- XJOI网上同步训练DAY6 T2
- 周杰伦 青花瓷 蒲公英的约定 我不配 彩虹 歌词和下载
- 零成本、零流量,我是如何空手反套白狼?
- 阿里身份实名认证实例
- php图片生成邀请函,科学网—如何制作邀请函 - 樊晓英的博文
- [Matlab]糖葫芦代码实现
- Apache MINA简介
- 板材开料最优算法_电子开料锯比较普通锯的五大优势与具体的区别
- [转摘]太极拳精义述真
热门文章
- ArcGIS中不小心移动的图斑怎么还原?(附自动保存插件下载)
- 仿网易音乐听歌识曲-麦克风动画
- 英灵神殿linux服务器安装mod,英灵神殿跳过服务器密码MOD
- 魅族怎么更改html,魅族手机浏览器兼容性调优最佳实践_html/css_WEB-ITnose
- 动员计算机二级考试主题班会,考前动员主题班会
- hpu 1087 KACA的围棋入门
- Java 实例 - 字符串替换
- Java制作数字加减法验证码
- 【有利可图网】PS教程:PS设计打造海报中常见的中文特效艺术字
- undertow_我实际上玩过突袭:Undertow传说