4月20日，我校英才实验学院2017级本科生刘俊凯在通信抗干扰国家级重点实验室陈杰男副教授指导下，在《IEEE Journal on Emerging and Selected Topics in Circuits and Systems》期刊（中科院2020分区大类二区）上发表题为“Deep Learning Driven Non-orthogonal Precoding for Millimeter Wave Communications”的论文。刘俊凯为论文第一作者，陈杰男副教授为通讯作者，电子科技大学为第一作者单位。
Fig. 1 Autoencoder based Neural Network Hybrid Beamforming
Fig. 2 Meta-Learning based Network Parameter Updating
在这篇文章中，作者们尝试利用人工智能的方法来解决MIMO通信中欠秩传输存在的问题。首先，欠秩传输用通俗的意义来描述就是传输的数据流数大于信道矩阵的秩数，在参考文献[1]中这又被称为“overloaded transmission”。经典论文中通常假设传输的数据流数要小于信道矩阵的秩数，欠秩传输容易导致这一类的通信系统鲁棒性不高。为了解决这一问题，传统方法提出把非正交多址接入（NOMA）技术融合进MIMO系统中，利用NOMA来辅助欠秩传输。但是NOMA方案存在一些问题，一是对信道状态信息（CSI）比较敏感，二是接收端通常需要使用连续干扰抵消解码器，计算复杂度高，对于下行通信来说，不是一个优秀的方案（见参考文献[2]）。
综合考虑以上问题，刘俊凯等人提出了一种深度学习驱动的方案来解决欠秩传输的问题。系统框图如上所示。首先，作者们深入研究了深度神经网络在数字级的编解码过程，发现应用了深度神经网络的数字波束成形器能够对输入的QPSK数据流信号进行非正交编码。经过详细分析这一行为后，作者们指出此时模拟端的波束对齐过程可以不再使用普通的神经网络，采用传统的最优化方案即可，以此来规避深度学习存在的问题。在此基础上作者们首先分析最小均方误差，推导出优化目标。根据最终的优化目标，提出可以使用基于最小方差无失真响应（MVDR）的方案来实现波束对齐，从而服务数字级的编解码。这篇文章给出了相应的算法和硬件实现方案，并提供了相应的仿真结果。相比于传统方案，这篇文章中的方法使得误码率和计算复杂度都得到了改善。
《IEEE Journal on Emerging and Selected Topics in Circuits and Systems》是IEEE旗下期刊之一，目前影响因子为4.56。该期刊每季度出版一次，特别着重于新兴领域，涵盖IEEE电路与系统（CAS）学会整个范围下的特殊问题，即理论、分析、电路和系统的设计、工具和实现，并且涵盖了信号和信息处理的理论基础、应用和体系结构。
来源：电子科技大学 文：刘俊凯 陈杰男 / 来源：英才学院