4月20日，我校英才實驗學院2017級本科生劉俊凱在通訊抗干擾國家級重點實驗室陳杰男副教授指導下，在《IEEE Journal on Emerging and Selected Topics in Circuits and Systems》期刊（中科院2020分割槽大類二區）上發表題為“Deep Learning Driven Non-orthogonal Precoding for Millimeter Wave Communications”的論文。劉俊凱為論文第一作者，陳杰男副教授為通訊作者，電子科技大學為第一作者單位。
Fig. 1 Autoencoder based Neural Network Hybrid Beamforming
Fig. 2 Meta-Learning based Network Parameter Updating
在這篇文章中，作者們嘗試利用人工智慧的方法來解決MIMO通訊中欠秩傳輸存在的問題。首先，欠秩傳輸用通俗的意義來描述就是傳輸的資料流數大於通道矩陣的秩數，在參考文獻[1]中這又被稱為“overloaded transmission”。經典論文中通常假設傳輸的資料流數要小於通道矩陣的秩數，欠秩傳輸容易導致這一類的通訊系統魯棒性不高。為了解決這一問題，傳統方法提出把非正交多址接入（NOMA）技術融合進MIMO系統中，利用NOMA來輔助欠秩傳輸。但是NOMA方案存在一些問題，一是對通道狀態資訊（CSI）比較敏感，二是接收端通常需要使用連續干擾抵消解碼器，計算複雜度高，對於下行通訊來說，不是一個優秀的方案（見參考文獻[2]）。
綜合考慮以上問題，劉俊凱等人提出了一種深度學習驅動的方案來解決欠秩傳輸的問題。系統框圖如上所示。首先，作者們深入研究了深度神經網路在數字級的編解碼過程，發現應用了深度神經網路的數字波束成形器能夠對輸入的QPSK資料流訊號進行非正交編碼。經過詳細分析這一行為後，作者們指出此時模擬端的波束對齊過程可以不再使用普通的神經網路，採用傳統的最最佳化方案即可，以此來規避深度學習存在的問題。在此基礎上作者們首先分析最小均方誤差，推匯出最佳化目標。根據最終的最佳化目標，提出可以使用基於最小方差無失真響應（MVDR）的方案來實現波束對齊，從而服務數字級的編解碼。這篇文章給出了相應的演算法和硬體實現方案，並提供了相應的模擬結果。相比於傳統方案，這篇文章中的方法使得誤位元速率和計算複雜度都得到了改善。
《IEEE Journal on Emerging and Selected Topics in Circuits and Systems》是IEEE旗下期刊之一，目前影響因子為4.56。該期刊每季度出版一次，特別著重於新興領域，涵蓋IEEE電路與系統（CAS）學會整個範圍下的特殊問題，即理論、分析、電路和系統的設計、工具和實現，並且涵蓋了訊號和資訊處理的理論基礎、應用和體系結構。
來源：電子科技大學 文：劉俊凱 陳杰男 / 來源：英才學院