融合人工智能的通信工程教学案例设计与实践

摘  要：新一代人工智能技术深刻影响和改变现有的社会生活和科技发展趋势，成为新一轮产业革命的核心驱动力。海量大数据和通信业务的增长对现有的通信系统提出巨大挑战，人工智能与通信技术的深度融合，将大幅提升通信系统的效能与安全性，智能通信已经成为学术界与工业界的热门研究领域。为响应这种发展趋势，在通信工程教学实践中逐步引入了人工智能的相关技术，在通信原理、无线通信、卫星通信与导航等课程中增加智能通信的相关案例，该文从中选择基于自编码器的多输入多输出通信系统设计等四个案例进行介绍，希望对今后智能通信教学改革工作有一定的启迪。

关键词：通信工程；教学改革；深度学习；强化学习；人工智能

中图分类号：G642      文献标志码：A          文章编号：2096-000X（2024）25-0103-04

Abstract： The new generation of AI technology has a profound impact on and changed the current social life and technological development trend， and has become the core driving force of the new round of industrial revolution. The growth of massive big data and communication business has posed a huge challenge to the existing communication system. The deep integration of AI and communication technology will greatly improve the efficiency and security of the communication system. Intelligent communication has become a hot research field in academia and industry. In response to this development trend， we have gradually introduced the relevant technology of artificial intelligence in the teaching practice of communication engineering， and added the relevant cases of intelligent communication in the courses of communication principle， wireless communication， satellite communication and navigation. This paper introduces four cases， such as the design of multiple-input multiple-output communication system based on auto encoder. We hoped that this paper has some enlightenment for the future intelligent communication teaching reform work.

Keywords： communication engineering; teaching reform; deep learning; reinforcement learning; artificial intelligence

通信工程专业是一门应用性较强的工程学科，主要研究信号的产生，信息的传输、交换和处理，以及在移动通信、网络通信、光纤通信与多媒体信息处理等方面的理论和工程应用问题。专业覆盖了当前多个热门领域，包括5G移动通信、物联网、智能网联车等，是推动国家政治、经济、科技和国防等领域发展的重要力量，被世界各国视为科技战略发展的核心。当前中国电子信息行业成为新兴产业的中流砥柱，以华为为代表的通信科技公司已走在世界前列。通信工程就业前景广阔，国内迫切需要大批具有创新能力的人才来推动我国电子信息产业的发展[1]。

随着人工智能第三次发展浪潮的到来，在全球范围内引发了各个行业新一轮的技术革新。在此浪潮席卷之下，我国在2017年发布《新一代人工智能发展规划》，将加快发展新一代人工智能作为推动科技进步的重大战略。目前，我国在计算机视觉、语音识别、自然语言处理等技术领域世界领先，已经在自动驾驶、智能机器人、智能医疗和智能家居等产业领域取得了突破性的进展[2]。人工智能在很多领域显示了强大的活力，这促使学术界和产业界将人工智能应用到通信领域，为通信系统发展提供技术支撑。据国际电信联盟预测，2030年互联网接入量将至少提升10倍，从联接百亿的人到联接千亿的物，万物互联终成现实。同时，随着元宇宙、数字孪生等新型应用的到来，带宽的需求也将增长百倍，无线通信网流量将增长40倍，全球千兆及以上的家庭宽带用户渗透率将增长50倍。工业互联网等低时延的应用也将在2030年广泛普及，时延将比如今再次降低很多。未来通信网络将具备立体超宽、通信感知融合、确定性体验、智能原生、安全可信和绿色低碳六大关键特征。这些技术的发展都离不开通过通信理论创新、网络架构创新和软件算法创新，离不开通信网络技术与人工智能的深度融合[3-5]。

教育部特别重视人工智能教育的开展，2018年教育部印发《教育信息化2.0行动计划》，提出要推动人工智能在相关专业的全流程应用，利用智能技术加快推动人才培养模式、教学方法改革[6]。合肥工业大学通信工程专业依托安徽省“四新”研究与改革实践项目，对通信专业的核心课程体系进行了规划，增设了智能信息处理，机器学习、深度学习等人工智能类课程，并在传统的通信与信号课程框架内，将人工智能与通信核心理论相结合，从信息的源头出发，采用AI的方式对数据进行处理分析，在有限的通信资源下，利用AI技术完成资源的调度，均衡计算资源与通信资源。本文介绍了专业在通信原理、移动通信等课程教学中增加的相应人工智能案例与教学实践，这些案例将学术前沿与本科教学相融合，不仅使学生掌握了人工智能的基本理论，也进一步加深了对于通信前沿与发展趋势的理解，为新工科创新型人才的培养具有较好的促进作用。

一  基于自编码器的MIMO通信系统设计

多输入多输出（Multiple input and multiple output，MIMO）技术是指通过发射端的多个发射天线发射信号，在接收端使用多个接收天线接收信号的无线通信技术。多径效应会对无线传输造成不利影响，但在MIMO系统中，多径效应就成为对用户有利的因素，MIMO通信是移动通信课程的核心概念之一。为了有效避免无线信道衰落和噪声干扰造成的性能损失过大，选择通过编码方法来使得不同天线上传输的符号蕴含的信息存在某种联系，这样就能更好地让原本的信息在接收端被无误地获取，也可以理解为中断容量最大化。目前，以提高传输可靠性为目的的空时码研究主要包括时空分组编码（STBC）和时空格码（STTC）。这些传统的编码方式不能适应无线信道快速变化，影响了通信系统性能进一步提升。近年来，基于人工智能实现通信系统性能优化的研究正呈日渐上升趋势， 端到端学习机制则以一种全局优化的方式对整个通信系统进行联合设计，可以使得系统获得更高的性能上界。在端到端学习中自编码器起着至关重要的作用，它使用两个深度学习神经网络对消息进行编码和解码并通过一个物理信道作为学习的潜在表示。

在基于自编码器的MIMO系统中，接收机和发射机由一对多层神经网络实现，神经网络选择了对于分类任务来说简单实用的全连接神经网络。

发射机：给定一个消息mk∈M，发射机生成xk=fＴ （mk），其中平均功率约束E{|xk|2}≤PT由一个归一化层强制执行。假设消息mk被编码到一个M维的“ONE-HOT”向量lk∈{0，1}M，其中第m个元素是1，除此之外的所有元素都是0。ONE-HOT编码，又名一位有效编码，主要是根据样本分类进行编码，只有当特征与样本相同时才为1。

2）接收机：复符号xk通过信道发送，接收机首先生成m维接收概率向量qk=fp（yk）来处理接收符号yk，其中qk的分量可以理解为消息的估计后验概率。最后，根据最大后验概率mk=argmaxm[qk]m估计传输的消息，其中[x]m返回x的第m个元素。

在课程案例中，所有的自编码器都是在多层全连接的神经网络下训练的，其中选择ReLU函数作为激活函数，基于自编码器的端到端学习机制更注重于全局优化，对比传统的分模块的通信机制减少了工程的复杂度，单个模型解决编解码的设计问题并且节省了为每一个任务做单独优化的成本，所以显著提升了复杂工况下的通信性能。基于端到端的MIMO系统自编码器对于提升信道容量、提高接收信号的质量、保证信息的准确性和可靠性，具有十分重要的意义。

二  基于增强学习的D2D通信资源联合优化

设备到设备（Device-to-Device， D2D）通信作为5G蜂窝网通信中的关键技术之一，通过对网络的频谱资源进行复用，实现了频谱利用率的提升。同时，D2D设备之间的通信不需要经过基站，因此也减小了设备间通信时延及基站负担。D2D技术可以有效地提高蜂窝网系统的性能， 但其在面向实际应用时，仍会引发许多致命而不可忽略的问题。其中，D2D复用模式下蜂窝网中的干扰管理和资源分配问题是其中的关键技术。

在过去的几年中，强化学习技术已经被许多学者应用在D2D通信技术中的各个领域，文献[7]首先提出了一种基于Q学习的资源分配算法，该算法的运行场景为一异构蜂窝网，算法首先确保了蜂窝网用户的QoS需求，之后在运行过程中通过网络反馈信息，实现网络总吞吐量不断优化。文献[8]同样基于Q学习方法对功率分配进行了研究，但相较前者提升了功率分配算法的能效。在课程案例中，我们使用深度Q学习（DQN）实现子载波分配算法，即由切换到D2D通信模式的蜂窝网用户自行选择所用子载波，并对自身的发送功率进行实时调控。考虑到全网中的D2D设备之间不存在一个互相协商所用子载波的方式，因此不同的D2D设备存在复用同一子载波的可能性，多个D2D设备复用同一子载波的情况定义为“冲突”，算法应具有一定的“冲突”避免措施。

算法首先对DQN的动作空间的子载波编号，并与DQN中神经网络输出层的每个神经元相关联，子载波的选取过程视为一个“走迷宫”过程，如图1所示，每个DQN节点每步可采取3个动作（向左移动一格，不动，向右移动一格），通过在环境给出的可用子载波合集“迷宫”中移动确定各自的子载波。之后，对冲突问题进行分析。由于网络中的D2D设备可能在任何时间为自身分配一个子载波，D2D设备在为自身分配子载波时之间并没有通信，因此很容易发生多个D2D设备占用同一子载波的情况，这将引起设备间很大的干扰，对网络性能产生负面影响。所以，为了避免这种情况，假定D2D设备具有监听并估计子载波信道状态的功能，在每次分配完子载波后到下一次选取子载波之前，D2D设备估计当前信道状态，并将其记录下来，用作下次选取动作时的参考。最后，当发生冲突时，引起冲突的D2D设备将受到环境“惩罚”，其单步奖励将被置为负值，由此即可保证避免冲突。

每个蜂窝网设备在进入D2D模式后，首先为自身分配一个子载波，之后通过检测D2D通信链路以及与基站之间链路的信道增益来不断改善自身的发送功率，也就是通过功率分配最终在变化的环境中保证自身的QoS需求。深度强化学习在给定的通信场景中通常能够快速收敛到目标函数，同时兼具可以接受的计算复杂度，非常适合解决现今通信系统中的诸多优化问题。

三  基于LSTM长短周期记忆网络的通信流量预测方法

随着互联网技术的发展，网络在现代社会中的地位越来越重要，网络流量预测已经成为一项重要的任务，通过提高网络预测的准确性，网络提供商可以更好地优化资源，提供更好的服务质量。网络流量预测还可以帮助检测网络中的恶意攻击。例如，可以通过比较真实流量和预测流量来检测拒绝服务或垃圾邮件攻击。

流量预测指的是通过对数据预处理之后的历史数据选择适合的模型进行样本学习，达到预测未来某一段时刻内的同一指标值的效果。为了提高预测的精确性，在模型选择上应该适应于历史时间序列的特点。近年来，随着机器学习和深度学习知识背景的丰富和研究领域的扩展，数据的处理不再局限于传统单一数学模型的适应性。基于人工神经网络的深度学习模型能够通过样本的自适应学习，迭代更新网络层与层之间的权值和偏置参数，较好地拟合非线性数据处理问题。通过丰富训练样本、提高隐层数量以及增加隐层神经元数目，能够较大范围调整模型的适应度，在非线性时间序列预测上表现突出。