融合人工智能的通信工程教學案例設計與實踐

摘" 要：新一代人工智能技術深刻影響和改變現有的社會生活和科技發展趨勢，成為新一輪產業革命的核心驅動力。海量大數據和通信業務的增長對現有的通信系統提出巨大挑戰，人工智能與通信技術的深度融合，將大幅提升通信系統的效能與安全性，智能通信已經成為學術界與工業界的熱門研究領域。為響應這種發展趨勢，在通信工程教學實踐中逐步引入了人工智能的相關技術，在通信原理、無線通信、衛星通信與導航等課程中增加智能通信的相關案例，該文從中選擇基于自編碼器的多輸入多輸出通信系統設計等四個案例進行介紹，希望對今后智能通信教學改革工作有一定的啟迪。

關鍵詞：通信工程；教學改革；深度學習；強化學習；人工智能

中圖分類號：G642" " " 文獻標志碼：A" " " " " 文章編號：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

通信工程專業是一門應用性較強的工程學科，主要研究信號的產生，信息的傳輸、交換和處理，以及在移動通信、網絡通信、光纖通信與多媒體信息處理等方面的理論和工程應用問題。專業覆蓋了當前多個熱門領域，包括5G移動通信、物聯網、智能網聯車等，是推動國家政治、經濟、科技和國防等領域發展的重要力量，被世界各國視為科技戰略發展的核心。當前中國電子信息行業成為新興產業的中流砥柱，以華為為代表的通信科技公司已走在世界前列。通信工程就業前景廣闊，國內迫切需要大批具有創新能力的人才來推動我國電子信息產業的發展[1]。

隨著人工智能第三次發展浪潮的到來，在全球范圍內引發了各個行業新一輪的技術革新。在此浪潮席卷之下，我國在2017年發布《新一代人工智能發展規劃》，將加快發展新一代人工智能作為推動科技進步的重大戰略。目前，我國在計算機視覺、語音識別、自然語言處理等技術領域世界領先，已經在自動駕駛、智能機器人、智能醫療和智能家居等產業領域取得了突破性的進展[2]。人工智能在很多領域顯示了強大的活力，這促使學術界和產業界將人工智能應用到通信領域，為通信系統發展提供技術支撐。據國際電信聯盟預測，2030年互聯網接入量將至少提升10倍，從聯接百億的人到聯接千億的物，萬物互聯終成現實。同時，隨著元宇宙、數字孿生等新型應用的到來，帶寬的需求也將增長百倍，無線通信網流量將增長40倍，全球千兆及以上的家庭寬帶用戶滲透率將增長50倍。工業互聯網等低時延的應用也將在2030年廣泛普及，時延將比如今再次降低很多。未來通信網絡將具備立體超寬、通信感知融合、確定性體驗、智能原生、安全可信和綠色低碳六大關鍵特征。這些技術的發展都離不開通過通信理論創新、網絡架構創新和軟件算法創新，離不開通信網絡技術與人工智能的深度融合[3-5]。

教育部特別重視人工智能教育的開展，2018年教育部印發《教育信息化2.0行動計劃》，提出要推動人工智能在相關專業的全流程應用，利用智能技術加快推動人才培養模式、教學方法改革[6]。合肥工業大學通信工程專業依托安徽省“四新”研究與改革實踐項目，對通信專業的核心課程體系進行了規劃，增設了智能信息處理，機器學習、深度學習等人工智能類課程，并在傳統的通信與信號課程框架內，將人工智能與通信核心理論相結合，從信息的源頭出發，采用AI的方式對數據進行處理分析，在有限的通信資源下，利用AI技術完成資源的調度，均衡計算資源與通信資源。本文介紹了專業在通信原理、移動通信等課程教學中增加的相應人工智能案例與教學實踐，這些案例將學術前沿與本科教學相融合，不僅使學生掌握了人工智能的基本理論，也進一步加深了對于通信前沿與發展趨勢的理解，為新工科創新型人才的培養具有較好的促進作用。

一" 基于自編碼器的MIMO通信系統設計

多輸入多輸出（Multiple input and multiple output，MIMO）技術是指通過發射端的多個發射天線發射信號，在接收端使用多個接收天線接收信號的無線通信技術。多徑效應會對無線傳輸造成不利影響，但在MIMO系統中，多徑效應就成為對用戶有利的因素，MIMO通信是移動通信課程的核心概念之一。為了有效避免無線信道衰落和噪聲干擾造成的性能損失過大，選擇通過編碼方法來使得不同天線上傳輸的符號蘊含的信息存在某種聯系，這樣就能更好地讓原本的信息在接收端被無誤地獲取，也可以理解為中斷容量最大化。目前，以提高傳輸可靠性為目的的空時碼研究主要包括時空分組編碼（STBC）和時空格碼（STTC）。這些傳統的編碼方式不能適應無線信道快速變化，影響了通信系統性能進一步提升。近年來，基于人工智能實現通信系統性能優化的研究正呈日漸上升趨勢， 端到端學習機制則以一種全局優化的方式對整個通信系統進行聯合設計，可以使得系統獲得更高的性能上界。在端到端學習中自編碼器起著至關重要的作用，它使用兩個深度學習神經網絡對消息進行編碼和解碼并通過一個物理信道作為學習的潛在表示。

在基于自編碼器的MIMO系統中，接收機和發射機由一對多層神經網絡實現，神經網絡選擇了對于分類任務來說簡單實用的全連接神經網絡。

發射機：給定一個消息mk∈M，發射機生成xk=fＴ （mk），其中平均功率約束E{|xk|2}≤PT由一個歸一化層強制執行。假設消息mk被編碼到一個M維的“ONE-HOT”向量lk∈{0，1}M，其中第m個元素是1，除此之外的所有元素都是0。ONE-HOT編碼，又名一位有效編碼，主要是根據樣本分類進行編碼，只有當特征與樣本相同時才為1。

2）接收機：復符號xk通過信道發送，接收機首先生成m維接收概率向量qk=fp（yk）來處理接收符號yk，其中qk的分量可以理解為消息的估計后驗概率。最后，根據最大后驗概率mk=argmaxm[qk]m估計傳輸的消息，其中[x]m返回x的第m個元素。

在課程案例中，所有的自編碼器都是在多層全連接的神經網絡下訓練的，其中選擇ReLU函數作為激活函數，基于自編碼器的端到端學習機制更注重于全局優化，對比傳統的分模塊的通信機制減少了工程的復雜度，單個模型解決編解碼的設計問題并且節省了為每一個任務做單獨優化的成本，所以顯著提升了復雜工況下的通信性能。基于端到端的MIMO系統自編碼器對于提升信道容量、提高接收信號的質量、保證信息的準確性和可靠性，具有十分重要的意義。

二" 基于增強學習的D2D通信資源聯合優化

設備到設備（Device-to-Device， D2D）通信作為5G蜂窩網通信中的關鍵技術之一，通過對網絡的頻譜資源進行復用，實現了頻譜利用率的提升。同時，D2D設備之間的通信不需要經過基站，因此也減小了設備間通信時延及基站負擔。D2D技術可以有效地提高蜂窩網系統的性能， 但其在面向實際應用時，仍會引發許多致命而不可忽略的問題。其中，D2D復用模式下蜂窩網中的干擾管理和資源分配問題是其中的關鍵技術。

在過去的幾年中，強化學習技術已經被許多學者應用在D2D通信技術中的各個領域，文獻[7]首先提出了一種基于Q學習的資源分配算法，該算法的運行場景為一異構蜂窩網，算法首先確保了蜂窩網用戶的QoS需求，之后在運行過程中通過網絡反饋信息，實現網絡總吞吐量不斷優化。文獻[8]同樣基于Q學習方法對功率分配進行了研究，但相較前者提升了功率分配算法的能效。在課程案例中，我們使用深度Q學習（DQN）實現子載波分配算法，即由切換到D2D通信模式的蜂窩網用戶自行選擇所用子載波，并對自身的發送功率進行實時調控。考慮到全網中的D2D設備之間不存在一個互相協商所用子載波的方式，因此不同的D2D設備存在復用同一子載波的可能性，多個D2D設備復用同一子載波的情況定義為“沖突”，算法應具有一定的“沖突”避免措施。

算法首先對DQN的動作空間的子載波編號，并與DQN中神經網絡輸出層的每個神經元相關聯，子載波的選取過程視為一個“走迷宮”過程，如圖1所示，每個DQN節點每步可采取3個動作（向左移動一格，不動，向右移動一格），通過在環境給出的可用子載波合集“迷宮”中移動確定各自的子載波。之后，對沖突問題進行分析。由于網絡中的D2D設備可能在任何時間為自身分配一個子載波，D2D設備在為自身分配子載波時之間并沒有通信，因此很容易發生多個D2D設備占用同一子載波的情況，這將引起設備間很大的干擾，對網絡性能產生負面影響。所以，為了避免這種情況，假定D2D設備具有監聽并估計子載波信道狀態的功能，在每次分配完子載波后到下一次選取子載波之前，D2D設備估計當前信道狀態，并將其記錄下來，用作下次選取動作時的參考。最后，當發生沖突時，引起沖突的D2D設備將受到環境“懲罰”，其單步獎勵將被置為負值，由此即可保證避免沖突。

每個蜂窩網設備在進入D2D模式后，首先為自身分配一個子載波，之后通過檢測D2D通信鏈路以及與基站之間鏈路的信道增益來不斷改善自身的發送功率，也就是通過功率分配最終在變化的環境中保證自身的QoS需求。深度強化學習在給定的通信場景中通常能夠快速收斂到目標函數，同時兼具可以接受的計算復雜度，非常適合解決現今通信系統中的諸多優化問題。

三" 基于LSTM長短周期記憶網絡的通信流量預測方法

隨著互聯網技術的發展，網絡在現代社會中的地位越來越重要，網絡流量預測已經成為一項重要的任務，通過提高網絡預測的準確性，網絡提供商可以更好地優化資源，提供更好的服務質量。網絡流量預測還可以幫助檢測網絡中的惡意攻擊。例如，可以通過比較真實流量和預測流量來檢測拒絕服務或垃圾郵件攻擊。

流量預測指的是通過對數據預處理之后的歷史數據選擇適合的模型進行樣本學習，達到預測未來某一段時刻內的同一指標值的效果。為了提高預測的精確性，在模型選擇上應該適應于歷史時間序列的特點。近年來，隨著機器學習和深度學習知識背景的豐富和研究領域的擴展，數據的處理不再局限于傳統單一數學模型的適應性?；谌斯ど窠浘W絡的深度學習模型能夠通過樣本的自適應學習，迭代更新網絡層與層之間的權值和偏置參數，較好地擬合非線性數據處理問題。通過豐富訓練樣本、提高隱層數量以及增加隱層神經元數目，能夠較大范圍調整模型的適應度，在非線性時間序列預測上表現突出。

長短周期記憶網絡（LSTM）是種特殊遞歸神經網絡網絡，引入了“門控”的選擇性機制，分別是遺忘門、輸入門和輸出門，從而有選擇性地保留或刪除信息，以能夠較好地學習長期依賴關系。

LSTM單元的總體架構如圖2所示。LSTM單元由輸入節點、遺忘門、輸出門、輸入門、內部狀態節點和更新門組成。忘記門決定從先前的記憶單元中忘記什么，輸入門決定接受什么進入神經元，更新門更新細胞，輸出門產生新的長期記憶。LSTM的四大要素通過特定的方法進行交互，即接受長期記憶與短期記憶，在一定的時間步長下，輸入順序，產生新的長期記憶，新的短期記憶，以及新的輸出序列。網絡流量具有明顯的突發特征，時間序列呈現非線性，采用常規的線性預報方法，很難對其進行精確地預報。通過對 LSTM網絡的學習，從多尺度上抽取突發事件，從而實現對未來通信網絡流量的預測。在課程案例中，為了驗證通信網絡流量預測的準確性，選擇了兩個真實的網絡流量數據集。數據集1來自歐洲11個城市的ISP互聯網流量，數據集2來自英國學術網流量數據集。兩份數據都具有很強的周期性以及規律性。案例實驗結果表明，LSTM模型是一種很好的時序預測模型，對比傳統預測方法具有較高的準確性。

四" 基于深度卷積網絡的衛星導航干擾識別與分類方法

衛星導航發揮著愈來愈重要的作用，給人們的日常生活帶來巨大的改變。導航衛星系統接收器輸入端的信號是有用信號與干擾信號的混合。干擾會導致導航精度下降或接收機跟蹤完全丟失。常見的干擾有地面雜波所導致的干擾，包括地面基站所產生的雜波，通信傳輸時夾帶的通信噪聲等，相鄰衛星和傳輸信道間所導致的干擾，來自自然界雨水云層的干擾以及人為惡意干擾[9]。衛星導航干擾模式識別可分為三個步驟，如圖3所示。首先，接收信號，對輸入信號進行預處理，將信號用數據進行表示，擺脫物理空間的影響，使用數學模型的方式表示，并且消除噪聲影響。其次，進行特征提取，提取其可分辨的區分性特征。最后，分類決策，使用分類模型，對特征提取后的信號進行識別分類。

基于高階統計量的特征提取充分利用高階累積量對于白噪聲具有恒為零的特點，可以提取信號中非高斯信號。對于GNSS接收機所接收的信號，由于現實傳播中常常存在大氣之中的自然干擾，導致所要傳輸的信號本身帶有許多高斯隨機噪聲，適合使用高階統計量。卷積神經網絡（Convolutional Neural Networks， CNN）是一個前饋神經網絡，它的網絡神經元可以對部分覆蓋網絡單元作出響應，非常適合于信號的分類和識別。典型的CNN由3部分組成：卷積層、池化層、全連接層。其中，卷積層其目的用于提取特征；池化層是為了緩解卷積層對位置的過度敏感性，直接計算池化窗口內元素的最大值或者平均值；全連接層計算后驗概率，完成最后分類環節。在課程案例中，我們仿真產生單音干擾、線性掃頻干擾、脈沖干擾和梳狀譜干擾等干擾信號，使用信號高階統計量提取簡單的特征作為CNN的輸入，并利用CNN完成模型訓練和分類識別的工作。案例實驗結果表明，基于深度卷積網絡的干擾識別與分類算法可有效提升識別精度，具有較好的實用價值。

五" 結束語

隨著人工智能與通信技術的融合，低延時、高可靠的通信體驗會極大縮減人與人、人與物之間的距離，促進萬物互聯，極大地促進智能社會的構建和生產力的發展。在通信專業的教學改革實踐中，我們積極謀劃相關人工智能課程，在通信原理、無線通信、通信網絡等課程中增加人工智能的相關案例，促進了學科交叉，激發了學生創新思維，取得了較好的教學效果。本文簡述了四個教學案例，期望能以此提供給同行討論與思考，助力人工智能與通信工程的融合發展。

參考文獻：

[1] 張平，崔琪楣，胡錚，等.科產教深融合，構建“無線通信中的人工智能”高新課程[J].高等工程教育研究，2022，197（6）：14-18.

[2] 孟慶民，何雪云，鄒玉龍，等.人工智能背景下電子信息類教育新形態探索[J].高教學刊，2022，8（28）：16-18，22.

[3] 肖睿，肖海明，尚俊杰.人工智能與教育變革：前景、困難和策略[J].中國電化教育，2020（4）：75-86.

[4] 王溪朦.基于人工智能的5G無線網絡智能規劃和優化[J].中國新通信，2022，24（18）：28-30.

[5] 潘旦.人工智能和高等教育的融合發展：變革與引領[J].高等教育研究，2021，42（2）：40-46.

[6] 黃淋云，林文斌，蘇玉潔.“人工智能+X”創新型人才培養模式的教學改革探討[J].中國現代教育裝備，2022，385（9）：147-149.

[7] ZHANG L， XIAO M， WU G， et al. Efficient scheduling and power allocation for D2D-assisted wireless caching networks[C]// IEEE Trans. Communication， 2016，64（6）：2438-2452.

[8] WANG Y， LIU M， YANG J， et al. Data-driven deep learning for automatic modulation recognition in cognitive radios[C]// IEEE Trans. Veh. Technol.， 2019，68（4）：4074-4077.

[9] 王月，孫付平，叢佃偉.GNSS干擾感知與對抗決策方法研究[J].無線電工程，2021，51（10）：1048-1054.

基金項目：安徽省省級質量工程項目“面向新工科的通信工程專業創新型人才培養研究與實踐”（2021sx126）、“基于人工智能的課堂行為分析與教學評測方法研究”（2022jyxm008）

第一作者簡介：孫銳（1976-），男，漢族，浙江余姚人，博士，教授，碩士研究生導師。研究方向為信息與通信工程。