浅析深度学习在软件无线电技术中的应用

赵琳

摘  要：随着人工智能技术的快速发展，深度学习技术已经被应用于多个领域，对软件无线电技术也产生了一定程度的影响。本文总结分析了基于深度学习的软件无线电系统功能架构，阐述了深度学习技术在软件无线电系统中的应用价值，具有一定的理论意义和实用价值。

关键词：软件无线电;深度学习;无线网络优化

引言

随着计算机信息技术的快速发展以及工业4.0时代的到来，人工智能技术已经逐步进入实际应用阶段，对多个领域都产生了不同程度的影响。软件无线电的概念和相关理论虽然由来已久，但其潜在能力远远不限于建立多模式、多频段、多功能的无线设备，仍有待人们进一步深入的挖掘，而深度学习、数据挖掘等新兴人工智能技术的有效应用则可以促使软件无线电从传统意义上的无线电技术向智能无线电技术发展，激发软件无线电更廣泛、更强大的应用能力[1]。为了加深人们对于智能无线电技术的理解，本文分析总结了基于深度学习的软件无线电系统功能架构，阐述了其具体的应用价值，可以为相关研究人员提供参考，具有一定的理论意义和实用价值。

1.基于深度学习的软件无线电系统功能架构

深度学习技术在软件无线电中的应用可以促使软件无线电真正的智能化，其实质是在软件无线电的基础上引入深度学习算法，从而实现软件无线电的深度智能化，其具体的形态和和功能架构如图1所示。

图1  基于深度学习的软件无线电功能架构图

从图1中可以看出，基于深度学习技术的软件无线电应用系统，相较于传统的软件无线电系统，在硬件层面需要增加传感器系统与高性能计算单元，在软件层面需要增加深度学习算法[2]。

基于深度学习的软件无线电系统的设计思路是将软件无线电系统、传感器、深度学习融合在一起，利用深度学习技术在射频端和用户域中的观察（传感、感知）、导向、规划、决策、行动和学习能力，通过高性能计算单元（高性能图形处理器GPU）对传感器系统实时采集到的系统环境数据进行实时计算处理，然后将计算结果反馈给中央处理器，从而提供更好的信息质量，将通信双方的信号参数（包括通信频率、发射功率、调制方式、带宽等）实时地调整到最佳状态，使通信系统的无线电参数不仅与规则相适应，而且能与环境相匹配，并且无论何时何地都能达到通信系统的高可靠性以及频谱利用的高效性，创造意识、自适应和认知无线电，在射频和用户域完成从简单的感知或自适应变换为确定的认知无线电[3]。

目前已有部分企业基于上述架构设计并实现了基于相关平台和产品，例如Deepwave公司基于FPGA/CPU/GPU架构设计了开发部署软件无线电的平台AIR-T，该平台为深度学习在软件无线电系统中的应用提供了硬件环境;DeepSig公司开发的OmniSIG开发套件基于深度学习技术，并采用实时信号处理，允许用户训练信号检测和分类传感器，而OmniSIG传感器则可以检测到Wi-Fi，蓝牙等无线电信号，速度比现有无线技术快1000倍。

2.深度学习在软件无线电技术中的应用价值

2.1 有助于实现无线网络的端到端优化

根据前文所述，深度学习算法可以对无线通信系统的射频端和用户域进行端到端的学习，包括对无线电收发器、编解码器、RF组件、天线、数据转换器等系统组件的学习，然后建立相应的培训模型，通过培训模型可以显著的改善软件无线电系统的各项射频参数，例如信道带宽、天线灵敏度等，并且允许设计人员优先考虑系统的关键参数，例如吞吐量，延迟，范围和功耗等，从而克服射频信号的复杂性，解决射频系统的设计复杂性问题，进而实现无线网络端到端的优化[4]。

2.2 提升无线电系统设计效率

随着认知无线电概念的提出和应用，目前已有相关技术可以为无线电系统中的各个组件进行智能化工程，但针对频谱监测等应用，目前的智能化技术中的特征提取和选择过程仍是无线电系统设计人员手工进行，导致这些劳动密集型的工作过程通常需要数月才能完成设计和部署[5]。但深度学习技术则可以在几个小时内调用数据分析模型来训练无线电信号类型，而训练得出的深度神经网络只需要花费几毫秒就可以完成无线信号的检测和分类，大幅度提高了无线电系统的设计效率[6]。

3.结论

本文初步分析了深度学习在软件无线电系统中的应用过程和设计思路，简要总结了其应用价值，包括优化无线电系统参数、提高系统设计效率等方面。随着移动互联网、物联网、天地一体化信息网络等技术的发展，未来无线网络会向高速率、多接入、广覆盖的方向发展，而深度学习等人工智能技术则会是强劲有力的加速引擎，促进软件无线电技术的飞速发展。

参考文献

[1]  陈铮，彭盛亮，李焕焕. 基于深度学习与软件无线电的盲解调系统研究[J]. 信号处理，2019，035（004）：649-655.

[2]  罗彤. 试论人工智能技术在认知无线电中的应用[J]. 电子技术与软件工程，2016，000（003）：P.263-263.

[3]  王沙飞，鲍雁飞，李岩. 认知电子战体系结构与技术[J]. 中国科学：信息科学，2018，48（12）：19-29+125.

[4]  童永通. 机器学习在认知无线电技术中的应用[J]. 电子制作，2017（11）：97-98.

[5]  史白. 基于WiFi的非合作式人体运动检测[D].电子科技大学，2018.

[6]  周鑫，何晓新，郑昌文.基于图像深度学习的无线电信号识别[J]. 通信学报，2019，040（007）：114-125.