基于LSTM深度学习的FSO/RF中继系统过时信道开销最小化研究

《IEEE Photonics Journal》：Outdated Channel Overhead Minimization Using LSTM Based Deep Learning Approach in FSO/RF Relaying Systems

　　本文针对自由空间光通信/射频(FSO/RF)混合中继系统中存在的过时信道状态信息(CSI)问题，提出了一种基于长短期记忆(LSTM)深度学习模型的信道估计方法。研究人员通过构建LSTM网络模型，利用过时CSI数据预测原始信道状态，有效解决了因信道相关性导致的系统性能下降问题。实验结果表明，该模型的均方误差(MSE)和均方根误差(RMSE)分别达到-43.49 dB和-13.42 dB，显著提升了系统的中断概率、遍历容量和误码率(BER)性能，为下一代无线通信系统提供了重要的技术支撑。

　　

在当今无线通信技术飞速发展的时代，自由空间光通信(FSO)与射频(RF)技术的融合被视为未来通信的重要发展方向。然而，这种混合FSO/RF中继系统在实际应用中面临着一个棘手的问题——过时信道状态信息(CSI)。由于大气湍流、设备处理延迟等因素，中继节点获取的信道信息往往与实时信道状态存在差异，这种"过时"的信道信息会导致系统性能显著下降。

传统的信道估计方法如最小二乘(LS)和最小均方误差(MMSE)在处理这种非线性、具有时间相关性的信道特性时显得力不从心。正如研究人员在论文中指出的，无线信道的衰落特性具有高度非线性，通常采用统计模型进行建模。散射、反射和衍射等效应会导致信号在传播过程中产生幅度和相位变化，而跟踪每个效应几乎是不可能的。更重要的是，当前样本与过去样本之间存在的自相关性为信道建模带来了新的挑战。

为了解决这一难题，研究人员创新性地提出了基于长短期记忆(LSTM)深度学习的方法。LSTM作为循环神经网络(RNN)的一种特殊类型，具有处理长时间依赖关系的能力，特别适合用于具有时间相关性的信道状态预测。与传统的人工神经网络(ANN)和卷积神经网络(CNN)相比，LSTM通过其独特的门控机制（遗忘门、输入门、输出门）和细胞状态，能够有效地选择性地保留或丢弃信息，从而克服了传统RNN存在的梯度消失问题。

在研究设计中，团队构建了一个典型的FSO/RF下行放大转发(AF)中继系统模型。该系统包含两个通信阶段：在第一时隙，中继节点通过FSO链路从源节点接收信号；在第二时隙，中继节点将处理后的信号通过RF链路转发至目的节点。关键问题在于，中继节点在第二时隙用于计算可变增益的信道信息是基于过时的CSI估计值，这与第一时隙的实际信道状态存在相关性差异。

研究人员通过理论分析建立了过时CSI与原始CSI之间的数学关系。如公式(6)所示：I(t₂)=ρI(t₁)+√(1-ρ²)δ，其中ρ表示相关系数，δ是零均值单位方差的高斯随机变量。这种关系清晰地揭示了过时信道信息的形成机制，为后续的深度学习模型设计提供了理论基础。

在技术方法方面，研究团队主要采用了以下几个关键技术：首先，利用MATLAB生成包含10⁵个样本的大规模数据集，该数据集模拟了不同大气湍流强度和指向误差条件下的FSO信道特性；其次，构建了包含输入层、两个隐藏层（分别包含20和10个LSTM单元）和输出层的深度学习网络架构；第三，采用MinMaxScaler进行数据标准化处理，并将数据集按50%训练、20%验证、30%测试的比例划分；最后，使用均方误差作为损失函数，通过500个训练周期优化模型参数。

模型训练过程中，研究人员特别注重超参数调优和防止过拟合。他们在每个隐藏层后加入了批归一化(Batch Normalization)和丢弃法(Dropout)技术，使用ReLU函数作为激活函数，确保模型既能够充分学习数据特征，又保持良好的泛化能力。如算法1所示，整个训练过程包括数据预处理、模型构建、训练优化和性能评估四个主要阶段。

在研究结果方面，论文通过多个维度验证了所提出方法的有效性：

系统模型验证部分表明，基于LSTM的信道估计方法能够准确捕捉FSO信道的时空相关性特征。如图4所示，通过直方图清晰地展示了当前样本与过去样本之间的相关性分布，为模型的有效性提供了直观证据。

性能对比分析显示，LSTM模型在MSE和RMSE指标上显著优于传统方法。具体而言，LSTM模型的MSE达到-43.49 dB，RMSE为-13.42 dB，而传统MMSE方法的MSE仅为-4.92 dB，LS方法更是只有5.68 dB。这一结果充分证明了深度学习在复杂信道估计任务中的优势。

相关性分析结果（图7）进一步验证了模型的预测准确性。即使在相关系数ρ=0.25的低相关性条件下，LSTM模型仍能较好地预测原始湍流值，说明该方法对不同程度的信道相关性都具有一定的适应能力。

系统性能评估部分通过三个关键指标展示了所提方法的实际价值：

中断概率分析（图8）表明，使用LSTM估计的信道信息能够使系统性能接近理想CSI情况下的水平。特别是在存在指向误差的条件下，基于LSTM的估计方法仍能保持较好的性能表现，显示了方法的鲁棒性。

遍历容量分析（图9）结果显示，即使在中度相关性(ρ=0.5)条件下，基于LSTM估计的系统容量仍能接近使用原始CSI时的性能。这一发现对于实际系统中保证数据传输速率具有重要意义。

误码率分析（图10、11）从通信质量角度验证了方法的有效性。研究表明，无论是放大转发(AF)还是解码转发(DF)中继协议，基于LSTM的信道估计都能显著改善系统误码性能。特别是在同时存在大气湍流和指向误差的复杂场景下，该方法仍能保持稳定的性能提升。

研究结论与讨论部分强调了该工作的理论贡献和实际价值。首先，论文证实了LSTM深度学习模型在处理光学无线信道估计问题中的有效性，特别是其能够利用内存单元跟踪原始样本与过时样本之间的相关性。其次，通过大量实验验证，该方法在不同信道条件和系统配置下都表现出良好的适应性和稳定性。最重要的是，这项工作为未来无线通信系统提供了一种新的思路，即通过深度学习技术来解决传统方法难以处理的复杂信道估计问题。

该研究的创新点主要体现在三个方面：一是首次将LSTM深度学习模型应用于FSO/RF混合中继系统的过时CSI估计问题；二是通过系统的性能评估，全面验证了该方法在中断概率、遍历容量和误码率等多个关键指标上的优势；三是为实际系统中的信道估计问题提供了一种可行的深度学习解决方案。

尽管该研究取得了显著成果，但作者也指出了一些值得进一步探索的方向。例如，在实际部署中需要考虑计算复杂度和实时性要求，未来可以研究模型压缩和加速技术。此外，如何将这种方法扩展到更复杂的信道环境和系统架构中，也是一个有价值的研究方向。

这项发表在《IEEE Photonics Journal》上的研究工作，不仅为解决FSO/RF系统中的过时信道信息问题提供了有效方案，更重要的是展示了深度学习在物理层通信中的巨大潜力，为未来无线通信技术的发展开辟了新的可能性。随着5G-Advanced和6G技术的演进，这种基于深度学习的方法有望在更广泛的通信场景中发挥重要作用。