近日，英國愛丁堡大學博士生欒殿鑫和所在團隊通過針對訓練數據進行設計，從而使得訓練好的神經網絡具有良好的泛化性，即在之前未見過的信道上表現出一定的穩定性。例如，在信道 A 上訓練的神經網絡，在完全不同的信道 B、C、D 上的性能是一致的。當然這個神經網絡的性能仍然非常好，而且通常會明顯優于傳統方法。與此同時，本次結果也證明在信道 B 上訓練的神經網絡，在信道 A 上幾乎完全是隨機預測的。這一成果解決了神經網絡在無線通信領域中應用時的泛化性問題。
需要注意的是，無線信道的數量實際上是無限多的，神經網絡不可能在每一個信道上都訓練過，即便使用龐大的、從現實中采樣得到的數據集進行訓練，神經網絡也會面臨災難性遺忘的問題，并不能保證遍歷了所有信道的神經網絡能夠學會預測每一個信道。“更何況遍歷所有的信道這本身就是不可能的。”研究人員指出。
（來源：IEEE Transactions on Cognitive Communications and ）
在應用前景上，這一成果使得神經網絡方法在物理層通信信道估計模塊中有望成為最小二乘法（LS，Least Squares）估計的替代方案，LS 估計的性能雖然比較差，但是這種方法可以進行通用估計，因為這種方法不需要任何信道的真實信息。而此次提出的神經網絡解決方案通過在無線信道上實現穩定的泛化性，從而能夠實現通用的估計。在實驗中，研究團隊已經證明了其在不同功率延遲分布（PDP，Power Delay Profile）、延遲拓展、信道建模以及系統超參數上的穩定性。
這使得研究團隊的神經網絡方案有望成為 LS 信道估計的替代方案從而被應用于物理層通信。“詳細來說就是可以用在通信芯片上，例如海思麒麟芯片上的巴龍芯片以及聯發科的天璣芯片，或者一些其他的物理層通信設備上。”研究人員對 DeepTech 表示。
