近日，英国爱丁堡大学博士生栾殿鑫和所在团队通过针对训练数据进行设计，从而使得训练好的神经网络具有良好的泛化性，即在之前未见过的信道上表现出一定的稳定性。例如，在信道 A 上训练的神经网络，在完全不同的信道 B、C、D 上的性能是一致的。当然这个神经网络的性能仍然非常好，而且通常会明显优于传统方法。与此同时，本次结果也证明在信道 B 上训练的神经网络，在信道 A 上几乎完全是随机预测的。这一成果解决了神经网络在无线通信领域中应用时的泛化性问题。
需要注意的是，无线信道的数量实际上是无限多的，神经网络不可能在每一个信道上都训练过，即便使用庞大的、从现实中采样得到的数据集进行训练，神经网络也会面临灾难性遗忘的问题，并不能保证遍历了所有信道的神经网络能够学会预测每一个信道。“更何况遍历所有的信道这本身就是不可能的。”研究人员指出。
（来源：IEEE Transactions on Cognitive Communications and ）
在应用前景上，这一成果使得神经网络方法在物理层通信信道估计模块中有望成为最小二乘法（LS，Least Squares）估计的替代方案，LS 估计的性能虽然比较差，但是这种方法可以进行通用估计，因为这种方法不需要任何信道的真实信息。而此次提出的神经网络解决方案通过在无线信道上实现稳定的泛化性，从而能够实现通用的估计。在实验中，研究团队已经证明了其在不同功率延迟分布（PDP，Power Delay Profile）、延迟拓展、信道建模以及系统超参数上的稳定性。
这使得研究团队的神经网络方案有望成为 LS 信道估计的替代方案从而被应用于物理层通信。“详细来说就是可以用在通信芯片上，例如海思麒麟芯片上的巴龙芯片以及联发科的天玑芯片，或者一些其他的物理层通信设备上。”研究人员对 DeepTech 表示。
