2021年12月16日，英国拉夫堡大学沃尔夫森机械、电气和制造工程学院无线通信信号处理的郑淦教授应邀通过线上会议与我室进行学术交流，为与会师生做了一场题为“基于模型驱动深度学习的B5G多用户波束优化”的学术讲座。

讲座中，郑淦教授主要分享了利用模型驱动的深度学习算法来优化波束成形方面的发展。首先介绍了现代通信中提高频谱效率的技术及其发展现状，而波束成形一直是提高频谱效率的关键多天线技术，指出了在下行链路中传统方法是通过波束成形矩阵使系统效用函数在总功率约束下最大化，此时存在数值优化复杂性高、信道估计的开销、延迟使方案过时、硬件造成不确定性的问题。

提出了基于模型驱动的深度学习方案，结合了数据和模型的优点，提高准确性、减少标记数据、降低了复杂性和信道估计开销并使频谱效率得到保证。郑淦教授为我们介绍了模型驱动的波束成形神经网络BNN（如下图所示）。并分析了不同方案性能以及复杂性，其中所提方案实现了两者最佳权衡。

接着提出了用于联合信道估计和速率最大化的模型驱动学习方法，从上行链路估计下行链路信道，联合优化使终端性能最大化，将其扩展到多蜂窝系统的分布式学习。一般化时存在通道模型不匹配的问题，利用现有的元学习算法MAML可以解决部分自适应波束成形问题。而利用嵌入式模型和快速SVR适应方案可以解决MAML训练和适应复杂程度高的问题。郑淦教授向我们展示了仿真结果其表明所提方案能实现自适应波束成形并且具有较好的泛华和可拓展性。

随后，郑淦教授对模型驱动的深度学习进行了总结，并对未来如何有效利用模型知识让人工智能成为6G和今后通信的强大工具提出展望。在提问互动环节，郑淦教授与在会师生积极互动，耐心细致地答疑解惑，大家纷纷表示在今天这场讲座中收获颇丰。

人物简介：

郑淦博士现为英国拉夫堡大学教授，现为IEEE Fellow并担任IEEE Wireless Communications Letters和IEEE Communications Letters编委。郑淦的研究主要关注无线通信网络的资源优化以及人工智能在通信系统中的应用，曾6次获得IEEE最佳论文奖,包括2013年IEEE Signal Processing Letters (该奖项引入后首次唯一获奖论文), 2015年GLOBECOM (国际通信领域两大顶级会议之一，通信信号处理Symposium唯一获奖论文)和2018年IEEE Technical Committee on Green Communications & Computing最佳论文(唯一获奖论文)。他在权威国际期刊和主要国际会议分别发表学术论文87篇和50篇。学术引用总数超过8743次，单篇最高引用802次，h-index为45(Google Scholar)。