【6G专题】机器学习在无线信道建模中的应用现状与展望

点击蓝字

关注我们

相关链接：

《移动通信》2021年第4期目录 ▏本期专题：6G

2021年第4期 ▏建党100年以来的中国移动通信

面向6G的无蜂窝大规模MIMO无线传输技术

6G智能全连接网络架构

反向散射通信的未来应用与技术挑战

面向6G超大规模MIMO系统分布式基带处理信号检测算法

6G网络需求、架构及技术趋势

6G中的卫星通信高效天基计算技术

可定义的6G安全架构

新兴技术对6G网络架构的潜在影响

6G智慧内生：技术挑战、架构和关键特征

6G全域融合网络展望

面向6G时代新通信系统的内生感知

12

6G专题（2021-第4期）

机器学习在无线信道建模中的应用现状与展望*

黄鸿清1，刘为2,3，伍沛然1,4，夏明华1,4

【关键词】机器学习；无线信道；信道建模

doi:10.3969/j.issn.1006-1010.2021.04.016

中图分类号：TN929.5 文献标志码：A

文章编号：1006-1010(2021)04-0095-10

引用格式：黄鸿清,刘为,伍沛然,等. 机器学习在无线信道建模中的应用现状与展望[J]. 移动通信, 2021,45(4): 95-104.

0 引言

无线信道作为无线通信系统传输电磁波信号的媒介，其传播特性对通信系统的误码率、信道容量、能量效率和频谱效率等性能具有决定性作用。一个反映实际传播环境的信道模型对于通信系统的设计、开发、性能评估与实际部署具有重要的指导意义。因此，无线信道建模被认为是无线通信领域最基础且重要的研究课题之一 [1] 。具体来说，信道建模是一个探索并表征真实环境中信道传播特性的过程，通过有效的数学模型对信道进行刻画，从而揭示电磁波在不同场景下的传播特性。为了尽可能准确地表征真实环境的信道传播特性，对实际场景的无线信道进行大量的测量是必不可少的，目前，国内外许多研究团队及项目已经针对B5G/6G的需求开展了无线信道的测量与建模工作 [2] 。

对于无线信道传播特性的研究，根据建模方法的差异性可将无线信道模型分类为确定性模型和随机性模型，其中的随机性模型又包括了非几何随机模型（NGSM, Non-Geometric Stochastic Model）和基于几何的随机模型（GBSM, Geometry-Based Stochastic Model） [2] 。确定性模型依赖于传播环境的精确信息，通过光学射线理论或电磁传播理论来准确地分析和预测无线信道传播特性，如射线追踪法（Ray Tracing）和计算电磁法（CEM, Computational Electromagnetic）等。然而，由于依赖于环境信息且计算复杂度高，这类模型一般仅适用于较小范围场景的信道建模。随机性模型则通过确定的概率分布来描述信道参数，这使得其在数学上易于处理且适用于各种场景，但精度比确定性模型相较更低。具体来说，非几何随机模型侧重于实测，通过概率密度函数的方式来描述和确定信道多径的参数，从而对相应的信道特性进行拟合 [3] ；而基于几何的随机模型将环境中的散射体抽象为具有一定概率分布的簇，进而生成簇间和簇内的多径分量参数，该类模型得益于簇的引入能够直观地反映信道的部分物理意义，并且通过信道参数的统计信息即可生成信道脉冲响应（CIR, Channel Impulse Response）。因为基于几何的随机模型具有比确定性模型更低的建模复杂度，并且能够在统计意义上较好地反映一类环境中信道的传播特性，非常适合于系统仿真等统计评估，从而得到了广泛的应用 [4–11] 。

3GPP采用的信道模型是典型的GBSM模型。在3GPP的信道模型标准化过程中 [5–8] ，其信道模型从最初的低频段窄带宽的二维平面信道模型发展到目前的广频率范围和大带宽的三维信道模型，支持高达100 GHz的毫米波频段、更大的天线阵列以及包括城市、农村、室内办公区和室内工厂等多种细分场景。关于3GPP标准化信道模型的详细讨论可参考文献 [12] 。然而，随着全球5G网络的大规模部署及持续演进，以及6G网络研究的启动，新技术与新应用的出现促使无线信道特性在频率、天线和场景三方面的演变趋势愈发明显。 如图1所示，B5G/6G体现出更高的频率（如太赫兹频段）、更大规模的天线阵列（如超大规模MIMO）以及更多样化的异构通信场景（如5G三大应用场景和NR-Lite、“空天地海”一体化网络等）的变化趋势，使得相应的信道显著地表现出如空时频域非平稳性等新的特性，这些特性给信道建模带来了更大的困难与挑战，需要进一步的探索研究 [13] 。

一般而言，信道模型的性能主要通过以下三方面进行评估：准确性、复杂性和通用性 [14] 。其中，准确性是信道模型通过与测量结果或其对通信系统性能的影响进行比较来衡量的；复杂性是通过信道模型参数的数量、计算频次以及仿真时间来衡量的；通用性反映了信道模型的泛化能力，是通过调整信道模型参数，是否可以应用于多频带、多场景来衡量的。因此，一个好的信道模型应该是在准确性、复杂性和通用性三者之间的折衷。传统的信道建模方法是根据在特定场景和频率条件下的信道测量数据进行人工的统计分析来开发信道模型的。通常，由于电磁波信号在不同场景下传播的建模非常复杂，传统的方法做了大量的假设和近似，以简化数据处理和建模过程 [15] 。为了从未来的无线大数据化、场景多样化、频谱宽带化的海量非平稳无线信道数据中分析并获取无线信道的传播特性，急需一种具有自学习、自适应能力的准确、高效信道建模方法。

然而，基于机器学习的无线信道建模的研究仍处于起步阶段。在未来6G系统设计中，新兴的技术对信道的各方面特性具有新的不同要求，未来的研究必须首先确定这些信道特性是如何影响通信性能的，然后才能确定这些特性在信道中建模的程度，最终达到智能化信道建模的目的 [17] 。本文概述机器学习在信道建模中的研究进展，扼要讨论一些有待解决的挑战。

1 确定性信道模型

确定性信道建模方法使用电磁波传播理论求解麦克斯韦方程组，或者使用几何近似的数值方法来分析无线信道传播特性，它能够较精确地对指定环境下的信道特性进行预测。最常用的确定性信道建模方法是射线追踪法，它是一种面向电磁场工程应用的成熟方法，适用于研究特定站址的信道特性。射线追踪法的原理是将发射端视为点源，把向各个方向传播且具有一定电场强度的射线看作是发射电磁波；然后利用电磁波传播理论跟踪每一条射线，最后在接收端通过合并到达的射线计算出接收功率，从而实现电磁波传播的预测。因此，一旦确定了环境的具体参数，相应的信道模型也就确定了，而无需对信道进行实际测量。但是，确定性建模方法高度依赖地理特征、建筑结构和材料特性等具体的环境信息，并且对于环境的描述越精确，则模型的预测结果越接近于实际环境。 图3是确定性信道建模中射线追踪法的示意图，它基于数字化地图并利用三维射线追踪工具计算反射及衍射的电磁波射线。然而，由于该建模方法具有的高复杂性使其计算仿真相对耗时，因此，它不适用于大范围场景，通常应用于如室内等较小范围场景的信道建模仿真 [18-19] 。

目前，机器学习方法在确定性信道建模中的主要应用包括：一方面，通过回归预测的方式捕获相应信道的特性来降低确定性模型的复杂度；另一方面，借助精确的确定性信道模型完成基于机器学习的信道模型的预训练。

为解决确定性信道模型复杂度高的问题，一个最直接的方法就是通过机器学习方法来学习确定性信道模型的预测结果，例如文献 [20]，它利用机器学习方法直接对射线追踪法获取的信道路径损耗数据进行回归拟合，在得到与射线追踪法相近的预测精度的同时，可以有效降低复杂度。除此之外，考虑到在射线追踪法中大部分从发射端发射的射线是不能到达接收端的这一特性，若能够尽可能地只计算到达接收端的射线而不是全部射线，那么确定性建模方法的复杂度将得到有效的降低。例如文献 [21]提出了结合神经网络和低分辨率的三维射线发射算法来计算室内无线信道的方法，该方法利用神经网络预测中间射线的结果来减少发射射线的数量，从而显著减少了计算量和信道模型的仿真时间。

确定性信道模型产生的数据集能够被运用于基于机器学习的信道模型的预训练。文献[22]提出了一种预测接收功率的建模方法，通过射线追踪仿真辅助的迁移学习（transfer learning），同时利用数据增强（data augmentation）技术从较少的测量数据中学习预测接收的功率。实验结果表明先利用确定性信道模型仿真数据预训练网络模型，再用测量数据进一步调整细化网络模型参数的方法，在测量数据量较小的情况下能够有效地降低预测误差，这为测量困难和测量数据有限情况下的信道建模提供了一种新的解决思路。

目前，受复杂度高和通用度低的影响，确定性信道模型的应用受限。同时，确定性信道模型与机器学习结合的研究也相对较少，主要是由于确定性信道建模方法是根据麦克斯韦方程等电磁波理论进行建模的，其物理意义及表达式明确，并且该技术已经较为成熟，使得机器学习无法体现出自身非线性拟合的优势。然而，随着现代的计算能力的不断提升，以及无线通信系统的工作频率向太赫兹频段发展的趋势，信道的测量统计的成本和要求变高，使得基于信道的测量统计信息的建模方法变得困难。此时，基于电磁波传播理论和光学射线理论的确定性信道模型的优势随之凸显出来。在6G网络设计中，那些与特定的环境高度相关的技术（如智能反射表面、定位和成像）是随机性信道模型无法描述的，可以预见确定性信道建模方法将带来更精确的技术评估 [17] 。因此，确定性信道模型在未来的信道建模中会得到进一步的研究和发展，并且有望通过结合机器学习方法来摆脱确定性信道模型应用范围的限制。

2 随机性信道模型

随机性信道模型利用信道传播特性的统计信息进行分析和建模，在信道模型的复杂性和准确性之间有一个较好的折衷，也是目前最常用的信道模型。针对随机性信道模型，机器学习方法主要有以下两方面的应用：一方面，利用机器学习算法对基于簇的随机性信道模型进行多径分量聚类以及时变场景下的多径分量簇的跟踪，保证一定的准确性下降低建模复杂度；另一方面，通过机器学习回归算法对随机性信道模型的参数进行估计，从而使信道模型适应于不同场景，提高模型的通用性。

2.1 多径分量聚类与跟踪

在无线信道建模中，基于簇的GBSM得到了广泛应用。这类信道模型中，簇表示一组具有相似的时延、角度等参数的多径分量，根据簇可以更直观准确地对传播特性进行建模，通过分别刻画簇内和簇间的传播特性可以在较小精度损失的条件下显著简化建模过程。因此，有必要采取与多径分量传播特性相适应的方法对多径分量进行聚类与跟踪。

由于各个多径分量不存在明确的标签，所以只能通过多径分量参数之间的相似度来区分不同的簇，这恰是机器学习方法中非监督学习的聚类算法所能解决的问题。因此，多径分量聚类问题可以通过最基本的K均值聚类算法解决；然而，K均值聚类算法是基于距离度量的硬聚类，对多径分量的分簇过于绝对，无法合理地表征无线信道中的多径分量之间非绝对明确的界限。为了更实际地描述多径分量的聚类，文献[23]提出了基于统计信息的多径分量聚类架构和基于均值、方差的紧凑指数（compact index）评估准则，并利用高斯混合模型（GMM, Gaussian Mixture Model）和信道多径分量的均值和协方差结构来实现多径分量聚类。文献[24]则比较了多种多径分量聚类算法，其中包括KPowerMeans聚类算法、模糊C均值聚类算法（FCM, Fuzzy C-means）、基于KPD（Kernel-Power-Density）的聚类算法和DBSCAN（Density-Based Spatial Clustering of Applications with Noise）基于密度的聚类算法等，前两种算法需要簇的数量作为先验信息，而后两种可以自动生成一个较合理的簇数量。另外，为了通过相关的簇组对频率和空间的非平稳特性进行建模，文献[11]通过利用K均值聚类算法在簇的基础上进一步聚类来获得相关的簇组，即一个簇组由多个相似的簇组成。

另一方面，对于时变信道，多径分量的变化意味着簇也存在相应的变化，因此，有必要对簇的动态变化进行表征与跟踪。为了解决动态信道建模的问题，基于机器学习的簇运动路径的自动跟踪算法是一种可行的方案。例如，文献[25]提出了基于多径分量距离度量的簇跟踪算法，通过测量连续两个快照中每个簇的聚类中心组合之间的距离来跟踪时变信道中的簇。尽管该算法符合物理行为且具有较低的复杂度，但是该算法的性能很大程度上依赖于主观选择的阈值。目前，用于多径分类分簇和跟踪的各种聚类算法均不能同时满足应用范围、先验知识要求、复杂度、动态支持等方面的需求，同时，由于多径分量数据的多样性，仍没有一种机器学习算法在该方面具有普遍适用性。

2.2 模型参数估计

刻画实际环境的无线信道建模必然离不开相应的信道测量活动。对于一个确定的信道模型架构，不同环境下的模型参数集可能大相径庭，例如3GPP的标准化信道模型 [8] 中，城市、农村和室内的不同环境都有各自相应的模型参数集。因此，只有从大量实测数据中提取表征信道衰落特性的各个关键特征的参数，再根据信道特征来量化模型的各个参量，这样在实测数据的基础上构建的无线信道模型才能逼近实际无线信道的传播特性。考虑到 如图1所示的大频率范围、大规模天线阵列以及多样化场景的无线通信发展趋势，信道测量的数据量也将非常大，因此，一个高效且准确的参数估计方法显得尤为重要。

文献[26]针对GBSM缺少MIMO子信道之间相关性明确定义的问题提出了一种频域建模方法。该方法通过使用主成分分析（PCA, Principal Component Analysis）获取测量数据幅值的相关性特征，进而分别对频域信道的幅值和相位进行建模，得到信道脉冲响应。在文献[27]中，作者以模型校准为目的，使用训练好的网络从测量信道的各阶矩信息中估计模型参数，并且通过使用传播图（Propagation Graph）和Saleh-Valenzuela模型的仿真数据及室内信道测量数据来评估所提方法的有效性。文献[28]提出了利用两种不同的机器学习方法直接将随机信道模型与测量数据拟合，即基于回归调整的总体蒙特卡洛-近似贝叶斯计算（ABC, Approximate Bayesian Computation）的方法和深度神经网络的方法；并且以偏振传播图（Polarimetric Propagation Graph）模型为例，对所提方法在仿真和实测数据上的性能进行评价，其结果表明上述两种方法均能较准确地估计出模型的参数。

相比于传统的参数估计方法，基于机器学习的模型参数估计方法具有明显优势。传统方法首先利用多径提取算法，例如，多信号分类算法MUSIC和空间交替的广义期望最大化算法SAGE等高分辨率参数估计技术，从信道测量数据中提取多径分量的参数，再利用他们通过最大似然等方法来对模型的参数进行估计。这类传统方法中多径参数的提取往往具有较高的复杂度且过程较为繁琐，这在测量数据海量化的趋势下需要较高的计算处理能力。因此，通过基于机器学习的参数估计方法有助于降低计算复杂度。 如图4所示，在训练阶段利用已知参数集{θ i }和对应信道数据的各阶矩信息{s i }对参数估计模型进行训练；在测试阶段只需要利用信道数据的各阶矩信息{s i new }作为参数估计模型的输入，就可以从网络输出层中获取估计的参数{θ i new }，并且能够保证得到较为准确的估计结果。由此可见，基于机器学习的模型参数估计方法相对于传统估计方法更直接、高效。

3 数据驱动信道建模

确定性信道模型（如射线追踪方法）复杂且依赖于地理环境信息的精度，而随机性信道模型（如GBSM）高效却缺乏详细的环境物理意义。为了在确定性信道模型的实际传播环境与随机性信道模型的簇之间建立联系，文献[29]提出了基于簇核（cluster-nuclei）的信道建模方法。 如图5所示，基于簇核的信道建模方法能够利用机器学习算法从海量信道数据中挖掘信道隐含特性，以数据驱动的方式找到确定性模型的散射体和随机性模型的簇之间的映射关系；然后，通过有限个物理意义明确的簇核进行信道建模。该信道建模方法结合了确定性和随机性建模方法的优势，既避免了确定性模型复杂度高的问题，又解决了随机性模型缺乏具体物理含义的问题。利用确定性模型和随机性模型各自的优势来更精确、更有效地预测和建模信道，这是未来B5G和6G的智能信道建模方法研究中值得探索的方向。从信道模型的研究史来看，以往的信道建模研究总是倾向集中于复杂度约束下提高模型确定性程度 [17] 。例如，在3GPP的最新标准化信道模型中 [8] ，提供了基于图的混合信道模型作为一种可替代经典GBSM的信道建模方法。由此可见，包含确定性建模机制和随机性建模机制的混合模型是潜在的发展方向，在未来，它应该能够根据不同的应用场景和评估标准来调整不同建模机制的权重，以适应不同的信道建模需求。

另一方面，由于神经网络在描述数据特征及提取输入与输出之间的映射关系展现出良好性能，因此，通过使用海量实测数据集对神经网络进行充分训练来确定输入层变量和输出层信道特征参数的相互关系，能够有效地模拟实际场景的无线信道特征。这种完全数据驱动的建模方法利用了神经网络学习、自适应和非线性拟合的特点，在分析实际信道数据时可以减少建模的工作量，对于统计特性不明显和时变的信道建模尤为重要。

利用大数据的方法，可以将信道单纯当作数据来处理，从数据的角度对信道的特性进行挖掘并据此对信道进行建模 [30] 。例如，文献[31-32]提出了基于径向基函数神经网络（RBFNN, Radial Basis Function Neural Network）的时变信道模型。该神经网络模型能够预测路径损耗和小尺度参数，实验结果表明在基于GBSM的信道建模与仿真方法中，人工神经网络模型可以替代经验路径损耗模型和相应的信道参数生成。文献[33]在没有大量假设和简化参数的条件下，通过深度学习和变分生成对抗网络（variational GAN, variational Generative Adversarial Network）对信道测量数据进行学习来建立相应的信道模型，即学习条件概率P(y| x)，其中x为发送符号，y为接收符号。文献[34]提出了基于机器学习算法的大数据信道模型框架，包括前馈神经网络（FNN, Feed-forward Neural Network）和径向基函数神经网络两种神经网络模型。 如图6所示，它可以根据发射机坐标(x t , y t , z t )和接收机坐标(x r , y r , z r )、收发端距离d tr 和载波频率f c 的输入参数，以完全的测量数据驱动的方法进行建模，来预测信道的接收功率、时延扩展（DS, Delay Spread）、离开方位角扩展（ADS, Azimuth of Departure Spread）、离开俯仰角扩展（EDS, Elevation of Departure Spread）、到达方位角扩展（AAS, Azimuth of Arrival Spread）和到达俯仰角扩展（EAS, Elevation of Arrival Spread）等信道特性的统计信息。

相对于以计算为主的确定性信道模型或者以统计分析为主的随机性信道模型，基于数据驱动的信道建模策略是利用了机器学习方法的强大学习能力直接从海量信道测量数据中挖掘隐含规律，进而捕获信道的传播特征进行信道建模。具体地，通过对海量信道数据的学习，机器学习方法能够获取确定性模型散射体与随机性模型簇之间隐含的映射关系，从而助力于混合模型的深入研究，以及挖掘空时频域信息与信道统计信息之间的内在关系，在未来，这种数据驱动的方法将有更多潜在的应用。

由于机器学习方法在数据特征提取方面具有很大优势，通过学习和提取不同场景下的信道特征差异，可以自动挖掘场景特征，将测量数据划分为不同场景，然后进行资源分配、系统优化或定位等具体应用。目前，机器学习算法已经被广泛应用于场景分类，例如非监督学习的K均值算法和有监督学习的支持向量机（SVM, Support Vector Machine）及神经网络。具体地，对于LOS/NLOS场景分类问题，基于机器学习的分类方法包括了支持向量机 [38] 、梯度提升决策树（GBDT, Gradient Boosting Decision Tree） [39] 、后向传播神经网络（BPNN, Back-Propagation Neural Network）和K均值 [40] 、随机森林（RF, Random Forest） [41] 以及人工神经网络 [41-42] 等。这些基于机器学习的方案在分类准确度上都要优于传统的解决方案。 如图7所示，利用文献[43]的信道模型生成数据集，我们比较了五个基本的机器学习分类算法对LOS/NLOS信道场景进行分类的接收器操作特性（ROC, Receiver Operating Characteristic）曲线，其横坐标和纵坐标分别为假正类率（FPR, False Positive Rate）和真正类率（TPR, True Positive Rate），且曲线下的面积（AUC, Area Under ROC Curve）是一种用来度量分类模型好坏的一个标准，较大的AUC代表较好的分类性能。可以看到在这五类基本的机器学习算法中，随机森林的性能最好，逻辑回归算法最差。

5 现存的挑战

随着通信技术的革新与应用场景的涌现，人们对相应的信道模型提出了新的要求，促使机器学习在无线信道建模领域得到了广泛应用，以适应海量数据、高频段、多场景和非平稳的信道特点。然而，现有的针对机器学习方法与无线信道建模结合的工作还处于该交叉学科领域研究的初始阶段，对于更进一步的研究仍面临以下挑战：

（1）构建并共享一个规范且包含各种场景、配置、频段的海量信道数据库。由于各个组织机构对信道测量的数据都采取各自的方式存储，数据格式很难做到统一和兼容而限制了数据的进一步利用。例如，国际电信联盟 [49] 和纽约大学无线研究中心 [50] 两者分别开展的信道测量活动，在测量配置、数据存储和公开程度等方面都不相同。因此，测量数据规范化和创建共享的信道海量测量数据库是个亟需解决的问题。

（2）利用大数据处理技术来改进海量测量数据的分析。随着信道信息表现出大数据的海量、实时性和多样化的演变趋势，基于测量数据的信道特性分析可以从大数据技术的角度出发，结合统计分析技术和分布式计算技术构建机器学习模型，最终提升对海量信道数据进行处理的效率，达到高效训练网络和准确预测结果的目标。

（3）在通信场景多样化的发展趋势下，对于高度异构“空天地海”一体化通信系统架构，利用机器学习设计统一的信道模型架构，而不是针对不同的场景使用多个信道模型。目前，标准化的信道模型更倾向于使用通用的信道模型框架，针对不同的场景使用不同的参数集。对于“空天地海”一体化的异构通信系统，已经在地面、空对地和天对地等链路场景下进行了一系列的信道测量活动，而空对空、空对天和天对天等的链路信道测量相对较少；因此，仍需要更多的信道测量数据来帮助研究人员深入了解信道特性。在未来，能否通过联合分析多个不同场景链路的信道特性，从而发掘其中的共性来构建一个通用的信道模型架构是个值得细心探索的方向。

（4）为准确评估6G新引入的技术建立相应的信道模型。例如，针对基于轨道角动量的通信，目前只有非常有限的信道测量验证了在不同的场景下轨道角动量通信的可行性，并且没有实际的轨道角动量信道模型可用 [51] 。因此，如何通过机器学习对轨道角动量信道进行准确建模需要研究人员的进一步探索。另外，太赫兹作为未来6G通信系统发展的重要技术之一，目前对于太赫兹信道的知识仍未完善，且相应信道模型的开发还处于初期阶段 [52–54] 。因此，太赫兹信道模型的进一步研究及其与机器学习的结合仍然是一个开放性问题。

6 结束语

★原文发表于《 移动通信》2021年第4期★

doi:10.3969/j.issn.1006-1010.2021.04.016

中图分类号：TN929.5 文献标志码：A

文章编号：1006-1010(2021)04-0095-10

引用格式：黄鸿清,刘为,伍沛然,等. 机器学习在无线信道建模中的应用现状与展望[J]. 移动通信, 2021,45(4): 95-104.

作者简介

刘为：硕士毕业于中山大学，现任中国电子科技集团公司新一代移动通信创新中心5G领域副总监，第七研究所高级工程师，硕士生企业导师，累计提交3GPP标准提案100余篇，ITU-R提案10余篇，参与10余部宽带集群行业标准制订，曾获得B-TrunC宽带集群产业联盟“2017年度新产品奖”，研究方向为5G/B5G系统架构、军民融合关键技术、天地一体化等。

伍沛然：博士毕业于加拿大不列颠哥伦比亚大学电气与计算机工程专业，现任中山大学电子与信息工程学院副教授、博士生导师，研究方向为宽带移动通信。

《移动通信》投稿方式为在线投稿

请您登录网页投稿系统

链接地址：http://ydtx.cbpt.cnki.net

扫码关注

《移动通信》最新动态

▼

▼

《移动通信》2021年1-3期专题论文链接（42篇）

2021年第1期专题 “SA核心网”论文集合（15篇）

16篇！“5G网络建设”专题论文集合（2021-02期）

精华版！ 2020年全12期 论文集合链接

张平院士：新基建促使5G深度发展

唐雄燕：面向垂直行业的5G网络创新发展

“6G专刊” 论文集合 / 一键收藏21篇

《移动通信》杂志由中国电子科技集团公司主管，中国电子科技集团公司第七研究所主办，是中国科技核心期刊、中国期刊方阵“双效期刊”、工业和信息化部精品电子期刊、广东省优秀期刊、中国科技论文统计源刊。国内连续出版物号：CN44-1301/TN，国际连续出版物号：ISSN1006-1010，邮发代号：46-181。返回搜狐，查看更多