没有合适的资源?快使用搜索试试~ 我知道了~
智能无线通信技术研究概况.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 76 浏览量
2022-05-31
09:34:41
上传
评论
收藏 136KB DOCX 举报
温馨提示
试读
20页
智能无线通信技术研究概况.docx
资源推荐
资源详情
资源评论
1 引言
人类社会步入信息爆炸时代,各类智能通信终端和流量密集型应用的普及
使人们对信息通信的需求以前所未有的速度增长。思科公司的流量预测白皮书
显示,到 年,全球将会有超过 亿移动通信设备产生将近 的月
流量。此外,虚拟现实()等新型移动应用的出现更是对信息
传输的时延和可靠性提出了更严苛的要求。
在无线通信需求剧增的同时,无线通信系统的发展却遭遇瓶颈问题。一直
以来,无线通信系统的设计遵循模型驱动的理念,基于模块化和层次化的思想
进行构建,其中使用的每一项技术都是在人工建立数学模型后通过各类优化方
法推导得到的。也就是说,传统的无线通信技术通过充分发挥人类对无线通信
的知识积累(即专家知识)来保证系统设计与运行的最优性。显然,这种最优
性仅局限于被专家知识充分了解的环境中,而这一条件在未来的无线通信系统
中将变得越来越难以成立。例如,无线通信系统正在向多频段、超宽带宽且超
高频率的方向发展,其所处的无线环境变得极其复杂,难以再依赖专家知识建
立广泛适用的信道模型,从而令基于传统信道模型的信道估计方法失效。再者 ,
在未来万物互联时代网络规模剧增的同时,多维度的网络资源却需要通过细粒
度的精确配置来满足各异的通信需求。这将导致网络中需要优化的参数数量呈
指数级增长,使传统技术所依赖的各类优化算法因巨大的通信及计算开销而不
再适用。
在这一背景下,近年来快速发展的人工智能
(
)技
术为解决无线通信技术发展中遇到的困境带来了新的思路。机器学习在 发展
中发挥了重要作用,它能够直接从海量数据中学习到所需的隐藏规律,并利用
这些规律做出相应的预测或决策。 在计算机领域已经得到广泛的应用,主要
包 括 深 度 学 习 ( ! )
、 深 度 强 化 学 习 ( !
"#)
以及联邦学习($ )
%
三类机器
学习方法。其中,利用深度神经网络(&& !'"()建立源
数据与目标数据间的映射关系,从而能够根据未知源数据预测对应的目标数据,
目前它主要被应用在计算机视觉
和自然语言处理
)
等领域。 则是一类在动
态环境中做出最优决策的机器学习方法,它首先通过与环境交互来记录经验,
然后利用 &&分析环境存在的规律,最后据此做出最优决策,目前主要被应用
在机器人控制
*
等领域。无论是 还是 ,它们都需要收集和处理海量的数
据,因而产生了数据隐私和安全性问题。为解决这一问题, $ 被提出用于保护
数据隐私的协同学习,目前主要被应用在数据敏感的学习任务中,如输入法联
想词预测
+
等。
的数据驱动特性正好可以解决传统无线通信系统设计中因依赖专家知识
和优化算法而产生的问题。此外, 的自动控制能力也契合了运营商一直以来
致力于减少人工对网络管理和维护的干预,从而降低运作成本的目标。因此 ,
无疑会为无线通信的发展带来新的机遇。目前, 中的 、 和 $ 等机
器学习方法已经被成功用于解决无线通信中的某些问题,为无线通信技术的发
展带来了深远影响。值得注意的是,这些机器学习方法最初都是针对计算机领
域的特定任务而诞生的,其设计并没有考虑无线通信中的特点。为了最大化
带来的性能增益,在利用 发展无线通信技术时,需要根据无线通信的特点和
所需完成的任务来选择合适的机器学习方法并进行针对性的设计。
本文通过介绍 中的 、 和 $ 三类主要的机器学习方法及其在无线
通信领域应用的研究进展,分析 在解决不同无线通信问题时的原理、适用性、
设计方法和优缺点,并针对这些方法的局限性指出未来智能无线通信技术的发
展趋势和研究方向。
2 背景知识
,深度学习概述
是近年来人工智能
领域应用最广泛的一类机器学习方法,其基本思想是
利用 &&来拟合源数据与目标数据的关系
。
图
展示了一个简单的 && 结构。&& 的基本单位是神经元,神经元间
的连线表示信息的传递,而连线的箭头方向为信息传递的方向。此外,神经元
的排列具有层次结构。根据信息传递的方向,该 &&中的神经元分别构成了一
个输入层、多个隐含层(又称隐层)和一个输出层。每个神经元的输入信息由
与之连接的上一层神经元的输出经缩放与求和得到,该缩放值称为权值。而后,
信息再通过神经元的激活函数处理后传递至与之连接的下一层神经元。为了更
好地理解,图
展示了属于图
所示 && 中隐层 某神经元的内部结构。其中,
激 活 函 数 为 && 带 来 非 线 性 表 征 能 力 , 常 用 的 激 活 函 数 有
-#"
、.、
等。
图 1
图 1DNN 结构
图 2
图 2DNN 中隐层 1 某神经元的内部结构
若给定 &&中的神经元连接方式和权值,源数据通过输入层进入 &&后,
经过神经元间的信息传递规则层层传递后在输出端可以得到相应的目标数据预
测值。这一过程称为正向传播。若此时训练数据集中有此源数据对应的目标数
据真实值,那么 &&可以比对真实值与预测值间的误差,并将误差值从输出层
逐层向前传递,以此调整各个神经元的权值,这一过程称为误差反向传递。在
的训练阶段,随机梯度下降算法利用训练数据集反复进行以上 个步骤,直
至各神经元的权值收敛,则 && 的训练结束。完成训练后的 && 可以有效地
表征源数据和目标数据间的关系,从而能根据未知的源数据预测其目标数据值。
值得注意的是,训练 && 仅能调整 && 中神经元的权值,而不能改变神
经元的排列结构和连接方式,即 && 的结构。由图
可知,源数据和目标数据
的维度决定了 &&的输入层和输出层,因此隐层的结构决定了 && 的结构。
在图 && 的隐层中,所有的神经元都相互连接,这样的结构称为全连接层
(/" )。虽然全连接层是最简单的神经元排列结构,但是它
理论上可以捕捉数据间的所有特征。然而,采用全连接层会使权值的数量随着
神经元个数的增加而呈指数上升,容易造成训练时间过长、泛化能力差等问题。
因此,设计最优的 &&需要根据数据的特征或任务特点采用合适的隐层。根据
所采用的不同隐层结构,常见的 &&有卷积神经网络(0&&"""
'"( )
、循环神经网络( &&'"( )
、长
短期记忆(-12"3."###")
神经网络。其中,0&& 适用于
处理具有局部相似特性的数据,而 && 和 -12 则擅长处理序列信息。此外,
还有一类称为自动编码器("" )
%
的特殊 &&结构,可以通过训练
得到最优的编码器和解码器。
剩余19页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3521
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功