智能无线通信技术研究概况

发布时间：2021-07-08 12:33

　　近年来,人工智能技术已被应用于无线通信领域,以解决传统无线通信技术面对信息爆炸和万物互联等新发展趋势所遇到的瓶颈问题。首先介绍深度学习、深度强化学习和联邦学习三类具有代表性的人工智能技术;然后通过对这三类技术在无线通信中的无线传输、频谱管理、资源配置、网络接入、网络及系统优化5个方面的应用进行综述,分析和总结它们在解决无线通信问题时的原理、适用性、设计方法和优缺点;最后围绕存在的局限性指出智能无线通信技术的未来发展趋势和研究方向,期望为无线通信领域的后续研究提供帮助和参考。 

【文章来源】：通信学报. 2020,41(07)北大核心EICSCD

【文章页数】：17 页

【部分图文】：

DNN结构

第7期梁应敞等：智能无线通信技术研究概况·3·图1DNN结构图2DNN中隐层1某神经元的内部结构若给定DNN中的神经元连接方式和权值，源数据通过输入层进入DNN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DNN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DL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2个步骤，直至各神经元的权值收敛，则DNN的训练结束。完成训练后的DNN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DNN仅能调整DNN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DNN的结构。由图1可知，源数据和目标数据的维度决定了DNN的输入层和输出层，因此隐层的结构决定了DNN的结构。在图1DNN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（fully-connectedlayer）。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DNN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DNN有卷积神经网络（CNN,convolutionalneuralnetwork）[5]、循环神经网络（RNN,recurrentneuralnetwork）[12]、长短期记忆（LSTM,longshorttermmemory）[1

【参考文献】：
期刊论文
[1]基于随机博弈模型的网络攻防量化分析方法[J]. 王元卓,林闯,程学旗,方滨兴.  计算机学报. 2010(09)



本文编号：3271577