31、借助人工智能推动 5G 移动通信迈向 6G

借助人工智能推动 5G 移动通信迈向 6G

1. 引言

在 5G 及未来无线通信技术中，调制波形是动态和异构网络的关键通信组件。准确选择和识别特定的调制类型对于可靠地解调和解码数据至关重要。然而，深度学习（DL）算法在调制分类方面面临着诸多挑战。本文将介绍 DL 的分类、应用于 5G 及未来网络调制和检测的相关架构，以及其性能表现。

2. 深度学习分类

2.1 监督学习

监督学习在 5G 无线通信系统中有广泛应用，以下是几种常见的监督学习算法：
- 人工神经网络（ANN） ：可利用信道结构解决频谱和资源分配等问题，还可转化为更具适用性和能力的深度神经网络（DNN）。
- k 近邻（kNN）算法 ：通过各种特征值之间的距离研究系统，是分类和回归理论的基础。若多数邻居属于某一类别，则将学习样本分配到该类别。
- 朴素贝叶斯算法 ：若 DL 框架采用贝叶斯定理，即简单的概率分类模型，则使用该算法。
- 随机森林 ：由多个决策树组成。算法通过随机选择特征子集构建带分支的树，每个决策树分配一个新数据集，将数据样本分类到特定类别。
- 卷积神经网络（CNN） ：由可自行优化的神经元组成，广泛应用于图像处理和模式识别。其架构由多个不同层组成，各层输入为 3D 体积，通过微分方程进行变换并输出 3D 体积参数。具体各层职责如下：
- 输入图像层 ：图像的原始像素值表示为 3D 矩阵，维