32、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. 深度学习在调制分类中的应用

在 5G 及未来网络中，准确识别信号的调制方案至关重要。为了在超 5G 网络中实现对信号调制方案的高精度识别，需要对卷积神经网络（CNN）架构进行微调，并增加更多的卷积层和密集层。

• 不同架构的准确率 ：采用深度学习（DL）架构在无线信号识别过程中可实现约 75%的准确率。在高信噪比（SNR）情况下，准确率可提高至约 83.8%。此外，采用残差网络和密集连接网络还能进一步提高准确率。
• 7 层 CNN 架构 ：其架构包含输入/输出数据平面、四个卷积层和两个密集层。需要优化的超参数包括学习率、丢弃率、滤波器大小、每层的滤波器数量和网络深度。密集层按网络深度顺序分别包含 128 和 11 个神经元。
• DenseNet 架构优势 ：与 ResNet 相比，DenseNet 架构改善了层与层之间的信息流。因为每层都能从所有前层获得额外输入，并将自己的特征图传递给所有后续层。
• 八层 DL 架构 ：由四个卷积层、一个长短期记忆（LSTM）层和两个 DenseNet 层组成。LSTM 层有 50 个计算单元，与其他分层架构相比，能产生最佳的准确率结果。

调制分类误差	百分比
8PSK/QPSK <