文献综述（或调研报告）：
机器学习（ML）已广泛应用于无线通信系统的上层，用于各种目的，例如认知无线电和通信网络的部署。然而，它对物理层的应用受到复杂信道环境和传统ML算法的有限学习能力的阻碍。深度学习（DL）最近已应用于许多领域，例如计算机视觉和自然语言处理，因为它具有表达能力和方便的优化能力。由于未来通信的新特性，例如具有未知信道模型的复杂场景，高速和准确的处理要求，DL在物理层中的潜在应用也已得到越来越多的认可。这些特征挑战传统的传播理论。[1]中全面概述了基于DL的物理层处理的新兴研究，包括利用DL重新设计传统通信系统的模块（用于调制识别，信道解码和检测），并以基于自动编码器的全新的架构取代通信系统。这些基于DL的方法显示出有前途的性能改进，但具有一定的局限性，例如缺乏可靠的分析工具和使用专门用于通信和实现研究的架构，从而激发了该领域的未来研究。
无线通信技术经历了广泛的发展以满足无线网络中的应用和服务。高级无线应用的爆炸式增长，如多样化的智能终端接入，虚拟现实，增强现实和物联网，推动了无线通信向第五代的发展，实现了千倍容量，毫秒级延迟和大规模连接，从而使系统设计是一项极具挑战性的任务。已经提出了几种有希望的技术，例如大规模多输入多输出（MIMO），毫米波（mmWave）和超密集网络（UDN）以满足上述要求。这些技术展示了相同的特性（即处理大型无线数据的能力）。然而，现有的传统通信理论在实现复杂场景中的大数据和超高速通信要求方面存在若干固有的局限性，如下所列。
1）复杂场景中的困难信道建模
2）对有效和快速信号处理的需求
3）有限的块结构通信系统
由于深度学习（DL）在计算机视觉（CV）、自动语音识别（ASR）和自然语言处理（NLP）中的成功应用，机器学习（ML）最近重新获得关注。研究人员正在积极尝试将这些技术扩展到其他领域，包括无线通信。将ML理论嵌入广泛的通信系统已经有了广泛的历史，并取得了一些成功，特别是在上层，如认知无线电、资源管理、链接适应和定位。与上述直接应用相反，当应用于物理层时，ML面临若干挑战。研究人员已将ML应用于物理层进行调制识别、信道建模和识别、编码和解码、信道估计和均衡；然而，ML在商业上尚未使用，因为处理物理信道是一个复杂的过程，而传统的ML算法具有有限的学习能力。研究人员认为，通过将DL引入物理层，ML可以进一步提高性能。与传统的ML算法相比，DL具有基本特征，例如提取和结构灵活性。特别是，可以使用基于DL的系统代替手动特征提取来自动学习原始数据的特征，并通过参数调整灵活地调整模型结构，以优化端到端性能。由于若干原因，基于DL的通信系统在复杂场景中具有有希望的应用。
首先，深度网络已被证明是一种通用函数逼近器，尽管信道条件复杂，但具有优越的算法学习能力。基于DL的通信系统中的“学习”算法由DL模型中的学习权重表示，其通过方便的训练方法优化端到端性能，而不需要明确定义的数学模型或基于信息理论的专家算法。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
