无线通信网络中若干智能化技术
时间：2023-01-15 19:45:04 来源：柠檬阅读网 本文已影响 人 
王鸿 辽宁科技大学
无线通信网络技术的发展，不仅可以实现无线电波的远距离通讯，而且实现了大容量、宽频带等方面的传送突破，进而在各个领域中得到了广泛应用。通常情况下，无线通信网络又被称之为自干扰系统，以相同载频的邻区为例，其可以在干扰加大的情况下，实现负载能量的提升，但却会呈现出低覆盖范围的特点。为了更多的推动无线通信网络的发展，引入了智能化技术，其不仅可以解决难以建模问题、检测及估计问题、难以求解问题和采用统一的模式实现问题，而且还可以拓展无线通信网络的应用领域，进而提高其发展进程。
如今，无线通信技术成为社会的重要发展方向，4G无线通信技术已经逐步实现，并逐渐推进了5G无线通信技术的发展；
同时，移动电话业务也应运而生，并在一定程度上推动了4G业务的拓展和延伸，提高了运营商的经济利益。（2）由于无线通信技术具有较广的应用范围和差异化的应用任务，其存在较多的技术类型和技术手段，因此在应用无线通信技术时，需要在若干领域考虑到其技术要求和技术手段的不同，并由此构建科学、合理的无线通信网覆盖范围，结合自身特点和优势，形成一体化、多元化的无线通信通信技术。（3）伴随着高通道传输技术的应用，使得各个领域中的有线网络宽带也被大量应用，不仅改变了网络宽带的带宽速率，而且提升了宽带利用的覆盖率，进而逐渐提高了人们的生活水平。（4）随着无线通信技术与高通道传输技术的融合发展，无线通信呈现出融合化、综合化以及多样化的发展趋势，不仅实现了对同一核心网络的多形式数据传输和信息传输，而且实现了无线通信网络的市场化、可持续性发展。（5）IP 技术与无线通信技术的结合应用，推进了无线网络通信的个性化需求模块设计，使得用户的个人需求可以被满足；
在充分保障无线通信技术应用的同时，扩充了个性化的需求功能。
2.1 启发式算法
在复杂的无线通信网络环境中，经常会遇到各种各样的NP难问题，此时启发式算法可以借助强大的计算技术来使NP难问题得到有效解决。通过大量的调查与研究发现，NP难问题的解决往往以可行的解空间为基础，通过探索新思路来得到满意解。实际上，新思路的探索过程是以NP难问题的特征信息为基础，通过启发式、盲目式以及随机式等搜索形式，形成解决思路。其中，盲目式搜索具有算法简单、运行时间长、搜索效率低的特点，只适合在一些简单问题求解中应用。而为了使上述问题得到改善，利用启发式搜索可以选择搜索方向并有效应对复杂问题，但该种搜索方式具有较高的启发式信息获取难度。而当具体的求解问题存在较大的解题空间时，将会有效提高解题中随机搜索的时空效率，尤其是搜索策略采用了演化或群智能等思想时，可以大大提高复杂问题的解决效率。
通常情况下，在无线通信网络发展过程中，启发式算法具有如下几个方面的优势：（1）对一些难以求解、建模困难等问题提供了解决办法；
（2）算法步骤具有较强的兼容性，且直观易理解，可以根据具体问题制定有效的解决方案；
（3）启发式算法在解题时具有高效性，并可以有效提升解题并行计算的收敛速度。
2.2 强化学习
强化学习一般是指让机器来模拟人类学习能力的一类算法，其隶属于机器学习范畴。机器学习是通过大量训练来对输入样本数据中隐含的规律进行学习，并将此规律用于分类或预测新样本，并最终输出所需要的结果。
在马尔科夫决策（MDP）理论基础上发展而来的强化学习算法，主要是通过发挥随机动态系统的功能来获取问题的最优决策。通常情况下，马尔科夫过程理论涵盖了马尔可夫链、链中状态分类、n步转移概率、马尔可夫决策规划、稳态概率等一系列的关键性问题。其中一般会选择四元组来表示马尔科夫决策规划（MDP），具体公式如下：
上述公式通过简化可以简单表示为{S，R，A，P}，在公式当中S表示的是状态空间，R表示期望报酬，A表示动作决策的集合，P表示转移概率。
在强化学习算法中还存在一种比较常见的典型算法：Q学习函数，其是在环境状态下，通过评估智能体的动作奖惩，来对各类潜在动作进行全面、系统的评估，从中优选出最优的动作进行执行。在整个深化学习过程中，其核心是借助Bellman公式来更新Q值表，从而完成对某一种状态下所对应具体动作的好坏程度的衡量和评估，进而实现环境、动作的变化，并能够在线调整Q函数。Q学习算法既可以评估该状态下的某种动作所对应的即时回报值进，而且还会综合考虑该动作后可能产生的未来回报值。
2.3 深度学习
深度学习法是由机器通过模拟神经网络的学习模式，在构建神经网络与机器学习关系的同时，完成对无线网络的组建。在深度学习的深度阶段，其通常会形成涵盖多个隐含层的神经网络，并确定神经网络模型，该种方法在无线通信网络等领域得到了广泛的应用。
在无线通信网络发展过程中，深度学习属于比较常用的一项智能化工具，由于其具有优越的性能，因此在无线通信网络中扮演者至关重要的角色。同时，在无线网络物理层中，深度学习也具有比较广阔的应用潜力，并可以顺利达到预期的应用效果。通常情况下，在物理层传输中，深度学习应用方式主要包括数据驱动型和数据与模型双驱动两种类型，其中前者主要是把无线通信系统所具有的多个功能模块看作是未知的黑盒子，然后借助深度神经网络和大量数据来对其进行训练，进而达到预期的应用效果。而后者可以借助原有系统模型和深度神经网络来训练有关参数或替代某个模块，进而达到调整和优化性能的目的。
在正交频分复用（OFDM）系统中，深度学习可以被广泛应用到信号检测和信道估计上，其中为了时信号畸变问题得到有效解决，可以借助能够表现出信道统计特征等数据来完成深度学习模型的训练，只有经过训练之后，才能达到有效回复或者发送数据信号的效果。通过对仿真结果进行分析可以发现，深度学习法的利用可以及时、有效的解决信号畸变问题，而且还与MMSE估计器存在较多的比较相似的检测性能。同时， OFDM系统的应用，还可以借助深度学习方法来达到降低脉冲噪声的目的，其中第一阶段可以借助深度神经网络（DNN）来有效检测脉冲噪声；
在第二阶段则可以实现对检测到脉冲噪声的降低，进而削弱异常值所带来的有害影响。因此，从误码率性能等角度考虑，深度神经网络可以有效替代以阈值检测为基础的脉冲噪声消除法，进而在一定程度上增强无线通信网络的运行速度。
综上所述，现阶段无线通信网络已经慢慢向人们的社会生活和工作渗透，此时为了更好的发挥其作用，就需要加强对智能化技术的应用，其既可以解决传统无线通信技术中所存在的问题，而且还可以推动无线通信技术的健康、可持续发展。
猜你喜欢 神经网络深度算法 基于神经网络的船舶电力系统故障诊断方法舰船科学技术(2022年11期)2022-07-15四增四减 深度推进快乐学习报·教育周刊(2022年16期)2022-05-01深度思考之不等式新高考·高三数学(2022年3期)2022-04-28MIV-PSO-BP神经网络用户热负荷预测煤气与热力(2022年2期)2022-03-09哪种算法简便小学生学习指导(低年级)(2021年12期)2021-12-31基于改进Hopfield神经网络的对地攻击型无人机自主能力评价北京航空航天大学学报(2021年4期)2021-11-24Travellng thg World Full—time for Rree阅读与作文（英语初中版）(2019年8期)2019-08-27简约教学 深度学习福建基础教育研究(2019年6期)2019-05-28基于神经网络的中小学生情感分析电子制作(2019年24期)2019-02-23进位加法的两种算法小学生学习指导(低年级)(2018年11期)2018-12-03
