一、挖掘无线通信的深层应用（论文文献综述）
陈颖[1]（2021）在《基于代数拓扑和分形的无线通信网络基站分布与传输容量研究》文中研究指明近十几年来,无线通信网络正在经历前所未有的飞速发展,学术界和工业界从各个角度对其进行设计和优化的成果层出不穷。鉴于网络拓扑是网络各种性能的决定性因素之一,通过优化拓扑来提高网络性能也成为了研究人员热切关注的问题。而要想对无线通信网络的拓扑架构进行最优设计,就需要我们对网络的现有拓扑特征和拓扑理论有全面深入的掌握。基于这种现状,本学位论文围绕“网络具有哪些拓扑特征”和“拓扑特征如何影响网络性能”这两大主题,利用代数拓扑工具,针对无线通信网络领域的具体场景进行了深入研究。针对“网络具有哪些拓扑特征”这一问题,本学位论文选择移动蜂窝网络中的基站分布作为具体研究场景。作为无线通信业务的最主要载体之一,基站的部署规模正在经历空前的爆炸式增长,如何通过对基站位置的合理分布来获得更加优越的网络覆盖性能已经成为一个非常具有挑战性的研究方向。在这样的目标指引下,获取对蜂窝网络拓扑的深层认知就成为了我们急需解决且意义重大的课题。本学位论文引入了 α-Shapes、Betti数、Euler示性数和Hurst系数等经典的代数几何工具,分别在国家范围和城市范围这两种不同的空间尺度下,独立地对多个具有代表性的欧洲和亚洲国家或者城市的真实基站位置数据进行了深入挖掘和分析。首先,基于Betti数和Hurst系数,本学位论文发现欧洲和亚洲国家或者城市的基站空间分布都表现出明显的分形特征。另外,基于Euler示性数来描述国家或者城市范围蜂窝网络的实际基站分布时,本学位论文发现对数正态分布是拓扑特性的最佳匹配。针对“拓扑特征如何影响网络性能”这一问题,本学位论文选择分形D2D（Device-to-Device）移动社交网络容量作为具体研究场景。随着互联网社交媒体的兴起,移动社交通信已经成为无线通信业务的重要组成部分。本学位论文分别在直接和分级社交通信两种情况下,研究了分形拓扑对网络容量上界的影响,其中移动社交网络的分形拓扑是由具有自相似性和反相关性的社交联接所决定的。首先,本学位论文推导并证明了对于直接社交通信场景下的分形D2D移动社交网络来说,如果用户根据随机分布从直接接触节点中选择一个目标用户并与之通信,那么网络的最大容量是（?）,其中n代表整个网络的全部用户数量;如果用户根据幂律分布d-β从直接接触节点中选择一个目标用户并与之通信,那么网络的最大容量可到达（?）,其中d表示一对社交接触节点之间的距离,β是频率参数。另外,考虑到除了和有直接社交联接的信任用户进行直接社交通信之外,用户也需要与不存在直接社交联接的其他用户进行分级社交通信,本学位论文进一步深入研究并推导了分形D2D移动社交网络在分级社交场景下的最大网络容量。本学位论文的结果表明,此时的网络容量主要受分形结构的相关指数ε所影响。与直接社交通信相比,如果2<ε<3,网络容量将以1/logn的比例下降,如果ε=3,下降因子则变为1/n。总的来说,本学位论文基于代表性代数拓扑工具,结合移动蜂窝网络的基站分布和分形D2D移动社交网络容量这两个具体场景,得到了一系列颇具价值的研究结果。我们相信,这些研究结果将为无线通信网络的精准建模和优化设计提供基础性的理论指导。
周安馨,纪水苗,易思琳,廖世桢,王茜,谭嘉怡,杨新柳,刘思源[2]（2021）在《解密媒介考古》文中指出本辑书评选取媒介考古学的近期代表性论着,力图将媒介考古学放置在哲学、文学等传统学科语境下进行反思。这几位媒介考古领域的专家无一不是以跨学科的视野、客观冷峻的视角直面传统媒介在当今数字时代下所面临的困境与机遇,有意避开以往媒介史的主流叙事,致力于寻访媒介的历史碎片,旨在考掘历史上那些失落已久、湮没无闻的媒介物,找到旧式媒介的当今价值,力图为新兴媒介开拓更为广阔的发展空间。
张志远[3]（2021）在《基于机器学习的物理层认证技术研究》文中研究表明随着第五代移动通信技术（the Fifth Generation,5G）的迅速发展,越来越多的信息需要通过自由空间进行传播,而无线信道的广播特性给恶意攻击带来了可趁之机。接入认证作为保障数据安全传输的第一步,是保证通信网络安全的重要手段。急剧增加的终端设备和资源受限的应用场景使得传统密码学认证机制暴露出密钥管理复杂、计算开销大等诸多不足。物理层认证利用接收信号强度（RSS）、射频指纹（RF）、信道状态信息（CSI）等物理层属性的不可模仿性,可为无线网络提供有效的的认证手段。同时,机器学习算法可以很好地分析物理层属性规律,提高物理层认证的准确性,极大推动了物理层认证在实际场景中的应用。然而,目前的研究主要基于准静态通信场景并且对攻击模型的假设相对理想,缺乏实际应用中的普适性,在动态通信场景、与合法用户物理层特征相近的攻击者识别等方面存在认证准确率低的问题,无法满足实际应用中对认证准确率的需求。针对这些问题,本文主要完成以下研究内容:（1）面向动态场景的轻量级跨层认证技术研究针对动态通信场景中由物理层属性快速变化导致的认证性能下降问题,通过将物理层认证与上层认证相结合,提出一种轻量级跨层认证方案。首先,基于人工神经网络提出一种可快速更新模型参数的轻量级物理层认证方案;进一步,为提高认证性能的稳定性,提出一种高效的跨层认证机制,通过引入上层认证实时监督和指导物理层认证模型参数更新,可实现认证效率与可靠性的合理均衡。仿真发现,该方案可以显着提升动态通信场景的认证性能及其稳定性,与传统物理层认证方案相比,时延开销可降低约25%。（2）基于深度学习的近距离攻击者检测技术研究针对近距离攻击者与合法用户物理层属性难以区分导致的检测精度低的问题,通过无人机灵活采样实现虚拟多点认证,提出了一种基于深度学习的近距离攻击者检测机制。进一步,为确定攻击者的地理位置,提出了一种攻击者数据定位算法,可以准确定位攻击者样本数据进而确定其地理位置,为对攻击者的人为干预提供有效指导。仿真发现,该方案可以显着提升近距离攻击者的检测精度,当选取恰当的飞行高度和飞行轨迹时,可以实现99.99%以上的检测率。（3）基于时序模型的物理层双重认证技术研究针对因攻击者与合法用户物理层属性难以区分导致的检测精度低的问题,通过充分挖掘物理层属性变化的高阶特征,将低阶特征与高阶特征相结合,提出了基于时序模型的物理层双重认证机制。具体的,该双重认证机制由轻量级认证模块和基于时序模型的认证模块构成,轻量级认证模块用于对多数普通攻击者的快速检测并确定攻击者的攻击目标,基于时序模型的认证模块用于实现对近距离攻击者的精确识别。仿真发现,该方案可以显着提升物理层属性值仍在合法阈值范围内但变化趋势异常的近距离攻击者的检测精度,实现了 98%以上的检测率。
黄刚[4]（2021）在《基于卷积神经网络的MQAM调制信号识别算法研究》文中研究说明随着社会的快速发展,人们对信息传输速率要求越来越高,这使得有限的频谱资源变得更加紧张,多进制正交幅度调制（MQAM）具有较高的频谱资源利用率,广泛应用于自适应调制编码技术等领域,可以大大缓解频谱资源紧张的问题。在自适应调制编码技术的应用中,为了减小信令开销以提高传输效率,往往会在接收端进行自动调制方式识别（AMC）,所以MQAM调制信号识别具有重要研究意义。近年来,卷积神经网络（CNN）等深度学习工具因其优异的深层挖掘能力被广泛应用于各个领域,也有许多研究者将其应用于调制信号识别,得到了较好的识别结果。因此,本文将深入研究基于CNN的MQAM调制信号识别,主要研究内容如下:针对传统星座图无法反映重叠星座点密集度信息以及图形星座投影（GCP）算法无法完整的反映星座点位置信息的缺点,本文提出了一种基于星座密集度的梯度颜色星座图（GCC）算法,在不破坏星座点位置信息的情况下将密度信息转换为颜色信息,实现可视化。并利用CNN的深度学习能力对七种常见的MQAM信号进行识别,七种MQAM信号包括4QAM、8QAM、16QAM、32QAM、64QAM、128QAM和256QAM。实验结果表明:在低信噪比下,本文算法的识别率相比于GCP算法提高了3%-4%。此外,针对深层CNN出现的网络退化问题以及softmax loss损失函数不能刻画样本数据更具有判别性的深层特征等缺点,本文提出了一种将残差网络和angular softmax loss边界最大化损失函数结合起来对七种MQAM信号进行分类的方法,使用更深层的残差网络作为主体架构,并将angular softmax loss边界最大化损失函数作为网络架构的输出部分和监督部分以增加类间特征的距离,刻画出更具有判别性的特征。最后做了一系列的对比实验,结果证明了本文算法的有效性和优越性。
徐宁[5]（2021）在《基于深度学习的多用户MIMO-OFDM系统信号检测研究》文中提出正交频分复用和多输入多输出技术在提高信道容量的同时,具有良好的抗干扰能力,成为第四代和第五代移动通信系统的关键技术之一。当通信系统中用户数量和天线数增加时,信道估计和信号检测的计算复杂度将会显着提高。为了在低复杂度的条件下实现较高的检测精确度,本文进行了基于深度学习方法的信道估计和信号检测研究。针对MIMO-OFDM通信系统中的信道估计问题,提出了一种基于图像去噪网络的信道估计方法。首先利用最小二乘信道估计算法得到初始的信道估计,其中估计结果和实际信道之间的存在误差,利用图像去噪神经网络去除估计误差,在损失函数中加入非对称损失函数,提高信道估计性能。针对多用户MIMO-OFDM通信系统中的导频功率分配问题,提出了导频分配和信道估计的联合优化算法。在给定总导频功率约束的条件下,将全连接神经网络和信道估计网络级联,实现了导频功率分配和信道估计功能。对于信号检测问题,首先利用迫零检测算法得到初始检测信号,然后通过全连接神经网络进行信号预测,提高了系统信号检测性能。为了验证算法的有效性,将所提算法和传统检测算法进行了仿真对比。结果表明,相比于传统算法,基于深度学习的检测算法在低计算复杂度的条件下具有更高的检测精确度。
纪厚业[6]（2021）在《异质图神经网络关键技术研究》文中指出图（网络）数据在现实生活中无处不在,如社交图、电商图、蛋白质图和交通图,其可以灵活高效的建模复杂系统中的交互信号并在很多领域得到了广泛应用。相应的,图数据挖掘也吸引了大量研究者的注意,并成为数据挖掘领域最重要的分支之一。考虑到现实世界交互系统的复杂性,将其建模为包含多种类型节点和边的异质图可以实现更加细致全面的系统描述。如何挖掘异质图的潜在价值是一个值得深入研究的方向。近年来,图表示学习尤其是图神经网络已经成为图挖掘领域的热门方向之一,其旨在将节点、边甚至是整张图映射到低维向量空间并保持图本身的结构和性质。异质图神经网络,作为一种基于深度学习的图表示学习技术,其可以充分挖掘异质图上的复杂结构和丰富语义来学习节点表示并提升后续任务的表现。以推荐系统为例,通过建模用户及商品之间的多种交互,异质图神经网络可以聚合多样交互信息来理解用户的多样化偏好,进而实现精准的个性化推荐,并创造更高的经济价值。考虑到异质图的复杂结构和丰富语义,在设计异质图神经网络时,仍面临如下的挑战:（1）如何充分考虑图数据的异质性来设计图神经网络框架。（2）如何克服异质图神经网络的深度退化现象。（3）如何提升异质图神经网络对于图同构的区分能力（表示能力）。针对上述挑战,本文对异质图神经网络的关键技术开展研究。首先,研究了异质性建模问题,其作为深层退化现象和表示能力的研究基础。随后,进一步探究了异质图神经网络在分享推荐和组合推荐中的应用。综上,本文的主要工作及创新点如下所示:一,针对异质性建模问题,提出了一种基于层次注意力机制的异质图注意力网络。考虑到图上的异质信息与丰富语义,该模型设计了节点级别注意力和语义级别注意力来分别学习邻居与元路径重要性并以层次加权融合的形式来学习节点表示。有效性实验和双重注意力分析实验分别验证了异质图注意力网络的有效性和可解释性。二,针对异质图神经网络的深层退化问题（语义混淆现象）,设计了一种深度架构的异质图传播网络。通过分析语义混淆现象与多元路径随机游走的等价性,本研究设计了一种个性化随机游走指导的异质图传播网络,其核心设计包括语义传播机制和语义融合机制,能够在深层聚合时强调节点自身的特性并融合多种语义信息,进而有效缓解语义混淆现象。随着模型层数的加深,异质图传播网络能够捕获异质图上高阶语义并将其注入到节点表示中,进而提升下游任务的表现。三,针对异质图神经网络表示能力的局限性,设计了一种异质距离编码来提升其表示能力。对于图同构数据,由于表示能力的局限,异质图神经网络无法对其进行有效区分和表示。本研究提出了异质最短距离来捕获节点之间的距离信息并将编码后的相对距离注入到异质邻居聚合过程,进而有效提升了异质图神经网络的表示能力。通过建模节点相关性,基于距离编码的异质图神经网络在多节点挖掘任务（如链路预测）上具有更强的表示能力和泛化能力。四,异质图神经网络在分享推荐和组合推荐中的应用。分享推荐研究了用户与其好友之间的商品分享行为,这是一种三元交互预测问题。本研究设计了一种基于异质图神经网络的分享推荐算法,其包括学习用户、商品和好友的表示的三元异质图神经网络、提升三元组适配性的对偶协同注意力和和建模非对称性的传递性三元组表示。组合推荐旨在为促销场景选取一组满足大部分用户偏好商品并实现真实投放收益最大化。本研究以异质图神经网络估计的偏好为基础,提出了联合建模商品选择和投放的comb-K组合推荐模型,其以带约束组合优化的形式来搜索和求解一组商品的最大真实收益。真实分享和促销场景数据上的大量实验验证了基于异质图神经网络的推荐算法的有效性。
王艳华[7]（2021）在《智慧林业中立体感知体系关键技术研究》文中研究说明森林是规模最广泛的陆地生态系统,约占土地总面积的三分之一,同时也是地球生态系统的必要组成部分,森林生态系统是否正常,与地区生态安全和社会经济的可持续发展密切相关。传统基于人工的森林资源调查方法存在花费高,野外工作强度大,消耗时间长等缺点,且时效性和准确性往往无法达到实际应用的标准。传统的单一的数据源难以获取高精度的森林参数信息,多源数据综合应用将成为未来森林资源监测的有效方法。国家林业发展“十三五”规划提出,加强生态检测评价体系建设,深化遥感、定位、通信技术全面应用,构建天空地一体化监测预警评估体系。随着智慧林业的不断普及,信息技术以及对地观测技术的不断进步,利用不同类型、不同分辨率的遥感影像、无人机以及无线通信网络对森林资源的信息进行监测可以有效的指导林业生产,通过构建森林资源综合监测体系,实时准确了解森林资源的基本情况及变化,及时采取应对措施,可以大大提高资源保护与利用效果,对于环境治理和生态建设等有关工作的开展均有重大意义。本文从空天地一体的森林资源监测角度出发,针对森林资源监测信息类型复杂多样、数据维度高、信息冗余度高、数据信息处理量大等问题,研究综合性、立体性的森林资源监测网络体系,研究适合于森林环境监测无线传感器网络的网络方案和模型,并着重解决在符合森林环境监测无线传感器网的模型的网络结构中传感器以自组织和多跳的和传输的效率,研究海量遥感影像数据处理、数据存储、数据挖掘一体化的解决方案,开展森林资源综合监测体系研究,为森林资源连续清查体系的优化改革提供理论支撑和数据参考。本文的主要工作如下:（1）针对森林环境监测的无线传感器网络的数据传输问题,提出一种改进的基于ADHOC网络的组播路由模型,该模型特别适用于大规模、低密度无线传感器网络中传感器节点相对位置的确定,节点间连通性差,远距离节点间测距误差大的网络监测环境。在研究无线传感器网络邻居节点拓扑结构的基础上,将主流形学习和非线性维数算法相结合,提出了一种局部组合定位（LCL）算法,根据每个节点与相邻节点在一定通信范围内的成对距离,首先通过为每个节点构造一个局部子空间来获取全局结构的局部几何信息,然后对这些子空间进行比对,得到所有节点的内部全局坐标。结合全局结构和锚节点信息,最后利用最小二乘算法计算出所有未知节点的绝对坐标,构建可靠、高效的路由传输协议。通过在哈尔滨实验林场区域构建监测系统,实现气象、光照、土壤和空气质量全方位森林环境信息的获取。（2）针对遥感数据的预处理及数据挖掘,基于Hadoop内部提供的二进制文件存储形式SequenceFile,将图像数据序列化成字节流存到二进制文件中,在执行MapReduce任务时,直接用Hadoop的SequenceFileInputFormat输入文件格式进行读取,实现了图像并行处理。通过自定义分区策略的方式对遥感影像特征并行提取算法进行改进,增加提取遥感影像特征的MapReduce程序中Reduce任务数量,实现了 Hadoop的遥感影像特征提取并行化。从而提高并行处理效率。针对KMeans聚类算法需要人为确定初始聚类中心和聚类数目,从而使聚类结果陷入局部最优的问题,本文结合Canopy算法对KMeans算法进行改进,首先通过Canopy算法对遥感影像的特征信息进行“粗聚类”,然后将结果作为KMeans聚类算法的初始聚类点,从而完成遥感影像的分类处理,为监测数据提供了高质量的遥感影像。（3）针对现有遥感影像变化检测模型存在的检测精度不高的问题。提出了一种基于两阶段的遥感影像变化检测模型,该模型充分利用遥感影像的多维特征,利用U-net网络对遥感影像进行语义分割,并将分类结果与不同时相的遥感数据的分类结果进行融合,从而准确的获得监测区域地物变化的特征,该方法能够有效的提取遥感影像的纹理和光谱特征,提高变化检测的精度。此外,本文通过无人机获取高空间分辨率影像数据来实现单木尺度森林资源监测,通过H-maxima变换结合标记控制分水岭算法实现单木树冠的自动勾绘,从而实现单木信息的提取。最后利用改进的变化检测模型,实现了基于卷积神经网络的对西双版纳自然保护区的变化检测,根据对自然保护区内的植被变化监测的应用需要,进行系统的需求分析与设计,模型分析,实现了西双版纳自然保护区森林监测系统,对区域内森林变化情况进行精准监控。
李锋[8]（2021）在《基于深度学习的智能家居控制系统设计》文中提出随着自动控制技术、无线通信技术等前沿科技在近年来取得的长足进步与广泛应用,智能家居作为这些前沿科技与日常生活的一个有效的结合点,受到了越来越多的关注与研究,得到了极大地发展。虽然目前的智能家居系统采用了一些定时控制、条件控制的方式展现出有别于以往的电器控制形式,但是其智能化程度依然很低,远远无法达到人们所期盼的自主学习、自动控制的目标。近年来对人工智能、深度学习的研究日益深入,在此情况下将其与智能家居进行结合,就为家居生活实现真正的智能化提供了可能,同时也为智能家居的进一步发展提供了新的方向和难得的机遇。就此,本次研究的核心就是智能家居系统,并对其进行开发。首先分析了当前智能家居的发展现状,并对该选题的意义与背景进行了介绍,在此基础上确定了结合人工智能技术对智能家居系统进行研究的规划,并给出了具有可行性的总体设计方案。其次,为了解决现有的家居控制需要下载各种繁琐的APP的缺点,将微信小程序引入智能家居系统,设计了采用微信小程序作为控制终端的设备控制方案,整体结构采用小程序客户端-服务器-家居设备的形式,并结合IR、RF、EnOcean以及WiFi等多种无线通信方式,实现对家居电器的远程控制,提高了对设备进行控制的便捷性。再有,研究了基于门控循环神经网络（GRU）与注意力机制的神经网络模型及其在Tensorflow中的实现,以Tensorflow serving和Docker容器化技术为核心设计和实现了深度学习系统的部署架构,实现家居智能预测模型从构建、训练、部署到服务的完整流程。最后,为了论证本文所实现的功能,对系统进行了小程序远程控制功能的测试和智能预测控制功能的测试。测试结果表明,本文所设计的各功能模块能够满足系统设计要求,智能家居控制系统整体符合要求。具有一定的理论和实践参考价值。
刘振宇[9]（2020）在《基于深度学习的大规模MIMO系统信道状态信息反馈研究》文中研究表明大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）技术凭借其高频谱效率和高能量效率的优势成为了 5G关键技术之一。由于大规模MIMO系统中基站天线数量巨大,基站获取下行信道状态信息（Channel State Information,CSI）将造成巨大的系统开销,由此制约了频分双工（Frequency Division Duplex,FDD）模式下5G网络的实际应用。如何以较低开销精确反馈高维CSI是设计FDD大规模MIMO系统必须解决的瓶颈问题之一。人工智能技术尤其是深度学习的发展为降低大规模MIMO系统的CSI反馈开销提供了新的解决思路,智能通信也成为无线通信和6G发展的主流方向之一。但目前,如何实现无线通信与深度学习有机融合仍处于探索阶段,现有工作在深度学习方案的设计中结合无线通信领域知识与可解释性等方面的研究还远远不足。有鉴于此,本文将研究基于深度学习的大规模MIMO系统低开销CSI反馈,针对已有深度学习方案面临的低开销高精度反馈问题和可解释性问题,结合无线信道特性和传统方法的优点设计相应的解决方案。为了以较低的反馈开销实现高精度CSI反馈,首先,利用大规模MIMO上下行信道的物理环境相关特性,提出了基于双向信道相关性的深度学习CSI反馈方案;其次,利用大规模MIMO信道在时域内的相关特性,提出了基于时变信道马尔可夫模型的深度学习CSI差分反馈方案;然后,针对CSI反馈中的码字编码问题,利用深度学习的端到端优化特性,提出了基于维度压缩与码字量化联合优化的CSI反馈方案。最后,针对深度学习方案的可解释性问题,综合利用压缩感知算法的可解释性和神经网络数据驱动调参的优点,提出了基于深度展开的CSI反馈方案。具体而言,本文主要包括以下四个方面的创新工作:1.针对大规模MIMO系统CSI反馈在复杂场景下和压缩率较小时仍有较大的精度损失的问题,本文第二章提出了基于双向信道相关性与深度学习的CSI反馈方案DualNet。具体而言,DualNet利用上下行CSI在时延域上存在的相关性,构造基于深度自编码器的CSI反馈架构,利用基站侧可用的上行CSI辅助下行的CSI恢复,提高大规模MIMO系统低开销反馈下的CSI重构精度。为了进一步降低反馈开销,第二章研究了在不依赖于相关部分反馈的情况下基于上行CSI的下行CSI预测,并探究部分信道参数配置对双向信道相关性的影响,为降低基于深度学习的大规模MIMO系统CSI反馈开销提供参考方向。2.为了在实现低开销高精度CSI反馈的同时降低部署成本,本文第三章利用大规模MIMO信道在相干时间内存在的相关性,进一步从时间维度上挖掘了降低CSI反馈开销的潜力,提出了基于时间相关性与深度学习的CSI差分反馈方案DiffNet。具体而言,第三章首先研究了大规模MIMO信道的时间相关特性,从条件熵的角度衡量了相邻CSI之间可以提供的先验信息。在此基础上,不同于使用循环神经网络（Recurrent Neural Network,RNN）在挖掘时间序列变化规律的同时会带来巨大的存储和计算开销,DiffNet利用MIMO信道变化的一阶马尔可夫模型设计了 CSI差分反馈网络,通过反馈基于相邻时刻CSI的估计误差,在提升CSI反馈精度的同时降低存储开销和复杂度。然后,DiffNet根据CSI数据特性提出了球面归一化反馈和CSI反馈增强网络来提供初始时刻的高精度CSI反馈,帮助差分模型获得更准确的先验信息。之后,为了进一步降低CSI反馈模型的存储开销和计算开销,第三章设计了基于卷积神经网络的维度压缩模块帮助剔除神经网络中的冗余连接。验证结果展示了 DiffNet在降低存储开销和复杂度的同时,可以明显提高大规模MIMO系统低开销反馈下的CSI重构精度。3.目前基于深度学习的大规模MIMO信道反馈主要集中在CSI矩阵的维度压缩上,如何对维度压缩后的码字进行高效的编码仍亟待解决。针对上述问题,本文第四章利用深度学习的端到端优化特性,设计了一种模块化的高效压缩反馈框架CQNet来联合优化CSI维度压缩、码字量化和恢复。CQNet中提出了一个可插拔的量化模块,通过为维度压缩后码字矢量中的每个元素自定义量化间隔和μ律压扩器来提升量化效率。同时,CQNet中使用幅度自适应相位量化在极坐标系中设计了一种高效的量化反馈方案。然后,通过将CQNet与两个现有基于深度学习的CSI反馈方案进行集成,来展示CQNet在提升带宽效率方面的简单性和有效性。验证结果表明,CQNet能够在大规模MIMO系统低开销反馈下实现良好的CSI反馈精度和鲁棒性。4.针对基于深度学习的CSI反馈网络结构设计缺乏可解释性的问题,第五章综合利用压缩感知算法的可解释性和神经网络数据驱动调参的优点,提出了 一种基于深度展开的CSI反馈方案TMM-ISTANet+。TMM-ISTANet+由一个用于维度压缩的测量矩阵构成的编码器和用于CSI迭代重构的可解释解码器构成。针对随机生成的测量矩阵难以充分利用信道特征带来的反馈性能损失问题,TMM-ISTANet+引入可训练的测量矩阵来挖掘CSI数据特性和提升CSI矩阵的压缩效率。同时,为了提升解码器网络结构设计的可解释性,TMM-ISTANet+将用于压缩感知重构的迭代收缩阈值算法（Iterative Shrinkage-Thresholding Algorithm,ISTA）展开为对应的深度网络模块。通过端到端的梯度下降训练,TMM-ISTANet+可以针对CSI数据特性进行编解码网络参数的调优。验证结果表明,TMM-ISTANet+在从网络结构设计角度提升CSI反馈方案可解释性的同时,也保障了大规模MIMO系统低开销反馈下的CSI重构精度。
教育部[10]（2020）在《教育部关于印发普通高中课程方案和语文等学科课程标准（2017年版2020年修订）的通知》文中研究指明教材[2020]3号各省、自治区、直辖市教育厅（教委）,新疆生产建设兵团教育局:为深入贯彻党的十九届四中全会精神和全国教育大会精神,落实立德树人根本任务,完善中小学课程体系,我部组织对普通高中课程方案和语文等学科课程标准（2017年版）进行了修订。普通高中课程方案以及思想政治、语文、
二、挖掘无线通信的深层应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、挖掘无线通信的深层应用（论文提纲范文）
（1）基于代数拓扑和分形的无线通信网络基站分布与传输容量研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究内容和主要贡献 |
| 1.4 论文结构安排 |
| 2 代数拓扑与分形几何基础理论 |
| 2.1 代数拓扑工具 |
| 2.1.1 Alpha Shapes(α-Shapes) |
| 2.1.2 Betti数 |
| 2.1.3 Euler示性数 |
| 2.1.4 Hurst系数 |
| 2.1.5 必要性阐释 |
| 2.2 分形几何介绍 |
| 2.2.1 幂律分布定义 |
| 2.2.2 重正整化视角 |
| 2.3 本章小结 |
| 3 蜂窝网络中基站分布的拓扑特征 |
| 3.1 国家范围蜂窝网络中基站分布的拓扑特征 |
| 3.1.1 数据描述 |
| 3.1.2 基于Betti数的分形特征 |
| 3.1.3 基于Hurst系数的分形特征 |
| 3.1.4 Euler示性数的对数正态分布 |
| 3.2 城市范围蜂窝网络中基站分布的拓扑特征 |
| 3.2.1 数据描述 |
| 3.2.2 基于Betti数的分形特征 |
| 3.2.3 基于Hurst系数的分形特征 |
| 3.2.4 Euler示性数的对数正态分布 |
| 3.3 本章小结 |
| 4 分形D2D移动社交网络的容量 |
| 4.1 背景介绍 |
| 4.1.1 分形D2D移动社交网络阐释 |
| 4.1.2 社交通信分类 |
| 4.2 系统模型 |
| 4.3 直接社交通信下的网络容量 |
| 4.3.1 相关数学定义 |
| 4.3.2 目标用户均匀分布场景 |
| 4.3.3 目标用户幂律分布场景 |
| 4.4 分级社交通信下的网络容量 |
| 4.5 仿真及讨论 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 成果与结论 |
| 5.2 未来与展望 |
| 参考文献 |
| 攻读博士学位期间主要研究成果 |
| 简历 |
（3）基于机器学习的物理层认证技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 传统物理层认证技术研究现状 |
| 1.1.2 机器学习、深度学习技术在物理层认证中的应用 |
| 1.2 主要研究内容与意义 |
| 1.3 课题来源 |
| 1.4 论文结构安排 |
| 第二章 面向动态场景的轻量级跨层认证 |
| 2.1 研究背景 |
| 2.2 动态通信场景系统模型 |
| 2.3 动态场景下的轻量级跨层认证方案 |
| 2.3.1 动态场景下的轻量级物理层认证方案 |
| 2.3.2 动态场景下的增强可靠性的跨层认证方案 |
| 2.4 仿真与结果分析 |
| 2.5 本章小结 |
| 第三章 基于深度学习的近距离攻击者检测 |
| 3.1 研究背景 |
| 3.2 近距离攻击者攻击模型 |
| 3.3 基于深度学习的近距离攻击者检测与定位 |
| 3.3.1 近距离攻击者检测方案 |
| 3.3.2 攻击者数据分离与定位 |
| 3.4 仿真与结果分析 |
| 3.5 本章小结 |
| 第四章 基于时序模型的物理层双重认证 |
| 4.1 研究背景 |
| 4.2 近距离攻击模型与高阶特征分析 |
| 4.3 基于时序模型的物理层双重认证机制 |
| 4.3.1 基于时序模型的移动节点双重认证框架 |
| 4.3.2 基于RNN的物理层认证方案 |
| 4.3.3 基于LSTM的物理层认证方案 |
| 4.4 仿真与结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 后续研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间成果目录 |
（4）基于卷积神经网络的MQAM调制信号识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于最大似然假设检验的方法 |
| 1.2.2 基于特征提取的方法 |
| 1.3 本文主要研究内容及章节安排 |
| 第2章 调制信号和神经网络基本理论 |
| 2.1 引言 |
| 2.2 MQAM信号基本理论 |
| 2.2.1 MQAM调制的基本原理 |
| 2.2.2 MQAM信号特征选择分析 |
| 2.3 神经网络基本理论 |
| 2.3.1 神经元 |
| 2.3.2 前馈神经网络 |
| 2.3.3 卷积神经网络 |
| 2.4 本章小结 |
| 第3章 基于GCC和 CNN的 MQAM信号识别 |
| 3.1 引言 |
| 3.2 通信系统模型和信号模型 |
| 3.2.1 通信系统模型 |
| 3.2.2 信号模型 |
| 3.3 基于星座图的特征提取方法 |
| 3.3.1 信号星座图 |
| 3.3.2 图形星座投影算法 |
| 3.3.3 梯度颜色星座图算法 |
| 3.4 基于GCC与 CNN的调制方式识别 |
| 3.4.1 信号识别系统模型 |
| 3.4.2 GCC图像数据集 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 基于残差网络和边界最大化的MQAM信号识别 |
| 4.1 引言 |
| 4.2 残差网络 |
| 4.3 angular softmax loss损失函数 |
| 4.4 基于残差网络和边界最大化的调制方式识别 |
| 4.4.1 信号识别系统模型 |
| 4.4.2 GCC图像数据集 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的学术成果 |
（5）基于深度学习的多用户MIMO-OFDM系统信号检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及论文结构 |
| 第二章 关键技术及理论基础 |
| 2.1 无线通信理论 |
| 2.1.1 多输入多输出技术 |
| 2.1.2 正交频分复用技术 |
| 2.1.3 基于导频的信道估计技术 |
| 2.1.4 信号检测技术 |
| 2.2 深度学习理论 |
| 2.2.1 深度学习简介 |
| 2.2.2 神经网络的训练 |
| 2.2.3 循环神经网络 |
| 2.2.4 卷积神经网络 |
| 2.3 本章小结 |
| 第三章 基于MIMO-OFDM系统的信道估计研究 |
| 3.1 系统建模 |
| 3.1.1 通信系统模型 |
| 3.1.2 无线信道模型 |
| 3.2 基于深度学习的信道估计设计 |
| 3.2.1 基于导频的信道估计方法 |
| 3.2.2 基于深度学习的信道估计方法 |
| 3.2.3 去噪神经网络 |
| 3.3 仿真与分析 |
| 3.4.1 仿真参数设置 |
| 3.4.2 仿真结果对比分析 |
| 3.4 本章小结 |
| 第四章 基于多用户MIMO-OFDM系统信号检测研究 |
| 4.1 系统建模和问题建立 |
| 4.2 基于深度学习的导频设计和信道估计联合优化 |
| 4.2.1 导频优化网络 |
| 4.2.2 导频设计和信道估计联合优化 |
| 4.3 基于深度学习的信号检测 |
| 4.3.1 基于深度学习的信号检测方法 |
| 4.3.2 信号检测神经网络 |
| 4.4 仿真结果与分析 |
| 4.4.1 仿真参数设置 |
| 4.4.2 仿真结果对比分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作及创新点总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（6）异质图神经网络关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究内容及结构安排 |
| 1.2.1 研究内容 |
| 1.2.2 结构安排 |
| 第二章 相关工作与研究现状 |
| 2.1 异质图建模与分析 |
| 2.2 图表示学习 |
| 2.2.1 经典图表示学习 |
| 2.2.2 图神经网络 |
| 2.3 推荐系统 |
| 第三章 基于层次注意力机制的异质图神经网络 |
| 3.1 引言 |
| 3.2 模型框架 |
| 3.2.1 节点级别注意力 |
| 3.2.2 语义级别注意力 |
| 3.2.3 模型分析 |
| 3.3 实验与分析 |
| 3.3.1 实验数据与对比算法 |
| 3.3.2 有效性实验 |
| 3.3.3 层次注意力分析 |
| 3.3.4 参数实验 |
| 3.4 本章小结 |
| 第四章 深度架构的异质图传播网络 |
| 4.1 引言 |
| 4.2 深层退化现象 |
| 4.2.1 异质图神经网络架构分析 |
| 4.2.2 多元路径随机游走与异质图神经网络的联系 |
| 4.3 模型框架 |
| 4.3.1 语义传播机制 |
| 4.3.2 语义融合机制 |
| 4.3.3 损失函数 |
| 4.3.4 模型分析 |
| 4.4 实验与分析 |
| 4.4.1 实验数据与对比算法 |
| 4.4.2 有效性实验 |
| 4.4.3 鲁棒性实验 |
| 4.4.4 语义融合分析实验 |
| 4.4.5 参数实验 |
| 4.5 本章小结 |
| 第五章 距离编码增强的异质图神经网络 |
| 5.1 引言 |
| 5.2 异质距离编码 |
| 5.3 模型框架 |
| 5.3.1 节点表示初始化 |
| 5.3.2 异质图卷积 |
| 5.3.3 损失函数和优化 |
| 5.3.4 模型分析 |
| 5.4 实验与分析 |
| 5.4.1 实验数据与对比算法 |
| 5.4.2 链路预测 |
| 5.4.3 异质距离编码分析 |
| 5.4.4 参数实验 |
| 5.5 本章小结 |
| 第六章 异质图神经网络在推荐中的应用 |
| 6.1 引言 |
| 6.1.1 分享推荐 |
| 6.1.2 组合推荐 |
| 6.2 分享推荐 |
| 6.2.1 问题建模 |
| 6.2.2 问题求解 |
| 6.2.3 实验与分析 |
| 6.3 组合推荐 |
| 6.3.1 问题建模 |
| 6.3.2 问题求解 |
| 6.3.3 实验与分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 攻读博士学位期间参与的科研项目 |
（7）智慧林业中立体感知体系关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景 |
| 1.1.1 选题目的 |
| 1.1.2 选题意义 |
| 1.2 研究现状 |
| 1.2.1 基于无线传感器网络的森林资源信息监测研究 |
| 1.2.2 基于遥感影像的森林变化监测研究 |
| 1.3 研究内容以及创新点 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文主要创新点 |
| 1.4 本文的组织结构 |
| 2 相关理论及方法 |
| 2.1 无线传感器网络 |
| 2.1.1 无线传感器网络结构 |
| 2.1.2 无线传感器网络的协议栈 |
| 2.2 遥感影像处理技术 |
| 2.2.1 遥感影像的预处理 |
| 2.2.2 基于深度学习的遥感影像分类与变化检测 |
| 2.3 本章小结 |
| 3 基于无线传感器网络的森林资源监测方法及系统 |
| 3.1 基于信任的无线传感器网络数据传输模型 |
| 3.1.1 无线传感器网络与可信信息传播概述 |
| 3.1.2 基于信任的信息传播模型 |
| 3.1.3 实验结果与分析 |
| 3.2 改进的基于ADHOC网络的组播路由算法 |
| 3.2.1 组播路由协议基本过程 |
| 3.2.2 局部组合定位的路由算法 |
| 3.2.3 实验结果与分析 |
| 3.3 基于博弈理论的无线传感器网络自私节点惩罚机制 |
| 3.3.1 激励惩罚机制概述 |
| 3.3.2 基于博弈理论的惩罚机制 |
| 3.3.3 模拟实验与结果分析 |
| 3.4 基于无线传感器网络的森林环境信息监测系统 |
| 3.4.1 系统设计思路 |
| 3.4.2 系统硬件设计 |
| 3.4.3 系统模拟软件 |
| 3.5 本章小结 |
| 4 基于无人机激光雷达的单木尺度森林资源监测技术 |
| 4.1 激光雷达数据解算及误差分析 |
| 4.2 地面点滤波 |
| 4.3 冠层高度模型的生成 |
| 4.4 单木树冠提取 |
| 4.5 单木参数提取 |
| 4.6 实验结果与分析 |
| 4.6.1 无人机激光雷达系统 |
| 4.6.2 地面调查数据介绍 |
| 4.6.3 精度评价与分析 |
| 4.7 本章小结 |
| 5 基于遥感影像的森林资源监测方法 |
| 5.1 基于分布式的遥感影像特征提取方法 |
| 5.1.1 遥感影像并行预处理 |
| 5.1.2 基于Hadoop的遥感影像特征提取方法 |
| 5.1.3 基于Hadoop的遥感影像特征提取算法实现 |
| 5.1.4 实验结果与分析 |
| 5.2 基于卷积神经网络的遥感影像语义分割 |
| 5.2.1 编码器模块组成 |
| 5.2.2 SELU激活函数 |
| 5.2.3 实验结果与分析 |
| 5.3 基于特征融合的森林资源变化监测方法 |
| 5.3.1 聚焦损失函数 |
| 5.3.2 随机森林 |
| 5.3.3 特征融合 |
| 5.3.4 实验结果及分析 |
| 5.4 基于深度学习的森林变化监测系统 |
| 5.4.1 需求分析 |
| 5.4.2 系统的总体功能 |
| 5.4.3 数据库概念结构设计 |
| 5.4.4 用户管理和遥感影像管理模块 |
| 5.4.5 监测区域变化监测功能 |
| 5.4.6 变化检测结果显示模块 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学博士学位论文修改情况确认表 |
（8）基于深度学习的智能家居控制系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外的发展现状 |
| 1.3 论文主要研究内容及结构 |
| 1.4 本章小结 |
| 第二章 智能家居控制系统总体方案设计及关键技术 |
| 2.1 智能家居控制系统方案设计 |
| 2.1.1 智能家居系统需求分析 |
| 2.1.2 系统总体设计方案 |
| 2.2 主要技术堆栈 |
| 2.2.1 EnOcean无线通信技术 |
| 2.2.2 微信小程序开发技术 |
| 2.2.3 Tensorflow机器学习平台 |
| 2.2.4 Docker容器技术 |
| 2.3 本章小结 |
| 第三章 基于微信小程序的智能家居控制系统实现 |
| 3.1 智能家居控制器(SHC) |
| 3.1.1 SHC简介 |
| 3.1.2 SHC常用协议 |
| 3.2 通信模块设计 |
| 3.2.1 SHC与家电设备的通信 |
| 3.2.2 SHC与服务器的通信 |
| 3.3 微信小程序端详细设计 |
| 3.3.1 微信小程序开发环境 |
| 3.3.2 微信小程序与服务器的通信实现 |
| 3.3.3 系统页面设计 |
| 3.3.4 客户端功能实现 |
| 3.4 本章小结 |
| 第四章 基于深度学习的家居设备智能预测系统设计 |
| 4.1 预测模型介绍 |
| 4.1.1 人工神经网络概述 |
| 4.1.2 损失函数 |
| 4.1.3 优化算法 |
| 4.1.4 激活函数 |
| 4.1.5 GRU网络 |
| 4.1.6 注意力机制 |
| 4.2 Attention-GRU模型的实现 |
| 4.3 智能预测模型的部署 |
| 4.3.1 模型部署环境搭建 |
| 4.3.2 Docker容器结构 |
| 4.3.3 设备智能预测模块的构建 |
| 4.3.4 模型热更新与多模型部署 |
| 4.4 本章小结 |
| 第五章 系统测试 |
| 5.1 微信小程序测试 |
| 5.1.1 环境监测测试 |
| 5.1.2 控制功能测试 |
| 5.2 预测系统测试 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 未来展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（9）基于深度学习的大规模MIMO系统信道状态信息反馈研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 第一章 绪论 |
| 1.1 5G概述 |
| 1.2 大规模MIMO技术与存在问题 |
| 1.2.1 大规模MIMO技术概述 |
| 1.2.2 大规模MIMO系统CSI反馈 |
| 1.3 基于深度学习的CSI反馈 |
| 1.3.1 常用的神经网络 |
| 1.3.2 无线信道特性 |
| 1.4 本文的主要工作 |
| 1.5 本文的章节安排 |
| 参考文献 |
| 第二章 基于双向信道相关性与深度学习的CSI反馈 |
| 2.1 引言 |
| 2.2 系统模型 |
| 2.3 基于双向信道相关性的CSI反馈 |
| 2.3.1 CSI反馈网络CsiNet介绍 |
| 2.3.2 双向信道相关性 |
| 2.3.3 DualNet-MAG |
| 2.3.4 DualNet-ABS |
| 2.3.5 性能评估 |
| 2.4 基于上行CSI的下行CSI预测 |
| 2.4.1 U2DNet |
| 2.4.2 部分信道参数对双向信道相关性的影响 |
| 2.4.3 性能评估 |
| 2.5 本章小节 |
| 参考文献 |
| 第三章 基于时间相关性与深度学习的CSI差分反馈 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 基于时间相关性的CSI反馈 |
| 3.3.1 基于循环神经网络的CSI反馈 |
| 3.3.2 CSI条件熵和差分反馈 |
| 3.4 CSI差分反馈网络DiffNet |
| 3.4.1 基于信道变化马尔可夫模型的CSI差分反馈 |
| 3.4.2 基于球面归一化的CSI反馈 |
| 3.4.3 CSI反馈网络增强设计 |
| 3.4.4 CSI差分反馈网络设计 |
| 3.5 模型压缩 |
| 3.6 性能评估 |
| 3.6.1 t_1时刻的性能评估 |
| 3.6.2 DiffNet总体性能评估 |
| 3.6.3 DiffNet-CNN总体性能评估 |
| 3.7 本章小结 |
| 参考文献 |
| 第四章 维度压缩与码字量化联合优化的CSI反馈 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.3 低比特量化的CSI反馈 |
| 4.4 端到端的CSI压缩反馈框架CQNet |
| 4.4.1 维度压缩与码字量化联合优化设计 |
| 4.4.2 幅度自适应相位量化设计 |
| 4.5 性能评估 |
| 4.5.1 CSI重构性能评估 |
| 4.5.2 鲁棒性评估 |
| 4.5.3 不同模块带来的重构增益评估 |
| 4.5.4 量化模块性能评估 |
| 4.5.5 相位量化性能评估 |
| 4.6 本章小结 |
| 参考文献 |
| 第五章 基于深度展开的CSI反馈 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.3 基于深度展开的CSI反馈网络设计 |
| 5.3.1 ISTA算法介绍 |
| 5.3.2 ISTA算法的深度展开 |
| 5.3.3 TMM-ISTANet+ |
| 5.4 性能评估 |
| 5.5 本章小结 |
| 参考文献 |
| 第六章 论文总结及展望 |
| 6.1 全文工作总结 |
| 6.2 下一步工作展望 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
四、挖掘无线通信的深层应用（论文参考文献）
- [1]基于代数拓扑和分形的无线通信网络基站分布与传输容量研究[D]. 陈颖. 浙江大学, 2021(01)
- [2]解密媒介考古[J]. 周安馨,纪水苗,易思琳,廖世桢,王茜,谭嘉怡,杨新柳,刘思源. 跨文化研究, 2021(01)
- [3]基于机器学习的物理层认证技术研究[D]. 张志远. 北京邮电大学, 2021(01)
- [4]基于卷积神经网络的MQAM调制信号识别算法研究[D]. 黄刚. 黑龙江大学, 2021(09)
- [5]基于深度学习的多用户MIMO-OFDM系统信号检测研究[D]. 徐宁. 北京邮电大学, 2021(01)
- [6]异质图神经网络关键技术研究[D]. 纪厚业. 北京邮电大学, 2021(01)
- [7]智慧林业中立体感知体系关键技术研究[D]. 王艳华. 东北林业大学, 2021
- [8]基于深度学习的智能家居控制系统设计[D]. 李锋. 天津理工大学, 2021(08)
- [9]基于深度学习的大规模MIMO系统信道状态信息反馈研究[D]. 刘振宇. 北京邮电大学, 2020(01)
- [10]教育部关于印发普通高中课程方案和语文等学科课程标准（2017年版2020年修订）的通知[J]. 教育部. 中华人民共和国教育部公报, 2020(06)