- 文献综述（或调研报告）：
关于深度学习以及无线信号分类和调制方式识别的文献综述
将大量而复杂的高数据率的无线电信号流，即时、快捷而自动地接收、记录以及分类到不同的类别或者打上不同的标签，从而使得接收端能够在全盲的情况下正确识别出信号的调制方式并且对其解调，是当今众多无线电传感系统和通信系统的一个关键部分，在频谱干扰监测、无线电故障检测、动态频谱接取、机会网状网，以及众多的监管和防御应用中也至关重要。而直到深度学习诞生或者成熟之前，人们对于无线信号的分类以及调制方式识别还一直是通过精心手动调制的、对应着特定信号类型和特性的专用特征提取器来完成的，并且他们必须利用解析出的决策边界，或者是在低维特征空间中的统计学习边界来导出紧致决策边界。
在过去的六年到七年中，改进的神经网络体系结构、神经网络算法和神经网络优化技术，也就是我们统称为深度学习的技术，给各个领域以及各个学科都带来了叹为观止的学界地震。在如今，也就是2019年的时候，深度学习早已取代了机器学习，在计算机视觉、计算机语音和计算机自然语言处理方面引领最先进的科技水平。而在这些领域，对于样本数据的特征的工程化的预处理、识别、提取以及计算，都是非常重要的课题。如果关于样本数据的特征，工程化得很好，那么特征提取器和转换器，就会准确而高效地将相关信息提取为易处理的简化维度表示，从而可以很容易地通过支持向量机或者决策树之类的工具来学习分类标签或者学习进行决策。其中最常用的前端特征，一般会包括标度不变特征变换(Sift)、词袋、美频倒谱系数(Mfcc)以及其他一些在几年前被广泛依赖，但如今已不再需要的特征了。
深度学习与传统的机器学习相比较而言，大大提高了基于高水平监督目标的原始高维输入数据的特征学习能力，这是因为深度学习会使用具有大量自由参数的大型神经网络模型，而神经网络的规模越大、自由参数越多，学习能力就会越强。而深度学习能够获得如此优越的性能，是通过强正则化技术、大大改进的随机梯度下降、低成本、高性能图形卡处理能力以及结合关键神经网络结构创新的方法，例如卷积神经网络、校正线性单元等实现的。甚至于Alexnet神经网络成功地将其中许多技术结合起来，顺利实现了在实际模型大小、参数计数和目标数据集，以及目标数据集和任务复杂性上几个数量级的增长，从而在原始图像数据的特征学习过程中，成为了比较先进的技术。实际上，目前机器学习的发展趋势有可能是利用端到端的特征学习，并由数据导出更精确的高自由度模型，从而来取代刚性的简化解析特征和近似模型，以达到更好的性能目标。这一趋势已在计算机视觉、计算机文本处理和计算机语音方面得到了证明，但尚未在无线电时间序列的数据集上得到广泛应用或者充分实现。
而自从Alexnet神经网络以来，随着网络算法和体系结构的改进，我们已经可以通过使用更多更宽的神经网络层，来对更深层次的网络进行有效的训练，从而获得性能上的直接提高而不需要付出额外的代价。在计算机视觉领域，深卷积神经网络(RNS)的思想已经开始越来越流行也越来越有效了。在深度剩余网络中，神经网络会大量使用跳过连接或旁路连接的概念，因此他具有允许神经网络在多个尺度和深度上进行操作的特性。这种思想导致了计算机视觉和计算机时间序列音频领域上的性能提升。另外，在《调制识别的深层体系结构》[14]中，作者对时间序列的无线电信号分类和调制方式识别的深卷积神经网络进行了研究，发现深卷积神经网络所需要的训练变少了，但是其在神经网络判决的准确性方面并没有提供显著的性能改进。
在《基于空中深度学习的无线信号分类》[15]中，作者通过使用深卷积神经网络，来对无线电信号进行了分类和调制方式识别，在具有一个复杂的而较大的信号数据库作为基础的条件下，作者无论是对OTA信号还是对实际的综合信号，都实现了最先进的调制方式识别性能。如果有足够的训练数据，在利用深度剩余架构时，深度网络会随着数据集的增大以越来越有效。虽然大型、标记良好的数据集在今天的此类任务中往往很难获得，信道模型也很难与实际的部署条件相匹配，但是能够充分地将数据集上的优势转化到性能上的优势的深卷积神经网络仍不失可用。而在其他领域上，例如无线电变压器网络、经常性单元，性能却受到了一定的局限。同时，作者在论文中已经证明，深卷积神经网络在高信噪比OTA数据集上提供的性能与在等效合成数据集上的性能大致相同，这代表深卷积神经网络向着现实世界的使用迈出了重要的一步。除此之外，转移学习确实能够实现，而且也确实很快速，特别是当有限地转移训练数据时；但是转移学习训练出来的神经网络与在足够大的数据集上直接训练出来的完整神经网络相比，并不能获得同等的精度或者灵敏度性能。
引用：
[1] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge,
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。
