5G与6G网络＋深度学习＋AI＝无线电系统最佳化
https://bit.ly/2KMDbh2
几十年来，业余双向无线电营运商总是能够选择一天中的正确时间以及正确的无线电频率
在整个区域内进行无干扰的通讯。不过，这是属于相对较少的用户和装置共享无线电波的
方式，因此如何在蜂窝无线电的手机和物联网装置普及的今日，寻找无干扰的频率变得越
来越困难。
现今，研究人员计划使用深度学习来创建认知无线电（Cognitive Radio），期望能立即
调整无线电频率，以获得最佳性能的状态。
所谓的感知无线电的概念是由Mitola在1999 年首先提出，其是指出具有射频感知（RF
sensing）和系统重置（Reconfigurability）能力。一旦拥有具有感知无线电技术的无线
通讯装置或系统，就可充份利用空闲频道，一来可提升现有系统的通讯容量，二来亦可创
造新的紧急救难通讯服务等。
美国波士顿东北大学无线物联网研究所机构指出，蜂窝物联网装置的种类和密度不断增加
的结果，带给无线网络优化带来了新挑战。
一个给定的无线电频率范围可以让在同一总体区域中，一百台专门设计用于小型无线电的
装置共用且一起运作。每个小型无线电装置具有各自的讯号特性，并且在不同条件下，进
行调整。当预测哪些频谱区段可能被自由使用的瞬间，大量的装置会降低固定数学模型的
功效。
一旦采用深度学习，这一瓶颈似乎就了答案。研究人员希望使用嵌入在无线装置硬件中的
机器学习技术来提高频率利用率，进而使装置可以自行发展出最适化频谱使用的AI策略。
早期研究表明，深度学习模型在处理嘈杂的无线电频道时，其分类准确度平均比起传统系
统还要高上20%，并且能够扩展到数百个同时运行的装置。此外，为此目的开发的深度学
习架构也将可用于其他多项任务。
应用程式实施深度学习的一个关键挑战是需要快速处理大量资料以进行连续分析。深度学
习可能依赖于数千万个参数，并且这里可能需要在毫秒级别上每秒测量超过100百万位元
组的资料。研究人员指出，这超出了是当前可用的最强大嵌入式装置的能力。
研究人员预计将在5G毫米波和未来的6G太赫兹硬件中使用深度学习技术，尽管超高频信号
容易受到物理干扰，但在未来的二十年中，它们将比4G装置更加普及。