18、5G通信中AI与ML的应用及SDN管理架构解析-CSDN博客

5G通信中AI与ML的应用及SDN管理架构解析

1. 调制分类器模型架构

Daitan创新团队于2021年11月创建了一个调制分类器来预测调制信号。他们使用PyTorch Lightning创建了一个端到端的深度学习模型，并使用GNU radio ML RML2016.10a数据集的合成数据进行研究。该数据集包含3种模拟和8种数字调制方案，不同信噪比下有220,000个输入示例，数字调制包括BPSK、16QAM、64QAM、QPSK、8PSK、BFSK、PAM4和CPFSK。5G调制信号模型有π/2 - BPSK、QPSK、16QAM、64QAM和256QAM。

模型架构基于CNN，有3个卷积块（2D卷积层）和1个密集块，随后是ReLU非线性、批量归一化和Dropout。输入信号的批量大小为(1, 2, 128)。三个卷积块将输入数据转换为通道数分别为64、128和256的特征体积，然后将表示展平，生成形状为(Batch Size, 10,240, 256)的特征向量，再传递到有256个神经元的密集块，最后线性层将输出表示映射到8种调制类别的概率分布上，使用随机梯度下降优化。

以下是模型架构的简单mermaid流程图：

graph LR
    A[输入数据] --> B[3个卷积块]
    B --> C[展平]
    C --> D[密集块]
    D --> E[线性层]
    E --> F[概率分布输出]

2. 结果分析

为了分析分类器的性能，研究人员开发了一个包含129,200个观测值的