文献综述（或调研报告）：
通过引入人工智能（AI），智能通信可以潜在地解决传统通信系统中的许多挑战性问题。最近在智能通信方面取得的许多成果可以在[1]，[2]，[3]中获得，其中包括使用AI进行信号分类[4]，多输入多输出（MIMO）检测[5]，信道状态信息（CSI）反馈[6]，[7]，基于新型自动编码器的端到端通信系统[8]和[9]。
正交频分复用（OFDM）已被证明是处理无线信道延迟扩展的有效技术[10]，[11]。OFDM接收机可以分为两类：线性和非线性接收机。线性接收机在信道估计（CE）或信号检测（SD）上使用了包括最小二乘（LS）[12]，[13]和最小均方误差（MMSE）[14]，而非线性接收机包含近似消息传递（AMP）[15]和基于期望传播（EP）的算法[16]。这些接收机都是基于专业知识或特定模型设计的。
- 国外研究情况：
作为人工智能的主流方法，机器学习，特别是深度学习（DL）近年来因其在计算机视觉，自然语言处理方面取得的巨大成功而备受关注。最近，它已经被应用于无线通信领域，例如物理层通信，资源分配和智能交通控制。然而，大多数现有的DL网络是数据驱动的，它们使用标准的神经网络结构作为黑盒子并通过大量数据训练它。除了庞大的数据集之外，训练标准神经网络还需要很长的训练时间。与完全数据驱动的方法相比，模型驱动的DL方法基于已知的物理机制和专业知识构建网络拓扑，因此需要更少的训练数据和更短的训练时间。
最近，Ye等人[17]提出了一种新型数据驱动的AI辅助OFDM接收机，它使用全连接深度神经网络（FC-DNN）在快速傅立叶变换（FFT）模块之后直接检测数据。通过将信道估计和信号检测一起视为黑盒，AI辅助OFDM接收机无需利用无线通信的专业知识，并且通过大量无线数据和基于随机梯度下降（SGD）的算法训练所有参数。[17]中的数据驱动的AI辅助OFDM接收机被证明对于导频减少，CP省略和非线性削波噪声（clipping noise）的影响是鲁棒的，但是它收敛缓慢并且具有高计算复杂度。受[17]的启发，最近还开发了其他数据驱动方法。
[18],[19]中探索了非正交等一系列环境下，深度学习方法可以相比于经典算法带来更好的性能结果，揭示了智能通信在复杂、难以建模的信道环境下，仍然可以通过自身的学习拟合能力提取信道的特征参数做出良好的应对。但是，数据驱动方法的性能在很大程度上取决于大量标记数据，因为如果训练集很小，网络就无法学到很多隐含特征。然而，在某些应用中，特别是在无线通信中，无法容易地获得标记数据。此外，缺乏对神经网络拓扑与性能之间关系的理论理解使其结构无法解释且不可预测。这些限制阻止了在一些实际应用中广泛使用数据驱动的DL方法。
目前的在实际环境中的空中（OTA）性能研究，通常将精心设计的AI网络离线训练并将其部署在软件定义无线电（SDR）上，例如通用软件无线电外围设备（USRP），以供在线使用[4]，[8]。在这种情况下，DNN的训练参数与部署时保持相同。因此，在架构设计和训练阶段必须考虑实际环境的所有可能影响，这在大多数应用环境中是不切实际的。在[24]中，已经提出了一种名为纠错码（ECC）的方法，用于在接收机侧构建标记数据集，以便可以通过迁移学习来微调训练的AI通信系统。在运行时，此方法要求信道变化比更新参数更慢。据作者所知，目前还没有关于使用AI辅助OFDM接收机在真实环境中进行实时视频传输的报道。
2.国内研究情况：
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。
