文献综述
文 献 综 述一、引言机器学习（Machine Learning）是解决人工智能AI问题的一个领域分支，而深度学习（Deep Learning）又是机器学习领域的一个新的研究方向，使机器学习更贴近于人工智能。
深度学习是一类模式分析方法的统称，其通过学习样本数据的内在规律来获得对信息如文字，图像和声音等数据的处理分析能力，最终成长为让机器能够像人一样具有分析学习能力。
目前，深度学习已经在自然语言处理（NLP），计算机视觉（CV）和生物信息学等方面帮助人类处理了大量的数据，解决了很多复杂的模式识别难题，使人工智能相关技术取得了很大进步。
深度学习的概念源于人工神经网络的研究，主要在于建立模拟人脑进行分析学习的神经网络。
目前，深度学习已经建立起了几种网络结构，如卷积神经网络（CNN），循环神经网络（RNN），深度神经网络（DNN），长短期记忆网络（LSTM）和Transformer网络等。
通用深度学习模型实现流程为：1）数据预处理，分离出训练数据（用于更新模型参数权重和偏置）、验证数据（用于选超参数，查看过拟合程度）和测试数据（用于评估模型性能）；2）设计网络结构，如是共有几层神经网络，每层输入输出的矩阵格式等；3）设计损失函数（梯度为损失函数的值减小最多的方向）；4）设置用于自动调整神经网络参数的优化器；5）使用数据和标签训练神经网络，训练期间会不断地重复选择batch size的数据、计算梯度与沿梯度方向更新参数这三个步骤。
在频谱感知层面，自19世纪以来世界发展出各式各样的通信科技产物，诸如无线电电报，智能手机，5G网络，蓝牙与物联网等，但随着无线通信技术的广泛应用，频谱资源逐渐稀缺，空闲的频谱通道变得愈发宝贵。
为了满足人们的日常通信需要与国家、军事和经济等方面信息传输效率的需要，检测与利用空闲无线电认知技术成为各个国家均需发展的关键核心技术，这种感知频谱并通过检测接收信号判断信道中传输的是否是有用信息的技术体系被称为频谱感知技术。
传统的频谱感应方法包括能量检测，基于循环平稳特征的检测，基于特征值的检测，基于频域熵的检测和基于功率谱密度分裂抵消的方法。
以上是文献综述，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。
