文献综述
本课题的现状及发展趋势：
深度学习自2006年产生之后就受到科研机构、工业界的高度关注。最初，深度学习的应用主要是在图像和语音领域。从2011年开始，谷歌研究院和微软研究院的研究人员先后将深度学习应用到语音识别，使识别错误率下降了20%-30%[4,7]。2012年，杰弗里·辛顿的学生IIya Sutskever和Alex Krizhevsky在图片分类比赛ImageNet中，使用深度学习打败了Google团队，深度学习的应用，使得图片识别错误率下降了14%。2012年6月，谷歌首席架构师Jeff Dean和斯坦福大学教授AndrewNg主导著名的GoogleBrain项目，采用16万个CPU来构建一个深层神经网络，并将其应用于图像和语音的识别，最终大获成功。此外，深度学习在搜索领域也获得广泛关注。如今，深度学习已经在图像、语音、自然语言处理、CTR预估、大数据特征提取等方面获得广泛的应用。
在通信领域，为了实现有效的数据传输，通常在通信系统中使用不同的调制方法来调制发送的信号。 作为信号检测和信号解调之间的中间过程，调制识别是在实际应用中提供信号调制信息以进一步信号解调和解码的重要技术，例如认知无线电，信号识别，威胁评估和频谱监测。 一般来说，调制识别方法可以分为两类：基于决策理论的方法和基于统计模式识别的方法。 基于决策理论的方法使用概率论，假设检验理论和适当的决策准则来解决调制识别问题。 然而，由于该方法需要接收信号的先验信息，因此当大量调制类型共存时，已经证明它是耗时且无效的。 作为替代，由于调制识别可以被表达为模式识别问题，统计模式识别方法能够基于足够大的训练数据来学习具有多个未知参数的识别模型。 因此，通过提供训练数据中不同调制的完整信息并同时考虑一些特征，模式识别方法更加稳健和有效。
本课题的价值：
本设计的研究具有深远的现实意义。深度学习带来了机器学习的一个新浪潮，受到从学术界到工业界的广泛重视，也导致了“大数据 深度模型”时代的来临。在应用方面，深度学习使得语音图像的智能识别和理解取得惊人进展，从而推动人工智能和人机交互大踏步前进。同时，pCTR这样的复杂机器学习任务也得到显著提升。如果我们能在理论、建模和工程方面，突破深度学习技术面临的一系列难题，人工智能的梦想将不再遥远。
参考文献：
[1]郭有为. 基于深度学习的自动调制识别技术研究[D].中国工程物理研究院,2018.
[2]胡政东. 基于特征提取的调制识别系统[D].西南科技大学,2018.
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。
