随着无线通信技术的快速演进,5G、Wi-Fi和窄带物联网(Narrowband internet of things,NB-IoT)等多种通信制式并存,网络结构与信道环境的复杂性显著提升,使通信制式识别在频谱管理、干扰抑制与安全监测中的作用愈加重要。传统依赖人工特...随着无线通信技术的快速演进,5G、Wi-Fi和窄带物联网(Narrowband internet of things,NB-IoT)等多种通信制式并存,网络结构与信道环境的复杂性显著提升,使通信制式识别在频谱管理、干扰抑制与安全监测中的作用愈加重要。传统依赖人工特征与规则的方法在动态复杂场景及未知协议下适应性有限,而深度学习通过端到端建模与自动特征提取显著提升了识别精度与鲁棒性,但其在跨制式泛化、数据稀缺与计算开销方面仍面临瓶颈。以大语言模型与多模态模型为代表的大规模预训练模型凭借强泛化、跨任务迁移和少样本学习能力,展现出在复杂通信制式识别中的巨大潜力。本文系统梳理了通信制式识别技术的发展脉络,重点探讨了大语言模型驱动方法的最新进展,剖析了其在泛化能力、可解释性与高效部署等方面所面临的挑战,挖掘了其在智能频谱管理与安全监测中的应用机遇,并展望了其在5G/6G智能网络管理中的发展前景。展开更多
文摘随着无线通信技术的快速演进,5G、Wi-Fi和窄带物联网(Narrowband internet of things,NB-IoT)等多种通信制式并存,网络结构与信道环境的复杂性显著提升,使通信制式识别在频谱管理、干扰抑制与安全监测中的作用愈加重要。传统依赖人工特征与规则的方法在动态复杂场景及未知协议下适应性有限,而深度学习通过端到端建模与自动特征提取显著提升了识别精度与鲁棒性,但其在跨制式泛化、数据稀缺与计算开销方面仍面临瓶颈。以大语言模型与多模态模型为代表的大规模预训练模型凭借强泛化、跨任务迁移和少样本学习能力,展现出在复杂通信制式识别中的巨大潜力。本文系统梳理了通信制式识别技术的发展脉络,重点探讨了大语言模型驱动方法的最新进展,剖析了其在泛化能力、可解释性与高效部署等方面所面临的挑战,挖掘了其在智能频谱管理与安全监测中的应用机遇,并展望了其在5G/6G智能网络管理中的发展前景。
