通信学科导论课程报告

通信学科导论课程报告

• 对通信学科的认识

   汤姆勒布朗曾今说过：“这是科技的时代，也是通信的时代。”我对这句话深有感触。想当年，莫尔斯发明电报，远距交流不再是梦，递出一封家书不再需要煎熬的等待；想当年，贝尔发明电话，见字如面不再是信件的常用语，即使亲人远在千里之外，我们依然可以与他们交谈；而现今，2g3g以是过去式，4g实现的视频通话慰藉了无数人思亲念乡的愿景，5g也出现在我们大众的视野里并且带来了便捷。支持我们前进的不仅是我们坚强的意志，更是通信领域的无穷无尽与深奥博大。

学科导论课的学习，使我对通信工程的理解不再是停留在拉网线、爬电线杆这些浅薄甚至带有偏见的理解上了。通信工程伴随着光电子技术和电子通信信息的发展而建立，拥有完备基础理论，丰富的专业内涵，同时还拥有广泛的应用领域，是推动信息产业发展和提升传统产业的主干。因为导论课我再次翻开了我的高中通用课本，重温了我高中的电路知识，也因此对通信工程建立了初步的认识。同时加之在河南暴雨中，华为派了一千多名工程师驰援一线，又让我再次意识到了通信工程这一专业的魅力。

通信不仅是一个典型的交叉学科专业，更是一个宽广的领域，其集现代电子技术、信息技术、通用技术于一体，以数学、物理、信息论为基础，以电子光子信息及与之相关的元器件、电子系统和信息网络为研究对象；主要研究信息的产生、发送和接受，以及信息的传输、交换和处理，同时它也属于电子信息类的一部分。

而在《信息与电子工程导论》一书中，以信息的载体——“数据与信号”为主线，构建了电子信息科学与技术的知识体系；与此同时，通信工程也是电子信息科学与技术的一部分；并将电子信息技术知识体系描述为：数据是信息的载体，信息是数据的载体，场与波是信号的载体，电子信息技术是将信息与数据的行为及其应用作为研究的主要对象，其所有活动都是围绕数据和信号展开的，通过器件、电路、处理器等硬件及软件技术实现信息的采集、传输、变换和存储，通过计算机与网络实现数据的通信、处理、利用和认知。简而言之，通信的目的就是为了提供可靠有效（又快又好）的信息传输；用专业一点的说法就是实现：信源——信道——信宿的完整可靠流程。

对于信息对抗专业，这个浙江省唯一的兵器类专业，我对比了通信工程和信息对抗两者的2019年的专业培养计划，二者拥有大致相同的科目，但在信息对抗这一专业中，还需要深入学习python数据分析以及通信对抗原理等科目，并且在python数据分析中还将学习linux操作系统。课程涉及内容包括：进攻与防御功能的信息战技术系统及其决策支持系统，民用信息安全防护等方面的基础理论知识和技术。

• 深度学习的相关内容

1、深度学习的历史

  早在1943年，心理学家麦卡洛克和数学逻辑学家皮兹就发表了论文《神经活动中内在思想的逻辑演算》，提出了MP模型。MP模型作为人工神经网络的起源，开创了人工神经网络的新时代，也奠定了神经网络模型的基础。在此之后，科学家们又提出了海布学习规则、感知器学习等理论，但由于存在单层感知器无法解决线性不可分问题（即异或问题等），同时没有及时推广感知器到多层网络神经中。人工神经网络的研究陷入了停滞。

直到1986年，深度学习之父杰弗里•辛顿提出了一种适用于多层感知器的反向传播算法——BP算法。BP算法在传统神经网络正向传播的基础上，增加了误差的反向传输过程，从而完美的解决了非线性分类问题，让人工神经网络再次引起了人们的广泛关注。

但是由于八十年代计算机的硬件水平有限，如：运算能力跟不上，这就导致了当神经网络的规模增大时，再使用BP算法会出现“梯度消失”的问题，其本质是由于链式法则的乘法特性导致的。这使得BP算法的发展受到了很大的限制。再加上90年代中期，以SVM（向量机）为代表的其他浅层机器学习算法被提出，并在分类、回归问题上均取得了很好效果，其原理又明显不同于神经网络模型，所以人工神经网络的发展再次陷入瓶颈期。

直到2006年杰弗里•辛顿和他的学生鲁斯兰•萨拉赫丁诺夫正式提出了深度学习的概念。他们在《科学》发表的一篇文章中详细的给出了“梯度消失”问题的解决方案——通过无监督的学习方法逐层训练算法，再使用有监督的反向传播算法进行调优。在此之后深度发展就走上了快速发展的道路。

2012年，在ImageNet图片识别大赛中，杰弗里•辛顿领导的小组采用深度学习模型AlexNet一举夺冠。该模型采用了ReLu激活函数，从根本上解决了梯度消失的问题，同年深度神经网络——DNN技术在图像识别领域取得了惊人的成绩。2014年DeepFace项目，在人脸识别的准确率已经达到了97%以上，这样的结果也再一次证明了深度学习算法在图像识别方面的优势。与此同时，从AlphaGo到AlphaGo Zero的不断更新换代，也证明了在围棋界，基于深度学习技术的机器人已经超越了人类，达到了人类无法到达的高峰。

2、提出深度学习的背景

  可以说深度学习的成功不是一蹴而就的，而是基于大数据时代的来临、GPU（专为图像处理设计，采用了数量众多的计算单元和超长流水线，但只有非常简单的控制逻辑并省去了Cache)的发展、神经网络相关工程理论的改进这三个必要条件的。

  深度学习是机器学习的一部分，而机器学习是实现人工智能的必经途径。人工智能是一种使机器模仿人类行为的技术，机器学习借助训练算法(即找一个函数）来实现AI；而深度学习本质上是一个复杂的非线性变换构成的抽象算法，对数据进行表征学习。

   深度学习也曾因为硬件、理论等方面的原因而陷入低谷，但自2006年，辛顿等人利用限制波尔兹曼机对神经网络连续层进行建模，使用逐层预训练的方法抽取模型数据中的高维特征，后来又提出了高度信念网络，大大提高了模型在测试集上的泛化效果。同时，随着硬件计算能力（高速GPU并行运算）和算法的提升，网络隐层可以不断增加，于是以辛顿为代表的研究人员重新将人工神经网络定义为深度学习。

3、深度学习的发展方向和应用领域

   自2012年起神经网络就在语音识别和图像识别基准测试中获得了压倒性的优势，由此迎来了它的第三次高潮。这一次神经网络的高潮与开源运动（开源运动的意义就在于开放源代码、信息共享和自由使用）相结合，衍生了一系列的深度学习开源框架，才有了今天深度学习在无人驾驶、机器翻译、金融风控等诸多领域的广泛应用。就目前而言，深度学习在语音识别、自然语言处理、文字识别、自动机器翻译、自动驾驶汽车等领域有着广泛的应用。

当然与机器学习一样，深度学习也有监督学习和无监督学习之分，例如卷积神经网络就是一种深度的监督学习下的机器学习模型，而深度置信网就是一种无监督学习下的机器学习模型。就具体研究内容而言，深度学习主要涉及三类方法：（1）卷积神经网络，（2）基于多层神经元的自编码神经网络，包括自编码和稀疏编码，（3）以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络（DBN)。但近年来，研究人员也逐渐将这几类方法结合起来，如原本以有监督学习为基础的卷积神经网络结合自编码神经网络进行无监督预训练，进而利用鉴别信息微调网络参数形成的卷积深度置信网络。

• 专业学习规划

1. 加深对高数、线性代数、概率论、英语等相关专业的学习。不论是书中提到的傅里叶级数还是欧拉定理；不论是矩阵变换还是英语文献的阅读，都是接下来各科学习的重要基础。
2. 仔细研究数电、模电、单片机、信号与系统等专业知识，深度探索其原理，熟悉掌握并且尽量能够运用自己所学的专业知识与技能来解决问题。
3. 掌握常见安全网络架构、对网络协议和故障能抓包分析，对网络和安全设备能熟悉配置。

4.了解defence（防御）和security（安全），相关的Hacking（攻击）技术包括协议安全（arp中间人攻击、dhcp泛洪欺骗、STP欺骗、DNS劫持攻击、HTTP/VPN弱版本或中间人攻击…）、接入安全（MAC泛洪与欺骗、802.1x、WiFi暴力破解…）、硬件安全（利用NSA泄露工具包攻击知名防火墙、设备远程代码执行漏洞getshell、网络设备弱口令破解.. ）、配置安全（不安全的协议被开启、不需要端口服务被开启…）…

5..熟练掌握基础编程语言，如MATLAB、C语言、python、Java等。

• 感想与收获

    学科导论课为我打开了新世界的大门，启发了我对通信工程的兴趣，点燃了我对通信工程的热情。老师们生动形象的讲解，深入浅出地让我大致了解了通信工程的基本内容。得知了信息和信息技术已经成为人们工作、学习和生活中不可或缺的部分。信息技术的进步对人类文明的发展起了至关重要的作用。

专业导论课是为了使学生了解专业内涵特点和发展趋势、专业与社会经济发展的关系、专业涉及的主要学科知识和课程体系、专业人才培养基本要求等，帮助学生形成较系统的专业认识，为以后专业学习做铺垫。通过专业导论课，我了解了电子信息科学与技术的整体结构、层次关系、核心概念、创新成就及系统观念和各类知识点的内在联系。并且了解了数学通信系统中的信号和数据的变换过程以及时域与频域、模拟和数字、编码和调制、场与波等核心概念。认识了一下电子器件，学习了电路设计的基本原理。这些知识不仅为后续课程学习奠定基础，也为大学阶段尽早开展创新设计训练提供支撑。

在通信工程未来发展的战略目标上我们要不断与时俱进、开拓创新，不断促进我国的通信工程健康发展和开拓通信工程新的局面。希望在以后的日子里，努力的人儿都能为该学科领域贡献属于自己的一份力量！