机器学习属于工程领域，在过去的十年中，由于计算系统的功能不断增强以及数据的可用性，该领域已显着成熟。与传统系统不同，机器学习为工程师提供了一种工具，不仅可以教其识别模式，还可以从其环境中学习，这有助于随着时间的推移提高其性能。
在机器学习的早期发展中，它主要用于图像和语音识别，但是近年来这种情况正在改变。机器学习现在被广泛应用于医疗诊断、股市决策甚至环境控制等领域。
频道搜寻
无线技术异常复杂，每次技术迭代都增加了一层额外的复杂性。基于无线电信号的第一个无线技术将使用火花隙来接收信号，而下一代无线电将使用二极管来解调信号以提取音频信息。在无线技术经过几次迭代之后，将部署结合了密码功能的复杂数字电路，以保持信息的私密性。
现在，许多设备都在朝着移动技术发展，因此对蜂窝塔的需求量很大，同时可能有成千上万的同时连接请求。为了帮助管理此负载，无线电系统部署的信道中每个信道处理的设备数量非常多，一个信道中的设备不能干扰另一信道中的设备。
但是，找到流量较低的频道可能要花费一段时间，而使用优质频道通常会成为附近设备和环境的一个因素。由于使用反复试验来选择通道，因此效率低下会导致能耗增加和执行时间增加。
机器学习应用
为了解决此问题，美国国家标准技术研究院(NIST)的一组研究人员开发了一种数学公式，该公式的行为类似于机器学习算法。
本质上，该公式是基于先验经验而不是使用试错法来选择无线网络频道。由于该系统过去具有与外部因素有关的选定配置，因此可以说相同的设置提供了更好的运行机会。对此类系统的需求源于以下事实，即移动网络正在部署一种称为“许可辅助访问”的解决方案，该解决方案同时使用许可频段和非许可频段。这意味着同时使用Wi-Fi和蜂窝设备的环境最终会在信道上竞争，从而导致信道查找速度变慢。
因此，如果两个天线(Wi-Fi和移动天线)都使用类似于机器学习的公式来查找优质信道，则它们可以独立运行以找到优秀解决方案。根据计算机模拟，该公式可以映射环境条件，例如存在的发射器和通道的数量，可以将尝试次数从45000个减少到10个，从而使其速度提高了5000倍。
机器学习能够适应其环境的能力使其能够随着时间的推移提高性能。这样的算法不必仅限于音频和视频应用。从理论上讲，他们可以改善任何流程。因此，工程师应着眼于自己的设计，并尝试找出涉及反复试验的情况，然后查看是否可以用学习算法代替。
