智能通信：基于深度学习的物理层设计

图书标准信息

• 作者 金石、温朝凯 著
• 出版社 科学出版社
• 出版时间 2020-06
• 版次 1
• ISBN 9787030654458
• 定价 89.00元
• 装帧 其他
• 开本 16开
• 页数 251页
• 字数 330千字

【内容简介】

近年来人工智能特别是深度学习在计算机视觉、自然语言处理、语音识别等领域获得了巨大成功，无线通信领域的研究者们期望将其应用于系统的各个层面，进而发展出智能通信，大幅度提升无线通信系统效能。智能通信也因此被认为是 5G 之后无线通信发展主流方向之一，其研究尚处于探索阶段。《智能通信：基于深度学习的物理层设计》结合国内外学术界在该领域的新研究进展，着眼于智能通信中基于深度学习的物理层设计，对相关理论基础、通信模块设计，以及算法实现等进行详尽的介绍与分析。内容主要包括：神经网络的基础及进阶技巧、典型神经网络、基于深度学习的通信物理层基本模块设计等。为方便读者学习，相关章节均提供了开源代码(扫描二维码下载)，以帮助读者快速理解《智能通信：基于深度学习的物理层设计》涉及的原理与概念。

【目录】

目录 
前言 
第1章 绪论 1 
1.1 智能通信引言 1 
1.2 人工智能技术简介 3 
1.2.1 人工神经网络 3 
1.2.2 深度神经网络 4 
1.2.3 卷积神经网络 5 
1.2.4 循环神经网络 5 
1.2.5 生成对抗神经网络 6 
1.2.6 深度增强学习神经网络 6 
1.3 智能通信当前研究进展 7 
1.3.1 信道估计 7 
1.3.2 信号检测 8 
1.3.3 CSI 反馈与重建 9 
1.3.4 信道译码 10 
1.3.5 端到端无线通信系统 11 
1.4 总结与展望 12 
1.5 本章小结 14 
参考文献 14 
第2 章 神经网络的基础 16 
2.1 监督学习 18 
2.2 分类问题 19 
2.3 线性回归 22 
2.4 逻辑回归 25 
2.5 逻辑回归的代价函数 29 
2.6 梯度下降法 30 
2.7 模型验证 34 
2.8 基于TensorFlow 的二分类范例 35 
参考文献 41 
第3 章 神经网络的进阶技巧 42 
3.1 多分类算法 42 
3.2 激活函数 46 
3.2.1 线性激活函数 47 
3.2.2 Sigmoid 函数 47 
3.2.3 tanh 函数 48 
3.2.4 ReLu 函数 49 
3.3 神经网络的训练准备 51 
3.3.1 输入归一化 51 
3.3.2 权重初始化 53 
3.4 正则化 55 
3.4.1 偏差和方差 55 
3.4.2 Dropout 算法 56 
3.4.3 补偿过拟合的其他方式 58 
3.5 批量归一化 60 
3.5.1 归一化网络的激活函数 60 
3.5.2 BN 与神经网络的拟合 61 
3.6 优化算法 62 
3.6.1 Mini-Batch 梯度下降法 62 
3.6.2 指数加权平均 63 
3.6.3 动量梯度下降法 64 
3.6.4 RMS prop 65 
3.6.5 Adam 优化算法 65 
3.6.6 学习率衰减 66 
3.7 基于TensorFlow 的两层神经网络实例 67 
参考文献 71 
第4 章 卷积神经网络 73 
4.1 什么是卷积神经网络 73 
4.1.1 计算机视觉 73 
4.1.2 卷积神经网络 74 
4.2 卷积神经网络基本原理 75 
4.2.1 卷积神经网络的结构 75 
4.2.2 卷积神经网络的层级组成及其原理 75 
4.2.3 卷积神经网络的特点 81 
4.3 卷积神经网络的经典网络 81 
4.3.1 经典的卷积神经网络 81 
4.3.2 AlexNet 概述 81 
4.3.3 VGGNet 概述 82 
4.3.4 ResNet 概述 84 
4.4 多层卷积神经网络实例 86 
4.5 本章小结 91 
参考文献 91 
第5 章 循环神经网络 92 
5.1 什么是序列模型 92 
5.1.1 序列模型简介 92 
5.1.2 序列模型的符号定义 93 
5.2 循环神经网络模型 94 
5.2.1 RNN 的前向传播 94 
5.2.2 RNN 的反向传播 96 
5.2.3 不同类型的RNN 98 
5.2.4 长期依赖问题 99 
5.3 长短时记忆 100 
5.3.1 长短时记忆网络 100 
5.3.2 LSTM 的变形与演进 103 
5.3.3 LSTM 实例应用 106 
5.4 本章小结 108 
参考文献 108 
第6 章 正交调制解调器 109 
6.1 基于深度学习的QAM 解调器设计 109 
6.1.1 基本原理 109 
6.1.2 SNR vs BER 仿真结果 112 
6.2 基于深度学习的QAM 解调器设计 117 
6.2.1 QAM 解调的评价标准 117 
6.2.2 基于深度学习的QAM 解调 117 
6.3 本章小结 127 
第7 章 人工智能辅助的OFDM 接收机 128 
7.1 FC-DNN OFDM 接收机 129 
7.1.1 系统结构 129 
7.1.2 模型训练 130 
7.1.3 仿真代码 131 
7.2 ComNet OFDM 接收机 140 
7.2.1 整体架构 140 
7.2.2 信道估计子网 142 
7.2.3 信号检测子网 143 
7.2.4 仿真代码 145 
7.3 仿真性能分析 148 
7.3.1 仿真参数 148 
7.3.2 整体ComNet OFDM 接收机的仿真性能 148 
7.4 本章小结 151 
参考文献 151 
第8 章 CSI 反馈及信道重建――CsiNet 152 
8.1 CSI 反馈背景知识 152 
8.2 基本原理 153 
8.2.1 系统模型 153 
8.2.2 压缩感知 155 
8.2.3 自动编码器 155 
8.3 基于深度学习的CSI 反馈 156 
8.3.1 基于深度学习的反馈机制 156 
8.3.2 信道状态信息反馈网络(CsiNet)结构 157 
8.4 实验结果与分析 159 
8.4.1 实验数据生成 159 
8.4.2 实验程序 160 
8.4.3 实验仿真结果 166 
8.5 CsiNet-LSTM 169 
8.6 本章小结 177 
参考文献 177 
第9 章 滑动窗序列检测方法 179 
9.1 序列检测 179 
9.1.1 序列检测的基本原理 179 
9.1.2 大似然序列检测准则[2] 180 
9.1.3 维特比算法 181 
9.2 基于深度学习的序列检测器实现 185 
9.2.1 问题描述 186 
9.2.2 深度学习实现 187 
9.2.3 仿真分析 191 
9.2.4 结果分析 198 
9.3 本章小结 199 
参考文献 199 
第10 章 基于深度学习的Turbo 码译码 200 
10.1 Turbo 码起源 200 
10.2 Turbo 码编码原理 201 
10.2.1 PCCC 型编码结构 201 
10.2.2 SCCC 型编码结构 202 
10.2.3 HCCC 型编码结构 203 
10.3 Turbo 码传统译码算法 203 
10.3.1 Turbo 码译码结构 204 
10.3.2 MAP 算法 206 
10.3.3 Log-MAP 算法 209 
10.3.4 Max-Log-MAP 算法 210 
10.4 基于深度学习的信道译码 210 
10.4.1 优化传统“黑箱”神经网络 210 
10.4.2 参数化传统译码算法 211 
10.5 基于深度学习的Turbo 码译码 216 
10.5.1 模型的构建 216 
10.5.2 性能仿真 226 
10.5.3 仿真程序 228 
10.6 本章小结 250 
参考文献 250