近年來人工智能特別是深度學習在計算機視覺、自然語言處理、語音識別等領(lǐng)域獲得了巨大成功,無線通信領(lǐng)域的研究者們期望將其應用于系統(tǒng)的各個層面,進而發(fā)展出智能通信,大幅度提升無線通信系統(tǒng)效能。智能通信也因此被認為是5G之后無線通信發(fā)展主流方向之一,其研究尚處于探索階段。本書結(jié)合國內(nèi)外學術(shù)界在該領(lǐng)域的**研究進展,著眼于智能通信中基于深度學習的物理層設(shè)計,對相關(guān)理論基礎(chǔ)、通信模塊設(shè)計,以及算法實現(xiàn)等進行詳盡的介紹與分析。內(nèi)容主要包括:神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)及進階技巧、典型神經(jīng)網(wǎng)絡(luò)、基于深度學習的通信物理層基本模塊設(shè)計等。為方便讀者學習,相關(guān)章節(jié)均提供了開源代碼(掃描二維碼下載),以幫助讀者快速理解書中涉及的原理與概念。
更多科學出版社服務(wù),請掃碼獲取。
目錄
前言
章 緒論 1
1.1 智能通信引言 1
1.2 人工智能技術(shù)簡介 3
1.2.1 人工神經(jīng)網(wǎng)絡(luò) 3
1.2.2 深度神經(jīng)網(wǎng)絡(luò) 4
1.2.3 卷積神經(jīng)網(wǎng)絡(luò) 5
1.2.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 5
1.2.5 生成對抗神經(jīng)網(wǎng)絡(luò) 6
1.2.6 深度增強學習神經(jīng)網(wǎng)絡(luò) 6
1.3 智能通信當前研究進展 7
1.3.1 信道估計 7
1.3.2 信號檢測 8
1.3.3 CSI 反饋與重建 9
1.3.4 信道譯碼 10
1.3.5 端到端無線通信系統(tǒng) 11
1.4 總結(jié)與展望 12
1.5 本章小結(jié) 14
參考文獻 14
第2 章 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ) 16
2.1 監(jiān)督學習 18
2.2 分類問題 19
2.3 線性回歸 22
2.4 邏輯回歸 25
2.5 邏輯回歸的代價函數(shù) 29
2.6 梯度下降法 30
2.7 模型驗證 34
2.8 基于TensorFlow 的二分類范例 35
參考文獻 41
第3 章 神經(jīng)網(wǎng)絡(luò)的進階技巧 42
3.1 多分類算法 42
3.2 激活函數(shù) 46
3.2.1 線性激活函數(shù) 47
3.2.2 Sigmoid 函數(shù) 47
3.2.3 tanh 函數(shù) 48
3.2.4 ReLu 函數(shù) 49
3.3 神經(jīng)網(wǎng)絡(luò)的訓練準備 51
3.3.1 輸入歸一化 51
3.3.2 權(quán)重初始化 53
3.4 正則化 55
3.4.1 偏差和方差 55
3.4.2 Dropout 算法 56
3.4.3 補償過擬合的其他方式 58
3.5 批量歸一化 60
3.5.1 歸一化網(wǎng)絡(luò)的激活函數(shù) 60
3.5.2 BN 與神經(jīng)網(wǎng)絡(luò)的擬合 61
3.6 優(yōu)化算法 62
3.6.1 Mini-Batch 梯度下降法 62
3.6.2 指數(shù)加權(quán)平均 63
3.6.3 動量梯度下降法 64
3.6.4 RMS prop 65
3.6.5 Adam 優(yōu)化算法 65
3.6.6 學習率衰減 66
3.7 基于TensorFlow 的兩層神經(jīng)網(wǎng)絡(luò)實例 67
參考文獻 71
第4 章 卷積神經(jīng)網(wǎng)絡(luò) 73
4.1 什么是卷積神經(jīng)網(wǎng)絡(luò) 73
4.1.1 計算機視覺 73
4.1.2 卷積神經(jīng)網(wǎng)絡(luò) 74
4.2 卷積神經(jīng)網(wǎng)絡(luò)基本原理 75
4.2.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 75
4.2.2 卷積神經(jīng)網(wǎng)絡(luò)的層級組成及其原理 75
4.2.3 卷積神經(jīng)網(wǎng)絡(luò)的特點 81
4.3 卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典網(wǎng)絡(luò) 81
4.3.1 經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò) 81
4.3.2 AlexNet 概述 81
4.3.3 VGGNet 概述 82
4.3.4 ResNet 概述 84
4.4 多層卷積神經(jīng)網(wǎng)絡(luò)實例 86
4.5 本章小結(jié) 91
參考文獻 91
第5 章 循環(huán)神經(jīng)網(wǎng)絡(luò) 92
5.1 什么是序列模型 92
5.1.1 序列模型簡介 92
5.1.2 序列模型的符號定義 93
5.2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型 94
5.2.1 RNN 的前向傳播 94
5.2.2 RNN 的反向傳播 96
5.2.3 不同類型的RNN 98
5.2.4 長期依賴問題 99
5.3 長短時記憶 100
5.3.1 長短時記憶網(wǎng)絡(luò) 100
5.3.2 LSTM 的變形與演進 103
5.3.3 LSTM 實例應用 106
5.4 本章小結(jié) 108
參考文獻 108
第6 章 正交調(diào)制解調(diào)器 109
6.1 基于深度學習的QAM 解調(diào)器設(shè)計 109
6.1.1 基本原理 109
6.1.2 SNR vs BER 仿真結(jié)果 112
6.2 基于深度學習的QAM 解調(diào)器設(shè)計 117
6.2.1 QAM 解調(diào)的評價標準 117
6.2.2 基于深度學習的QAM 解調(diào) 117
6.3 本章小結(jié) 127
第7 章 人工智能輔助的OFDM 接收機 128
7.1 FC-DNN OFDM 接收機 129
7.1.1 系統(tǒng)結(jié)構(gòu) 129
7.1.2 模型訓練 130
7.1.3 仿真代碼 131
7.2 ComNet OFDM 接收機 140
7.2.1 整體架構(gòu) 140
7.2.2 信道估計子網(wǎng) 142
7.2.3 信號檢測子網(wǎng) 143
7.2.4 仿真代碼 145
7.3 仿真性能分析 148
7.3.1 仿真參數(shù) 148
7.3.2 整體ComNet OFDM 接收機的仿真性能 148
7.4 本章小結(jié) 151
參考文獻 151
第8 章 CSI 反饋及信道重建——CsiNet 152
8.1 CSI 反饋背景知識 152
8.2 基本原理 153
8.2.1 系統(tǒng)模型 153
8.2.2 壓縮感知 155
8.2.3 自動編碼器 155
8.3 基于深度學習的CSI 反饋 156
8.3.1 基于深度學習的反饋機制 156
8.3.2 信道狀態(tài)信息反饋網(wǎng)絡(luò)(CsiNet)結(jié)構(gòu) 157
8.4 實驗結(jié)果與分析 159
8.4.1 實驗數(shù)據(jù)生成 159
8.4.2 實驗程序 160
8.4.3 實驗仿真結(jié)果 166
8.5 CsiNet-LSTM 169
8.6 本章小結(jié) 177
參考文獻 177
第9 章 滑動窗序列檢測方法 179
9.1 序列檢測 179
9.1.1 序列檢測的基本原理 179
9.1.2 大似然序列檢測準則 180
9.1.3 維特比算法 181
9.2 基于深度學習的序列檢測器實現(xiàn) 185
9.2.1 問題描述 186
9.2.2 深度學習實現(xiàn) 187
9.2.3 仿真分析 191
9.2.4 結(jié)果分析 198
9.3 本章小結(jié) 199
參考文獻 199
0 章 基于深度學習的Turbo 碼譯碼 200
10.1 Turbo 碼起源 200
10.2 Turbo 碼編碼原理 201
10.2.1 PCCC 型編碼結(jié)構(gòu) 201
10.2.2 SCCC 型編碼結(jié)構(gòu) 202
10.2.3 HCCC 型編碼結(jié)構(gòu) 203
10.3 Turbo 碼傳統(tǒng)譯碼算法 203
10.3.1 Turbo 碼譯碼結(jié)構(gòu) 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 基于深度學習的信道譯碼 210
10.4.1 優(yōu)化傳統(tǒng)“黑箱”神經(jīng)網(wǎng)絡(luò) 210
10.4.2 參數(shù)化傳統(tǒng)譯碼算法 211
10.5 基于深度學習的Turbo 碼譯碼 216
10.5.1 模型的構(gòu)建 216
10.5.2 性能仿真 226
10.5.3 仿真程序 228
10.6 本章小結(jié) 250
參考文獻 250