智能通信：基于深度學習的物理層設計

目錄
前言
第1章 緒論 1
1.1 智能通信引言 1
1.2 人工智能技術簡介 3
1.2.1 人工神經(jīng)網(wǎng)絡 3
1.2.2 深度神經(jīng)網(wǎng)絡 4
1.2.3 卷積神經(jīng)網(wǎng)絡 5
1.2.4 循環(huán)神經(jīng)網(wǎng)絡 5
1.2.5 生成對抗神經(jīng)網(wǎng)絡 6
1.2.6 深度增強學習神經(jīng)網(wǎng)絡 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 總結與展望 12
1.5 本章小結 14
參考文獻 14
第2 章 神經(jīng)網(wǎng)絡的基礎 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)絡的訓練準備 51
3.3.1 輸入歸一化 51
3.3.2 權重初始化 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)絡的激活函數(shù) 60
3.5.2 BN 與神經(jīng)網(wǎng)絡的擬合 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)絡實例 67
參考文獻 71
第4 章 卷積神經(jīng)網(wǎng)絡 73
4.1 什么是卷積神經(jīng)網(wǎng)絡 73
4.1.1 計算機視覺 73
4.1.2 卷積神經(jīng)網(wǎng)絡 74
4.2 卷積神經(jīng)網(wǎng)絡基本原理 75
4.2.1 卷積神經(jīng)網(wǎng)絡的結構 75
4.2.2 卷積神經(jīng)網(wǎng)絡的層級組成及其原理 75
4.2.3 卷積神經(jīng)網(wǎng)絡的特點 81
4.3 卷積神經(jīng)網(wǎng)絡的經(jīng)典網(wǎng)絡 81
4.3.1 經(jīng)典的卷積神經(jīng)網(wǎng)絡 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)絡實例 86
4.5 本章小結 91
參考文獻 91
第5 章 循環(huán)神經(jīng)網(wǎng)絡 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 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 108
參考文獻 108
第6 章 正交調制解調器 109
6.1 基于深度學習的QAM 解調器設計 109
6.1.1 基本原理 109
6.1.2 SNR vs BER 仿真結果 112
6.2 基于深度學習的QAM 解調器設計 117
6.2.1 QAM 解調的評價標準 117
6.2.2 基于深度學習的QAM 解調 117
6.3 本章小結 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)結構 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 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 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(CsiNet)結構 157
8.4 實驗結果與分析 159
8.4.1 實驗數(shù)據(jù)生成 159
8.4.2 實驗程序 160
8.4.3 實驗仿真結果 166
8.5 CsiNet-LSTM 169
8.6 本章小結 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[2] 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 結果分析 198
9.3 本章小結 199
參考文獻 199
第10 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 型編碼結構 201
10.2.2 SCCC 型編碼結構 202
10.2.3 HCCC 型編碼結構 203
10.3 Turbo 碼傳統(tǒng)譯碼算法 203
10.3.1 Turbo 碼譯碼結構 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 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 模型的構建 216
10.5.2 性能仿真 226
10.5.3 仿真程序 228
10.6 本章小結 250
參考文獻 250