随着以机器学习为代表的人工智能技术的普及，无线通信与人工智能的结合愈发紧密。智能通信系统将在6G网络中扮演至关重要的角色，为全覆盖、高速率、低延时的通信需求提供解决方案。本书聚焦智能通信研究领域，对无线通信网络空口资源配置和信号处理的泛在智能设计技术进行介绍。全书共7章，内容包括现代无线通信系统与人工智能方法介绍、未来无线网络资源的智能优化、多维无线信道的自信息表征与智能处理、MIMO收发机的智能学习、无线设备指纹的解耦表征学习与智能认证，以及无线边缘网络智能。第2～7章均包括了人工智能方法理论、智能化设计方法、算法流程、实例仿真分析以及核心代码(扫描二维码下载)展示说明五个方面的内容。
样章试读
目录
- 目录
“智能工程前沿丛书”序
前言
第1章 绪论 1
1.1 现代无线通信系统 1
1.1.1 通信的概念与发展 1
1.1.2 通信系统模型 1
1.2 移动通信技术的演进 2
1.3 移动通信信号处理技术的发展 3
1.4 智能通信技术 4
1.5 本书结构 5
1.6 本章小结 6
第2章 现代人工智能方法 7
2.1 机器学习 7
2.1.1 引言 7
2.1.2 学习范式 10
2.1.3 正则化 15
2.2 计算环境配置.16
2.2.1 MarvelToolbox 安装教程 16
2.2.2 MarvelToolbox 使用说明 17
2.3 深度学习 20
2.3.1 表征提取与学习 21
2.3.2 深度层级特征 24
2.3.3 代码范例 27
2.4 元学习 30
2.4.1 元学习思想 30
2.4.2 元学习实现方法 31
2.5 变分自编码器 32
2.5.1 自编码器 32
2.5.2 变分自编码器的构成 33
2.5.3 推断模型与生成模型 34
2.5.4 再参数化 35
2.5.5 目标函数 35
2.5.6 训练过程 36
2.5.7 局限性 37
2.6 生成对抗网络 38
2.6.1 生成对抗网络的构成 38
2.6.2 优化目标 38
2.6.3 训练过程 39
2.6.4 训练稳定性问题与解决方案 40
2.7 本章小结 41
参考文献 41
第3章 未来无线网络资源的智能优化 44
3.1 引言 44
3.2 基于交叉熵学习的网络资源优化 46
3.2.1 交叉熵算法介绍 46
3.2.2 异构网络中的交叉熵算法 48
3.2.3 移动边缘计算网络中的自适应采样交叉熵算法 52
3.2.4 实验分析 59
3.2.5 代码分析 66
3.3 基于深度学习的网络资源优化 72
3.3.1 数据驱动的深度学习介绍 72
3.3.2 模型驱动的分支定界算法介绍 73
3.3.3 基于深度学习的智能分支定界方法 73
3.3.4 实验分析 78
3.3.5 代码分析 82
3.4 本章小结 90
参考文献 90
第4章 多维无线信道的自信息表征与智能处理 92
4.1 引言 92
4.2 无线信道的压缩反馈 93
4.2.1 基于码本的CSI反馈方法 93
4.2.2 基于人工智能的CSI反馈方法 96
4.2.3 基于网络结构改进的智能CSI反馈方法 97
4.2.4 基于轻量化改进的智能CSI反馈方法 99
4.3 无线信道的自信息表征 101
4.3.1 自信息计算 102
4.3.2 自信息删选算法 103
4.4 基于无线信道的自信息CSI压缩反馈 104
4.4.1 IdasNet网络设计 105
4.4.2 实验分析 110
4.4.3 代码分析 112
4.5 基于无线信道的自信息时序CSI压缩反馈 119
4.5.1 SD-CsiNet网络设计 119
4.5.2 实验分析 123
4.5.3 代码分析 125
4.6 本章小结 131
参考文献 132
第5章 MIMO收发机的智能学习 134
5.1 引言 134
5.2 基于模型参数化的智能 MIMO 检测设计 135
5.2.1 经典检测算法 135
5.2.2 基于黑盒的深度学习检测 139
5.2.3 基于元学习的智能MIMO检测网络 140
5.2.4 实验分析 144
5.2.5 代码分析 146
5.3 基于模型参数化的智能MIMO预编码设计 149
5.3.1 经典的预编码技术 150
5.3.2 基于黑盒神经网络的预编码设计 153
5.3.3 基于可解释神经网络的预编码设计 158
5.3.4 实验分析 161
5.3.5 代码分析 163
5.4 本章小结 167
参考文献 168
第6章 无线设备指纹的解耦表征学习与智能认证 170
6.1 引言.170
6.2 问题描述 172
6.2.1 射频指纹提取 172
6.2.2 开集识别问题 173
6.2.3 评价指标 173
6.3 基于数据与模型双驱动的开集射频指纹提取 174
6.3.1 基于数据与模型驱动的预处理模块设计 174
6.3.2 模型结构设计 176
6.3.3 目标函数与模型训练 178
6.3.4 实验分析 180
6.3.5 代码分析 184
6.4 基于解耦表征的信道鲁棒射频指纹提取 188
6.4.1 研究背景介绍 188
6.4.2 解耦表征学习模块设计 189
6.4.3 射频指纹提取器F(？)的目标函数设计 190
6.4.4 背景提取器 Q(？,n)的目标函数设计 192
6.4.5 信号生成器 G(？,？)的目标函数设计 194
6.4.6 学习算法设计 194
6.4.7 实验分析 196
6.4.8 代码分析 199
6.5 本章小结 206
参考文献 207
第7章 无线边缘网络智能 209
7.1 引言 209
7.2 联邦学习的性能指标和网络要求 211
7.2.1 性能指标 211
7.2.2 网络要求 212
7.3 无线联邦学习的资源优化 213
7.3.1 系统模型 213
7.3.2 优化问题与求解算法 217
7.3.3 实验分析 218
7.3.4 代码分析 219
7.4 联邦学习驱动的应用226
7.4.1 驱动联邦学习应用解决无线问题 227
7.4.2 可重构智能表面 228
7.4.3 语义通信 229
7.4.4 扩展现实 230
7.4.5 非正交多址接入 230
7.5 未来研究方向 232
7.5.1 研究方向与挑战 232
7.5.2 开放问题和未来趋势 233
7.6 本章小结 234
参考文献 234
索引 236
京公网安备 11010102004214号