智能通信:基于深度学习的物理层设计

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。本书结合国内外学术界在该领域的近期新研究进展，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书中涉及的原理与概念。

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
1.3.3CSI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
3.2.2Sigmoid函数47
3.2.3tanh函数48
3.2.4ReLu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
3.4.2Dropout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
3.5.2BN与神经网络的拟合61
3.6优化算法62
3.6.1Mini-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
3.6.4RMSprop65
3.6.5Adam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
4.3.2AlexNet概述81
4.3.3VGGNet概述82
4.3.4ResNet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
5.2.1RNN的前向传播94
5.2.2RNN的反向传播96
5.2.3不同类型的RNN98
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
5.3.2LSTM的变形与演进103
5.3.3LSTM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
6.1.2SNRvsBER仿真结果112
6.2基于深度学习的QAM解调器设计117
6.2.1QAM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
7.1FC-DNNOFDM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
7.2ComNetOFDM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ComNetOFDM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——CsiNet152
8.1CSI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
8.5CsiNet-LSTM169
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优选似然序列检测准则[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
10.1Turbo码起源200
10.2Turbo码编码原理201
10.2.1PCCC型编码结构201
10.2.2SCCC型编码结构202
10.2.3HCCC型编码结构203
10.3Turbo码传统译码算法203
10.3.1Turbo码译码结构204
10.3.2MAP算法206
10.3.3Log-MAP算法209
10.3.4Max-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