智能通信：基于深度學習的物理層設計

定　價：￥89.00

作　者：	金石，溫朝凱著
出版社：	科學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787030654458	出版時間：	2020-06-01	包裝：	平裝
開本：	16開	頁數：	251	字數：

內容簡介

　　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、語音識別等領域獲得了巨大成功，無線通信領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?！吨悄芡ㄐ牛夯谏疃葘W習的物理層設計》結合國內外學術界在該領域的新研究進展，著眼于智能通信中基于深度學習的物理層設計，對相關理論基礎、通信模塊設計，以及算法實現(xiàn)等進行詳盡的介紹與分析。內容主要包括：神經網絡的基礎及進階技巧、典型神經網絡、基于深度學習的通信物理層基本模塊設計等。為方便讀者學習，相關章節(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《智能通信：基于深度學習的物理層設計》涉及的原理與概念。

作者簡介

暫缺《智能通信：基于深度學習的物理層設計》作者簡介

圖書目錄

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 人工神經網絡 3
1.2.2 深度神經網絡 4
1.2.3 卷積神經網絡 5
1.2.4 循環(huán)神經網絡 5
1.2.5 生成對抗神經網絡 6
1.2.6 深度增強學習神經網絡 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 章神經網絡的基礎 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 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 章神經網絡的進階技巧 42
3.1 多分類算法 42
3.2 激活函數 46
3.2.1 線性激活函數 47
3.2.2 Sigmoid 函數 47
3.2.3 tanh 函數 48
3.2.4 ReLu 函數 49
3.3 神經網絡的訓練準備 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 歸一化網絡的激活函數 60
3.5.2 BN 與神經網絡的擬合 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 的兩層神經網絡實例 67
參考文獻 71
第4 章卷積神經網絡 73
4.1 什么是卷積神經網絡 73
4.1.1 計算機視覺 73
4.1.2 卷積神經網絡 74
4.2 卷積神經網絡基本原理 75
4.2.1 卷積神經網絡的結構 75
4.2.2 卷積神經網絡的層級組成及其原理 75
4.2.3 卷積神經網絡的特點 81
4.3 卷積神經網絡的經典網絡 81
4.3.1 經典的卷積神經網絡 81
4.3.2 AlexNet 概述 81
4.3.3 VGGNet 概述 82
4.3.4 ResNet 概述 84
4.4 多層卷積神經網絡實例 86
4.5 本章小結 91
參考文獻 91
第5 章循環(huán)神經網絡 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)神經網絡模型 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 142
7.2.3 信號檢測子網 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 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)信息反饋網絡(CsiNet)結構 157
8.4 實驗結果與分析 159
8.4.1 實驗數據生成 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”神經網絡 210
10.4.2 參數化傳統(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