智能無線通信 前沿技術與應用

第 一篇 無線通信中的人工智能基礎理論與算法
第 1 章 深度學習在無線通信系統(tǒng)中的應用 2
1.1 深度學習概述 2
1.1.1 深度學習的歷史 2
1.1.2 深度學習的原理 3
1.2 深度學習在無線通信中的基本應用 5
1.2.1 調制模式識別 5
1.2.2 信道狀態(tài)信息壓縮與恢復 5
1.2.3 信道估計 5
1.2.4 信號檢測 6
1.3 本章小結 6
參考文獻 6
第二篇 人工智能在無線通信傳輸技術中的應用
第 2 章 基于深度學習的 MIMO 信號檢測 10
2.1 MIMO 信號檢測基本原理與傳統(tǒng)算法 10
2.1.1 系統(tǒng)模型 11
2.1.2 最優(yōu)檢測算法 12
2.1.3 線性檢測算法 13
2.1.4 SD 檢測算法 15
2.2 基于深度學習的 MIMO 信號檢測網(wǎng)絡 DetNet 16
2.2.1 投影梯度下降算法 17
2.2.2 DetNet 18
2.3 基于 ScNet 的 MIMO 信號檢測算法 20
2.3.1 損失函數(shù)優(yōu)化 21
2.3.2 網(wǎng)絡輸入簡化 23
2.3.3 網(wǎng)絡連接優(yōu)化 24
2.3.4 ScNet 高階調制信號檢測27
2.3.5 ScNet 性能分析與仿真29
2.4 基于 DetNet 的其他改進算法 SimDetNet 和基于動量梯度下降的 MIMO
信號檢測算法 33
2.4.1 基于雙曲正切函數(shù)的 DetNet 簡化 34
2.4.2 動量梯度下降 37
2.4.3 性能分析與仿真 40
2.5 基于 OAMP-Net 的 MIMO 信號檢測算法44
2.5.1 OAMP 算法 44
2.5.2 OAMP-Net46
2.5.3 改進的 OAMP-Net 的結構 48
2.6 本章小結 50
參考文獻 51
第 3 章 基于深度學習的 MIMO-OFDM 信道估計 52
3.1 OFDM 系統(tǒng)原理與傳統(tǒng)信道估計算法 52
3.1.1 OFDM 信道估計概述 52
3.1.2 系統(tǒng)模型 53
3.1.3 最小二乘信道估計算法 55
3.1.4 最小均方誤差信道估計算法 56
3.2 基于深度學習的信道估計算法 56
3.2.1 導頻符號框架結構 56
3.2.2 基于卷積神經網(wǎng)絡的信道估計算法 57
3.2.3 復雜度分析 60
3.2.4 模型訓練 60
3.3 本章小結 64
參考文獻 64
第 4 章 基于深度學習的鏈路自適應和信道測量反饋 65
4.1 基于深度學習的鏈路自適應技術 65
4.1.1 線性檢測 67
4.1.2 非線性檢測 71
4.2 基于深度學習的多天線信道測量反饋和信號檢測 83
4.2.1 深度學習中的注意力機制 83
4.2.2 基于深度學習的 CSI 測量與反饋 85
4.2.3 基于注意力機制的多進制大規(guī)模 MIMO 檢測 92
4.3 本章小結 101
參考文獻 101
第 5 章 基于深度學習的信道譯碼 103
5.1 基于因子圖的信道譯碼 103
5.1.1 flooding NOMS 算法 104
5.1.2 layered NOMS 算法 105
5.2 從因子圖到定制神經網(wǎng)絡 106
5.2.1 flooding 譯碼神經網(wǎng)絡 106
5.2.2 layered 譯碼神經網(wǎng)絡 108
5.3 譯碼神經網(wǎng)絡優(yōu)化方案 110
5.3.1 訓練樣本的建立 111
5.3.2 深度學習譯碼模型 112
5.3.3 泛化碼長深度學習譯碼模型 112
5.4 網(wǎng)絡訓練 113
5.5 性能評估 114
5.5.1 Neural flooding NOMS 譯碼算法性能評估 115
5.5.2 Neural layered NOMS 譯碼算法性能評估 117
5.6 本章小結 119
參考文獻 119
第三篇 人工智能在無線通信組網(wǎng)技術中的應用
第 6 章 智能無線網(wǎng)絡架構設計與分析 122
6.1 技術背景 122
6.1.1 無線網(wǎng)絡認知技術 122
6.1.2 移動云計算 122
6.1.3 移動邊緣計算 123
6.2 數(shù)據(jù)流架構 123
6.2.1 認知數(shù)據(jù)與方法 123
6.2.2 無線大數(shù)據(jù)認知流架構 127
6.3 計算流架構 128
6.3.1 云計算與邊緣計算 129
6.3.2 可拓展型學習框架 130
6.3.3 可拓展型學習算法 132
6.4 模型與數(shù)據(jù)協(xié)同驅動機制 135
6.5 本章小結 136
參考文獻 136
第 7 章 基于單節(jié)點機器學習的負載優(yōu)化 139
7.1 基于高斯過程的無線流量預測模型 139
7.1.1 高斯過程模型 139
7.1.2 模型核函數(shù)設計 141
7.1.3 模型超參數(shù)訓練 144
7.2 基于深度強化學習的智能負載均衡模型 146
7.2.1 強化學習基礎 146
7.2.2 用戶切換模型 148
7.2.3 負載均衡問題建模 149
7.2.4 基于深度強化學習的負載均衡算法 151
7.3 仿真驗證與結果分析 153
7.3.1 無線流量預測與基于負載感知的基站休眠 153
7.3.2 自組織網(wǎng)絡的負載均衡 157
7.4 本章小結 160
參考文獻 160
第 8 章 基于多節(jié)點機器學習的負載優(yōu)化 163
8.1 基于分布式高斯過程模型的多節(jié)點負載預測框架 163
8.1.1 整體框架設計 164
8.1.2 基于矩陣近似的分布式訓練算法 165
8.1.3 基于矩陣分塊的分布式高斯過程訓練算法 168
8.1.4 基于交叉驗證的分布式預測算法 172
8.2 基于分布式深度強化學習模型的多節(jié)點負載均衡框架 178
8.2.1 整體框架設計 178
8.2.2 基于負載感知的基站聚類算法 180
8.2.3 基于多探索策略的分布式強化學習算法 181
8.3 仿真驗證與結果分析 187
8.3.1 分布式無線流量預測 187
8.3.2 大規(guī)模自組織網(wǎng)絡負載均衡 191
8.4 本章小結 194
參考文獻 195
第 9 章 基于多智能體強化學習的負載優(yōu)化 197
9.1 系統(tǒng)模型 197
9.1.1 多智能體 MDP 198
9.1.2 目標問題 199
9.2 基于投票機制的多智能體強化學習 200
9.2.1 投票機制 200
9.2.2 分布式多智能體強化學習算法 200
9.3 收斂性分析 205
9.4 仿真驗證與結果分析 211
9.4.1 理論驗證 211
9.4.2 無人機基站輔助的負載分流 212
9.5 本章小結 215
參考文獻 216
第四篇 人工智能在語義通信中的應用
第 10 章 從經典信息論到廣義信息論 220
10.1 經典信息論 220
10.2 信息的層次與語義信息 222
10.3 廣義信息論 223
10.4 算法信息論 225
10.5 本章小結 226
參考文獻 227
第 11 章 語義通信模型 228
11.1 語義通信系統(tǒng)框架 228
11.2 語義通信系統(tǒng)與經典通信系統(tǒng)術語對比 231
11.3 語義通信與語義分析對比 232
11.4 語義通信的度量指標 233
11.4.1 語義熵與語義互信息 233
11.4.2 語義率失真函數(shù) 234
11.4.3 碼率 - 失真拉格朗日率失真代價函數(shù) 234
11.4.4 典型失真度量指標 235
11.5 語義壓縮極限初探 237
11.6 本章小結 238
參考文獻 238
第 12 章 語義編碼傳輸 239
12.1 非線性變換聯(lián)合信源信道編碼方法 240
12.2 非線性變換聯(lián)合信源信道編碼變分建模 241
12.3 仿真驗證與結果分析 243
12.4 本章小結 246
參考文獻 246