智能通信--基於深度學習的物理層設計

金石//溫朝凱

  • 出版商: 科學出版
  • 出版日期: 2020-06-01
  • 定價: $534
  • 售價: 7.9$422
  • 語言: 簡體中文
  • 頁數: 251
  • 裝訂: 平裝
  • ISBN: 7030654455
  • ISBN-13: 9787030654458
  • 相關分類: DeepLearning物理學 Physics
  • 立即出貨 (庫存 < 4)

買這商品的人也買了...

商品描述

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於系統的各個層面,進而發展出智能通信,大幅度提升無線通信系統效能。
智能通信也因此被認為是5G之後無線通信發展主流方向之一,其研究尚處於探索階段。
本書結合國內外學術界在該領域的最新研究進展,著眼於智能通信中基於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、基於深度學習的通信物理層基本模塊設計等。
為方便讀者學習,相關章節均提供了開源代碼掃描二維碼下載),以幫助讀者快速理解書中涉及的原理與概念。
本書適合作為高等院校相關專業高年級本科生及研究生的通信實驗教學參考書,
也可供移動通信領域的工程技術人員參考使用。

目錄大綱

目錄
前言
第1章緒論
1.1智能通信引言
1.2人工智能技術簡介
1.2.1人工神經網絡
1.2.2深度神經網絡
1.2.3卷積神經網絡
1.2.4循環神經網絡
1.2.5生成對抗神經網絡
1.2.6深度增強學習神經網絡
1.3智能通信當前研究進展
1.3.1信道估計
1.3.2信號檢測
1.3.3 CSI反饋與重建
1.3.4信道譯碼
1.3.5端到端無線通信系統
1.4總結與展望
1.5本章小結
參考文獻

第2章神經網絡的基礎
2.1監督學習
2.2分類問題
2.3線性回歸
2.4邏輯回歸
2.5邏輯回歸的代價函數
2.6梯度下降法
2.7模型驗證
2.8基於TensorFlow的二分類範例
參考文獻

第3章神經網絡的進階技巧
3.1多分類算法
3.2激活函數
3.2.1線性激活函數
3.2.2 Sigmoid函數
3.2.3 tanh函數
3.2.4 ReLu函數
3.3神經網絡的訓練準備
3.3.1輸入歸一化
3.3.2權重初始化
3.4正則化
3.4.1偏差和方差
3.4.2 Dropout算法
3.4.3補償過擬合的其他方式
3.5批量歸一化
3.5.1歸一化網絡的激活函數
3.5.2 BN與神經網絡的擬合
3.6優化算法
3.6.1 Mini-Batch梯度下降法
3.6.2指數加權平均
3.6.3動量梯度下降法
3.6.4 RMS prop
3.6.5 Adam優化算法
3.6.6學習率衰減
3.7基於TensorFlow的兩層神經網絡實例
參考文獻

第4章卷積神經網絡
4.1什麼是卷積神經網絡
4.1.1計算機視覺
4.1.2卷積神經網絡
4.2卷積神經網絡基本原理
4.2.1卷積神經網絡的結構
4.2.2卷積神經網絡的層級組成及其原理
4.2. 3卷積神經網絡的特點
4.3卷積神經網絡的經典網絡
4.3.1經典的捲積神經網絡
4.3.2 AlexNet概述
4.3.3 VGGNet概述
4.3.4 ResNet概述
4.4多層卷積神經網絡實例
4.5本章小結
參考文獻

第5章循環神經網絡
5.1什麼是序列模型
5.1.1序列模型簡介
5.1.2序列模型的符號定義
5.2循環神經網絡模型
5.2.1 RNN的前向傳播
5.2.2 RNN的反向傳播
5.2. 3不同類型的RNN
5.2.4長期依賴問題
5.3長短時記憶
5.3.1長短時記憶網絡
5.3.2 LSTM的變形與演進
5.3.3 LSTM實例應用
5.4本章小結
參考文獻

第6章正交調製解調器
6.1基於深度學習的QAM解調器設計
6.1.1基本原理
6.1.2 SNR vs BER仿真結果
6.2基於深度學習的QAM解調器設計
6.2.1 QAM解調的評價標準
6.2.2基於深度學習的QAM解調
6.3本章小結

第7章人工智能輔助的OFDM接收機
7.1 FC-DNN OFDM接收機
7.1.1系統結構
7.1.2模型訓練
7.1 .3仿真代碼
7.2 ComNet OFDM接收機
7.2.1整體架構
7.2.2信道估計子網
7.2.3信號檢測子網
7.2.4仿真代碼
7.3仿真性能分析
7.3.1仿真參數
7.3.2整體ComNet OFDM接收機的仿真性能
7.4本章小結
參考文獻

第8章CSI反饋及信道重建——CsiNet
8.1 CSI反饋背景知識
8.2基本原理
8.2.1系統模型
8.2.2壓縮感知
8.2.3自動編碼器
8.3基於深度學習的CSI反饋
8.3.1基於深度學習的反饋機制
8.3.2信道狀態信息反饋網絡(CsiNet )結構
8.4實驗結果與分析
8.4.1實驗數據生成
8.4.2實驗程序
8.4.3實驗仿真結果
8.5 CsiNet-LSTM
8.6本章小結
參考文獻

第9章滑動窗序列檢測方法
9.1序列檢測
9.1.1序列檢測的基本原理
9.1.2最大似然序列檢測準則[2]
9.1.3維特比算法
9.2基於深度學習的序列檢測器實現
9.2.1問題描述
9.2.2深度學習實現
9.2.3仿真分析
9.2.4結果分析
9.3本章小結
參考文獻

第10章基於深度學習的Turbo碼譯碼
10.1 Turbo碼起源
10.2 Turbo碼編碼原理
10.2.1 PCCC型編碼結構
10.2.2 SCCC型編碼結構
10.2.3 HCCC型編碼結構
10.3 Turbo碼傳統譯碼算法
10.3.1 Turbo碼譯碼結構
10.3.2 MAP算法
10.3.3 Log-MAP算法
10.3.4 Max-Log-MAP算法
10.4基於深度學習的信道譯碼
10.4.1優化傳統“黑箱”神經網絡
10.4.2參數化傳統譯碼算法
10.5基於深度學習的Turbo碼譯碼
10.5.1模型的構建
10.5.2性能仿真
10.5.3仿真程序
10.6本章小結
參考文獻