智能無線通信 前沿技術與應用

戴金晟

北京郵電大學博士，副研究員，博士生導師，研究方向為智能語義通信、信源通道編碼、智能信息處理等。

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　通道狀態信息壓縮與恢復　5

1.2.3　通道估計　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 基於深度學習的 MIMO 信號檢測　10

2.1　MIMO 信號檢測基本原理與傳統算法　10

2.1.1　系統模型　11

2.1.2　最優檢測算法　12

2.1.3　線性檢測算法　13

2.1.4　SD 檢測算法　15

2.2　基於深度學習的 MIMO 信號檢測網絡 DetNet　16

2.2.1　投影梯度下降算法　17

2.2.2　DetNet　18

2.3　基於 ScNet 的 MIMO 信號檢測算法　20

2.3.1　損失函數優化　21

2.3.2　網絡輸入簡化　23

2.3.3　網絡連接優化　24

2.3.4　ScNet 高階調制信號檢測27

2.3.5　ScNet 性能分析與模擬29

2.4　基於 DetNet 的其他改進算法 SimDetNet 和基於動量梯度下降的 MIMO

　信號檢測算法　33

2.4.1　基於雙曲正切函數的 DetNet 簡化　34

2.4.2　動量梯度下降　37

2.4.3　性能分析與模擬　40

2.5　基於 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 基於深度學習的 MIMO-OFDM 通道估計　52

3.1　OFDM 系統原理與傳統通道估計算法　52

3.1.1　OFDM 通道估計概述　52

3.1.2　系統模型　53

3.1.3　最小二乘通道估計算法　55

3.1.4　最小均方誤差通道估計算法　56

3.2　基於深度學習的通道估計算法　56

3.2.1　導頻符號框架結構　56

3.2.2　基於捲積神經網絡的通道估計算法　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 基於深度學習的鏈路自適應和通道測量反饋　65

4.1　基於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　基於深度學習的多天線通道測量反饋和信號檢測　83

4.2.1　深度學習中的註意力機制　83

4.2.2　基於深度學習的 CSI 測量與反饋　85

4.2.3　基於註意力機制的多進制大規模 MIMO 檢測　92

4.3　本章小結　101

參考文獻　101

第　5 章 基於深度學習的通道解碼　103

5.1　基於因子圖的通道解碼　103

5.1.1　flooding NOMS 算法　104

5.1.2　layered NOMS 算法　105

5.2　從因子圖到定製神經網絡　106

5.2.1　flooding 解碼神經網絡　106

5.2.2　layered 解碼神經網絡　108

5.3　解碼神經網絡優化方案　110

5.3.1　訓練樣本的建立　111

5.3.2　深度學習解碼模型　112

5.3.3　泛化碼長深度學習解碼模型　112

5.4　網絡訓練　113

5.5　性能評估　114

5.5.1　Neural flooding NOMS 解碼算法性能評估　115

5.5.2　Neural layered NOMS 解碼算法性能評估　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技術中的應用

第　6 章 智能無線網絡架構設計與分析　122

6.1　技術背景　122

6.1.1　無線網絡認知技術　122

6.1.2　移動雲計算　122

6.1.3　移動邊緣計算　123

6.2　數據流架構　123

6.2.1　認知數據與方法　123

6.2.2　無線大數據認知流架構　127

6.3　計算流架構　128

6.3.1　雲計算與邊緣計算　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　模型與數據協同驅動機制　135

6.5　本章小結　136

參考文獻　136

第　7 章 基於單節點機器學習的負載優化　139

7.1　基於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　模型核函數設計　141

7.1.3　模型超參數訓練　144

7.2　基於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　基於深度強化學習的負載均衡算法　151

7.3　模擬驗證與結果分析　153

7.3.1　無線流量預測與基於負載感知的基站休眠　153

7.3.2　自組織網絡的負載均衡　157

7.4　本章小結　160

參考文獻　160

第　8 章 基於多節點機器學習的負載優化　163

8.1　基於分佈式高斯過程模型的多節點負載預測框架　163

8.1.1　整體框架設計　164

8.1.2　基於矩陣近似的分佈式訓練算法　165

8.1.3　基於矩陣分塊的分佈式高斯過程訓練算法　168

8.1.4　基於交叉驗證的分佈式預測算法　172

8.2　基於分佈式深度強化學習模型的多節點負載均衡框架　178

8.2.1　整體框架設計　178

8.2.2　基於負載感知的基站聚類算法　180

8.2.3　基於多探索策略的分佈式強化學習算法　181

8.3　模擬驗證與結果分析　187

8.3.1　分佈式無線流量預測　187

8.3.2　大規模自組織網絡負載均衡　191

8.4　本章小結　194

參考文獻　195

第　9 章 基於多智能體強化學習的負載優化　197

9.1　系統模型　197

9.1.1　多智能體 MDP　198

9.1.2　目標問題　199

9.2　基於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　分佈式多智能體強化學習算法　200

9.3　收斂性分析　205

9.4　模擬驗證與結果分析　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　語義通信系統框架　228

11.2　語義通信系統與經典通信系統術語對比　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　234

11.4.3　碼率 - 失真拉格朗日率失真代價函數　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　非線性變換聯合信源通道編碼方法　240

12.2　非線性變換聯合信源通道編碼變分建模　241

12.3　模擬驗證與結果分析　243

12.4　本章小結　246

參考文獻　246