重構通信：當機器學習遇到無線信號

孫卓,馮錫平,趙成林

重構通信：當機器學習遇到無線信號

相關主題

商品描述

近年來，人工智能（AI）技術取得了快速發展，在包括電子信息行業在內的各行各業都展現了巨大的應用潛力。AI在通信業中也得到大量的研究與應用，被用在處理復雜的資源調度等環節。但是，這些應用大都集中在通信系統功能之上，如何利用AI技術處理通信信號的研究工作還有待全面開展。 通信技術經過近幾十年的高速發展，學術界和產業界建立了大量看起來近乎完美的信號處理模型，維持著從電報到5G通信系統的發展。但是，需要明確的是，我們的通信系統是建立在一個不確定的且越來越復雜的傳輸環境中，我們無法為這個不確定的世界預先構建一個完美的模型。 傳統的通信物理層設計從將信道影響構建統計模型開始，再將功能劃分為不同的模塊如調制、信道編碼等，從而分別進行設計與優化。但我們不禁要問，這種發展了數十年的基於理想假設與分塊優化的思路，是否能夠產生最優的信號處理機制？而另一方面，神經網絡是否能生成人們無法輕易基於傳統方法構想到的信號？ 本書結合當前國際學者與作者研究團隊近年來的研究成果，將探討這一有望改變延續了幾十年的通信底層設計的新範式，激發底層通信與人工智能聯合設計的更多研究。

目錄大綱

第一篇 用神經網絡單元重構信號處理
第1章 神經網絡濾波 3
1.1 神經網絡濾波簡介 3
1.2 余弦基神經網絡濾波 4
1.2.1 原理分析 4
1.2.2 余弦基神經網絡模型 5
1.2.3 余弦基神經網絡濾波器 6
1.2.4 訓練流程 7
1.2.5 結果分析 7
1.3 卷積神經濾波 9
1.3.1 原理分析 9
1.3.2 簡單的驗證 10
1.3.3 增加註意力機制的卷積神經濾波 12
1.4 小結 15
本章參考文獻 16
第2章 信號增強神經網絡 17
2.1 概述 17
2.2 基於時序學習實現幹擾檢測 17
2.2.1 信號預測模型 18
2.2.2 幹擾檢測 23
2.3 基於生成對抗實現信號增強 24
2.3.1 基本原理 25
2.3.2 模型設計 26
2.3.3 應用與性能分析 27
2.4 小結 31
本章參考文獻 31
第3章 時頻分析神經單元 32
3.1 時頻變換神經單元概述 32
3.2 短時傅裏葉變換的神經網絡設計方法 32
3.2.1 短時傅裏葉變換 32
3.2.2 基於神經網絡的時頻變換學習 33
3.2.3 性能分析 38
3.3 小波變換的神經網絡設計方法 41
3.3.1 問題描述 41
3.3.2 小波變換 41
3.3.3 擬合DWT的融合特征學習算法 42
3.4 小結 46
本章參考文獻 47
第二篇 端到端學習構建通信模型
第4章 端到端學習通信 51
4.1 傳統通信系統的框架與設計原則 51
4.2 基於端到端學習的物理層通信系統 51
4.2.1 端到端學習通信系統設計原理 51
4.2.2 端到端學習通信系統模型搭建 53
4.2.3 性能分析 53
4.3 利用神經網絡優化解調接收 55
4.3.1 神經匹配濾波 55
4.3.2 基於神經匹配濾波的端到端學習通信系統設計 60
4.4 小結 66
本章參考文獻 67
第5章 學習調制星座成形 68
5.1 調制星座成形技術 68
5.1.1 信息論基礎 68
5.1.2 幾何星座成形 69
5.1.3 概率星座成形 70
5.2 端到端學習優化星座成形：以最小化誤碼率約束 72
5.2.1 問題分析 72
5.2.2 網絡模型結構 73
5.2.3 基於最小化誤符率的星座成形算法 74
5.2.4 基於最小化誤符率的星座成形仿真分析 77
5.3 端到端優化設計星座成形：以最大化互信息為目標 82
5.3.1 問題分析 82
5.3.2 網絡模型結構 83
5.3.3 基於最大化互信息的星座成形算法 84
5.3.4 性能仿真模型訓練方法 85
5.4 小結 90
本章參考文獻 90
第6章 學習物理層安全通信 92
6.1 經典竊聽信道模型 92
6.2 物理層通信安全研究存在的挑戰 94
6.3 端到端學習安全通信模型 95
6.3.1 模型設計 96
6.3.2 互信息估計 96
6.3.3 模型損失函數設計及訓練方法 98
6.4 模型測試結果和性能評估 99
6.5 與現有相關研究方法的性能對比 102
6.6 小結 104
本章參考文獻 104
第7章 學習語義通信 106
7.1 端到端聯合語義與信道編解碼框架 106
7.2 基於自訓練Transformer的語義編解碼器設計 108
7.2.1 系統架構 108
7.2.2 模型參數設計 109
7.2.3 模型訓練流程 112
7.3 基於預訓練模型的語義編解碼器設計 113
7.3.1 系統架構 113
7.3.2 編解碼器分解使用預訓練語言模型 115
7.3.3 編解碼器重用預訓練語言模型 119
7.4 性能評價指標設計 124
7.4.1 文本相似性 124
7.4.2 語義相似性 125
7.5 性能分析 125
7.5.1 數據集 125
7.5.2 抗噪聲性能分析 127
7.5.3 語義保真性能分析 131
7.5.4 跨場景性能分析 135
7.5.5 訓練復雜度分析 137
7.6 小結 139
本章參考文獻 139
第三篇 數據與模型聯合驅動的應用設計
第8章 調制方式識別應用 143
8.1 集成時頻分析神經單元的調制識別 143
8.1.1 識別模型 143
8.1.2 信號數據集構成 145
8.1.3 模型參數 146
8.1.4 結果分析 147
8.2 集成信號增強神經單元的調制識別 148
8.2.1 卷積神經網絡識別模型 148
8.2.2 基於可嵌入自適應增強濾波單元的調制識別網絡 149
8.2.3 基於生成對抗網絡的無線信號增強模型的調制識別網絡 149
8.2.4 結果分析 150
8.3 小結 152
本章參考文獻 153
第9章 輻射源識別應用 154
9.1 基於深度學習的輻射源特征提取 154
9.1.1 通信輻射源射頻指紋信號建模 154
9.1.2 特征提取網絡設計 156
9.1.3 模型訓練及評估 158
9.2 未知類型通信輻射源個體識別算法 159
9.2.1 特征選擇及可視化分析 160
9.2.2 未知類型輻射源識別算法設計 161
9.2.3 識別性能評估方法 161
9.2.4 識別結果及分析 162
9.3 基於遷移學習的動態信道下通信輻射源個體識別 165
9.3.1 構建基於遷移學習的輻射源個體識別模型 166
9.3.2 動態信道環境對輻射源個體識別的影響 167
9.3.3 模型設計基本思想 168
9.3.4 基於遷移學習的輻射源個體識別網絡 169
9.3.5 實驗結果及分析 171
9.4 小結 174
本章參考文獻 174
第10章 盲信號分離應用 176
10.1 問題提出 176
10.1.1 ICA算法中非線性函數的優化調整 176
10.1.2 數據驅動思路的引入 177
10.2 基於可解釋學習的ICA增強網絡 178
10.2.1 原理分析 178
10.2.2 模型設計 179
10.2.3 分離結果 182
10.3 基於多項式參數優化的ICA增強網絡 186
10.3.1 原理分析 187
10.3.2 模型設計 188
10.3.3 結果分析 189
10.4 小結 191
本章參考文獻 191

類似商品