目錄
第二版前言
前言
第1章 緒論 1
1.1 智能通信簡介 1
1.2 人工智能技術(shù)簡介 3
1.2.1 人工神經(jīng)網(wǎng)絡 3
1.2.2 深度神經(jīng)網(wǎng)絡 4
1.2.3 卷積神經(jīng)網(wǎng)絡 5
1.2.4 循環(huán)神經(jīng)網(wǎng)絡 5
1.2.5 生成對抗神經(jīng)網(wǎng)絡 6
1.2.6 深度強化學習神經(jīng)網(wǎng)絡 7
1.3 智能通信當前研究進展 8
1.3.1 信道估計 8
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) 12
1.4 總結(jié)與展望 13
1.5 本章小結(jié) 14
擴展閱讀：深度強化學習 14
參考文獻 15
第2章 神經(jīng)網(wǎng)絡的基礎 17
2.1 機器學習概述 17
2.2 監(jiān)督學習 19
2.3 分類問題 20
2.4 線性回歸 23
2.5 邏輯回歸 27
2.6 邏輯回歸的代價函數(shù) 30
2.7 梯度下降法 32
2.8 模型驗證 35
2.9 基于TensorFlow的二分類范例 36
2.10 本章小結(jié) 42
擴展閱讀：梯度下降法 43
參考文獻 43
第3章 神經(jīng)網(wǎng)絡的進階技巧 44
3.1 多分類算法 44
3.2 激活函數(shù) 48
3.2.1 線性激活函數(shù) 49
3.2.2 Sigmoid函數(shù) 49
3.2.3 tanh函數(shù) 50
3.2.4 ReLu函數(shù) 51
3.3 神經(jīng)網(wǎng)絡的訓練準備 53
3.3.1 輸入歸一化 53
3.3.2 權(quán)重初始化 55
3.4 正則化 57
3.4.1 偏差和方差 57
3.4.2 Dropout算法 58
3.4.3 補償過擬合的其他方式 60
3.5 批量歸一化 62
3.5.1 歸一化網(wǎng)絡的激活函數(shù) 62
3.5.2 BN與神經(jīng)網(wǎng)絡的擬合 63
3.6 優(yōu)化算法 64
3.6.1 Mini-Batch梯度下降法 64
3.6.2 指數(shù)加權(quán)移動平均 65
3.6.3 動量梯度下降法 66
3.6.4 RMS prop 67
3.6.5 Adam優(yōu)化算法 67
3.6.6 學習率衰減 68
3.7 基于TensorFlow的兩層神經(jīng)網(wǎng)絡實例 69
3.8 本章小結(jié) 73
擴展閱讀：激活函數(shù) 74
參考文獻 74
第4章 卷積神經(jīng)網(wǎng)絡 75
4.1 什么是卷積神經(jīng)網(wǎng)絡 75
4.1.1 計算機視覺 75
4.1.2 卷積神經(jīng)網(wǎng)絡 76
4.2 卷積神經(jīng)網(wǎng)絡基本原理 77
4.2.1 卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu) 77
4.2.2 卷積神經(jīng)網(wǎng)絡的層級組成及其原理 77
4.2.3 卷積神經(jīng)網(wǎng)絡的特點 83
4.3 卷積神經(jīng)網(wǎng)絡的經(jīng)典網(wǎng)絡 83
4.3.1 經(jīng)典的卷積神經(jīng)網(wǎng)絡 83
4.3.2 AlexNet概述 83
4.3.3 VGGNet概述 84
4.3.4 ResNet概述 86
4.4 多層卷積神經(jīng)網(wǎng)絡實例 88
4.5 本章小結(jié) 93
擴展閱讀：殘差網(wǎng)絡 93
參考文獻 93
第5章 循環(huán)神經(jīng)網(wǎng)絡 94
5.1 序列模型 94
5.1.1 序列模型簡介 94
5.1.2 序列模型的符號定義 95
5.2 循環(huán)神經(jīng)網(wǎng)絡模型 96
5.2.1 RNN的前向傳播 96
5.2.2 RNN的反向傳播 98
5.2.3 不同類型的RNN 100
5.2.4 長期依賴問題 101
5.3 長短時記憶 102
5.3.1 長短時記憶網(wǎng)絡 102
5.3.2 LSTM的變形與演進 105
5.3.3 LSTM實例應用 108
5.4 本章小結(jié) 110
擴展閱讀：長短時記憶 110
參考文獻 111
第6章 正交調(diào)制解調(diào)器 112
6.1 基于深度學習的QAM解調(diào)器設計 112
6.1.1 基本原理 112
6.1.2 SNR vs BER 仿真結(jié)果 114
6.2 基于深度學習的QAM解調(diào)器設計 119
6.2.1 QAM解調(diào)的評價標準 120
6.2.2 基于深度學習的QAM 解調(diào) 120
6.3 本章小結(jié) 129
擴展閱讀：正交幅度調(diào)制 130
第7章 人工智能輔助的OFDM接收機 131
7.1 FC-DNN OFDM接收機 131
7.1.1 系統(tǒng)結(jié)構(gòu) 131
7.1.2 模型訓練 133
7.1.3 仿真代碼 134
7.2 ComNet OFDM接收機 143
7.2.1 整體架構(gòu) 143
7.2.2 信道估計子網(wǎng) 144
7.2.3 信號檢測子網(wǎng) 146
7.2.4 仿真代碼 147
7.3 仿真性能分析 150
7.3.1 仿真參數(shù) 150
7.3.2 整體ComNet OFDM接收機的仿真性能 151
7.4 本章小結(jié) 153
擴展閱讀：梳狀導頻和塊狀導頻 154
參考文獻 154
第8章 CSI反饋及信道重建——CsiNet 155
8.1 CSI反饋背景知識 155
8.2 基本原理 156
8.2.1 系統(tǒng)模型 156
8.2.2 壓縮感知 158
8.2.3 自編碼器 158
8.3 基于深度學習的CSI反饋 159
8.3.1 基于深度學習的反饋機制 159
8.3.2 信道狀態(tài)信息反饋網(wǎng)絡(CsiNet)結(jié)構(gòu) 160
8.4 實驗結(jié)果與分析 162
8.4.1 實驗數(shù)據(jù)生成 162
8.4.2 實驗程序 163
8.4.3 實驗仿真結(jié)果 169
8.5 CsiNet-LSTM* 172
8.6 本章小結(jié) 180
擴展閱讀：自編碼器 180
參考文獻 180
第9章 滑動窗序列檢測方法 182
9.1 序列檢測 182
9.1.1 序列檢測的基本原理 182
9.1.2 最大似然序列檢測準則 184
9.1.3 維特比算法 184
9.2 基于深度學習的序列檢測器實現(xiàn) 189
9.2.1 問題描述 189
9.2.2 深度學習實現(xiàn) 190
9.2.3 仿真分析 194
9.2.4 結(jié)果分析 201
9.3 本章小結(jié) 202
擴展閱讀：循環(huán)神經(jīng)網(wǎng)絡 202
參考文獻 203
第10章 基于深度學習的Turbo碼譯碼 204
10.1 Turbo碼起源 204
10.2 Turbo碼編碼原理 205
10.2.1 PCCC型編碼結(jié)構(gòu) 205
10.2.2 SCCC型編碼結(jié)構(gòu) 206
10.2.3 HCCC型編碼結(jié)構(gòu) 207
10.3 Turbo碼傳統(tǒng)譯碼算法 207
10.3.1 Turbo碼譯碼結(jié)構(gòu) 208
10.3.2 MAP算法 210
10.3.3 Log-MAP算法 213
10.3.4 Max-Log-MAP算法 214
10.4 基于深度學習的信道譯碼 214
10.4.1 優(yōu)化傳統(tǒng)“黑箱”神經(jīng)網(wǎng)絡 214
10.4.2 參數(shù)化傳統(tǒng)譯碼算法 215
10.5 基于深度學習的Turbo碼譯碼 220
10.5.1 模型的構(gòu)建 220
10.5.2 性能仿真 230
10.5.3 仿真程序 232
10.6 本章小結(jié) 254
擴展閱讀：Turbo碼 254
參考文獻 255
第11章 智能通信原型驗證系統(tǒng)實例 256
11.1 基于人工智能輔助的OFDM接收機原型驗證系統(tǒng) 256
11.1.1 系統(tǒng)硬件架構(gòu)及系統(tǒng)流程 256
11.1.2 人工智能輔助的OFDM接收機空口測試 259
11.2 基于深度學習的信道譯碼原型驗證系統(tǒng)實例 263
11.3 本章小結(jié) 266
擴展閱讀：基于人工智能輔助的OFDM接收機 267