目錄
“智能工程前沿叢書”序
前言
第1章 緒論 1
1.1 現(xiàn)代無線通信系統(tǒng) 1
1.1.1 通信的概念與發(fā)展 1
1.1.2 通信系統(tǒng)模型 1
1.2 移動通信技術(shù)的演進 2
1.3 移動通信信號處理技術(shù)的發(fā)展 3
1.4 智能通信技術(shù) 4
1.5 本書結(jié)構(gòu) 5
1.6 本章小結(jié) 6
第2章 現(xiàn)代人工智能方法 7
2.1 機器學習 7
2.1.1 引言 7
2.1.2 學習范式 10
2.1.3 正則化 15
2.2 計算環(huán)境配置.16
2.2.1 MarvelToolbox 安裝教程 16
2.2.2 MarvelToolbox 使用說明 17
2.3 深度學習 20
2.3.1 表征提取與學習 21
2.3.2 深度層級特征 24
2.3.3 代碼范例 27
2.4 元學習 30
2.4.1 元學習思想 30
2.4.2 元學習實現(xiàn)方法 31
2.5 變分自編碼器 32
2.5.1 自編碼器 32
2.5.2 變分自編碼器的構(gòu)成 33
2.5.3 推斷模型與生成模型 34
2.5.4 再參數(shù)化 35
2.5.5 目標函數(shù) 35
2.5.6 訓練過程 36
2.5.7 局限性 37
2.6 生成對抗網(wǎng)絡(luò) 38
2.6.1 生成對抗網(wǎng)絡(luò)的構(gòu)成 38
2.6.2 優(yōu)化目標 38
2.6.3 訓練過程 39
2.6.4 訓練穩(wěn)定性問題與解決方案 40
2.7 本章小結(jié) 41
參考文獻 41
第3章 未來無線網(wǎng)絡(luò)資源的智能優(yōu)化 44
3.1 引言 44
3.2 基于交叉熵學習的網(wǎng)絡(luò)資源優(yōu)化 46
3.2.1 交叉熵算法介紹 46
3.2.2 異構(gòu)網(wǎng)絡(luò)中的交叉熵算法 48
3.2.3 移動邊緣計算網(wǎng)絡(luò)中的自適應(yīng)采樣交叉熵算法 52
3.2.4 實驗分析 59
3.2.5 代碼分析 66
3.3 基于深度學習的網(wǎng)絡(luò)資源優(yōu)化 72
3.3.1 數(shù)據(jù)驅(qū)動的深度學習介紹 72
3.3.2 模型驅(qū)動的分支定界算法介紹 73
3.3.3 基于深度學習的智能分支定界方法 73
3.3.4 實驗分析 78
3.3.5 代碼分析 82
3.4 本章小結(jié) 90
參考文獻 90
第4章 多維無線信道的自信息表征與智能處理 92
4.1 引言 92
4.2 無線信道的壓縮反饋 93
4.2.1 基于碼本的CSI反饋方法 93
4.2.2 基于人工智能的CSI反饋方法 96
4.2.3 基于網(wǎng)絡(luò)結(jié)構(gòu)改進的智能CSI反饋方法 97
4.2.4 基于輕量化改進的智能CSI反饋方法 99
4.3 無線信道的自信息表征 101
4.3.1 自信息計算 102
4.3.2 自信息刪選算法 103
4.4 基于無線信道的自信息CSI壓縮反饋 104
4.4.1 IdasNet網(wǎng)絡(luò)設(shè)計 105
4.4.2 實驗分析 110
4.4.3 代碼分析 112
4.5 基于無線信道的自信息時序CSI壓縮反饋 119
4.5.1 SD-CsiNet網(wǎng)絡(luò)設(shè)計 119
4.5.2 實驗分析 123
4.5.3 代碼分析 125
4.6 本章小結(jié) 131
參考文獻 132
第5章 MIMO收發(fā)機的智能學習 134
5.1 引言 134
5.2 基于模型參數(shù)化的智能 MIMO 檢測設(shè)計 135
5.2.1 經(jīng)典檢測算法 135
5.2.2 基于黑盒的深度學習檢測 139
5.2.3 基于元學習的智能MIMO檢測網(wǎng)絡(luò) 140
5.2.4 實驗分析 144
5.2.5 代碼分析 146
5.3 基于模型參數(shù)化的智能MIMO預編碼設(shè)計 149
5.3.1 經(jīng)典的預編碼技術(shù) 150
5.3.2 基于黑盒神經(jīng)網(wǎng)絡(luò)的預編碼設(shè)計 153
5.3.3 基于可解釋神經(jīng)網(wǎng)絡(luò)的預編碼設(shè)計 158
5.3.4 實驗分析 161
5.3.5 代碼分析 163
5.4 本章小結(jié) 167
參考文獻 168
第6章 無線設(shè)備指紋的解耦表征學習與智能認證 170
6.1 引言.170
6.2 問題描述 172
6.2.1 射頻指紋提取 172
6.2.2 開集識別問題 173
6.2.3 評價指標 173
6.3 基于數(shù)據(jù)與模型雙驅(qū)動的開集射頻指紋提取 174
6.3.1 基于數(shù)據(jù)與模型驅(qū)動的預處理模塊設(shè)計 174
6.3.2 模型結(jié)構(gòu)設(shè)計 176
6.3.3 目標函數(shù)與模型訓練 178
6.3.4 實驗分析 180
6.3.5 代碼分析 184
6.4 基于解耦表征的信道魯棒射頻指紋提取 188
6.4.1 研究背景介紹 188
6.4.2 解耦表征學習模塊設(shè)計 189
6.4.3 射頻指紋提取器F(？)的目標函數(shù)設(shè)計 190
6.4.4 背景提取器 Q(？,n)的目標函數(shù)設(shè)計 192
6.4.5 信號生成器 G(？,？)的目標函數(shù)設(shè)計 194
6.4.6 學習算法設(shè)計 194
6.4.7 實驗分析 196
6.4.8 代碼分析 199
6.5 本章小結(jié) 206
參考文獻 207
第7章 無線邊緣網(wǎng)絡(luò)智能 209
7.1 引言 209
7.2 聯(lián)邦學習的性能指標和網(wǎng)絡(luò)要求 211
7.2.1 性能指標 211
7.2.2 網(wǎng)絡(luò)要求 212
7.3 無線聯(lián)邦學習的資源優(yōu)化 213
7.3.1 系統(tǒng)模型 213
7.3.2 優(yōu)化問題與求解算法 217
7.3.3 實驗分析 218
7.3.4 代碼分析 219
7.4 聯(lián)邦學習驅(qū)動的應(yīng)用226
7.4.1 驅(qū)動聯(lián)邦學習應(yīng)用解決無線問題 227
7.4.2 可重構(gòu)智能表面 228
7.4.3 語義通信 229
7.4.4 擴展現(xiàn)實 230
7.4.5 非正交多址接入 230
7.5 未來研究方向 232
7.5.1 研究方向與挑戰(zhàn) 232
7.5.2 開放問題和未來趨勢 233
7.6 本章小結(jié) 234
參考文獻 234
索引 236