智能通信：基于深度學(xué)習(xí)的物理層設(shè)計(jì)（第二版）
定 價(jià)：99 元
- 作者：金石,張靜
- 出版時(shí)間：2020/6/1
- ISBN：9787030829344
- 出 版 社：科學(xué)出版社
- 中圖法分類：TN91
- 頁碼：267
- 紙張：
- 版次：1
- 開本：B5
近年來人工智能特別是深度學(xué)習(xí)在計(jì)算機(jī)視覺、自然語言處理、語音識(shí)別等領(lǐng)域獲得了巨大成功，無線通信領(lǐng)域的研究者們期望將其應(yīng)用于系統(tǒng)的各個(gè)層面，進(jìn)而發(fā)展出智能通信，大幅度提升無線通信系統(tǒng)效能。智能通信也因此被認(rèn)為是5G之后無線通信發(fā)展主流方向之一，其研究尚處于探索階段。本書結(jié)合國內(nèi)外學(xué)術(shù)界在該領(lǐng)域的最新研究進(jìn)展，著眼于智能通信中基于深度學(xué)習(xí)的物理層設(shè)計(jì)，對(duì)相關(guān)理論基礎(chǔ)、通信模塊設(shè)計(jì)，以及算法實(shí)現(xiàn)等進(jìn)行詳盡的介紹與分析。內(nèi)容主要包括：神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)及進(jìn)階技巧、典型神經(jīng)網(wǎng)絡(luò)、基于深度學(xué)習(xí)的通信物理層基本模塊設(shè)計(jì)以及智能通信技術(shù)的原型驗(yàn)證方法等。為方便讀者學(xué)習(xí)，相關(guān)章節(jié)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、概念，以及原型驗(yàn)證方法和實(shí)例。
更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。
2007年6月于東南大學(xué)獲通信與信息系統(tǒng)專業(yè)博士學(xué)位2007年6月于東南大學(xué)獲通信與信息系統(tǒng)專業(yè)博士學(xué)位，并留校任教。
2007年6月至2009年10月在英國倫敦大學(xué)學(xué)院任博士后研究員。
2015年5月晉升為教授。
2019年3月，任東南大學(xué)研究生院常務(wù)副院長。
2021年6月起，任東南大學(xué)副校長。移動(dòng)通信，人工智能長期從事移動(dòng)通信的教學(xué)和研究工作，圍繞蜂窩移動(dòng)通信理論與關(guān)鍵技術(shù)、物聯(lián)網(wǎng)理論與關(guān)鍵技術(shù)、以及人工智能在移動(dòng)通信中的應(yīng)用等領(lǐng)域開展研究工作。共發(fā)表學(xué)術(shù)論文400余篇，授權(quán)國際/國家發(fā)明專利60余件，出版專著2部，教材1本。研究成果獲省部級(jí)科學(xué)技術(shù)一等獎(jiǎng)3項(xiàng)、二等獎(jiǎng)1項(xiàng)、IEEE通信學(xué)會(huì)萊斯獎(jiǎng)、IEEE信號(hào)處理學(xué)會(huì)最佳青年作者論文獎(jiǎng)、Electronics Letters最佳論文獎(jiǎng)、China Communications最佳論文獎(jiǎng)等十余個(gè)國際重要學(xué)術(shù)期刊和會(huì)議最佳論文獎(jiǎng)，2014至2020年連續(xù)入選愛思唯爾中國高被引學(xué)者，2019和2020年兩次入選科睿唯安全球高被引學(xué)者。教育部長江學(xué)者獎(jiǎng)勵(lì)計(jì)劃特聘教授（2018）、國家自然科學(xué)基金杰出青年科學(xué)基金獲得者（2016）、國家“萬人計(jì)劃”科技創(chuàng)新領(lǐng)軍人才（2019）、江蘇省特聘教授、中國通信學(xué)會(huì)會(huì)士。全國工程專業(yè)學(xué)位研究生教育指導(dǎo)委員會(huì)委員、民盟中央青年工作委員會(huì)委員、民盟江蘇省委青年工作委員會(huì)副主任。
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(luò) 3
1.2.2 深度神經(jīng)網(wǎng)絡(luò) 4
1.2.3 卷積神經(jīng)網(wǎng)絡(luò) 5
1.2.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 5
1.2.5 生成對(duì)抗神經(jīng)網(wǎng)絡(luò) 6
1.2.6 深度強(qiáng)化學(xué)習(xí)神經(jīng)網(wǎng)絡(luò) 7
1.3 智能通信當(dāng)前研究進(jìn)展 8
1.3.1 信道估計(jì) 8
1.3.2 信號(hào)檢測(cè) 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(kuò)展閱讀：深度強(qiáng)化學(xué)習(xí) 14
參考文獻(xiàn) 15
第2章 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ) 17
2.1 機(jī)器學(xué)習(xí)概述 17
2.2 監(jiān)督學(xué)習(xí) 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(jià)函數(shù) 30
2.7 梯度下降法 32
2.8 模型驗(yàn)證 35
2.9 基于TensorFlow的二分類范例 36
2.10 本章小結(jié) 42
擴(kuò)展閱讀：梯度下降法 43
參考文獻(xiàn) 43
第3章 神經(jīng)網(wǎng)絡(luò)的進(jìn)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(luò)的訓(xùn)練準(zhǔn)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(bǔ)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(luò)的激活函數(shù) 62
3.5.2 BN與神經(jīng)網(wǎng)絡(luò)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(dòng)平均 65
3.6.3 動(dòng)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(xué)習(xí)率衰減 68
3.7 基于TensorFlow的兩層神經(jīng)網(wǎng)絡(luò)實(shí)例 69
3.8 本章小結(jié) 73
擴(kuò)展閱讀：激活函數(shù) 74
參考文獻(xiàn) 74
第4章 卷積神經(jīng)網(wǎng)絡(luò) 75
4.1 什么是卷積神經(jīng)網(wǎng)絡(luò) 75
4.1.1 計(jì)算機(jī)視覺 75
4.1.2 卷積神經(jīng)網(wǎng)絡(luò) 76
4.2 卷積神經(jīng)網(wǎng)絡(luò)基本原理 77
4.2.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 77
4.2.2 卷積神經(jīng)網(wǎng)絡(luò)的層級(jí)組成及其原理 77
4.2.3 卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 83
4.3 卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典網(wǎng)絡(luò) 83
4.3.1 經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò) 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(luò)實(shí)例 88
4.5 本章小結(jié) 93
擴(kuò)展閱讀：殘差網(wǎng)絡(luò) 93
參考文獻(xiàn) 93
第5章 循環(huán)神經(jīng)網(wǎng)絡(luò) 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(hào)定義 95
5.2 循環(huán)神經(jīng)網(wǎng)絡(luò)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(shí)記憶 102
5.3.1 長短時(shí)記憶網(wǎng)絡(luò) 102
5.3.2 LSTM的變形與演進(jìn) 105
5.3.3 LSTM實(shí)例應(yīng)用 108
5.4 本章小結(jié) 110
擴(kuò)展閱讀：長短時(shí)記憶 110
參考文獻(xiàn) 111
第6章 正交調(diào)制解調(diào)器 112
6.1 基于深度學(xué)習(xí)的QAM解調(diào)器設(shè)計(jì) 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(xué)習(xí)的QAM解調(diào)器設(shè)計(jì) 119
6.2.1 QAM解調(diào)的評(píng)價(jià)標(biāo)準(zhǔn) 120
6.2.2 基于深度學(xué)習(xí)的QAM 解調(diào) 120
6.3 本章小結(jié) 129
擴(kuò)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(jī) 131
7.1 FC-DNN OFDM接收機(jī) 131
7.1.1 系統(tǒng)結(jié)構(gòu) 131
7.1.2 模型訓(xùn)練 133
7.1.3 仿真代碼 134
7.2 ComNet OFDM接收機(jī) 143
7.2.1 整體架構(gòu) 143
7.2.2 信道估計(jì)子網(wǎng) 144
7.2.3 信號(hào)檢測(cè)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(jī)的仿真性能 151
7.4 本章小結(jié) 153
擴(kuò)展閱讀：梳狀導(dǎo)頻和塊狀導(dǎo)頻 154
參考文獻(xiàn) 154
第8章 CSI反饋及信道重建——CsiNet 155
8.1 CSI反饋背景知識(shí) 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(xué)習(xí)的CSI反饋 159
8.3.1 基于深度學(xué)習(xí)的反饋機(jī)制 159
8.3.2 信道狀態(tài)信息反饋網(wǎng)絡(luò)(CsiNet)結(jié)構(gòu) 160
8.4 實(shí)驗(yàn)結(jié)果與分析 162
8.4.1 實(shí)驗(yàn)數(shù)據(jù)生成 162
8.4.2 實(shí)驗(yàn)程序 163
8.4.3 實(shí)驗(yàn)仿真結(jié)果 169
8.5 CsiNet-LSTM* 172
8.6 本章小結(jié) 180
擴(kuò)展閱讀：自編碼器 180
參考文獻(xiàn) 180
第9章 滑動(dòng)窗序列檢測(cè)方法 182
9.1 序列檢測(cè) 182
9.1.1 序列檢測(cè)的基本原理 182
9.1.2 最大似然序列檢測(cè)準(zhǔn)則 184
9.1.3 維特比算法 184
9.2 基于深度學(xué)習(xí)的序列檢測(cè)器實(shí)現(xiàn) 189
9.2.1 問題描述 189
9.2.2 深度學(xué)習(xí)實(shí)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(kuò)展閱讀：循環(huán)神經(jīng)網(wǎng)絡(luò) 202
參考文獻(xiàn) 203
第10章 基于深度學(xué)習(xí)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(xué)習(xí)的信道譯碼 214
10.4.1 優(yōu)化傳統(tǒng)“黑箱”神經(jīng)網(wǎng)絡(luò) 214
10.4.2 參數(shù)化傳統(tǒng)譯碼算法 215
10.5 基于深度學(xué)習(xí)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(kuò)展閱讀：Turbo碼 254
參考文獻(xiàn) 255
第11章 智能通信原型驗(yàn)證系統(tǒng)實(shí)例 256
11.1 基于人工智能輔助的OFDM接收機(jī)原型驗(yàn)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(jī)空口測(cè)試 259
11.2 基于深度學(xué)習(xí)的信道譯碼原型驗(yàn)證系統(tǒng)實(shí)例 263
11.3 本章小結(jié) 266
擴(kuò)展閱讀：基于人工智能輔助的OFDM接收機(jī) 267
書單推薦
