智能无线通信 前沿技术与应用

第 一篇 无线通信中的人工智能基础理论与算法
第 1 章 深度学习在无线通信系统中的应用 2
1.1 深度学习概述 2
1.1.1 深度学习的历史 2
1.1.2 深度学习的原理 3
1.2 深度学习在无线通信中的基本应用 5
1.2.1 调制模式识别 5
1.2.2 信道状态信息压缩与恢复 5
1.2.3 信道估计 5
1.2.4 信号检测 6
1.3 本章小结 6
参考文献 6
第二篇 人工智能在无线通信传输技术中的应用
第 2 章 基于深度学习的 MIMO 信号检测 10
2.1 MIMO 信号检测基本原理与传统算法 10
2.1.1 系统模型 11
2.1.2 最优检测算法 12
2.1.3 线性检测算法 13
2.1.4 SD 检测算法 15
2.2 基于深度学习的 MIMO 信号检测网络 DetNet 16
2.2.1 投影梯度下降算法 17
2.2.2 DetNet 18
2.3 基于 ScNet 的 MIMO 信号检测算法 20
2.3.1 损失函数优化 21
2.3.2 网络输入简化 23
2.3.3 网络连接优化 24
2.3.4 ScNet 高阶调制信号检测27
2.3.5 ScNet 性能分析与仿真29
2.4 基于 DetNet 的其他改进算法 SimDetNet 和基于动量梯度下降的 MIMO
信号检测算法 33
2.4.1 基于双曲正切函数的 DetNet 简化 34
2.4.2 动量梯度下降 37
2.4.3 性能分析与仿真 40
2.5 基于 OAMP-Net 的 MIMO 信号检测算法44
2.5.1 OAMP 算法 44
2.5.2 OAMP-Net46
2.5.3 改进的 OAMP-Net 的结构 48
2.6 本章小结 50
参考文献 51
第 3 章 基于深度学习的 MIMO-OFDM 信道估计 52
3.1 OFDM 系统原理与传统信道估计算法 52
3.1.1 OFDM 信道估计概述 52
3.1.2 系统模型 53
3.1.3 最小二乘信道估计算法 55
3.1.4 最小均方误差信道估计算法 56
3.2 基于深度学习的信道估计算法 56
3.2.1 导频符号框架结构 56
3.2.2 基于卷积神经网络的信道估计算法 57
3.2.3 复杂度分析 60
3.2.4 模型训练 60
3.3 本章小结 64
参考文献 64
第 4 章 基于深度学习的链路自适应和信道测量反馈 65
4.1 基于深度学习的链路自适应技术 65
4.1.1 线性检测 67
4.1.2 非线性检测 71
4.2 基于深度学习的多天线信道测量反馈和信号检测 83
4.2.1 深度学习中的注意力机制 83
4.2.2 基于深度学习的 CSI 测量与反馈 85
4.2.3 基于注意力机制的多进制大规模 MIMO 检测 92
4.3 本章小结 101
参考文献 101
第 5 章 基于深度学习的信道译码 103
5.1 基于因子图的信道译码 103
5.1.1 flooding NOMS 算法 104
5.1.2 layered NOMS 算法 105
5.2 从因子图到定制神经网络 106
5.2.1 flooding 译码神经网络 106
5.2.2 layered 译码神经网络 108
5.3 译码神经网络优化方案 110
5.3.1 训练样本的建立 111
5.3.2 深度学习译码模型 112
5.3.3 泛化码长深度学习译码模型 112
5.4 网络训练 113
5.5 性能评估 114
5.5.1 Neural flooding NOMS 译码算法性能评估 115
5.5.2 Neural layered NOMS 译码算法性能评估 117
5.6 本章小结 119
参考文献 119
第三篇 人工智能在无线通信组网技术中的应用
第 6 章 智能无线网络架构设计与分析 122
6.1 技术背景 122
6.1.1 无线网络认知技术 122
6.1.2 移动云计算 122
6.1.3 移动边缘计算 123
6.2 数据流架构 123
6.2.1 认知数据与方法 123
6.2.2 无线大数据认知流架构 127
6.3 计算流架构 128
6.3.1 云计算与边缘计算 129
6.3.2 可拓展型学习框架 130
6.3.3 可拓展型学习算法 132
6.4 模型与数据协同驱动机制 135
6.5 本章小结 136
参考文献 136
第 7 章 基于单节点机器学习的负载优化 139
7.1 基于高斯过程的无线流量预测模型 139
7.1.1 高斯过程模型 139
7.1.2 模型核函数设计 141
7.1.3 模型超参数训练 144
7.2 基于深度强化学习的智能负载均衡模型 146
7.2.1 强化学习基础 146
7.2.2 用户切换模型 148
7.2.3 负载均衡问题建模 149
7.2.4 基于深度强化学习的负载均衡算法 151
7.3 仿真验证与结果分析 153
7.3.1 无线流量预测与基于负载感知的基站休眠 153
7.3.2 自组织网络的负载均衡 157
7.4 本章小结 160
参考文献 160
第 8 章 基于多节点机器学习的负载优化 163
8.1 基于分布式高斯过程模型的多节点负载预测框架 163
8.1.1 整体框架设计 164
8.1.2 基于矩阵近似的分布式训练算法 165
8.1.3 基于矩阵分块的分布式高斯过程训练算法 168
8.1.4 基于交叉验证的分布式预测算法 172
8.2 基于分布式深度强化学习模型的多节点负载均衡框架 178
8.2.1 整体框架设计 178
8.2.2 基于负载感知的基站聚类算法 180
8.2.3 基于多探索策略的分布式强化学习算法 181
8.3 仿真验证与结果分析 187
8.3.1 分布式无线流量预测 187
8.3.2 大规模自组织网络负载均衡 191
8.4 本章小结 194
参考文献 195
第 9 章 基于多智能体强化学习的负载优化 197
9.1 系统模型 197
9.1.1 多智能体 MDP 198
9.1.2 目标问题 199
9.2 基于投票机制的多智能体强化学习 200
9.2.1 投票机制 200
9.2.2 分布式多智能体强化学习算法 200
9.3 收敛性分析 205
9.4 仿真验证与结果分析 211
9.4.1 理论验证 211
9.4.2 无人机基站辅助的负载分流 212
9.5 本章小结 215
参考文献 216
第四篇 人工智能在语义通信中的应用
第 10 章 从经典信息论到广义信息论 220
10.1 经典信息论 220
10.2 信息的层次与语义信息 222
10.3 广义信息论 223
10.4 算法信息论 225
10.5 本章小结 226
参考文献 227
第 11 章 语义通信模型 228
11.1 语义通信系统框架 228
11.2 语义通信系统与经典通信系统术语对比 231
11.3 语义通信与语义分析对比 232
11.4 语义通信的度量指标 233
11.4.1 语义熵与语义互信息 233
11.4.2 语义率失真函数 234
11.4.3 码率 - 失真拉格朗日率失真代价函数 234
11.4.4 典型失真度量指标 235
11.5 语义压缩极限初探 237
11.6 本章小结 238
参考文献 238
第 12 章 语义编码传输 239
12.1 非线性变换联合信源信道编码方法 240
12.2 非线性变换联合信源信道编码变分建模 241
12.3 仿真验证与结果分析 243
12.4 本章小结 246
参考文献 246