智能無(wú)線通信 前沿技術(shù)與應(yīng)用

第 一篇 無(wú)線通信中的人工智能基礎(chǔ)理論與算法
第 1 章 深度學(xué)習(xí)在無(wú)線通信系統(tǒng)中的應(yīng)用 2
1.1 深度學(xué)習(xí)概述 2
1.1.1 深度學(xué)習(xí)的歷史 2
1.1.2 深度學(xué)習(xí)的原理 3
1.2 深度學(xué)習(xí)在無(wú)線通信中的基本應(yīng)用 5
1.2.1 調(diào)制模式識(shí)別 5
1.2.2 信道狀態(tài)信息壓縮與恢復(fù) 5
1.2.3 信道估計(jì) 5
1.2.4 信號(hào)檢測(cè) 6
1.3 本章小結(jié) 6
參考文獻(xiàn) 6
第二篇 人工智能在無(wú)線通信傳輸技術(shù)中的應(yīng)用
第 2 章 基于深度學(xué)習(xí)的 MIMO 信號(hào)檢測(cè) 10
2.1 MIMO 信號(hào)檢測(cè)基本原理與傳統(tǒng)算法 10
2.1.1 系統(tǒng)模型 11
2.1.2 最優(yōu)檢測(cè)算法 12
2.1.3 線性檢測(cè)算法 13
2.1.4 SD 檢測(cè)算法 15
2.2 基于深度學(xué)習(xí)的 MIMO 信號(hào)檢測(cè)網(wǎng)絡(luò) 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 信號(hào)檢測(cè)算法 20
2.3.1 損失函數(shù)優(yōu)化 21
2.3.2 網(wǎng)絡(luò)輸入簡(jiǎn)化 23
2.3.3 網(wǎng)絡(luò)連接優(yōu)化 24
2.3.4 ScNet 高階調(diào)制信號(hào)檢測(cè)27
2.3.5 ScNet 性能分析與仿真29
2.4 基于 DetNet 的其他改進(jìn)算法 SimDetNet 和基于動(dòng)量梯度下降的 MIMO
信號(hào)檢測(cè)算法 33
2.4.1 基于雙曲正切函數(shù)的 DetNet 簡(jiǎn)化 34
2.4.2 動(dòng)量梯度下降 37
2.4.3 性能分析與仿真 40
2.5 基于 OAMP-Net 的 MIMO 信號(hào)檢測(cè)算法44
2.5.1 OAMP 算法 44
2.5.2 OAMP-Net46
2.5.3 改進(jìn)的 OAMP-Net 的結(jié)構(gòu) 48
2.6 本章小結(jié) 50
參考文獻(xiàn) 51
第 3 章 基于深度學(xué)習(xí)的 MIMO-OFDM 信道估計(jì) 52
3.1 OFDM 系統(tǒng)原理與傳統(tǒng)信道估計(jì)算法 52
3.1.1 OFDM 信道估計(jì)概述 52
3.1.2 系統(tǒng)模型 53
3.1.3 最小二乘信道估計(jì)算法 55
3.1.4 最小均方誤差信道估計(jì)算法 56
3.2 基于深度學(xué)習(xí)的信道估計(jì)算法 56
3.2.1 導(dǎo)頻符號(hào)框架結(jié)構(gòu) 56
3.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的信道估計(jì)算法 57
3.2.3 復(fù)雜度分析 60
3.2.4 模型訓(xùn)練 60
3.3 本章小結(jié) 64
參考文獻(xiàn) 64
第 4 章 基于深度學(xué)習(xí)的鏈路自適應(yīng)和信道測(cè)量反饋 65
4.1 基于深度學(xué)習(xí)的鏈路自適應(yīng)技術(shù) 65
4.1.1 線性檢測(cè) 67
4.1.2 非線性檢測(cè) 71
4.2 基于深度學(xué)習(xí)的多天線信道測(cè)量反饋和信號(hào)檢測(cè) 83
4.2.1 深度學(xué)習(xí)中的注意力機(jī)制 83
4.2.2 基于深度學(xué)習(xí)的 CSI 測(cè)量與反饋 85
4.2.3 基于注意力機(jī)制的多進(jìn)制大規(guī)模 MIMO 檢測(cè) 92
4.3 本章小結(jié) 101
參考文獻(xiàn) 101
第 5 章 基于深度學(xué)習(xí)的信道譯碼 103
5.1 基于因子圖的信道譯碼 103
5.1.1 flooding NOMS 算法 104
5.1.2 layered NOMS 算法 105
5.2 從因子圖到定制神經(jīng)網(wǎng)絡(luò) 106
5.2.1 flooding 譯碼神經(jīng)網(wǎng)絡(luò) 106
5.2.2 layered 譯碼神經(jīng)網(wǎng)絡(luò) 108
5.3 譯碼神經(jīng)網(wǎng)絡(luò)優(yōu)化方案 110
5.3.1 訓(xùn)練樣本的建立 111
5.3.2 深度學(xué)習(xí)譯碼模型 112
5.3.3 泛化碼長(zhǎng)深度學(xué)習(xí)譯碼模型 112
5.4 網(wǎng)絡(luò)訓(xùn)練 113
5.5 性能評(píng)估 114
5.5.1 Neural flooding NOMS 譯碼算法性能評(píng)估 115
5.5.2 Neural layered NOMS 譯碼算法性能評(píng)估 117
5.6 本章小結(jié) 119
參考文獻(xiàn) 119
第三篇 人工智能在無(wú)線通信組網(wǎng)技術(shù)中的應(yīng)用
第 6 章 智能無(wú)線網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)與分析 122
6.1 技術(shù)背景 122
6.1.1 無(wú)線網(wǎng)絡(luò)認(rèn)知技術(shù) 122
6.1.2 移動(dòng)云計(jì)算 122
6.1.3 移動(dòng)邊緣計(jì)算 123
6.2 數(shù)據(jù)流架構(gòu) 123
6.2.1 認(rèn)知數(shù)據(jù)與方法 123
6.2.2 無(wú)線大數(shù)據(jù)認(rèn)知流架構(gòu) 127
6.3 計(jì)算流架構(gòu) 128
6.3.1 云計(jì)算與邊緣計(jì)算 129
6.3.2 可拓展型學(xué)習(xí)框架 130
6.3.3 可拓展型學(xué)習(xí)算法 132
6.4 模型與數(shù)據(jù)協(xié)同驅(qū)動(dòng)機(jī)制 135
6.5 本章小結(jié) 136
參考文獻(xiàn) 136
第 7 章 基于單節(jié)點(diǎn)機(jī)器學(xué)習(xí)的負(fù)載優(yōu)化 139
7.1 基于高斯過(guò)程的無(wú)線流量預(yù)測(cè)模型 139
7.1.1 高斯過(guò)程模型 139
7.1.2 模型核函數(shù)設(shè)計(jì) 141
7.1.3 模型超參數(shù)訓(xùn)練 144
7.2 基于深度強(qiáng)化學(xué)習(xí)的智能負(fù)載均衡模型 146
7.2.1 強(qiáng)化學(xué)習(xí)基礎(chǔ) 146
7.2.2 用戶(hù)切換模型 148
7.2.3 負(fù)載均衡問(wèn)題建模 149
7.2.4 基于深度強(qiáng)化學(xué)習(xí)的負(fù)載均衡算法 151
7.3 仿真驗(yàn)證與結(jié)果分析 153
7.3.1 無(wú)線流量預(yù)測(cè)與基于負(fù)載感知的基站休眠 153
7.3.2 自組織網(wǎng)絡(luò)的負(fù)載均衡 157
7.4 本章小結(jié) 160
參考文獻(xiàn) 160
第 8 章 基于多節(jié)點(diǎn)機(jī)器學(xué)習(xí)的負(fù)載優(yōu)化 163
8.1 基于分布式高斯過(guò)程模型的多節(jié)點(diǎn)負(fù)載預(yù)測(cè)框架 163
8.1.1 整體框架設(shè)計(jì) 164
8.1.2 基于矩陣近似的分布式訓(xùn)練算法 165
8.1.3 基于矩陣分塊的分布式高斯過(guò)程訓(xùn)練算法 168
8.1.4 基于交叉驗(yàn)證的分布式預(yù)測(cè)算法 172
8.2 基于分布式深度強(qiáng)化學(xué)習(xí)模型的多節(jié)點(diǎn)負(fù)載均衡框架 178
8.2.1 整體框架設(shè)計(jì) 178
8.2.2 基于負(fù)載感知的基站聚類(lèi)算法 180
8.2.3 基于多探索策略的分布式強(qiáng)化學(xué)習(xí)算法 181
8.3 仿真驗(yàn)證與結(jié)果分析 187
8.3.1 分布式無(wú)線流量預(yù)測(cè) 187
8.3.2 大規(guī)模自組織網(wǎng)絡(luò)負(fù)載均衡 191
8.4 本章小結(jié) 194
參考文獻(xiàn) 195
第 9 章 基于多智能體強(qiáng)化學(xué)習(xí)的負(fù)載優(yōu)化 197
9.1 系統(tǒng)模型 197
9.1.1 多智能體 MDP 198
9.1.2 目標(biāo)問(wèn)題 199
9.2 基于投票機(jī)制的多智能體強(qiáng)化學(xué)習(xí) 200
9.2.1 投票機(jī)制 200
9.2.2 分布式多智能體強(qiáng)化學(xué)習(xí)算法 200
9.3 收斂性分析 205
9.4 仿真驗(yàn)證與結(jié)果分析 211
9.4.1 理論驗(yàn)證 211
9.4.2 無(wú)人機(jī)基站輔助的負(fù)載分流 212
9.5 本章小結(jié) 215
參考文獻(xiàn) 216
第四篇 人工智能在語(yǔ)義通信中的應(yīng)用
第 10 章 從經(jīng)典信息論到廣義信息論 220
10.1 經(jīng)典信息論 220
10.2 信息的層次與語(yǔ)義信息 222
10.3 廣義信息論 223
10.4 算法信息論 225
10.5 本章小結(jié) 226
參考文獻(xiàn) 227
第 11 章 語(yǔ)義通信模型 228
11.1 語(yǔ)義通信系統(tǒng)框架 228
11.2 語(yǔ)義通信系統(tǒng)與經(jīng)典通信系統(tǒng)術(shù)語(yǔ)對(duì)比 231
11.3 語(yǔ)義通信與語(yǔ)義分析對(duì)比 232
11.4 語(yǔ)義通信的度量指標(biāo) 233
11.4.1 語(yǔ)義熵與語(yǔ)義互信息 233
11.4.2 語(yǔ)義率失真函數(shù) 234
11.4.3 碼率 - 失真拉格朗日率失真代價(jià)函數(shù) 234
11.4.4 典型失真度量指標(biāo) 235
11.5 語(yǔ)義壓縮極限初探 237
11.6 本章小結(jié) 238
參考文獻(xiàn) 238
第 12 章 語(yǔ)義編碼傳輸 239
12.1 非線性變換聯(lián)合信源信道編碼方法 240
12.2 非線性變換聯(lián)合信源信道編碼變分建模 241
12.3 仿真驗(yàn)證與結(jié)果分析 243
12.4 本章小結(jié) 246
參考文獻(xiàn) 246