近年來人工智能特別是深度學習在計算機視覺、自然語言處理、語音識別等領域獲得了巨大成功，無線通信領域的研究者們期望將其應用于系統的各個層面，進而發(fā)展出智能通信，大幅度提升無線通信系統效能。智能通信也因此被認為是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。本書結合國內外學術界在該領域的最新研究進展，著眼于智能通信中基于深度學習的物理層設計，對相關理論基礎、通信模塊設計，以及算法實現等進行詳盡的介紹與分析。內容主要包括：神經網絡的基礎及進階技巧、典型神經網絡、基于深度學習的通信物理層基本模塊設計以及智能通信技術的原型驗證方法等。為方便讀者學習，相關章節(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，以及原型驗證方法和實例。
更多科學出版社服務，請掃碼獲取。
2007年6月于東南大學獲通信與信息系統專業(yè)博士學位2007年6月于東南大學獲通信與信息系統專業(yè)博士學位，并留校任教。
2007年6月至2009年10月在英國倫敦大學學院任博士后研究員。
2015年5月晉升為教授。
2019年3月，任東南大學研究生院常務副院長。
2021年6月起，任東南大學副校長。移動通信，人工智能長期從事移動通信的教學和研究工作，圍繞蜂窩移動通信理論與關鍵技術、物聯網理論與關鍵技術、以及人工智能在移動通信中的應用等領域開展研究工作。共發(fā)表學術論文400余篇，授權國際/國家發(fā)明專利60余件，出版專著2部，教材1本。研究成果獲省部級科學技術一等獎3項、二等獎1項、IEEE通信學會萊斯獎、IEEE信號處理學會最佳青年作者論文獎、Electronics Letters最佳論文獎、China Communications最佳論文獎等十余個國際重要學術期刊和會議最佳論文獎，2014至2020年連續(xù)入選愛思唯爾中國高被引學者，2019和2020年兩次入選科睿唯安全球高被引學者。教育部長江學者獎勵計劃特聘教授（2018）、國家自然科學基金杰出青年科學基金獲得者（2016）、國家“萬人計劃”科技創(chuàng)新領軍人才（2019）、江蘇省特聘教授、中國通信學會會士。全國工程專業(yè)學位研究生教育指導委員會委員、民盟中央青年工作委員會委員、民盟江蘇省委青年工作委員會副主任。
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 人工智能技術簡介 3
1.2.1 人工神經網絡 3
1.2.2 深度神經網絡 4
1.2.3 卷積神經網絡 5
1.2.4 循環(huán)神經網絡 5
1.2.5 生成對抗神經網絡 6
1.2.6 深度強化學習神經網絡 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 12
1.4 總結與展望 13
1.5 本章小結 14
擴展閱讀：深度強化學習 14
參考文獻 15
第2章 神經網絡的基礎 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 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 42
擴展閱讀：梯度下降法 43
參考文獻 43
第3章 神經網絡的進階技巧 44
3.1 多分類算法 44
3.2 激活函數 48
3.2.1 線性激活函數 49
3.2.2 Sigmoid函數 49
3.2.3 tanh函數 50
3.2.4 ReLu函數 51
3.3 神經網絡的訓練準備 53
3.3.1 輸入歸一化 53
3.3.2 權重初始化 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 歸一化網絡的激活函數 62
3.5.2 BN與神經網絡的擬合 63
3.6 優(yōu)化算法 64
3.6.1 Mini-Batch梯度下降法 64
3.6.2 指數加權移動平均 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的兩層神經網絡實例 69
3.8 本章小結 73
擴展閱讀：激活函數 74
參考文獻 74
第4章 卷積神經網絡 75
4.1 什么是卷積神經網絡 75
4.1.1 計算機視覺 75
4.1.2 卷積神經網絡 76
4.2 卷積神經網絡基本原理 77
4.2.1 卷積神經網絡的結構 77
4.2.2 卷積神經網絡的層級組成及其原理 77
4.2.3 卷積神經網絡的特點 83
4.3 卷積神經網絡的經典網絡 83
4.3.1 經典的卷積神經網絡 83
4.3.2 AlexNet概述 83
4.3.3 VGGNet概述 84
4.3.4 ResNet概述 86
4.4 多層卷積神經網絡實例 88
4.5 本章小結 93
擴展閱讀：殘差網絡 93
參考文獻 93
第5章 循環(huán)神經網絡 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)神經網絡模型 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 110
擴展閱讀：長短時記憶 110
參考文獻 111
第6章 正交調制解調器 112
6.1 基于深度學習的QAM解調器設計 112
6.1.1 基本原理 112
6.1.2 SNR vs BER 仿真結果 114
6.2 基于深度學習的QAM解調器設計 119
6.2.1 QAM解調的評價標準 120
6.2.2 基于深度學習的QAM 解調 120
6.3 本章小結 129
擴展閱讀：正交幅度調制 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 系統結構 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 143
7.2.2 信道估計子網 144
7.2.3 信號檢測子網 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 150
7.3.2 整體ComNet OFDM接收機的仿真性能 151
7.4 本章小結 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)信息反饋網絡(CsiNet)結構 160
8.4 實驗結果與分析 162
8.4.1 實驗數據生成 162
8.4.2 實驗程序 163
8.4.3 實驗仿真結果 169
8.5 CsiNet-LSTM* 172
8.6 本章小結 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 189
9.2.1 問題描述 189
9.2.2 深度學習實現 190
9.2.3 仿真分析 194
9.2.4 結果分析 201
9.3 本章小結 202
擴展閱讀：循環(huán)神經網絡 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型編碼結構 205
10.2.2 SCCC型編碼結構 206
10.2.3 HCCC型編碼結構 207
10.3 Turbo碼傳統譯碼算法 207
10.3.1 Turbo碼譯碼結構 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“黑箱”神經網絡 214
10.4.2 參數化傳統譯碼算法 215
10.5 基于深度學習的Turbo碼譯碼 220
10.5.1 模型的構建 220
10.5.2 性能仿真 230
10.5.3 仿真程序 232
10.6 本章小結 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實例 256
11.1 基于人工智能輔助的OFDM接收機原型驗證系統 256
11.1.1 系統硬件架構及系統流程 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實例 263
11.3 本章小結 266
擴展閱讀：基于人工智能輔助的OFDM接收機 267
書單推薦
