第1章 绪论
1.1 引言
1.1.1 移动通信发展概览
1.1.2 5G技术发展情况
1.2 信道估计技术
1.2.1 协同无线通信系统信道估计技术
1.2.2 密集信道下协同中继系统信道估计算法
1.2.3 基于压缩感知的稀疏协同信道估计
1.3 信号检测技术
1.3.1 基于传统算法的信号检测方法
1.3.2 基于深度学习的信号检测方法
1.4 信道反馈技术
1.4.1 基于传统方法的信道反馈算法
1.4.2 基于深度学习的信道反馈算法
第2章 稀疏信号重建
2.1 引言
2.2 压缩感知理论
2.3 信号的稀疏表示
2.4 观测矩阵的特性
2.5 压缩感知重建算法
2.5.1 常用范数的定义
2.5.2 重建算法
2.6 基于凸分析的稀疏正则化
第3章 基于期望最大化算法的MIMO中继系统信道估计
3.1 引言
3.2 MIMO协同通信技术
3.2.1 MIMO通信技术
3.2.2 MIMO-OFDM技术
3.2.3 MIMO协同技术
3.3 MIMO协同单向中继系统稀疏信道估计
3.4 基于EM的稀疏度自适应压缩感知信道估计算法
3.4.1 自适应压缩感知算法
3.4.2 稀疏信道估计
3.4.3 仿真与分析
3.5 本章小结
第4章 零吸引最小均方协同通信系统信道估计
4.1 引言
4.2 系统模型与LMS算法
4.2.1 单中继协同通信系统的信道模型
4.2.2 标准LMS算法
4.3 基于稀疏度感知的稀疏信道估计
4.4 仿真与分析
4.5 本章小结
第5章 加权lp范数约束的自适应滤波信道估计算法
5.1 引言
5.2 系统模型和LMS算法
5.3 加权lp范数LMS算法的信道估计算法
5.4 计算复杂度分析
5.5 加权lp-LMS算法的性能分析
5.5.1 均值特性分析
5.5.2 均方误差收敛性能分析
5.6 仿真实验分析
5.7 本章小结
第6章 变步长lp-LMS算法的稀疏系统辨识
6.1 引言
6.2 稀疏约束LMS算法回顾
6.3 变步长lp范数LMS算法
6.4 算法收敛性能分析
6.5 仿真实验
6.6 本章小结
第7章 基于Log-Sum LMS的稀疏信道估计算法
7.1 LMS算法及超均方误差表示
7.2 对数和约束LMS算法
7.3 收敛性分析
7.4 仿真与分析
第8章 基于深度神经网络的MIMO软判决信号检测算法
8.1 引言
8.2 MIMO信号检测的原理
8.3 系统模型
8.4 深度神经网络与Dropout层
8.5 基于深度神经网络联合训练的MIMO信号检测
8.6 基于深度神经网络联合训练的MIMO软判决信号检测
8.7 仿真与分析
8.8 计算复杂度分析
8.9 本章小结
第9章 基于长短时-注意力机制的大规模MIMO信道反馈
9.1 引言
9.2 信道状态信息反馈原理
9.3 深度学习理论
9.3.1 典型的神经网络结构
9.3.2 训练方法
9.4 基于深度学习的大规模MIMO信道反馈模型
9.5 LSTM-Attention CsiNet及其轻量级网络
9.5.1 LSTM-Attention CsiNet
9.5.2 轻量级网络Reduced LSTM-Attention CsiNet
9.6 基于自动编码器的信道状态信息反馈算法
9.7 仿真与讨论
9.7.1 算法的NMSE性能
9.7.2 算法的余弦相似度性能
9.8 复杂度分析
9.9 本章小结
参考文献
附录
附录A 式(4-5)的证明
附录B 式(5-17)和式(5-18)的证明
附录C 式(6-12)的证明
附录D 式(6-13)的推导过程
展开