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
1.1 深度学习概述
1.1.1 深度学习的历史
1.1.2 深度学习的原理
1.2 深度学习在无线通信中的基本应用
1.2.1 调制模式识别
1.2.2 信道状态信息压缩与恢复
1.2.3 信道估计
1.2.4 信号检测
1.3 本章小结
参考文献
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
2.1 MIMO信号检测基本原理与传统算法
2.1.1 系统模型
2.1.2 最优检测算法
2.1.3 线性检测算法
2.1.4 SD检测算法
2.2 基于深度学习的MIMO信号检测网络DetNet
2.2.1 投影梯度下降算法
2.2.2 DetNet
2.3 基于ScNet的MIMO信号检测算法
2.3.1 损失函数优化
2.3.2 网络输入简化
2.3.3 网络连接优化
2.3.4 ScNet高阶调制信号检测
2.3.5 ScNet性能分析与仿真
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
2.4.1 基于双曲正切函数的DetNet简化
2.4.2 动量梯度下降
2.4.3 性能分析与仿真
2.5 基于OAMP-Net的MIMO信号检测算法
2.5.1 OAMP算法
2.5.2 OAMP-Net
2.5.3 改进的OAMP-Net的结构
2.6 本章小结
参考文献
第3章 基于深度学习的MIMO-OFDM信道估计
3.1 OFDM系统原理与传统信道估计算法
3.1.1 OFDM信道估计概述
3.1.2 系统模型
3.1.3 最小二乘信道估计算法
3.1.4 最小均方误差信道估计算法
3.2 基于深度学习的信道估计算法
3.2.1 导频符号框架结构
3.2.2 基于卷积神经网络的信道估计算法
3.2.3 复杂度分析
3.2.4 模型训练
3.3 本章小结
参考文献
第4章 基于深度学习的链路自适应和信道测量反馈
4.1 基于深度学习的链路自适应技术
4.1.1 线性检测
4.1.2 非线性检测
4.2 基于深度学习的多天线信道测量反馈和信号检测
4.2.1 深度学习中的注意力机制
4.2.2 基于深度学习的CSI测量与反馈
4.2.3 基于注意力机制的多进制大规模MIMO检测
4.3 本章小结
参考文献
第5章 基于深度学习的信道译码
5.1 基于因子图的信道译码
5.1.1 floodingNOMS算法
5.1.2 layeredNOMS算法
5.2 从因子图到定制神经网络
5.2.1 flooding译码神经网络
5.2.2 layered译码神经网络
5.3 译码神经网络优化方案
5.3.1 训练样本的建立
5.3.2 深度学习译码模型
5.3.3 泛化码长深度学习译码模型
5.4 网络训练
5.5 性能评估
5.5.1 Neural flooding NOMS译码算法性能评估
5.5.2 Neural layered NOMS译码算法性能评估
5.6 本章小结
参考文献
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
6.1 技术背景
6.1.1 无线网络认知技术
6.1.2 移动云计算
6.1.3 移动边缘计算
6.2 数据流架构
6.2.1 认知数据与方法
6.2.2 无线大数据认知流架构
6.3 计算流架构
6.3.1 云计算与边缘计算
6.3.2 可拓展型学习框架
6.3.3 可拓展型学习算法
6.4 模型与数据协同驱动机制
6.5 本章小结
参考文献
第7章 基于单节点机器学习的负载优化
7.1 基于高斯过程的无线流量预测模型
7.1.1 高斯过程模型
7.1.2 模型核函数设计
7.1.3 模型超参数训练
7.2 基于深度强化学习的智能负载均衡模型
7.2.1 强化学习基础
7.2.2 用户切换模型
7.2.3 负载均衡问题建模
7.2.4 基于深度强化学习的负载均衡算法
7.3 仿真验证与结果分析
7.3.1 无线流量预测与基于负载感知的基站休眠
7.3.2 自组织网络的负载均衡
7.4 本章小结
参考文献
第8章 基于多节点机器学习的负载优化
8.1 基于分布式高斯过程模型的多节点负载预测框架
8.1.1 整体框架设计
8.1.2 基于矩阵近似的分布式训练算法
8.1.3 基于矩阵分块的分布式高斯过程训练算法
8.1.4 基于交叉验证的分布式预测算法
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
8.2.1 整体框架设计
8.2.2 基于负载感知的基站聚类算法
8.2.3 基于多探索策略的分布式强化学习算法
8.3 仿真验证与结果分析
8.3.1 分布式无线流量预测
8.3.2 大规模自组织网络负载均衡
8.4 本章小结
参考文献
第9章 基于多智
展开
