和其他应用中最常见的机器学习架构和算法的基本原理。这些算法包括支持向量机、用于信号处理的高斯处理、用于阵列天线的核方法、神经网络以及用于计算电磁学的深度学习。每章都从基本原理开始，并延伸到特定机器学习算法和架构领域的最新进展。这些章节都由几个实例支持，以便读者了解每种机器学习算法的技术细节，并找到解决其他工程问题的方法。 第二部分由四章组成，详细讲述了第一部分所涉及的算法在多种电磁问题中的应用，如阵列天线波束成形、波达方向估计、计算电磁学、天线优化、可重构天线、认知无线电以及电磁设计的其他方面。在最后一章中，还介绍了一些如何在微处理器中实现相关算法的示例。这些章节介绍了在电磁学领域尚未应用的机器学习算法。 本书既可以作为电磁学领域的学生、工程师和研究人员的实用指南，帮助他们将机器学习方法应用于各自的研究领域，又可以作为一些领域课程的基本参考书，如机器学习算法、高等电磁学等。

第1章 线性支持向量机
1.1 引言
1.2 学习机
1.2.1 学习机的结构
1.2.2 学习准则
1.2.3 算法
1.2.4 示例
1.2.5 对偶表示和对偶解
1.3 经验风险和结构风险
1.4 用于分类的支持向量机
1.4.1 支持向量分类器的准则
1.4.2 支持向量机优化
1.5 用于回归的支持向量机
参考文献
第2章 线性高斯过程
2.1 引言
2.2 贝叶斯规则
2.2.1 条件概率的计算
2.2.2 条件概率的定义
2.2.3 贝叶斯规则和边际化运算
2.2.4 独立性和条件独立性
2.3 线性估计器中的贝叶斯推理
2.4 基于高斯过程的线性回归
2.5 预测后验推导
2.6 预测后验的对偶表示
2.6.1 对偶解的推导
2.6.2 方差项的解释
2.7 似然参数的推断
2.8 多任务高斯过程
参考文献
第3章 用于信号和阵列处理的核
3.1 引言
3.2 核基础和理论
3.2.1 再生核希尔伯特空间
3.2.2 核技巧
3.2.3 点积性质
3.2.4 点积在核构建中的用途
3.2.5 核特征分析
3.2.6 复再生核希尔伯特空间和复核
3.3 核机器学习
3.3.1 核学习机和正则化
3.3.2 偏置核的重要性
3.3.3 核支持向量机
3.3.4 核高斯过程
3.4 估计信号模型的核框架
3.4.1 原始信号模型
3.4.2 再生核希尔伯特空间信号模型
3.4.3 双信号模型
参考文献
第4章 深度学习的基本概念
4.1 引言
4.2 前馈神经网络
4.2.1 前馈神经网络的结构
4.2.2 训练准则和激活函数
4.2.3 隐单元的ReLU
4.2.4 使用BP算法进行训练
4.3 流形学习和嵌入空间
4.3.1 流形、嵌入和算法
4.3.2 自编码器
4.3.3 深度信念网络
参考文献
第5章 深度学习结构
5.1 引言
5.2 堆栈自编码器
5.3 卷积神经网络
5.4 循环神经网络
5.4.1 基本循环神经网络
5.4.2 训练循环神经网络
5.4.3 长短期记忆网络
5.5 变分自编码器
参考文献
第6章 波达方向估计
6.1 引言
6.2 DOA估计的基本原理
6.3 常规DOA估计
6.3.1 子空间方法
6.3.2 旋转不变技术
6.4 统计学习方法
6.4.1 导向场采样
6.4.2 支持向量机MuSiC
6.5 波达方向估计的神经网络方法
6.5.1 特征提取
6.5.2 反向传播神经网络
6.5.3 正向传播神经网络
6.5.4 非理想阵列DOA估计的自编码器架构
6.5.5 使用随机阵列进行DOA估计的深度学习方法
参考文献
第7章 波束成形
7.1 引言
7.2 波束成形的基本原理
7.2.1 模拟波束成形
7.2.2 数字波束成形/预编码
7.2.3 混合波束成形
7.3 常规波束成形
7.3.1 具有空间参考的波束成形
7.3.2 具有时间参考的波束成形
7.4 支持向量机波束成形器
7.5 具有核的波束成形
7.5.1 具有时间参考的核阵列处理器
7.5.2 具有空间参考的核阵列处理器
7.6 RBF神经网络波束成形器
7.7 使用Q学习的混合波束成形
参考文献
第8章 计算电磁学
8.1 引言
8.2 时域有限差分
8.3 频域有限差分
8.4 有限元法
8.5 逆散射
参考文献
第9章 可重构天线和认知无线电
9.1 引言
9.2 认知无线电基本结构
9.3 可重构天线中的重构机制
9.4 示例
9.4.1 可重构分形天线
9.4.2 方向图可重构微带天线
9.4.3 星形可重构天线
9.4.4 可重构宽带天线
9.4.5 频率可重构天线
9.5 机器学习在硬件上的实现
9.6 结论
参考文献