隨著以機器學習為代表的人工智能技術的普及，無線通信與人工智能的結合愈發緊密。智能通信系統將在6G網絡中扮演至關重要的角色，為全覆蓋、高速率、低延時的通信需求提供解決方案。本書聚焦智能通信研究領域，對無線通信網絡空口資源配置和信號處理的泛在智能設計技術進行介紹。全書共7章，內容包括現代無線通信系統與人工智能方法介紹、未來無線網絡資源的智能優化、多維無線信道的自信息表征與智能處理、MIMO收發機的智能學習、無線設備指紋的解耦表征學習與智能認證，以及無線邊緣網絡智能。第2～7章均包括了人工智能方法理論、智能化設計方法、算法流程、實例仿真分析以及核心代碼(掃描二維碼下載)展示說明五個方面的內容。
2005–2009，博士， 東南大學信息科學與工程學院，通信與信息系統專業
2003–2005，碩士， 東南大學信息科學與工程學院，通信與信息系統專業
1999–2003，學士， 東南大學電氣工程系，電氣工程及其自動化專業2010年6月至今，東南大學信息科學與工程學院/移動通信國家重點實驗室
2009年6月-2010年5月,加拿大為多利亞大學博士后研究員
2022年3月至今，江蘇省電子學會常務理事
2017年1月至今，中國通信學會青年工作委員會委員協作與智能MIMO通信、通信-計算-感知融合理論方法，信息理論及其應用國家優青，江蘇省杰出青年，獲得江蘇省科學技術一等獎中國通信學會青年工作委員會委員、國際通信學會匯刊《IEEE Transactions on Communications》編委、國際通信學會快報《IEEE Communications Letters》高級編委等。
目錄
“智能工程前沿叢書”序
前言
第1章 緒論 1
1.1 現代無線通信系統 1
1.1.1 通信的概念與發展 1
1.1.2 通信系統模型 1
1.2 移動通信技術的演進 2
1.3 移動通信信號處理技術的發展 3
1.4 智能通信技術 4
1.5 本書結構 5
1.6 本章小結 6
第2章 現代人工智能方法 7
2.1 機器學習 7
2.1.1 引言 7
2.1.2 學習范式 10
2.1.3 正則化 15
2.2 計算環境配置.16
2.2.1 MarvelToolbox 安裝教程 16
2.2.2 MarvelToolbox 使用說明 17
2.3 深度學習 20
2.3.1 表征提取與學習 21
2.3.2 深度層級特征 24
2.3.3 代碼范例 27
2.4 元學習 30
2.4.1 元學習思想 30
2.4.2 元學習實現方法 31
2.5 變分自編碼器 32
2.5.1 自編碼器 32
2.5.2 變分自編碼器的構成 33
2.5.3 推斷模型與生成模型 34
2.5.4 再參數化 35
2.5.5 目標函數 35
2.5.6 訓練過程 36
2.5.7 局限性 37
2.6 生成對抗網絡 38
2.6.1 生成對抗網絡的構成 38
2.6.2 優化目標 38
2.6.3 訓練過程 39
2.6.4 訓練穩定性問題與解決方案 40
2.7 本章小結 41
參考文獻 41
第3章 未來無線網絡資源的智能優化 44
3.1 引言 44
3.2 基于交叉熵學習的網絡資源優化 46
3.2.1 交叉熵算法介紹 46
3.2.2 異構網絡中的交叉熵算法 48
3.2.3 移動邊緣計算網絡中的自適應采樣交叉熵算法 52
3.2.4 實驗分析 59
3.2.5 代碼分析 66
3.3 基于深度學習的網絡資源優化 72
3.3.1 數據驅動的深度學習介紹 72
3.3.2 模型驅動的分支定界算法介紹 73
3.3.3 基于深度學習的智能分支定界方法 73
3.3.4 實驗分析 78
3.3.5 代碼分析 82
3.4 本章小結 90
參考文獻 90
第4章 多維無線信道的自信息表征與智能處理 92
4.1 引言 92
4.2 無線信道的壓縮反饋 93
4.2.1 基于碼本的CSI反饋方法 93
4.2.2 基于人工智能的CSI反饋方法 96
4.2.3 基于網絡結構改進的智能CSI反饋方法 97
4.2.4 基于輕量化改進的智能CSI反饋方法 99
4.3 無線信道的自信息表征 101
4.3.1 自信息計算 102
4.3.2 自信息刪選算法 103
4.4 基于無線信道的自信息CSI壓縮反饋 104
4.4.1 IdasNet網絡設計 105
4.4.2 實驗分析 110
4.4.3 代碼分析 112
4.5 基于無線信道的自信息時序CSI壓縮反饋 119
4.5.1 SD-CsiNet網絡設計 119
4.5.2 實驗分析 123
4.5.3 代碼分析 125
4.6 本章小結 131
參考文獻 132
第5章 MIMO收發機的智能學習 134
5.1 引言 134
5.2 基于模型參數化的智能 MIMO 檢測設計 135
5.2.1 經典檢測算法 135
5.2.2 基于黑盒的深度學習檢測 139
5.2.3 基于元學習的智能MIMO檢測網絡 140
5.2.4 實驗分析 144
5.2.5 代碼分析 146
5.3 基于模型參數化的智能MIMO預編碼設計 149
5.3.1 經典的預編碼技術 150
5.3.2 基于黑盒神經網絡的預編碼設計 153
5.3.3 基于可解釋神經網絡的預編碼設計 158
5.3.4 實驗分析 161
5.3.5 代碼分析 163
5.4 本章小結 167
參考文獻 168
第6章 無線設備指紋的解耦表征學習與智能認證 170
6.1 引言.170
6.2 問題描述 172
6.2.1 射頻指紋提取 172
6.2.2 開集識別問題 173
6.2.3 評價指標 173
6.3 基于數據與模型雙驅動的開集射頻指紋提取 174
6.3.1 基于數據與模型驅動的預處理模塊設計 174
6.3.2 模型結構設計 176
6.3.3 目標函數與模型訓練 178
6.3.4 實驗分析 180
6.3.5 代碼分析 184
6.4 基于解耦表征的信道魯棒射頻指紋提取 188
6.4.1 研究背景介紹 188
6.4.2 解耦表征學習模塊設計 189
6.4.3 射頻指紋提取器F(？)的目標函數設計 190
6.4.4 背景提取器 Q(？,n)的目標函數設計 192
6.4.5 信號生成器 G(？,？)的目標函數設計 194
6.4.6 學習算法設計 194
6.4.7 實驗分析 196
6.4.8 代碼分析 199
6.5 本章小結 206
參考文獻 207
第7章 無線邊緣網絡智能 209
7.1 引言 209
7.2 聯邦學習的性能指標和網絡要求 211
7.2.1 性能指標 211
7.2.2 網絡要求 212
7.3 無線聯邦學習的資源優化 213
7.3.1 系統模型 213
7.3.2 優化問題與求解算法 217
7.3.3 實驗分析 218
7.3.4 代碼分析 219
7.4 聯邦學習驅動的應用226
7.4.1 驅動聯邦學習應用解決無線問題 227
7.4.2 可重構智能表面 228
7.4.3 語義通信 229
7.4.4 擴展現實 230
7.4.5 非正交多址接入 230
7.5 未來研究方向 232
7.5.1 研究方向與挑戰 232
7.5.2 開放問題和未來趨勢 233
7.6 本章小結 234
參考文獻 234
索引 236
新書資訊