幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

智能通信--基於深度學習的物理層設計(第2版)

  • 作者：編者:金石//張靜|責編:惠雪
  • 出版社：科學
  • ISBN：9787030829344
  • 出版日期：2025/10/01
  • 裝幀：平裝
  • 頁數：267
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    近年來人工智慧特別是深度學習在電腦視覺、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於系統的各個層面，進而發展出智能通信，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之後無線通信發展主流方向之一，其研究尚處於探索階段。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於深度學習的物理層設計，對相關理論基礎、通信模塊設計，以及演算法實現等進行詳盡的介紹與分析。內容主要包括：神經網路的基礎及進階技巧、典型神經網路、基於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。
作者介紹
編者:金石//張靜|責編:惠雪
    金石，東南大學教授、博士生導師、研究生院常務副院長。長江學者計劃特聘教授，國家自然科學基金傑出青年科學基金獲得者，國家「萬人計劃」科技創新領軍人才，江蘇省特聘教授。主要研究方陽為5G／6G移動通信理論與關鍵技術研究、物聯網理論與關鍵技術研究，以及機器學習與大數據處理在移動通信中的應用等。發表學術論文350余篇，獲授權國際／國家發明專利45件，出版專著1部，教材1部。研究成果獲省部級科學技術一等獎3項、二等獎1項，獲得IEEE通信學會萊斯獎，IEEE信號處理學會青年最佳淪文獎，China Communications最佳論文獎，多次入選科睿唯安全球高被引學者和愛思唯爾中國高被引學者。
目錄
第二版前言
前言
第1章 緒論
  1.1 智能通信簡介
  1.2 人工智慧技術簡介
    1.2.1 人工神經網路
    1.2.2 深度神經網路
    1.2.3 卷積神經網路
    1.2.4 循環神經網路
    1.2.5 生成對抗神經網路
    1.2.6 深度強化學習神經網路
  1.3 智能通信當前研究進展
    1.3.1 通道估計
    1.3.2 信號檢測
    1.3.3 CSI 反饋與重建
    1.3.4 通道解碼
    1.3.5 端到端無線通信系統
  1.4 總結與展望
  1.5 本章小結
  擴展閱讀：深度強化學習
  參考文獻
第2章 神經網路的基礎
  2.1 機器學習概述
  2.2 監督學習
  2.3 分類問題
  2.4 線性回歸
  2.5 邏輯回歸
  2.6 邏輯回歸的代價函數
  2.7 梯度下降法
  2.8 模型驗證
  2.9 基於TensorFlow的二分類範例
  2.10 本章小結
  擴展閱讀：梯度下降法
  參考文獻
第3章 神經網路的進階技巧
  3.1 多分類演算法
  3.2 激活函數
    3.2.1 線性激活函數
    3.2.2 Sigmoid函數
    3.2.3 tanh函數
    3.2.4 ReLu函數
  3.3 神經網路的訓練準備
    3.3.1 輸入歸一化
    3.3.2 權重初始化
  3.4 正則化
    3.4.1 偏差和方差
    3.4.2 Dropout演算法
    3.4.3 補償過擬合的其他方式
  3.5 批量歸一化
    3.5.1 歸一化網路的激活函數

    3.5.2 BN與神經網路的擬合
  3.6 優化演算法
    3.6.1 Mini-Batch梯度下降法
    3.6.2 指數加權移動平均
    3.6.3 動量梯度下降法
    3.6.4 RMS prop
    3.6.5 Adam優化演算法
    3.6.6 學習率衰減
  3.7 基於TensorFlow的兩層神經網路實例
  3.8 本章小結
  擴展閱讀：激活函數
  參考文獻
第4章 卷積神經網路
  4.1 什麼是卷積神經網路
    4.1.1 電腦視覺
    4.1.2 卷積神經網路
  4.2 卷積神經網路基本原理
    4.2.1 卷積神經網路的結構
    4.2.2 卷積神經網路的層級組成及其原理
    4.2.3 卷積神經網路的特點
  4.3 卷積神經網路的經典網路
    4.3.1 經典的卷積神經網路
    4.3.2 AlexNet概述
    4.3.3 VGGNet概述
    4.3.4 ResNet概述
  4.4 多層卷積神經網路實例
  4.5 本章小結
  擴展閱讀：殘差網路
  參考文獻
第5章 循環神經網路
  5.1 序列模型
    5.1.1 序列模型簡介
    5.1.2 序列模型的符號定義
  5.2 循環神經網路模型
    5.2.1 RNN的前向傳播
    5.2.2 RNN的反向傳播
    5.2.3 不同類型的RNN
    5.2.4 長期依賴問題
  5.3 長短時記憶
    5.3.1 長短時記憶網路
    5.3.2 LSTM的變形與演進
    5.3.3 LSTM實例應用
  5.4 本章小結
  擴展閱讀：長短時記憶
  參考文獻
第6章 正交數據機
  6.1 基於深度學習的QAM解調器設計
    6.1.1 基本原理
    6.1.2 SNR vs BER 模擬結果
  6.2 基於深度學習的QAM解調器設計

    6.2.1 QAM解調的評價標準
    6.2.2 基於深度學習的QAM 解調
  6.3 本章小結
  擴展閱讀：正交幅度調製
第7章 人工智慧輔助的OFDM接收機
  7.1 FC-DNN OFDM接收機
    7.1.1 系統結構
    7.1.2 模型訓練
    7.1.3 模擬代碼
  7.2 ComNet OFDM接收機
    7.2.1 整體架構
    7.2.2 通道估計子網
    7.2.3 信號檢測子網
    7.2.4 模擬代碼
  7.3 模擬性能分析
    7.3.1 模擬參數
    7.3.2 整體ComNet OFDM接收機的模擬性能
  7.4 本章小結
  擴展閱讀：梳狀導頻和塊狀導頻
  參考文獻
第8章 CSI反饋及通道重建 CsiNet
  8.1 CSI反饋背景知識
  8.2 基本原理
    8.2.1 系統模型
    8.2.2 壓縮感知
    8.2.3 自編碼器
  8.3 基於深度學習的CSI反饋
    8.3.1 基於深度學習的反饋機制
    8.3.2 通道狀態信息反饋網路(CsiNet)結構
  8.4 實驗結果與分析
    8.4.1 實驗數據生成
    8.4.2 實驗程序
    8.4.3 實驗模擬結果
  8.5 CsiNet-LSTM
  8.6 本章小結
  擴展閱讀：自編碼器
  參考文獻
第9章 滑動窗序列檢測方法
  9.1 序列檢測
    9.1.1 序列檢測的基本原理
    9.1.2 最大似然序列檢測準則
    9.1.3 維特比演算法
  9.2 基於深度學習的序列檢測器實現
    9.2.1 問題描述
    9.2.2 深度學習實現
    9.2.3 模擬分析
    9.2.4 結果分析
  9.3 本章小結
  擴展閱讀：循環神經網路
  參考文獻

第10章 基於深度學習的Turbo碼解碼
  10.1 Turbo碼起源
  10.2 Turbo碼編碼原理
    10.2.1 PCCC型編碼結構
    10.2.2 SCCC型編碼結構
    10.2.3 HCCC型編碼結構
  10.3 Turbo碼傳統解碼演算法
    10.3.1 Turbo碼解碼結構
    10.3.2 MAP演算法
    10.3.3 Log-MAP演算法
    10.3.4 Max-Log-MAP演算法
  10.4 基於深度學習的通道解碼
    10.4.1 優化傳統「黑箱」神經網路
    10.4.2 參數化傳統解碼演算法
  10.5 基於深度學習的Turbo碼解碼
    10.5.1 模型的構建
    10.5.2 性能模擬
    10.5.3 模擬程序
  10.6 本章小結
  擴展閱讀：Turbo碼
  參考文獻
第11章 智能通信原型驗證系統實例
  11.1 基於人工智慧輔助的OFDM接收機原型驗證系統
    11.1.1 系統硬體架構及系統流程
    11.1.2 人工智慧輔助的OFDM接收機空口測試
  11.2 基於深度學習的通道解碼原型驗證系統實例
  11.3 本章小結
  擴展閱讀：基於人工智慧輔助的OFDM接收機

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032