本书将飞速发展的通信技术同人工智能的基本原理融合，立足于技术前沿，以通信技术为主线，全书共分为10章，全面系统地介绍了智能通信的研究背景、科技基础、概念与体系结构、基础设施、传统的人工智能方法(专家系统、人工神经网络、智能机器人)、新兴的人工智能方法(知识图谱、强化学习、联邦学习)，及其在认知无线网络、智能网联汽车、智能无人机网络和边缘智能中的应用，完整地论述了智能通信的相关主题。根据人工智能和通信技术的契合程度，对人工智能和通信技术都博采而精取，让学生通过一本书循序渐进地了解最新的智能通信技术，形成一个完整的知识体系图谱，便于学生快速创新，本书对智能通信进行细致、全面地剖析，在注重智能通信逻辑性的同时，以典型应用案例对内容进行讲解，能够很好地帮助学生学习和理解智能通信。本书注重理论与实践相结合每章贯穿1~2个应用实例，力求对智能通信进行精炼，反映通信技术的发展趋势和规律保留实用的部分，使其更加通俗易懂，深入浅出。 本书可作为通信工程专业、电子信息类专业的教材或教学参考书，也可供从事相关专业的工程技术人员和科研人员用作参考书。

内容前沿且系统

融合前沿技术：将通信技术与人工智能基本原理紧密融合，立足技术前沿，全面介绍智能通信相关主题，涵盖从研究背景到各类人工智能方法及其在多领域应用，展现最新成果。

构建完整体系：全书 10 章，以通信技术为主线，系统阐述智能通信知识，帮助学生循序渐进形成完整知识图谱，为创新奠定基础。

讲解透彻易懂

博采精取：依据人工智能和通信技术契合程度，精心选取内容，在注重逻辑性的同时，以典型应用案例讲解，剖析细致全面，便于理解。

理论实践结合：每章贯穿 1 - 2 个应用实例，精炼知识，反映通信技术发展趋势规律，深入浅出，降低学习难度。

适用范围广泛

教学适用：可作为通信工程、电子信息类专业教材或教学参考书，满足专业教学需求。

行业参考：也适用于相关专业工程技术和科研人员，提供知识参考。

第 1 章 智能通信概述

1.1 智能通信的研究背景1.1.1 新一代信息技术的飞速发展

1.1.2 国家政策的支持与引导

1.2 智能通信的科技基础1.2.1 人工智能

1.2.2 通信技术

1.2.3 智联网

1.3 智能通信的关键技术及面临的挑战1.3.1 业务场景智能理解

1.3.2 网络态势智能认知

1.3.3 意图驱动的智能化管理

1.3.4 智能协作与人机协同

1.4 智能通信的科学意义

1.5 习题

参考文献

第 2 章 智能通信的概念与体系结构

2.1 企业智能通信2.1.1 智能通信简介

2.1.2 企业智能通信框架

2.1.3 企业智能通信之路

2.1.4 智能通信解决方案

2.2 智能通信系统2.2.1 智能通信系统的概念

2.2.2 智能通信系统的研究内容

2.3 互动智能通信2.3.1 智能信息推拉技术

2.3.2 互动智能通信的提出

2.3.3 互动智能通信的体系架构

2.3.4 互动智能通信框架

2.4 分布智能通信

2.5 移动智能通信

2.6 习题

参考文献

第 3 章 智能通信中传统的人工智能

3.1 专家系统与知识工程3.1.1 从启发程序到专家系统

3.1.2 专家系统的概念与结构

3.1.3 专家系统的分类

3.1.4 专家系统的设计和开发

3.1.5 简单的动物识别专家系统实例

3.1.6 知识工程

3.1.7 知识表示

3.2 知识图谱3.2.1 知识图谱的概念和组成

3.2.2 知识抽取与表示

3.2.3 知识融合

3.2.4 知识推理与质量评估

3.3 人工神经网络3.3.1 从人工神经元到人工神经网络

3.3.2 M-P 人工神经元模型

3.3.3 感知机模型

3.3.4 自适应线性神经元

3.3.5 前馈多层神经网络

3.3.6 深度神经网络

3.3.7 卷积神经网络

3.4 智能机器人3.4.1 智能机器人概述

3.4.2 机器人的分类

3.4.3 机器人的组成

3.4.4 智能机器人的体系架构

3.5 广义人工智能3.5.1 广义人工智能的概念

3.5.2 广义人工智能的理论基础

3.5.3 广义人工智能的科学方法

3.6 习题

参考文献

第 4 章 强化学习

4.1 强化学习的概念和分类4.1.1 强化学习的基本概念

4.1.2 强化学习的主要特点

4.1.3 强化学习的分类

4.2 马尔可夫决策过程4.2.1 马尔可夫过程

4.2.2 马尔可夫奖励过程

4.2.3 马尔可夫决策过程

4.3 动态规划4.3.1 策略迭代

4.3.2 价值迭代

4.4 无模型强化学习方法4.4.1 蒙特卡罗法

4.4.2 时序差分法

4.4.3 Sarsa 算法

4.4.4 Q - 学习算法

4.5 深度强化学习4.5.1 深度 Q 网络

4.5.2 深度确定策略梯度算法

4.6 强化学习在移动边缘计算中的应用4.6.1 移动边缘计算系统模型

4.6.2 移动边缘计算形式化建模

4.6.3 基于强化学习的计算资源分配算法

4.7 习题

参考文献

第 5 章 联邦学习

5.1 联邦学习简介5.1.1 联邦学习提出的背景

5.1.2 联邦学习的概念

5.1.3 联邦学习的特点

5.1.4 联邦学习的分类

5.1.5 联邦学习开源框架

5.2 横向联邦学习5.2.1 横向联邦学习的概念与应用场景

5.2.2 横向联邦学习系统架构

5.2.3 横向联邦学习算法 联邦平均算法

5.3 纵向联邦学习5.3.1 纵向联邦学习的概念与应用场景

5.3.2 纵向联邦学习系统架构

5.3.3 纵向联邦学习算法 联邦线性回归

5.4 联邦迁移学习5.4.1 异构联邦学习

5.4.2 联邦迁移学习的概念及分类

5.4.3 联邦迁移学习系统架构

5.5 联邦学习在医疗影像中的应用5.5.1 COVID - 19 案例描述

5.5.2 COVID - 19 数据概述

5.5.3 联邦迁移学习模型设计

5.5.4 训练效果

5.6 习题

参考文献

第 6 章 智能通信的基础设施

6.1 下一代网络的概念与体系结构6.1.1 下一代网络的概念

6.1.2 基于软交换的下一代网络的体系架构

6.1.3 下一代网络的特点

6.1.4 下一代网络的优势

6.1.5 基于软交换的开放业务支撑环境

6.2 IMS 的概念与网络架构6.2.1 IMS 的概念

6.2.2 IMS 的特点

6.2.3 IMS 的网络架构

6.3 软件定义网络6.3.1 SDN 的基本概念

6.3.2 SDN 的特征

6.3.3 SDN 的体系架构

6.4 网络功能虚拟化6.4.1 NFV 的概念

6.4.2 NFV 的特点

6.4.3 NFV 的参考架构

6.5 习题

参考文献

第 7 章 认知无线网络

7.1 认知无线电7.1.1 认知无线电的概念和特点

7.1.2 频谱感知

7.1.3 频谱管理

7.1.4 频谱共享

。。。。。。。。。。。。。。。