近年来人工智能特别是深度学习在计算机视觉、自然语言处理、语音识别等领域获得了巨大成功，无线通信领域的研究者们期望将其应用于系统的各个层面，进而发展出智能通信，大幅度提升无线通信系统效能。智能通信也因此被认为是5G之后无线通信发展主流方向之一，其研究尚处于探索阶段。本书结合国内外学术界在该领域的最新研究进展，着眼于智能通信中基于深度学习的物理层设计，对相关理论基础、通信模块设计，以及算法实现等进行详尽的介绍与分析。内容主要包括：神经网络的基础及进阶技巧、典型神经网络、基于深度学习的通信物理层基本模块设计以及智能通信技术的原型验证方法等。为方便读者学习，相关章节均提供了开源代码(扫描二维码下载)，以帮助读者快速理解书中涉及的原理、概念，以及原型验证方法和实例。

更多科学出版社服务，请扫码获取。

2007年6月于东南大学获通信与信息系统专业博士学位2007年6月于东南大学获通信与信息系统专业博士学位，并留校任教。 2007年6月至2009年10月在英国伦敦大学学院任博士后研究员。 2015年5月晋升为教授。 2019年3月，任东南大学研究生院常务副院长。 2021年6月起，任东南大学副校长。移动通信，人工智能长期从事移动通信的教学和研究工作，围绕蜂窝移动通信理论与关键技术、物联网理论与关键技术、以及人工智能在移动通信中的应用等领域开展研究工作。共发表学术论文400余篇，授权国际/国家发明专利60余件，出版专著2部，教材1本。研究成果获省部级科学技术一等奖3项、二等奖1项、IEEE通信学会莱斯奖、IEEE信号处理学会最佳青年作者论文奖、Electronics Letters最佳论文奖、China Communications最佳论文奖等十余个国际重要学术期刊和会议最佳论文奖，2014至2020年连续入选爱思唯尔中国高被引学者，2019和2020年两次入选科睿唯安全球高被引学者。教育部长江学者奖励计划特聘教授（2018）、国家自然科学基金杰出青年科学基金获得者（2016）、国家“万人计划”科技创新领军人才（2019）、江苏省特聘教授、中国通信学会会士。全国工程专业学位研究生教育指导委员会委员、民盟中央青年工作委员会委员、民盟江苏省委青年工作委员会副主任。

目录
第二版前言
前言
第1章 绪论 1
1.1 智能通信简介 1
1.2 人工智能技术简介 3
1.2.1 人工神经网络 3
1.2.2 深度神经网络 4
1.2.3 卷积神经网络 5
1.2.4 循环神经网络 5
1.2.5 生成对抗神经网络 6
1.2.6 深度强化学习神经网络 7
1.3 智能通信当前研究进展 8
1.3.1 信道估计 8
1.3.2 信号检测 8
1.3.3 CSI 反馈与重建 9
1.3.4 信道译码 10
1.3.5 端到端无线通信系统 12
1.4 总结与展望 13
1.5 本章小结 14
扩展阅读：深度强化学习 14
参考文献 15
第2章 神经网络的基础 17
2.1 机器学习概述 17
2.2 监督学习 19
2.3 分类问题 20
2.4 线性回归 23
2.5 逻辑回归 27
2.6 逻辑回归的代价函数 30
2.7 梯度下降法 32
2.8 模型验证 35
2.9 基于TensorFlow的二分类范例 36
2.10 本章小结 42
扩展阅读：梯度下降法 43
参考文献 43
第3章 神经网络的进阶技巧 44
3.1 多分类算法 44
3.2 激活函数 48
3.2.1 线性激活函数 49
3.2.2 Sigmoid函数 49
3.2.3 tanh函数 50
3.2.4 ReLu函数 51
3.3 神经网络的训练准备 53
3.3.1 输入归一化 53
3.3.2 权重初始化 55
3.4 正则化 57
3.4.1 偏差和方差 57
3.4.2 Dropout算法 58
3.4.3 补偿过拟合的其他方式 60
3.5 批量归一化 62
3.5.1 归一化网络的激活函数 62
3.5.2 BN与神经网络的拟合 63
3.6 优化算法 64
3.6.1 Mini-Batch梯度下降法 64
3.6.2 指数加权移动平均 65
3.6.3 动量梯度下降法 66
3.6.4 RMS prop 67
3.6.5 Adam优化算法 67
3.6.6 学习率衰减 68
3.7 基于TensorFlow的两层神经网络实例 69
3.8 本章小结 73
扩展阅读：激活函数 74
参考文献 74
第4章 卷积神经网络 75
4.1 什么是卷积神经网络 75
4.1.1 计算机视觉 75
4.1.2 卷积神经网络 76
4.2 卷积神经网络基本原理 77
4.2.1 卷积神经网络的结构 77
4.2.2 卷积神经网络的层级组成及其原理 77
4.2.3 卷积神经网络的特点 83
4.3 卷积神经网络的经典网络 83
4.3.1 经典的卷积神经网络 83
4.3.2 AlexNet概述 83
4.3.3 VGGNet概述 84
4.3.4 ResNet概述 86
4.4 多层卷积神经网络实例 88
4.5 本章小结 93
扩展阅读：残差网络 93
参考文献 93
第5章 循环神经网络 94
5.1 序列模型 94
5.1.1 序列模型简介 94
5.1.2 序列模型的符号定义 95
5.2 循环神经网络模型 96
5.2.1 RNN的前向传播 96
5.2.2 RNN的反向传播 98
5.2.3 不同类型的RNN 100
5.2.4 长期依赖问题 101
5.3 长短时记忆 102
5.3.1 长短时记忆网络 102
5.3.2 LSTM的变形与演进 105
5.3.3 LSTM实例应用 108
5.4 本章小结 110
扩展阅读：长短时记忆 110
参考文献 111
第6章 正交调制解调器 112
6.1 基于深度学习的QAM解调器设计 112
6.1.1 基本原理 112
6.1.2 SNR vs BER 仿真结果 114
6.2 基于深度学习的QAM解调器设计 119
6.2.1 QAM解调的评价标准 120
6.2.2 基于深度学习的QAM 解调 120
6.3 本章小结 129
扩展阅读：正交幅度调制 130
第7章 人工智能辅助的OFDM接收机 131
7.1 FC-DNN OFDM接收机 131
7.1.1 系统结构 131
7.1.2 模型训练 133
7.1.3 仿真代码 134
7.2 ComNet OFDM接收机 143
7.2.1 整体架构 143
7.2.2 信道估计子网 144
7.2.3 信号检测子网 146
7.2.4 仿真代码 147
7.3 仿真性能分析 150
7.3.1 仿真参数 150
7.3.2 整体ComNet OFDM接收机的仿真性能 151
7.4 本章小结 153
扩展阅读：梳状导频和块状导频 154
参考文献 154
第8章 CSI反馈及信道重建——CsiNet 155
8.1 CSI反馈背景知识 155
8.2 基本原理 156
8.2.1 系统模型 156
8.2.2 压缩感知 158
8.2.3 自编码器 158
8.3 基于深度学习的CSI反馈 159
8.3.1 基于深度学习的反馈机制 159
8.3.2 信道状态信息反馈网络(CsiNet)结构 160
8.4 实验结果与分析 162
8.4.1 实验数据生成 162
8.4.2 实验程序 163
8.4.3 实验仿真结果 169
8.5 CsiNet-LSTM* 172
8.6 本章小结 180
扩展阅读：自编码器 180
参考文献 180
第9章 滑动窗序列检测方法 182
9.1 序列检测 182
9.1.1 序列检测的基本原理 182
9.1.2 最大似然序列检测准则 184
9.1.3 维特比算法 184
9.2 基于深度学习的序列检测器实现 189
9.2.1 问题描述 189
9.2.2 深度学习实现 190
9.2.3 仿真分析 194
9.2.4 结果分析 201
9.3 本章小结 202
扩展阅读：循环神经网络 202
参考文献 203
第10章 基于深度学习的Turbo码译码 204
10.1 Turbo码起源 204
10.2 Turbo码编码原理 205
10.2.1 PCCC型编码结构 205
10.2.2 SCCC型编码结构 206
10.2.3 HCCC型编码结构 207
10.3 Turbo码传统译码算法 207
10.3.1 Turbo码译码结构 208
10.3.2 MAP算法 210
10.3.3 Log-MAP算法 213
10.3.4 Max-Log-MAP算法 214
10.4 基于深度学习的信道译码 214
10.4.1 优化传统“黑箱”神经网络 214
10.4.2 参数化传统译码算法 215
10.5 基于深度学习的Turbo码译码 220
10.5.1 模型的构建 220
10.5.2 性能仿真 230
10.5.3 仿真程序 232
10.6 本章小结 254
扩展阅读：Turbo码 254
参考文献 255
第11章 智能通信原型验证系统实例 256
11.1 基于人工智能辅助的OFDM接收机原型验证系统 256
11.1.1 系统硬件架构及系统流程 256
11.1.2 人工智能辅助的OFDM接收机空口测试 259
11.2 基于深度学习的信道译码原型验证系统实例 263
11.3 本章小结 266
扩展阅读：基于人工智能辅助的OFDM接收机 267