0去购物车结算
购物车中还没有商品，赶紧选购吧！
当前位置: > 智能通信：基于深度学习的物理层设计（第二版）

相同语种的商品

销售排行榜

浏览历史

智能通信：基于深度学习的物理层设计（第二版）


联系编辑
 
标题：
 
内容：
 
联系方式：
 
  
智能通信：基于深度学习的物理层设计（第二版）
  • 书号：9787030829344
    作者：金石,张静
  • 外文书名：
  • 装帧：平装
    开本：B5
  • 页数：267
    字数：350000
    语种：zh-Hans
  • 出版社：科学出版社
    出版时间：2025-10-01
  • 所属分类：
  • 定价： ￥99.00元
    售价： ￥78.21元
  • 图书介质:
    纸质书 按需印刷

  • 购买数量： 件  可供
  • 商品总价：

相同系列
全选

内容介绍

样章试读

用户评论

全部咨询

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。
样章试读
  • 暂时还没有任何用户评论
总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

全部咨询(共0条问答)

  • 暂时还没有任何用户咨询内容
总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页
用户名： 匿名用户
E-mail：
咨询内容：

目录

  • 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
帮助中心
公司简介
联系我们
常见问题
新手上路
发票制度
积分说明
购物指南
配送方式
配送时间及费用
配送查询说明
配送范围
快递查询
售后服务
退换货说明
退换货流程
投诉或建议
版权声明
经营资质
营业执照
出版社经营许可证

中国科技出版传媒股份有限公司　版权所有

本平台为互联网非涉密平台，严禁处理、传输国家秘密。

　

京ICP备14028887号-5　 京ICP证150976号 京公网安备 11010102004214号

北京东黄城根北街16号 邮编：100717 Email:webmaster@mail.sciencep.com