第一篇 用神經(jīng)網(wǎng)絡(luò)單元重構(gòu)信號處理
第1章 神經(jīng)網(wǎng)絡(luò)濾波 3
1.1 神經(jīng)網(wǎng)絡(luò)濾波簡介 3
1.2 余弦基神經(jīng)網(wǎng)絡(luò)濾波 4
1.2.1 原理分析 4
1.2.2 余弦基神經(jīng)網(wǎng)絡(luò)模型 5
1.2.3 余弦基神經(jīng)網(wǎng)絡(luò)濾波器 6
1.2.4 訓(xùn)練流程 7
1.2.5 結(jié)果分析 7
1.3 卷積神經(jīng)濾波 9
1.3.1 原理分析 9
1.3.2 簡單的驗證 10
1.3.3 增加注意力機(jī)制的卷積神經(jīng)濾波 12
1.4 小結(jié) 15
本章參考文獻(xiàn) 16
第2章 信號增強(qiáng)神經(jīng)網(wǎng)絡(luò) 17
2.1 概述 17
2.2 基于時序?qū)W習(xí)實(shí)現(xiàn)干擾檢測 17
2.2.1 信號預(yù)測模型 18
2.2.2 干擾檢測 23
2.3 基于生成對抗實(shí)現(xiàn)信號增強(qiáng) 24
2.3.1 基本原理 25
2.3.2 模型設(shè)計 26
2.3.3 應(yīng)用與性能分析 27
2.4 小結(jié) 31
本章參考文獻(xiàn) 31
第3章 時頻分析神經(jīng)單元 32
3.1 時頻變換神經(jīng)單元概述 32
3.2 短時傅里葉變換的神經(jīng)網(wǎng)絡(luò)設(shè)計方法 32
3.2.1 短時傅里葉變換 32
3.2.2 基于神經(jīng)網(wǎng)絡(luò)的時頻變換學(xué)習(xí) 33
3.2.3 性能分析 38
3.3 小波變換的神經(jīng)網(wǎng)絡(luò)設(shè)計方法 41
3.3.1 問題描述 41
3.3.2 小波變換 41
3.3.3 擬合DWT的融合特征學(xué)習(xí)算法 42
3.4 小結(jié) 46
本章參考文獻(xiàn) 47
第二篇 端到端學(xué)習(xí)構(gòu)建通信模型
第4章 端到端學(xué)習(xí)通信 51
4.1 傳統(tǒng)通信系統(tǒng)的框架與設(shè)計原則 51
4.2 基于端到端學(xué)習(xí)的物理層通信系統(tǒng) 51
4.2.1 端到端學(xué)習(xí)通信系統(tǒng)設(shè)計原理 51
4.2.2 端到端學(xué)習(xí)通信系統(tǒng)模型搭建 53
4.2.3 性能分析 53
4.3 利用神經(jīng)網(wǎng)絡(luò)優(yōu)化解調(diào)接收 55
4.3.1 神經(jīng)匹配濾波 55
4.3.2 基于神經(jīng)匹配濾波的端到端學(xué)習(xí)通信系統(tǒng)設(shè)計 60
4.4 小結(jié) 66
本章參考文獻(xiàn) 67
第5章 學(xué)習(xí)調(diào)制星座成形 68
5.1 調(diào)制星座成形技術(shù) 68
5.1.1 信息論基礎(chǔ) 68
5.1.2 幾何星座成形 69
5.1.3 概率星座成形 70
5.2 端到端學(xué)習(xí)優(yōu)化星座成形：以最小化誤碼率約束 72
5.2.1 問題分析 72
5.2.2 網(wǎng)絡(luò)模型結(jié)構(gòu) 73
5.2.3 基于最小化誤符率的星座成形算法 74
5.2.4 基于最小化誤符率的星座成形仿真分析 77
5.3 端到端優(yōu)化設(shè)計星座成形：以最大化互信息為目標(biāo) 82
5.3.1 問題分析 82
5.3.2 網(wǎng)絡(luò)模型結(jié)構(gòu) 83
5.3.3 基于最大化互信息的星座成形算法 84
5.3.4 性能仿真模型訓(xùn)練方法 85
5.4 小結(jié) 90
本章參考文獻(xiàn) 90
第6章 學(xué)習(xí)物理層安全通信 92
6.1 經(jīng)典竊聽信道模型 92
6.2 物理層通信安全研究存在的挑戰(zhàn) 94
6.3 端到端學(xué)習(xí)安全通信模型 95
6.3.1 模型設(shè)計 96
6.3.2 互信息估計 96
6.3.3 模型損失函數(shù)設(shè)計及訓(xùn)練方法 98
6.4 模型測試結(jié)果和性能評估 99
6.5 與現(xiàn)有相關(guān)研究方法的性能對比 102
6.6 小結(jié) 104
本章參考文獻(xiàn) 104
第7章 學(xué)習(xí)語義通信 106
7.1 端到端聯(lián)合語義與信道編解碼框架 106
7.2 基于自訓(xùn)練Transformer的語義編解碼器設(shè)計 108
7.2.1 系統(tǒng)架構(gòu) 108
7.2.2 模型參數(shù)設(shè)計 109
7.2.3 模型訓(xùn)練流程 112
7.3 基于預(yù)訓(xùn)練模型的語義編解碼器設(shè)計 113
7.3.1 系統(tǒng)架構(gòu) 113
7.3.2 編解碼器分解使用預(yù)訓(xùn)練語言模型 115
7.3.3 編解碼器重用預(yù)訓(xùn)練語言模型 119
7.4 性能評價指標(biāo)設(shè)計 124
7.4.1 文本相似性 124
7.4.2 語義相似性 125
7.5 性能分析 125
7.5.1 數(shù)據(jù)集 125
7.5.2 抗噪聲性能分析 127
7.5.3 語義保真性能分析 131
7.5.4 跨場景性能分析 135
7.5.5 訓(xùn)練復(fù)雜度分析 137
7.6 小結(jié) 139
本章參考文獻(xiàn) 139
第三篇 數(shù)據(jù)與模型聯(lián)合驅(qū)動的應(yīng)用設(shè)計
第8章 調(diào)制方式識別應(yīng)用 143
8.1 集成時頻分析神經(jīng)單元的調(diào)制識別 143
8.1.1 識別模型 143
8.1.2 信號數(shù)據(jù)集構(gòu)成 145
8.1.3 模型參數(shù) 146
8.1.4 結(jié)果分析 147
8.2 集成信號增強(qiáng)神經(jīng)單元的調(diào)制識別 148
8.2.1 卷積神經(jīng)網(wǎng)絡(luò)識別模型 148
8.2.2 基于可嵌入自適應(yīng)增強(qiáng)濾波單元的調(diào)制識別網(wǎng)絡(luò) 149
8.2.3 基于生成對抗網(wǎng)絡(luò)的無線信號增強(qiáng)模型的調(diào)制識別網(wǎng)絡(luò) 149
8.2.4 結(jié)果分析 150
8.3 小結(jié) 152
本章參考文獻(xiàn) 153
第9章 輻射源識別應(yīng)用 154
9.1 基于深度學(xué)習(xí)的輻射源特征提取 154
9.1.1 通信輻射源射頻指紋信號建模 154
9.1.2 特征提取網(wǎng)絡(luò)設(shè)計 156
9.1.3 模型訓(xùn)練及評估 158
9.2 未知類型通信輻射源個體識別算法 159
9.2.1 特征選擇及可視化分析 160
9.2.2 未知類型輻射源識別算法設(shè)計 161
9.2.3 識別性能評估方法 161
9.2.4 識別結(jié)果及分析 162
9.3 基于遷移學(xué)習(xí)的動態(tài)信道下通信輻射源個體識別 165
9.3.1 構(gòu)建基于遷移學(xué)習(xí)的輻射源個體識別模型 166
9.3.2 動態(tài)信道環(huán)境對輻射源個體識別的影響 167
9.3.3 模型設(shè)計基本思想 168
9.3.4 基于遷移學(xué)習(xí)的輻射源個體識別網(wǎng)絡(luò) 169
9.3.5 實(shí)驗結(jié)果及分析 171
9.4 小結(jié) 174
本章參考文獻(xiàn) 174
第10章 盲信號分離應(yīng)用 176
10.1 問題提出 176
10.1.1 ICA算法中非線性函數(shù)的優(yōu)化調(diào)整 176
10.1.2 數(shù)據(jù)驅(qū)動思路的引入 177
10.2 基于可解釋學(xué)習(xí)的ICA增強(qiáng)網(wǎng)絡(luò) 178
10.2.1 原理分析 178
10.2.2 模型設(shè)計 179
10.2.3 分離結(jié)果 182
10.3 基于多項式參數(shù)優(yōu)化的ICA增強(qiáng)網(wǎng)絡(luò) 186
10.3.1 原理分析 187
10.3.2 模型設(shè)計 188
10.3.3 結(jié)果分析 189
10.4 小結(jié) 191
本章參考文獻(xiàn) 191