福利在线不卡一区,天天摸夜夜添夜夜添国产

本書主要介紹基于稀疏信號(hào)處理理論的信道估計(jì)算法以及基于深度學(xué)習(xí)的信道信息反饋和信號(hào)檢測(cè)方法。內(nèi)容包括9章，分別為緒論、稀疏信號(hào)重建、基于期望z大化算法的MIMO中繼系統(tǒng)信道估計(jì)、
零吸引最小均方協(xié)同通信系統(tǒng)信道估計(jì)、加權(quán)l(xiāng)p范數(shù)約束的自適應(yīng)濾波信道估計(jì)算法、變步長(zhǎng)lpLMS算法的稀疏系統(tǒng)辨識(shí)、基于LogSum LMS的稀疏信道估計(jì)算法、基于深度神經(jīng)網(wǎng)絡(luò)的MIMO軟判決信號(hào)檢測(cè)算法、基于長(zhǎng)短時(shí)注意力機(jī)制的大規(guī)模MIMO信道反饋。
本書可作為高等院�！巴ㄐ排c信息系統(tǒng)”“信號(hào)與信息處理”等課程的教材或參考書，也可作為寬帶無(wú)線通信、信號(hào)處理、人工智能等領(lǐng)域的技術(shù)人員和研究人員的參考書。

第1章緒論1
1.1引言1
1.1.1移動(dòng)通信發(fā)展概覽1
1.1.25G技術(shù)發(fā)展情況3
1.2信道估計(jì)技術(shù)5
1.2.1協(xié)同無(wú)線通信系統(tǒng)信道估計(jì)技術(shù)6
1.2.2密集信道下協(xié)同中繼系統(tǒng)信道估計(jì)算法7
1.2.3基于壓縮感知的稀疏協(xié)同信道估計(jì)9
1.3信號(hào)檢測(cè)技術(shù)10
1.3.1基于傳統(tǒng)算法的信號(hào)檢測(cè)方法10
1.3.2基于深度學(xué)習(xí)的信號(hào)檢測(cè)方法12
1.4信道反饋技術(shù)12
1.4.1基于傳統(tǒng)方法的信道反饋算法12
1.4.2基于深度學(xué)習(xí)的信道反饋算法13
第2章稀疏信號(hào)重建15
2.1引言15
2.2壓縮感知理論15
2.3信號(hào)的稀疏表示16
2.4觀測(cè)矩陣的特性17
2.5壓縮感知重建算法18
2.5.1常用范數(shù)的定義18
2.5.2重建算法19
2.6基于凸分析的稀疏正則化21
第3章基于期望最大化算法的MIMO中繼系統(tǒng)信道估計(jì)24
3.1引言24
3.2MIMO協(xié)同通信技術(shù)24
3.2.1MIMO通信技術(shù)24
3.2.2MIMOOFDM技術(shù)25
3.2.3MIMO協(xié)同技術(shù)25
3.3MIMO協(xié)同單向中繼系統(tǒng)稀疏信道估計(jì)26
3.4基于EM的稀疏度自適應(yīng)壓縮感知信道估計(jì)算法29
3.4.1自適應(yīng)壓縮感知算法29
3.4.2稀疏信道估計(jì)30
3.4.3仿真與分析31
3.5本章小結(jié)35

第4章零吸引最小均方協(xié)同通信系統(tǒng)信道估計(jì)36
4.1引言36
4.2系統(tǒng)模型與LMS算法37
4.2.1單中繼協(xié)同通信系統(tǒng)的信道模型37
4.2.2標(biāo)準(zhǔn)LMS算法38
4.3基于稀疏度感知的稀疏信道估計(jì)39
4.4仿真與分析40
4.5本章小結(jié)43
第5章加權(quán)l(xiāng)p范數(shù)約束的自適應(yīng)濾波信道估計(jì)算法44
5.1引言44
5.2系統(tǒng)模型和LMS算法45
5.3加權(quán)l(xiāng)p范數(shù)LMS算法的信道估計(jì)算法46
5.4計(jì)算復(fù)雜度分析48
5.5加權(quán)l(xiāng)pLMS算法的性能分析49
5.5.1均值特性分析49
5.5.2均方誤差收斂性能分析50
5.6仿真實(shí)驗(yàn)分析50
5.7本章小結(jié)58
第6章變步長(zhǎng)lpLMS算法的稀疏系統(tǒng)辨識(shí)60
6.1引言60
6.2稀疏約束LMS算法回顧61
6.3變步長(zhǎng)lp范數(shù)LMS算法62
6.4算法收斂性能分析63
6.5仿真實(shí)驗(yàn)64
6.6本章小結(jié)67
第7章基于LogSum LMS的稀疏信道估計(jì)算法68
7.1LMS算法及超均方誤差表示68
7.2對(duì)數(shù)和約束LMS算法69
7.3收斂性分析69
7.4仿真與分析71
第8章基于深度神經(jīng)網(wǎng)絡(luò)的MIMO軟判決信號(hào)檢測(cè)算法75
8.1引言75
8.2MIMO信號(hào)檢測(cè)的原理76
8.3系統(tǒng)模型77
8.4深度神經(jīng)網(wǎng)絡(luò)與Dropout層78
8.5基于深度神經(jīng)網(wǎng)絡(luò)聯(lián)合訓(xùn)練的MIMO信號(hào)檢測(cè)79
8.6基于深度神經(jīng)網(wǎng)絡(luò)聯(lián)合訓(xùn)練的MIMO軟判決信號(hào)檢測(cè)80
8.7仿真與分析81
8.8計(jì)算復(fù)雜度分析86
8.9本章小結(jié)86
第9章基于長(zhǎng)短時(shí)注意力機(jī)制的大規(guī)模MIMO信道反饋87
9.1引言87
9.2信道狀態(tài)信息反饋原理88
9.3深度學(xué)習(xí)理論90
9.3.1典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)91
9.3.2訓(xùn)練方法94
9.4基于深度學(xué)習(xí)的大規(guī)模MIMO信道反饋模型96
9.5LSTMAttention CsiNet及其輕量級(jí)網(wǎng)絡(luò)97
9.5.1LSTMAttention CsiNet97
9.5.2輕量級(jí)網(wǎng)絡(luò)Reduced LSTMAttention CsiNet101
9.6基于自動(dòng)編碼器的信道狀態(tài)信息反饋算法102
9.7仿真與討論104
9.7.1算法的NMSE性能104
9.7.2算法的余弦相似度性能106
9.8復(fù)雜度分析108
9.9本章小結(jié)109
參考文獻(xiàn)110
附錄129
附錄A式（45）的證明129
附錄B式(517)和式(518)的證明129
附錄C式（612）的證明130
附錄D式（613）的推導(dǎo)過(guò)程132

你還可能感興趣

我要評(píng)論