电子工业出版社-网上书店

近年来，人工智能（AI）技术取得了快速发展，在包括电子信息行业在内的各行各业都展现了巨大的应用潜力。AI在通信业中也得到大量的研究与应用，被用在处理复杂的资源调度等环节。但是，这些应用大都集中在通信系统功能之上，如何利用AI技术处理通信信号的研究工作还有待全面开展。通信技术经过近几十年的高速发展，学术界和产业界建立了大量看起来近乎完美的信号处理模型，维持着从电报到5G通信系统的发展。但是，需要明确的是，我们的通信系统是建立在一个不确定的且越来越复杂的传输环境中，我们无法为这个不确定的世界预先构建一个完美的模型。传统的通信物理层设计从将信道影响构建统计模型开始，再将功能划分为不同的模块如调制、信道编码等，从而分别进行设计与优化。但我们不禁要问，这种发展了数十年的基于理想假设与分块优化的思路，是否能够产生最优的信号处理机制？而另一方面，神经网络是否能生成人们无法轻易基于传统方法构想到的信号？本书结合当前国际学者与作者研究团队近年来的研究成果，将探讨这一有望改变延续了几十年的通信底层设计的新范式，激发底层通信与人工智能联合设计的更多研究。

第一篇  用神经网络单元重构信号处理
第1章  神经网络滤波	3
1.1  神经网络滤波简介	3
1.2  余弦基神经网络滤波	4
1.2.1  原理分析	4
1.2.2  余弦基神经网络模型	5
1.2.3  余弦基神经网络滤波器	6
1.2.4  训练流程	7
1.2.5  结果分析	7
1.3  卷积神经滤波	9
1.3.1  原理分析	9
1.3.2  简单的验证	10
1.3.3  增加注意力机制的卷积神经滤波	12
1.4  小结	15
本章参考文献	16
第2章  信号增强神经网络	17
2.1  概述	17
2.2  基于时序学习实现干扰检测	17
2.2.1  信号预测模型	18
2.2.2  干扰检测	23
2.3  基于生成对抗实现信号增强	24
2.3.1  基本原理	25
2.3.2  模型设计	26
2.3.3  应用与性能分析	27
2.4  小结	31
本章参考文献	31
第3章  时频分析神经单元	32
3.1  时频变换神经单元概述	32
3.2  短时傅里叶变换的神经网络设计方法	32
3.2.1  短时傅里叶变换	32
3.2.2  基于神经网络的时频变换学习	33
3.2.3  性能分析	38
3.3  小波变换的神经网络设计方法	41
3.3.1  问题描述	41
3.3.2  小波变换	41
3.3.3  拟合DWT的融合特征学习算法	42
3.4  小结	46
本章参考文献	47
第二篇  端到端学习构建通信模型
第4章  端到端学习通信	51
4.1  传统通信系统的框架与设计原则	51
4.2  基于端到端学习的物理层通信系统	51
4.2.1  端到端学习通信系统设计原理	51
4.2.2  端到端学习通信系统模型搭建	53
4.2.3  性能分析	53
4.3  利用神经网络优化解调接收	55
4.3.1  神经匹配滤波	55
4.3.2  基于神经匹配滤波的端到端学习通信系统设计	60
4.4  小结	66
本章参考文献	67
第5章  学习调制星座成形	68
5.1  调制星座成形技术	68
5.1.1  信息论基础	68
5.1.2  几何星座成形	69
5.1.3  概率星座成形	70
5.2  端到端学习优化星座成形：以最小化误码率约束	72
5.2.1  问题分析	72
5.2.2  网络模型结构	73
5.2.3  基于最小化误符率的星座成形算法	74
5.2.4  基于最小化误符率的星座成形仿真分析	77
5.3  端到端优化设计星座成形：以最大化互信息为目标	82
5.3.1  问题分析	82
5.3.2  网络模型结构	83
5.3.3  基于最大化互信息的星座成形算法	84
5.3.4  性能仿真模型训练方法	85
5.4  小结	90
本章参考文献	90
第6章  学习物理层安全通信	92
6.1  经典窃听信道模型	92
6.2  物理层通信安全研究存在的挑战	94
6.3  端到端学习安全通信模型	95
6.3.1  模型设计	96
6.3.2  互信息估计	96
6.3.3  模型损失函数设计及训练方法	98
6.4  模型测试结果和性能评估	99
6.5  与现有相关研究方法的性能对比	102
6.6  小结	104
本章参考文献	104
第7章  学习语义通信	106
7.1  端到端联合语义与信道编解码框架	106
7.2  基于自训练Transformer的语义编解码器设计	108
7.2.1  系统架构	108
7.2.2  模型参数设计	109
7.2.3  模型训练流程	112
7.3  基于预训练模型的语义编解码器设计	113
7.3.1  系统架构	113
7.3.2  编解码器分解使用预训练语言模型	115
7.3.3  编解码器重用预训练语言模型	119
7.4  性能评价指标设计	124
7.4.1  文本相似性	124
7.4.2  语义相似性	125
7.5  性能分析	125
7.5.1  数据集	125
7.5.2  抗噪声性能分析	127
7.5.3  语义保真性能分析	131
7.5.4  跨场景性能分析	135
7.5.5  训练复杂度分析	137
7.6  小结	139
本章参考文献	139
第三篇  数据与模型联合驱动的应用设计
第8章  调制方式识别应用	143
8.1  集成时频分析神经单元的调制识别	143
8.1.1  识别模型	143
8.1.2  信号数据集构成	145
8.1.3  模型参数	146
8.1.4  结果分析	147
8.2  集成信号增强神经单元的调制识别	148
8.2.1  卷积神经网络识别模型	148
8.2.2  基于可嵌入自适应增强滤波单元的调制识别网络	149
8.2.3  基于生成对抗网络的无线信号增强模型的调制识别网络	149
8.2.4  结果分析	150
8.3  小结	152
本章参考文献	153
第9章  辐射源识别应用	154
9.1  基于深度学习的辐射源特征提取	154
9.1.1  通信辐射源射频指纹信号建模	154
9.1.2  特征提取网络设计	156
9.1.3  模型训练及评估	158
9.2  未知类型通信辐射源个体识别算法	159
9.2.1  特征选择及可视化分析	160
9.2.2  未知类型辐射源识别算法设计	161
9.2.3  识别性能评估方法	161
9.2.4  识别结果及分析	162
9.3  基于迁移学习的动态信道下通信辐射源个体识别	165
9.3.1  构建基于迁移学习的辐射源个体识别模型	166
9.3.2  动态信道环境对辐射源个体识别的影响	167
9.3.3  模型设计基本思想	168
9.3.4  基于迁移学习的辐射源个体识别网络	169
9.3.5  实验结果及分析	171
9.4  小结	174
本章参考文献	174
第10章  盲信号分离应用	176
10.1  问题提出	176
10.1.1  ICA算法中非线性函数的优化调整	176
10.1.2  数据驱动思路的引入	177
10.2  基于可解释学习的ICA增强网络	178
10.2.1  原理分析	178
10.2.2  模型设计	179
10.2.3  分离结果	182
10.3  基于多项式参数优化的ICA增强网络	186
10.3.1  原理分析	187
10.3.2  模型设计	188
10.3.3  结果分析	189
10.4  小结	191
本章参考文献	191

前    言
人工智能技术发展迅速，正在电子信息产业各个领域展现出其潜力。无论是在目前正讨论的第六代移动通信标准（6G），还是在国防、工业等行业通信应用中，都可看到人工智能的身影。这些应用和探索，大都以通信高层协议数据为基础，对资源调度、网络优化等网络级功能进行增强，在如何用人工智能设计通信底层无线信号方面的研究还相对较少。数十年的通信技术发展，让我们建立了大量看起来近乎完美的信号处理与分析模型，支持我们从最初电报发展到最新一代的通信系统。但我们应该认识到，通信系统建立在一个不确定的、越来越复杂的传输环境中，我们无法为这个不确定的传输环境预先构建一个完美确定的信号处理模型。
传统的通信物理层设计从为信道影响构建统计模型开始，再将传输功能划分为不同的模块，如调制、信道编码等，从而进行分模块的设计与优化。这种发展了数十年的基于理想假设与分块优化的思路，是否能够产生最优的信号设计方案？人工智能是否能生成人们无法轻易基于传统方法构造的信号？作为利用神经网络架构改进无线通信性能和频谱感知能力、提升信号处理设计效率的先行者，DeepSig公司的创始人曾说过：“可能的未来，通信工程师将不再专注于设计无线信号，而是更专注于构建设计这些信号的机器学习系统”，这句话确实值得通信领域的研究人员思考。
本书结合当前国际学者与作者研究团队近年来的研究成果，将探讨有望改变延续了几十年的通信底层设计的新范式，激发底层通信与人工智能联合设计更深入的研究。全书分为三篇：第一篇为用神经网络单元重构信号处理，主要探讨是否能利用人工智能，对信号滤波、干扰消除、信号增强、时频分析等传统的基础信号处理模块进行重构，从而展示用神经网络单元重新构建更鲁棒、更高效信号处理的新思路。第二篇为端到端学习构建通信模型主要讨论近年来一种新的物理层设计与深度学习相结合的思路，从基本的编码设计到调制星座成形、物理层安全、语义通信等领域，展现了数据驱动视角下通信系统构建的新型技术路线。第三篇为当信号检测识别遇到深度学习主要展示了非合作通信应用场景下，如何用前面两篇中描述的方法来重新设计调制识别、辐射源识别、盲信号分离等应用方法。
本书的部分内容是作者本人与作者所指导的多位研究生的研究成果，包括周龙梅、吴恒淼、周雪、乌倩倩、李晶晶、余婕、张绪、谢志进、王蓥等，在这里对他们表示感谢。因篇幅有限未能展开阐述的部分内容细节，欢迎读者阅读他们的研究生论文来获取。感谢本书出版单位—电子工业出版社的赵娜、张京、张志鹏和姜红德等编辑，他们为本书做了细致的编加和校对工作，对各位编辑的辛勤付出表示衷心感谢！
本书中有大量的仿真和实验结果图、算法流程图、函数曲线图、功能结构图，为增加阅读体验，在本书每一章结尾的参考文献之前都放置了对应的二维码，读者可以通过“扫一扫”的形式按序号浏览该章中的部分彩色图表。
由于时间仓促，编写人员水平有限，加上本书覆盖通信和人工智能两个领域的专业知识，书中难免有不足和错误之处，还请业界专家及广大读者批评指正！

—北京邮电大学，孙卓
2024年8月8日

本书配套资源下载

对不起，暂无音视频资源！

重构通信：当机器学习遇到无线信号