無線通信系統稀疏信道信息獲取技術研究

《無線通信系統稀疏信道信息獲取技術研究》是2020年北京郵電大學出版社出版的圖書

書本信息

書名：無線通信系統稀疏信道信息獲取技術研究

出版時間：2020-10-15

編 著 者：張愛華

版 次：1-1

I S B N:978-7-5635-6222-0

內容簡介

本書主要介紹基於稀疏信號處理理論的信道估計算法以及基於深度學習的信道信息反饋和信號檢測方法。內容包括9章，分別為緒論、稀疏信號重建、基於期望最大化算法的MIMO中繼系統信道估計、

零吸引最小均方協同通信系統信道估計、加權lp範數約束的自適應濾波信道估計算法、變步長lpLMS算法的稀疏系統辨識、基於LogSum LMS的稀疏信道估計算法、基於深度神經網路的MIMO軟判決信號檢測算法、基於長短時注意力機制的大規模MIMO信道反饋。

本書可作為高等院校“通信與信息系統”“信號與信息處理”等課程的教材或參考書，也可作為寬頻無線通信、信號處理、人工智慧等領域的技術人員和研究人員的參考書。

目錄

第1章緒論估戶盛1

1.1引言1

1.1.1移動通信發展概覽1

1.1.25G技術發展情況3

1.2信道估計技術5

1.2.1協同無線通店嚷淚信系統信道估計技術6

1.2.2密集信道下協同中繼系統信道估計算法7

1.2.3基於壓縮感知的稀疏協同信道估計9

1.3信號檢測技術10

1.3.1基於傳統算法的信號檢測方法10

1.3.2基於深度學習的信號檢測方法12

1.4信道反饋技術12

1.4.1基於傳統方法的信道反饋算法12

1.4.2基於深度學習的信道反饋算法13

第2章稀疏信號重建15

2.1引言15

2.2壓縮感知理論15

2.3信號的稀疏表示16

2.4觀測矩陣的特性17

2.5壓縮感知重建算法18

2.5.1常用範數的定義18

2.5.2重建算法19

2.6基於凸分析的稀疏正則化21

第3章基於期望最大化算法的MIMO中繼系統信道估計24

3.1引言24

3.2MIMO協同通信技術24

3.2.1MIMO通信技術24

3.2.2MIMOOFDM技術25

3.2.3MIMO協同技術25

3.3MIMO協同單向中繼系統稀疏信道估計26

3.4基於EM的稀疏度自適應壓縮感知信道估計算法29

3.4.1自適應壓縮感知算法29

3.4.2稀疏信道估計30

3.4.3仿真與分析31

3.5本章小結35

第4章零吸引最小均方協同通信系統信道估計36

4.1引言36

4.2系統模型與LMS算法37

4.2.1單中繼協同通信系統的信道模型37

4.2.2標準LMS算法38

4.3基於稀疏度感知的稀疏信道估計39

4.4仿真與分析40

4.5本灑雅射符章小結43

第5章加權lp範數約束的自適應濾波信道估甩廈漿享計算法44

5.1引言44

5.2系統模型和LMS算法45

5.3加權嘗婆lp範數LMS算法的信道估計算法46

5.4計算複雜度分析48

5.5加權lp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仿真實驗分析50

5.7本章小結58

第6章變步長lpLMS算法的稀疏系統辨識60

6.1引言60

6.2稀疏約束LMS算法回顧61

6.3變步長lp範數LMS算法62

6.4算法收斂性能分析63

6.5仿真實驗64

6.6本章小結67

第7章基於LogSum LMS的稀疏信道估計算法68

7.1LMS算法及超均方誤差表示68

7.2對數和約束LMS算法69

7.3收斂性分析69

7.4仿真與分析71

第8章基於深度神經網路的MIMO軟判決信號檢測算法75

8.1引言75

8.2MIMO信號檢測的原理櫃舟潤76

8.3系統模型77

8.4深度神經網路與Dropout層78

8.5基於深度神經網路聯合訓練的MIMO信號檢測79

8.6基於深度神經網路聯合訓練的MIMO軟判決信想漿匪號檢測80

8.7仿真與分析81

8.8計算複雜度分析86

8.9本章小結86

第9章基於長短時注意力機制的大規模MIMO信道反饋87

9.1引言87

9.2信道狀態信息反饋原理88

9.3深度學習理論90

9.3.1典型的神經網路結構91

9.3.2訓練方法94

9.4基於深度學習的大規模MIMO信道反饋模型96

9.5LSTMAttention CsiNet及其輕量級網路97

9.5.1LSTMAttention CsiNet97

9.5.2輕量級網路Reduced LSTMAttention CsiNet101

9.6基於自動編碼器的信道狀態信息反饋算法102

9.7仿真與討論104

9.7.1算法的NMSE性能104

9.7.2算法的餘弦相似度性能106

9.8複雜度分析108

9.9本章小結109

參考文獻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）的推導過程132

4.2.1單中繼協同通信系統的信道模型37

4.2.2標準LMS算法38

4.3基於稀疏度感知的稀疏信道估計39

4.4仿真與分析40

4.5本章小結43

第5章加權lp範數約束的自適應濾波信道估計算法44

5.1引言44

5.2系統模型和LMS算法45

5.3加權lp範數LMS算法的信道估計算法46

5.4計算複雜度分析48

5.5加權lp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仿真實驗分析50

5.7本章小結58

第6章變步長lpLMS算法的稀疏系統辨識60

6.1引言60

6.2稀疏約束LMS算法回顧61

6.3變步長lp範數LMS算法62

6.4算法收斂性能分析63

6.5仿真實驗64

6.6本章小結67

第7章基於LogSum LMS的稀疏信道估計算法68

7.1LMS算法及超均方誤差表示68

7.2對數和約束LMS算法69

7.3收斂性分析69

7.4仿真與分析71

第8章基於深度神經網路的MIMO軟判決信號檢測算法75

8.1引言75

8.2MIMO信號檢測的原理76

8.3系統模型77

8.4深度神經網路與Dropout層78

8.5基於深度神經網路聯合訓練的MIMO信號檢測79

8.6基於深度神經網路聯合訓練的MIMO軟判決信號檢測80

8.7仿真與分析81

8.8計算複雜度分析86

8.9本章小結86

第9章基於長短時注意力機制的大規模MIMO信道反饋87

9.1引言87

9.2信道狀態信息反饋原理88

9.3深度學習理論90

9.3.1典型的神經網路結構91

9.3.2訓練方法94

9.4基於深度學習的大規模MIMO信道反饋模型96

9.5LSTMAttention CsiNet及其輕量級網路97

9.5.1LSTMAttention CsiNet97

9.5.2輕量級網路Reduced LSTMAttention CsiNet101

9.6基於自動編碼器的信道狀態信息反饋算法102

9.7仿真與討論104

9.7.1算法的NMSE性能104

9.7.2算法的餘弦相似度性能106

9.8複雜度分析108

9.9本章小結109

參考文獻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）的推導過程132