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。
孙卓，北京邮电大学副教授及博士生导师，中国通信学会信创技术委员会委员，军队二等功获得者，国家级精品课程《通信原理》教学团队骨干教师，主要研究方向为智能信号处理与通信安全。
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
书单推荐
