●第1章緒論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協同無線通信繫統信道估計技術6
1.2.2密集信道下協同中繼繫統信道估計算法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章基於期望優選化算法的MIMO中繼繫統信道估計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協同單向中繼繫統稀疏信道估計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繫統信道估計36
4.1引言36
4.2繫統模型與LMS算法37
4.2.1單中繼協同通信繫統的信道模型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繫統模型和LMS算法45
5.3加權lp範數LMS算法的信道估計算法46
5.4計算復雜度分析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算法的稀疏繫統辨識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章基於深度神經網絡的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繫統模型77
8.4深度神經網絡與Dropout層78
8.5基於深度神經網絡聯合訓練的MIMO信號檢測79
8.6基於深度神經網絡聯合訓練的MIMO軟判決信號檢測80
8.7仿真與分析81
8.8計算復雜度分析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典型的神經網絡結構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及其輕量級網絡97
9.5.1LSTM-Attention CsiNet97
9.5.2輕量級網絡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復雜度分析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