航天智能通信原理与应用
￥69.00定价
作者： 代健美
出版时间：2025-04-14
出版社：机械工业出版社
- 机械工业出版社
- 9787111768807
- 1-1
- 547205
- 平装
- 2025-04-14
- 347
内容简介
本书面向航天智能通信的发展与变化，首次系统介绍了航天智能通信的基本概念、原理和技术。着重介绍了人工智能方法在航天通信系统中的各种应用。全书共8章，主要概述了航天智能通信的相关概念、系统组成、功能特点，以及面临的挑战和发展趋势等，介绍了可用于航天通信各环节的机器学习、深度学习、强化学习、联邦学习、元学习等核心技术，按照通信系统分层思想重点介绍了基于人工智能的信道估计、数字调制信号解调、信道解码、频谱感知、资源调度和抗干扰等技术、方法及应用实例。
本书可作为高等院校通信工程、网络工程、信息工程、电子信息等专业高年级本科生和研究生教材，也可供相关专业的工程技术人员参考。
本书可作为高等院校通信工程、网络工程、信息工程、电子信息等专业高年级本科生和研究生教材，也可供相关专业的工程技术人员参考。
目录
前言
二维码索引
第1章 概述1
1.1 航天通信的概念与特点1
1.1.1 基本概念1
1.1.2 航天通信的特点3
1.2 航天智能通信的概念与特点4
1.2.1 基本概念4
1.2.2 航天智能通信的特点4
1.3 航天智能通信系统5
1.3.1 点对点航天通信系统模型5
1.3.2 点对点航天智能通信系统模型6
1.3.3 卫星智能通信系统6
1.4 航天智能通信的挑战与发展8
1.4.1 航天智能通信面临的挑战8
1.4.2 航天智能通信的发展趋势9
第2章 航天智能通信技术基础11
2.1 机器学习11
2.1.1 机器学习的分类11
2.1.2 用机器学习解决通信问题的一般流程15
2.1.3 特征工程16
2.1.4 模型的评估和选择17
2.2 深度学习24
2.2.1 人工神经网络25
2.2.2 深度神经网络35
2.2.3 卷积神经网络35
2.2.4 循环神经网络39
2.3 强化学习44
2.3.1 传统强化学习算法45
2.3.2 深度强化学习算法46
2.4 联邦学习49
2.4.1 联邦学习过程49
2.4.2 联邦学习架构49
2.4.3 联邦学习类型51
2.4.4 存在的问题52
2.5 元学习52
2.5.1 元学习问题设置52
2.5.2 MAML53
第3章 基于人工智能的信道估计57
3.1 传统物理模型信道估计57
3.1.1 信道估计原理58
3.1.2 基于导频的非盲信道估计59
3.2 基于压缩感知的多天线信道估计63
3.2.1 压缩感知理论63
3.2.2 基于压缩感知的信道估计算法64
3.3 数据驱动的智能卫星信道估计69
3.3.1 基于DNN的多天线时域信道估计模型70
3.3.2 基于CNN的多天线频域信道估计模型72
3.3.3 基于RNN的时变信道估计模型75
3.4 模型驱动的智能卫星信道估计77
3.4.1 深度残差网络辅助的OMP信道估计模型78
3.4.2 基于深度展开的AMP迭代信道估计模型80
3.5 基于元学习的小样本时变信道估计85
3.5.1 基于元学习的信道估计模型85
3.5.2 元学习的实现流程86
第4章 基于人工智能的数字调制信号解调92
4.1 典型数字调制解调原理92
4.1.1 PSK调制解调93
4.1.2 QAM调制解调95
4.2 基于机器学习的数字调制信号解调96
4.2.1 基于机器学习的信号解调基本流程97
4.2.2 基于SVM的QPSK信号解调98
4.2.3 基于随机森林的16QAM信号解调99
4.3 基于深度学习的数字调制信号解调100
4.3.1 基于MLP的解调器101
4.3.2 基于CNN的解调器102
4.3.3 基于SAE的解调器103
4.3.4 深度学习解调仿真示例105
第5章 基于人工智能的信道译码109
5.1 基于神经网络的线性分组码译码109
5.1.1 基本概念110
5.1.2 编码原理110
5.1.3 经典译码方法111
5.1.4 基于RBF的通用译码方法112
5.2 基于深度学习的LDPC码译码114
5.2.1 编码原理115
5.2.2 经典译码算法118
5.2.3 基于置信传播-深度学习网络的LDPC码译码算法119
5.3 基于深度学习的卷积码译码121
5.3.1 编码原理121
5.3.2 经典译码算法123
5.3.3 基于CNN的卷积码译码方法124
5.4 基于深度学习的Turbo码译码127
5.4.1 编码原理127
5.4.2 经典译码算法129
5.4.3 基于RNN的Turbo码译码方法131
第6章 基于人工智能的卫星资源调度135
6.1 资源调度基本原理135
6.1.1 资源的概念135
6.1.2 传统资源调度方法137
6.1.3 智能资源调度方法138
6.2 基于DRL的跳波束系统资源调度139
6.2.1 跳波束系统概述139
6.2.2 基于DDQN的单智能体DRL资源调度143
6.2.3 基于迁移学习的单智能体DRL资源调度147
6.2.4 合作式多智能体DRL资源调度149
6.3 基于联邦学习的卫星物联网系统资源调度151
6.3.1 支持多任务联邦学习的卫星物联网系统概述151
6.3.2 基于信道条件与本地训练效果的客户端选择154
6.3.3 基于KM算法的功率和带宽分配155
6.4 基于DRL的星地缓存资源调度156
6.4.1 星地两级异构缓存网络概述156
6.4.2 基于DRL的缓存决策161
第7章 基于人工智能的频谱感知167
7.1 基本概念167
7.1.1 无线频谱分配167
7.1.2 电磁频谱感知169
7.2 传统电磁频谱感知方法170
7.2.1 单用户频谱感知171
7.2.2 协作频谱感知175
7.3 基于深度学习的单用户频谱感知179
7.4 基于深度学习的协作频谱感知181习题187
第8章 基于人工智能的卫星抗干扰通信1898.1 抗干扰原理与方法189
8.1.1 干扰与抗干扰189
8.1.2 传统抗干扰方法191
8.1.3 智能抗干扰方法192
8.2 干扰认知技术193
8.2.1 干扰检测技术194
8.2.2 干扰识别技术197
8.2.3 干扰参数估计201
8.3 抗干扰波形重构技术203
8.4 快速适变的鲁棒传输技术207
8.5 实时抗干扰通信智能决策技术208
8.5.1 决策模型208
8.5.2 学习推理和智能决策210
二维码索引
第1章 概述1
1.1 航天通信的概念与特点1
1.1.1 基本概念1
1.1.2 航天通信的特点3
1.2 航天智能通信的概念与特点4
1.2.1 基本概念4
1.2.2 航天智能通信的特点4
1.3 航天智能通信系统5
1.3.1 点对点航天通信系统模型5
1.3.2 点对点航天智能通信系统模型6
1.3.3 卫星智能通信系统6
1.4 航天智能通信的挑战与发展8
1.4.1 航天智能通信面临的挑战8
1.4.2 航天智能通信的发展趋势9
第2章 航天智能通信技术基础11
2.1 机器学习11
2.1.1 机器学习的分类11
2.1.2 用机器学习解决通信问题的一般流程15
2.1.3 特征工程16
2.1.4 模型的评估和选择17
2.2 深度学习24
2.2.1 人工神经网络25
2.2.2 深度神经网络35
2.2.3 卷积神经网络35
2.2.4 循环神经网络39
2.3 强化学习44
2.3.1 传统强化学习算法45
2.3.2 深度强化学习算法46
2.4 联邦学习49
2.4.1 联邦学习过程49
2.4.2 联邦学习架构49
2.4.3 联邦学习类型51
2.4.4 存在的问题52
2.5 元学习52
2.5.1 元学习问题设置52
2.5.2 MAML53
第3章 基于人工智能的信道估计57
3.1 传统物理模型信道估计57
3.1.1 信道估计原理58
3.1.2 基于导频的非盲信道估计59
3.2 基于压缩感知的多天线信道估计63
3.2.1 压缩感知理论63
3.2.2 基于压缩感知的信道估计算法64
3.3 数据驱动的智能卫星信道估计69
3.3.1 基于DNN的多天线时域信道估计模型70
3.3.2 基于CNN的多天线频域信道估计模型72
3.3.3 基于RNN的时变信道估计模型75
3.4 模型驱动的智能卫星信道估计77
3.4.1 深度残差网络辅助的OMP信道估计模型78
3.4.2 基于深度展开的AMP迭代信道估计模型80
3.5 基于元学习的小样本时变信道估计85
3.5.1 基于元学习的信道估计模型85
3.5.2 元学习的实现流程86
第4章 基于人工智能的数字调制信号解调92
4.1 典型数字调制解调原理92
4.1.1 PSK调制解调93
4.1.2 QAM调制解调95
4.2 基于机器学习的数字调制信号解调96
4.2.1 基于机器学习的信号解调基本流程97
4.2.2 基于SVM的QPSK信号解调98
4.2.3 基于随机森林的16QAM信号解调99
4.3 基于深度学习的数字调制信号解调100
4.3.1 基于MLP的解调器101
4.3.2 基于CNN的解调器102
4.3.3 基于SAE的解调器103
4.3.4 深度学习解调仿真示例105
第5章 基于人工智能的信道译码109
5.1 基于神经网络的线性分组码译码109
5.1.1 基本概念110
5.1.2 编码原理110
5.1.3 经典译码方法111
5.1.4 基于RBF的通用译码方法112
5.2 基于深度学习的LDPC码译码114
5.2.1 编码原理115
5.2.2 经典译码算法118
5.2.3 基于置信传播-深度学习网络的LDPC码译码算法119
5.3 基于深度学习的卷积码译码121
5.3.1 编码原理121
5.3.2 经典译码算法123
5.3.3 基于CNN的卷积码译码方法124
5.4 基于深度学习的Turbo码译码127
5.4.1 编码原理127
5.4.2 经典译码算法129
5.4.3 基于RNN的Turbo码译码方法131
第6章 基于人工智能的卫星资源调度135
6.1 资源调度基本原理135
6.1.1 资源的概念135
6.1.2 传统资源调度方法137
6.1.3 智能资源调度方法138
6.2 基于DRL的跳波束系统资源调度139
6.2.1 跳波束系统概述139
6.2.2 基于DDQN的单智能体DRL资源调度143
6.2.3 基于迁移学习的单智能体DRL资源调度147
6.2.4 合作式多智能体DRL资源调度149
6.3 基于联邦学习的卫星物联网系统资源调度151
6.3.1 支持多任务联邦学习的卫星物联网系统概述151
6.3.2 基于信道条件与本地训练效果的客户端选择154
6.3.3 基于KM算法的功率和带宽分配155
6.4 基于DRL的星地缓存资源调度156
6.4.1 星地两级异构缓存网络概述156
6.4.2 基于DRL的缓存决策161
第7章 基于人工智能的频谱感知167
7.1 基本概念167
7.1.1 无线频谱分配167
7.1.2 电磁频谱感知169
7.2 传统电磁频谱感知方法170
7.2.1 单用户频谱感知171
7.2.2 协作频谱感知175
7.3 基于深度学习的单用户频谱感知179
7.4 基于深度学习的协作频谱感知181习题187
第8章 基于人工智能的卫星抗干扰通信1898.1 抗干扰原理与方法189
8.1.1 干扰与抗干扰189
8.1.2 传统抗干扰方法191
8.1.3 智能抗干扰方法192
8.2 干扰认知技术193
8.2.1 干扰检测技术194
8.2.2 干扰识别技术197
8.2.3 干扰参数估计201
8.3 抗干扰波形重构技术203
8.4 快速适变的鲁棒传输技术207
8.5 实时抗干扰通信智能决策技术208
8.5.1 决策模型208
8.5.2 学习推理和智能决策210
