章绪论1
1.1引言1
1.1.1移动通信发展概览1
1.1.25G技术发展情况3
1.2信道估计技术5
1.2.1协同无线通信系统信道估计技术6
1.2.2密集信道下协同中继系统信道估计算法7
1.2.3基于压缩感知的稀疏协同信道估计9
1.3信号检测技术10
1.3.1基于传统算法的信号检测方法10
1.3.2基于深度学习的信号检测方法12
1.4信道反馈技术12
1.4.1基于传统方法的信道反馈算法12
1.4.2基于深度学习的信道反馈算法13
第2章稀疏信号重建15
2.1引言15
2.2压缩感知理论15
2.3信号的稀疏表示16
2.4观测矩阵的特性17
2.5压缩感知重建算法18
2.5.1常用范数的定义18
2.5.2重建算法19
2.6基于凸分析的稀疏正则化21
第3章基于期望优选化算法的MIMO中继系统信道估计24
3.1引言24
3.2MIMO协同通信技术24
3.2.1MIMO通信技术24
3.2.2MIMO-OFDM技术25
3.2.3MIMO协同技术25
3.3MIMO协同单向中继系统稀疏信道估计26
3.4基于EM的稀疏度自适应压缩感知信道估计算法29
3.4.1自适应压缩感知算法29
3.4.2稀疏信道估计30
3.4.3仿真与分析31
3.5本章小结35
第4章零吸引最小均方协同通信系统信道估计36
4.1引言36
4.2系统模型与LMS算法37
4.2.1单中继协同通信系统的信道模型37
4.2.2标准LMS算法38
4.3基于稀疏度感知的稀疏信道估计39
4.4仿真与分析40
4.5本章小结43
第5章加权lp范数约束的自适应滤波信道估计算法44
5.1引言44
5.2系统模型和LMS算法45
5.3加权lp范数LMS算法的信道估计算法46
5.4计算复杂度分析48
5.5加权lp-LMS算法的性能分析49
5.5.1均值特性分析49
5.5.2均方误差收敛性能分析50
5.6仿真实验分析50
5.7本章小结58
第6章变步长lp-LMS算法的稀疏系统辨识60
6.1引言60
6.2稀疏约束LMS算法回顾61
6.3变步长lp范数LMS算法62
6.4算法收敛性能分析63
6.5仿真实验64
6.6本章小结67
第7章基于Log-Sum LMS的稀疏信道估计算法68
7.1LMS算法及超均方误差表示68
7.2对数和约束LMS算法69
7.3收敛性分析69
7.4仿真与分析71
第8章基于深度神经网络的MIMO软判决信号检测算法75
8.1引言75
8.2MIMO信号检测的原理76
8.3系统模型77
8.4深度神经网络与Dropout层78
8.5基于深度神经网络联合训练的MIMO信号检测79
8.6基于深度神经网络联合训练的MIMO软判决信号检测80
8.7仿真与分析81
8.8计算复杂度分析86
8.9本章小结86
第9章基于长短时-注意力机制的大规模MIMO信道反馈87
9.1引言87
9.2信道状态信息反馈原理88
9.3深度学习理论90
9.3.1典型的神经网络结构91
9.3.2训练方法94
9.4基于深度学习的大规模MIMO信道反馈模型96
9.5LSTM-Attention CsiNet及其轻量级网络97
9.5.1LSTM-Attention CsiNet97
9.5.2轻量级网络Reduced LSTM-Attention CsiNet101
9.6基于自动编码器的信道状态信息反馈算法102
9.7仿真与讨论104
9.7.1算法的NMSE性能104
9.7.2算法的余弦相似度性能106
9.8复杂度分析108
9.9本章小结109
参考文献110
附录129
附录A式（4-5）的证明129
附录B式（5-17）和式（5-18）的证明129
附录C式（6-12）的证明130
附录D式（6-13）的推导过程132

本书主要介绍基于稀疏信号处理理论的信道估计算法以及基于深度学习的信道信息反馈和信号检测方法。内容包括9章，分别为绪论、稀疏信号重建、基于期望z大化算法的MIMO中继系统信道估计、零吸引很小均方协同通信系统信道估计、加权lp范数约束的自适应滤波信道估计算法、变步长lp-LMS算法的稀疏系统辨识、基于Log-Sum LMS的稀疏信道估计算法、基于深度神经网络的MIMO软判决信号检测算法、基于长短时-注意力机制的大规模MIMO信道反馈。
本书可作为高等院校“通信与信息系统”“信号与信息处理”等课程的教材或参考书，也可作为宽带无线通信、信号处理、人工智能等领域的技术人员和研究人员的参考书。