基于深度学习的毫米波信道估计与预编码研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 主要研究内容 | 第16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 毫米波MIMO系统与预编码技术 | 第18-27页 |
| 2.1 毫米波MIMO系统 | 第18-22页 |
| 2.1.1 传输损耗特性 | 第18-19页 |
| 2.1.2 信道模型 | 第19-20页 |
| 2.1.3 MIMO信道容量 | 第20-22页 |
| 2.2 预编码技术 | 第22-24页 |
| 2.2.1 迫零预编码 | 第22-23页 |
| 2.2.2 最大比传输预编码 | 第23页 |
| 2.2.3 最小均方误差预编码 | 第23-24页 |
| 2.3 数模混合预编码技术 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 相关深度学习理论基础 | 第27-39页 |
| 3.1 人工神经网络 | 第27-36页 |
| 3.1.1 神经元模型 | 第27-29页 |
| 3.1.2 反向传播算法 | 第29-30页 |
| 3.1.3 激活函数 | 第30-32页 |
| 3.1.4 目标函数 | 第32-33页 |
| 3.1.5 优化算法 | 第33-36页 |
| 3.2 卷积神经网络 | 第36-37页 |
| 3.2.1 卷积层 | 第36-37页 |
| 3.2.2 池化层 | 第37页 |
| 3.3 CNN与人工神经网络性能对比 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于深度学习的毫米波信道估计算法 | 第39-51页 |
| 4.1 系统模型及优化目标 | 第39-42页 |
| 4.1.1 系统模型 | 第39-41页 |
| 4.1.2 优化目标 | 第41-42页 |
| 4.2 传统毫米波信道估计算法 | 第42-45页 |
| 4.2.1 基于最小二乘的信道估计算法 | 第43页 |
| 4.2.2 基于最小均方误差的信道估计算法 | 第43-44页 |
| 4.2.3 基于压缩感知的信道估计算法 | 第44-45页 |
| 4.3 基于深度学习的毫米波信道估计算法 | 第45-50页 |
| 4.3.1 基于深度学习的毫米波信道估计模型 | 第45-46页 |
| 4.3.2 神经网络结构 | 第46-48页 |
| 4.3.3 仿真结果与分析 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于深度学习的毫米波混合预编码算法 | 第51-64页 |
| 5.1 系统模型与优化目标 | 第51-52页 |
| 5.2 传统单用户毫米波混合预编码算法 | 第52-56页 |
| 5.3 基于深度学习的毫米波混合预编码算法 | 第56-63页 |
| 5.3.1 基于深度学习的毫米波混合预编码模型 | 第56-57页 |
| 5.3.2 神经网络结构 | 第57-58页 |
| 5.3.3 算法流程 | 第58-60页 |
| 5.3.4 仿真结果与分析 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 全文总结与展望 | 第64-66页 |
| 6.1 全文总结 | 第64页 |
| 6.2 后续工作展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 学位论文答辩后勘误修订说明表 | 第71页 |
