近年来，人工智能的发展与应用成功推动了各个领域的发展。随着科技时代的发展以及人民生活水平的提升，大数据、云计算时代已经到来，相关设备以及通信系统的各关键技术的计算能力也大幅度提高，这对于当前人工智能相关算法提出了技术难题。在此背景下，深度学习（Deep Learning，DL）因在解决非线性问题方面具有巨大的潜力而受到人们的关注。深度学习是基于大量训练数据集，采用一种循环迭代的方式对神经网络进行优化，从而使神经网络具备一种对数据表征的能力。常见的神经网络架构有深度神经网络（Deep Neural Network，DNN）、卷积神经网络（Convolutional Neural Network，CNN）、递归神经网络（Recurrent Neural Network，RNN）等。迄今为止，深度学习理论已广泛应用在社会各个行业，如计算机视觉、语音信号处理，自然语言处理以及模式识别等领域，并取得了良好的效果。促进深度学习在各个领域的应用主要有两个方面的原因：原因一，基于大量的数据集对神经网络进行训练，因此优化的神经网络在实际中的应用具有更强的稳健性。原因二，线下训练优化得到的神经网络，将其应用到线上问题时，不需要大量的迭代计算过程，且只涉及矩阵、向量乘法等几层简单运算，因此可降低整体的计算复杂度。此外，随着大规模并行处理架构的快速发展，DNN可以在这些硬件环境下高速运行，并且可以很方便地获取低精度的数据类型，促进了深度学习算法的发展与应用。在这些优势的推动下，深度学习被引入无线通信物理层，并在通信系统各个模块中取得了卓越的性能，特别是在信号检测和信道状态信息反馈方面，深度学习不失为一种良好的途径。
本书将MIMO通信系统中的信号检测问题、信道反馈问题分别与深度学习相融合，利用深度学习技术优化MIMO信号检测和信道反馈问题，提高信号检测与信道恢复的准确性，降低系统的复杂度。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
