本书系统介绍了面向第六代移动通信系统（6G）的智能信号处理与传输优化的关键理论、方法与应用，内容基于作者及团队成员多年来的研究成果，重点包括自动调制分类、特定辐射源识别、信道状态信息获取和波束成形等深度学习驱动的无线通信技术。
   本书可供通信工程、信号处理和人工智能领域的研究生、科研人员与工程技术人员参考，可帮助读者建立面向6G的通信智能化技术体系，并为他们进一步的学术研究和工程实践提供方法支撑。在阅读本书之前，读者应具备一定的无线通信和网络基础知识。

第1章 绪论 001
1．1　移动通信的发展概述　002
1．2　信息化与智能化时代的演进　003
1．2．1　信息化发展的内涵与特征　003
1．2．2　智能化技术的兴起与驱动力　004
1．2．3　信息化与智能化的融合趋势及对通信的影响　005
1．3　本书的主要内容　006

第2章　B5G/6G无线通信展望　007
2．1　引言　008
2．2　B5G/6G无线通信的系统性设想　008
2．2．1　5G、B5G、6G的差异性　008
2．2．2　演进：以场景为中心，以舒适为基础的6G　009
2．2．3　革新：以计算为中心和基于安全的6G数字服务　011
2．2．4　6G架构：连接与集成　011
2．3　B5G/6G无线通信的潜在关键技术　015
2．4　B5G/6G无线通信的困难与挑战　017
2．5　B5G/6G无线通信的未来研究方向　018
2．6　本章小结　019
参考文献　019

第3章　深度学习的研究进展　021
3．1　引言　022
3．2　基于深度神经网络的监督学习　023
3．2．1　基本概念　023
3．2．2　主要技术　024
3．2．3　应用场景　027
3．3　基于深度神经网络的无监督学习　027
3．3．1　基本概念　027
3．3．2　主要技术　028
3．3．3　应用场景　032
3．4　基于深度神经网络的强化学习　034
3．4．1　基本概念　034
3．4．2　主要技术　035
3．4．3　应用场景　036
3．5　基于模型驱动的深度学习　038
3．5．1　基本概念　038
3．5．2　主要技术　039
3．5．3　应用场景　041
3．6　本章小结　043
参考文献　043

第4章　基于深度学习的自动调制分类　045
4．1　引言　046
4．2　相关工作　047
4．3　基于混合训练的自动调制分类方法　053
4．3．1　信号模型　053
4．3．2　问题描述　053
4．3．3　整体框架　054
4．3．4　实验结果与分析　057
4．4　基于超轻量卷积神经网络的自动调制分类方法　062
4．4．1　问题描述　062
4．4．2　整体框架　062
4．4．3　基于数据增强、紧凑结构设计与动态学习率的超轻量卷积
神经网络　063
4．4．4　实验结果与分析　068
4．5　基于数据增强与一致性正则化的小样本自动调制分类方法　076
4．5．1　问题描述　076
4．5．2　整体框架　078
4．5．3　面向小样本自动调制分类的正则化训练方法　078
4．5．4　实验结果与分析　082
4．6　本章小结　090
参考文献　091

第5章　基于深度学习的特定辐射源识别　095
5．1　引言　096
5．2　相关工作　097
5．3　基于复数神经网络的特定辐射源识别方法　098
5．3．1　问题描述　098
5．3．2　复数神经网络的重要组成部件、复杂度分析与优势　099
5．3．3　面向特定辐射源识别的复数神经网络　102
5．3．4　实验结果与分析　103
5．4　基于深度度量集成学习的小样本特定辐射源识别方法　107
5．4．1　问题描述　107
5．4．2　基于度量学习的信号特征嵌入方法　108
5．4．3　基于集成学习的特定辐射源识别方法　112
5．4．4　实验结果与分析　115
5．5　基于稀疏结构选择与知识蒸馏的轻量化特定辐射源识别方法　124
5．5．1　问题描述　124
5．5．2　面向复数神经网络的稀疏结构选择方法　125
5．5．3　面向知识蒸馏的性能恢复方法　129
5．5．4　实验结果与分析　130
5．6　本章小结　136
参考文献　137

第6章　基于深度学习的信道状态信息获取　141
6．1　引言　142
6．2　研究现状及挑战　143
6．2．1　基于深度学习的CSI估计研究现状　143
6．2．2　基于深度学习的CSI压缩反馈研究现状　147
6．2．3　基于深度学习的CSI预测研究现状　148
6．2．4　现有挑战　150
6．3　基于深度学习的CSI估计　151
6．3．1　系统模型　151
6．3．2　稀疏混合自适应滤波算法　154
6．3．3　仿真实验结果与分析　162
6．4　基于深度学习的CSI压缩反馈　166
6．4．1　系统模型　167
6．4．2　基于采样压缩与深度学习的CSI反馈技术　168
6．4．3　仿真实验结果与分析　174
6．5　基于深度学习的CSI预测　186
6．5．1　系统模型　186
6．5．2　基于信道相关性与深度学习的CSI预测技术　187
6．5．3　仿真实验结果与分析　192
6．6　本章小结　203
参考文献　204

第7章　基于深度学习的波束成形　211
7．1　引言　212
7．2　相关工作　213
7．2．1　MIMO技术的发展及研究现状　213
7．2．2　深度学习在无线通信中的发展及研究现状　214
7．3　基于数据驱动的全数字波束成形增强优化　215
7．3．1　全数字波束成形系统问题描述　215
7．3．2　基于数据驱动的全数字波束成形增强优化技术　216
7．3．3　数值结果和分析　222
7．4　基于混合驱动的被动大规模MIMO波束成形设计　225
7．4．1　被动大规模波束成形系统问题描述　225
7．4．2　面向被动大规模MIMO系统的混合驱动波束成形设计　227
7．4．3　数值结果和分析　235
7．5　基于时延相控阵列的高谱效架构高频宽带传输设计　237
7．5．1　宽带模拟波束成形系统频谱效率问题描述　237
7．5．2　基于TTD的面向太赫兹宽带通信架构设计和分析　239
7．5．3　基于用户分组和数据驱动的频率依赖空分多址接入技术　244
7．5．4　数值结果和分析　248
7．6　本章小结　251
参考文献　252

第8章　总结与展望　255
8．1　总结　256
8．2　展望　258