本书以循序渐进的方式介绍了非监督学习、监督学习、强化学习、深度学习人工智能技术。解释了这些技术如何应用到无线通信和网络系统中，特别是在设计和优化6G网络方面的潜在应用。本书聚焦6G技术研究前沿，对于国际上专注于网络系统和移动通信未来发展的研究生、学者、工程师和开发人员而言，具有重要参考价值。

译者序
前　言
第一部分　人工智能技术
第1章　人工智能历史简述 2
1.1　人工智能简介 2
1.2　人工智能历史 6
参考文献 11
第2章　人工智能的生态系统、重要技术与应用案例 12
2.1　人工智能的生态系统 12
2.2　人工智能的硬件和软件 15
2.3　人工智能的技术和选择 20
2.4　人工智能的工作流程和应用案例 22
参考文献 24
第3章　无监督学习 26
3.1　无监督学习的类型和性能指标 26
3.2　聚类算法 36
3.2.1　层次聚类 36
3.2.2　分区聚类 41
3.3　关联规则挖掘 50
3.4　降维 56
3.5　习题 61
参考文献 62
第4章　监督学习 64
4.1　监督学习的工作流程、指标和集成
方法 64
4.2　监督学习中的分类算法 71
4.2.1　决策树 72
4.2.2　K-近邻算法 81
4.2.3　支持向量机 88
4.3　监督学习中的回归 101
4.3.1　线性回归 102
4.3.2　梯度下降算法 111
4.3.3　逻辑回归 122
4.4　习题 134
参考文献 136
第5章　强化学习 138
5.1　强化学习简介和马尔可夫决策
过程 139
5.2　基于模型的方法 148
5.2.1　策略迭代 149
5.2.2　价值迭代 155
5.3　无模型的方法 159
5.3.1　蒙特卡罗方法 160
5.3.2　时序差分学习方法 171
5.4　习题 184
参考文献 186
第6章　深度学习 187
6.1　深度学习简介 188
6.2　深度神经网络 191
6.3　卷积神经网络 212
6.4　循环神经网络 219
6.5　习题 228
参考文献 230
第二部分　人工智能赋能6G通信
网络技术
第7章　6G无线通信和网络系统 232
7.1　6G无线通信和网络 233
7.1.1　6G用例和需求 234
7.1.2　6G时间表、技术要求和技术
挑战 236
7.1.3　6G关键技术 240
7.2　人工智能赋能的6G无线通信和
网络 250
7.2.1　人工智能和机器学习对物理层的
贡献 250
7.2.2　人工智能和机器学习对数据链路
层和网络层的贡献及开放式研究
挑战 252
7.3　习题 254
参考文献 255
第8章　人工智能赋能的物理层 257
8.1　人工智能赋能的物理层的设计
方法 258
8.2　使用自编码器的端到端物理层重新
设计 263
8.3　无线信道模型 270
8.4　信号检测与调制 271
8.5　信道估计 276
8.6　差错控制编码 283
8.7　MIMO 290
8.8　习题 299
参考文献 300
第9章　人工智能赋能的数据链
路层 303
9.1　人工智能赋能的数据链路层的设计
方法 303
9.2　无线资源分配和调度 308
9.2.1　无线网络中的资源分配问题和
凸优化 309
9.2.2　资源分配模型和性能度量指标 314
9.2.3　效用函数和资源分配公平性 324
9.2.4　基于AI技术的资源分配 334
9.3　基于AI技术的切换 342
9.4　习题 344
参考文献 345
第10章　人工智能赋能的网络层 349
10.1　人工智能赋能的网络层的设计
方法 349
10.2　蜂窝系统和网络 358
10.2.1　蜂窝网络的演变 358
10.2.2　蜂窝系统的概念 362
10.2.3　小区规划 372
10.3　网络流量预测 374
10.3.1　传统网络流量预测 374
10.3.2　人工智能网络流量预测 385
10.4　习题 389
参考文献 390
技术术语表 393

前言
蜂窝系统是逐步演进发展的，过渡期间新旧网络设备是共存的。以此类推，4G设备也将被5G新设备逐步取代，进而演进到5G通信系统。由于5G通信系统中引入了许多新功能，过渡到5G通信系统的时间要比4G通信系统更长。随着5G的部署，移动通信和网络研究组开始构想并探索6G通信系统的发展路线。相比5G，6G将对无线通信系统和网络提出更加智能化的高要求。为此，6G时代需要引入颠覆性的方法。6G通信系统将具备根据请求的服务类型重新定义网络的能力。6G的商业化也不再局限于参与游戏，而是成为游戏规则的制定者。为了支持新的业务和需求，需要引入新的技术。人工智能（artificial intelligence，AI）和机器学习（machine learning，ML）将成为6G的关键技术之一。现在，相关技术已趋于成熟，并在众多领域取得明显的成效。AI和ML应用于生活的方方面面，使得人们的日常生活更加轻松。例如，地图和导航、人脸识别、文本自动纠错、搜索推荐等移动端应用都为生活带来了更多便利。此外，像聊天机器人、社交媒体和网银等广泛应用的业务也是基于AI和ML技术实现的。因此，许多专家和商人都期望这项技术能够显著提高人们的工作效率，并创造新的应用和服务。AI将在无线通信和网络中发挥关键作用，我们也期待AI能使通信系统和网络的设计与管理更智能化和安全化。关键问题不在于是否要在6G通信系统中引入AI，而在于何时以及如何引入。
本书介绍了面向无线通信和网络的AI技术，帮助读者针对每个通信和网络问题寻找最优、次优和折中的AI技术方案。本书面向的读者是具备一定无线通信和网络基础知识，并开始学习AI和ML技术的高年级本科生、研究生和年轻学者。通过本书，读者将了解到如何求解带有特定约束条件的问题，并意识到所求解方案的局限性。本书以循序渐进的方式介绍了无监督学习、监督学习、强化学习和深度学习等AI技术，并阐述了如何将这些技术应用于无线通信和网络系统。本书第一部分首先介绍了AI技术的基础知识，这将为读者提供AI技术的数学背景；接着介绍了无监督学习，包括层次聚类、分区聚类、关联规则挖掘和降维；然后介绍了监督学习，包括决策树、K-近邻算法和支持向量机。此外，该部分还介绍了线性回归、梯度下降算法和逻辑回归；随后介绍了强化学习，包括基于模型的方法和无模型的方法；最后介绍了深度学习，包括深度神经网络、卷积神经网络和循环神经网络。在第二部分，应用无线通信和网络技术结合AI技术对6G无线通信和网络系统进行了设计和优化；针对物理层、数据链路层和网络层，筛选并介绍了对应的关键算法。此外，该部分还介绍了AI技术在无线通信和网络系统中的应用。我们深入揭秘了AI技术是如何帮助无线通信和网络系统提升性能的。现如今，6G通信系统在学术界、标准化组织和产业界的讨论愈演愈烈。6G用例、需求和关键技术是现阶段讨论的主要议题。对于物理层，本书介绍了AI技术在无线信道模型、信号检测与调制、信道估计、差错控制编码，以及MIMO等方向的应用；对于数据链路层，主要集中于AI技术在资源分配方向的应用；对于网络层，则介绍了AI技术在蜂窝系统中的应用，并以网络流量预测作为AI技术在网络层的主要应用方向之一展开介绍。
感激芬兰VTT国家技术研究中心和Springer出版社的支持，感谢同事以及欧盟5G-HEART项目专家提供的有价值的意见和建议。同时，也感谢我的家人和朋友们的支持。

Haesik Kim
芬兰，奥卢