CN109391315B - 一种数据模型双驱动的mimo接收机 - Google Patents
一种数据模型双驱动的mimo接收机 Download PDFInfo
- Publication number
- CN109391315B CN109391315B CN201811067653.6A CN201811067653A CN109391315B CN 109391315 B CN109391315 B CN 109391315B CN 201811067653 A CN201811067653 A CN 201811067653A CN 109391315 B CN109391315 B CN 109391315B
- Authority
- CN
- China
- Prior art keywords
- network
- error
- data model
- drive
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/0848—Joint weighting
- H04B7/0854—Joint weighting using error minimizing algorithms, e.g. minimum mean squared error [MMSE], "cross-correlation" or matrix inversion
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种数据模型双驱动的MIMO接收机,由T层相同结构的网络串联而成,其中每层网络均包括最小均方误差去噪器和线性估计器;将信道状态信息和接收信号作为每层网络的输入,其中第t层网络结合第(t‑1)层网络的输出计算得到错误方差向量;第t层网络根据输入的待训练参数、错误方差估计向量和线性估计器计算得到外信息,并根据外信息采用最小均方误差去噪器计算得到后验概率均值,同时输出并传递至下一层网络;由第T层网络输出发送符号的估计值。本发明可以大幅提升网络性能,实现动态更新,网络自适应,可提升接收机性能,在传统迭代接收机的基础上获得显著的性能增益。
Description
技术领域
本发明涉及一种数据模型双驱动的MIMO接收机,属于无线通信技术领域。
背景技术
MIMO系统因其可以提高网络的频谱效率和链路可靠性成为大量无线通信标准的主流技术。MIMO接收机是MIMO系统设计中重要的环节。近年来,迭代接收机成为MIMO系统的研究热点。由于其优异的性能和适当的计算复杂度,大量的迭代接收机算法被提出。然而随着无线通信的发展和业务需求,未来的无线通信系统被要求具有智能性,能够实现动态更新,网络自适应。然而,现有的迭代接收算法并不能满足要求。
近年来,机器学习尤其是深度学习,在计算机视觉和自然语言处理等领域取得了巨大成功。同时,越来越多的研究者开始考虑将深度学习与无线通信结合。前期的研究成果集中于应用层和网络层,主要是将机器学习特别是深度学习应用到无线资源管理和分配等领域。目前,该方面研究工作正在向MAC层和物理层推进,特别是在物理层已经出现无线传输与深度学习相结合的趋势,然而,该领域各项研究目前处于初步探索阶段。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足,提供一种数据模型双驱动的MIMO接收机,解决如何将无线传输与深度学习相结合,提高网络自适应的问题。在原有迭代接收机的基础上引入深度学习技术,提升接收性能。
本发明具体采用以下技术方案解决上述技术问题:
一种数据模型双驱动的MIMO接收机,由T层相同结构的网络串联而成,其中每层网络均包括最小均方误差去噪器MMSE和线性估计器Wt;
将信道状态信息H和接收信号y作为每层网络的输入,其中第t层网络结合第(t-1)层网络的输出计算得到错误方差向量并且,所述第t层网络根据输入的待训练参数(γt,θt)、错误方差向量和线性估计器Wt计算得到初始估计向量rt和误差并根据初始估计向量rt和误差采用最小均方误差去噪器MMSE计算得到后验概率均值同时将所得后验概率均值输出并传递至下一层网络;由第T层网络输出发送符号的估计值
其中,M为接收端天线数目;σ2为噪声方差;HT为信道状态信息H的转置;。
其中,N为发送端天线数目;矩阵Ct=I-θtWtH;σ2为噪声方差;I表示单位矩阵。
进一步地,作为本发明的一种优选技术方案:所述方法中线性估计器Wt为信道状态信息H的转置或伪逆。
进一步地,作为本发明的一种优选技术方案:所述方法中线性估计器Wt为信道状态信息H的线性最小均方误差LMMSE矩阵。
本发明采用上述技术方案,能产生如下技术效果:
本发明将数据模型双驱动的深度神经网络应用于无线通信接收机中,在传统迭代接收机的基础上引入深度神经网络,合理地设计神经网络结构,以原始的迭代接收机为网络基本结构,通过深度学习技术优化训练参数,可以大幅提升网络性能,实现动态更新,网络自适应。同时训练过程以原始的迭代接收机为初始值,需要训练的参数很少,训练所需时间很短,可以在传统迭代接收机的基础上获得显著的性能增益。该接收机既可以采取线下训练、线上部署的方案,也可以实现线上训练、线上部署。
附图说明
图1为本发明数据模型双驱动的MIMO接收机的结构示意图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示,本发明实施例提供的一种数据模型双驱动的MIMO接收机系统框图,本发明在传统迭代接收机的基础上引入深度学习,提升接收机性能。本发明通过展开传统的迭代接收机,利用传统算法作为初始值,然后通过深度学习技术对接收机进行优化,实现动态更新,网络自适应,可以在传统迭代接收机的基础上获得显著的性能增益。本发明的方法具体包括以下步骤:
(1)由于深度学习网络通常处理实数域数据,需要考虑等效的实数域MIMO系统模型如下:
y=Hx+n (1)
y,x,n分别为复数域接收信号,发送信号和高斯白噪声。Re(·)和Im(·)表示取实部和虚部操作,(·)T表示矩阵转置。等效的实数域信道为:
(2)该接收机由T层网络串联而成,每一层网络具有相同的结构,均包括最小均方误差去噪器MMSE和线性估计器Wt。网络结构是通过正交近似消息传递算法OAMP展开获得。该接收机的输入是信道状态信息H和接收信号y,输出是发送信号的估计值网络初始值M,N分别为接收端和发送端天线数目,σ2为噪声方差,待训练参数为(γt,θt)。由于每一层网络结构相同,现以第t层为例,每一层网络实施以下步骤:
其中矩阵Ct=I-θtWtH。σ2为噪声方差;I表示单位矩阵;线性估计器Wt可以是信道状态信息H的转置或伪逆,或线性最小均方误差矩阵LMMSE。
本实施例中,线性估计器Wt使用线性最小均方误差LMMSE矩阵:
d.对上述网络进行监督学习的训练,训练参数为(γt,θt),训练的输入值是接收信号y和信道状态信息H,训练的标签值为真实的发送符号x。损失函数是平方误差损失优化器是Adam优化器。训练时采用小批量梯度下降,每轮内采用5000个批量,每个批量的大小为100条样本。一共训练10000轮,学习速率设置为0.001,训练结束后,迭代接收机可按照公式(3)至(5)计算发送信号的估计值。
综上,本发明以原始的迭代接收机为网络基本结构,通过深度学习技术优化训练参数,可以大幅提升网络性能,实现动态更新,网络自适应,可提升接收机性能,在传统迭代接收机的基础上获得显著的性能增益。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
4.根据权利要求1所述数据模型双驱动的MIMO接收机,其特征在于:所述线性估计器Wt为信道状态信息H的转置或伪逆。
5.根据权利要求1所述数据模型双驱动的MIMO接收机,其特征在于:所述线性估计器Wt为信道状态信息H的线性最小均方误差LMMSE矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811067653.6A CN109391315B (zh) | 2018-09-13 | 2018-09-13 | 一种数据模型双驱动的mimo接收机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811067653.6A CN109391315B (zh) | 2018-09-13 | 2018-09-13 | 一种数据模型双驱动的mimo接收机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109391315A CN109391315A (zh) | 2019-02-26 |
CN109391315B true CN109391315B (zh) | 2021-07-20 |
Family
ID=65418685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811067653.6A Active CN109391315B (zh) | 2018-09-13 | 2018-09-13 | 一种数据模型双驱动的mimo接收机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109391315B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110719239B (zh) * | 2019-09-29 | 2022-03-11 | 东南大学 | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 |
CN112910600A (zh) * | 2019-12-04 | 2021-06-04 | 中兴通讯股份有限公司 | 译码结果的确定方法、装置、存储介质及电子装置 |
CN114650199A (zh) * | 2021-12-30 | 2022-06-21 | 南京戎智信息创新研究院有限公司 | 一种基于数据驱动的深度神经网络信道估计方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103296995A (zh) * | 2013-06-01 | 2013-09-11 | 中国人民解放军电子工程学院 | 任意维高阶(≥4阶)无味变换与无味卡尔曼滤波方法 |
CN103338168A (zh) * | 2013-05-28 | 2013-10-02 | 哈尔滨工业大学 | 基于加权分数傅立叶变换的双弥散信道下的迭代时域最小均方误差均衡方法 |
CN103428130A (zh) * | 2013-08-30 | 2013-12-04 | 电子科技大学 | 一种消除脉冲噪声的最小均方误差线性均衡方法 |
CN105656538A (zh) * | 2015-12-30 | 2016-06-08 | 东南大学 | 一种大规模mimo系统的低复杂度置信传播检测算法 |
CN107770103A (zh) * | 2017-09-18 | 2018-03-06 | 东南大学 | 一种基于ssor迭代的大规模mimo信号检测方法 |
CN108390836A (zh) * | 2018-01-10 | 2018-08-10 | 南京邮电大学 | 一种大规模mimo系统上行信道估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9042493B2 (en) * | 2012-11-27 | 2015-05-26 | Samsung Electronics Co., Ltd. | Method and apparatus for iteratively detecting and decoding signal in communication system with multiple-input and multiple-out (MIMO) channel |
-
2018
- 2018-09-13 CN CN201811067653.6A patent/CN109391315B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103338168A (zh) * | 2013-05-28 | 2013-10-02 | 哈尔滨工业大学 | 基于加权分数傅立叶变换的双弥散信道下的迭代时域最小均方误差均衡方法 |
CN103296995A (zh) * | 2013-06-01 | 2013-09-11 | 中国人民解放军电子工程学院 | 任意维高阶(≥4阶)无味变换与无味卡尔曼滤波方法 |
CN103428130A (zh) * | 2013-08-30 | 2013-12-04 | 电子科技大学 | 一种消除脉冲噪声的最小均方误差线性均衡方法 |
CN105656538A (zh) * | 2015-12-30 | 2016-06-08 | 东南大学 | 一种大规模mimo系统的低复杂度置信传播检测算法 |
CN107770103A (zh) * | 2017-09-18 | 2018-03-06 | 东南大学 | 一种基于ssor迭代的大规模mimo信号检测方法 |
CN108390836A (zh) * | 2018-01-10 | 2018-08-10 | 南京邮电大学 | 一种大规模mimo系统上行信道估计方法 |
Non-Patent Citations (2)
Title |
---|
Deep Learning-Based Channel Estimation for Beamspace mmWave Massive MIMO Systems;Hengtao He,Chao-Kai Wen,Shi Jin, Geoffrey Ye Li;《IEEE Wireless Communications Letters》;20180501;第7卷(第5期);第852-855页 * |
基于人工智能的无线传输技术最新研究进展;张静,金石等;《电信科学》;20180820;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109391315A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110719239B (zh) | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 | |
CN109617847A (zh) | 一种基于模型驱动深度学习的无循环前缀ofdm接收方法 | |
CN109391315B (zh) | 一种数据模型双驱动的mimo接收机 | |
CN109194595B (zh) | 一种基于神经网络的信道环境自适应ofdm接收方法 | |
CN107135041B (zh) | 一种基于相空间重构的rbf神经网络信道预测方法 | |
US11438039B2 (en) | Limited-feedback method and device based on machine learning in wireless communication system | |
CN109474388B (zh) | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 | |
CN112215335B (zh) | 一种基于深度学习的系统检测方法 | |
CN113541747B (zh) | 一种大规模mimo检测方法、装置和存储介质 | |
CN114499601B (zh) | 一种基于深度学习的大规模mimo信号检测方法 | |
Ponnaluru et al. | RETRACTED ARTICLE: Deep learning for estimating the channel in orthogonal frequency division multiplexing systems | |
CN113890795B (zh) | 大规模mimo信道估计模型的构建方法、装置及介质 | |
CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
CN104980202B (zh) | 一种大规模mimo系统中基于mcmc技术的上行链路检测方法 | |
CN109818891B (zh) | 一种格基约减辅助的低复杂度贪心球形译码检测方法 | |
US20230186079A1 (en) | Learning an optimal precoding policy for multi-antenna communications | |
CN110445525B (zh) | 一种多径信道下时域均衡波束赋形方法 | |
CN114301742B (zh) | 信道估计方法及装置 | |
CN114006797A (zh) | 一种用于高速视频通信的多天线均衡接收方法 | |
CN110868244B (zh) | 一种基于信道穿刺的低复杂度通信信号检测方法 | |
Elwekeil et al. | Deep learning based adaptive modulation and coding for uplink multi-user SIMO transmissions in IEEE 802.11 ax WLANs | |
CN107248876B (zh) | 基于稀疏贝叶斯学习的广义空间调制符号检测方法 | |
CN116488969B (zh) | 信道均衡方法、装置、设备和存储介质 | |
CN111769975A (zh) | Mimo系统信号检测方法及系统 | |
CN113992482B (zh) | 一种基于2ppj迭代的信号检测方法及其系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |