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 PDF

Info

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
Application number
CN201811067653.6A
Other languages
English (en)
Other versions
CN109391315A (zh
Inventor
金石
何恒涛
温朝凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201811067653.6A priority Critical patent/CN109391315B/zh
Publication of CN109391315A publication Critical patent/CN109391315A/zh
Application granted granted Critical
Publication of CN109391315B publication Critical patent/CN109391315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种数据模型双驱动的MIMO接收机
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
Figure GDA0003103489210000011
计算得到错误方差向量
Figure GDA0003103489210000012
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
Figure GDA0003103489210000013
和线性估计器Wt计算得到初始估计向量rt和误差
Figure GDA0003103489210000014
并根据初始估计向量rt和误差
Figure GDA0003103489210000021
采用最小均方误差去噪器MMSE计算得到后验概率均值
Figure GDA0003103489210000022
同时将所得后验概率均值
Figure GDA0003103489210000023
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
Figure GDA0003103489210000024
进一步地，作为本发明的一种优选技术方案，所述方法中计算错误方差向量
Figure GDA0003103489210000025
采用公式：
Figure GDA0003103489210000026
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；。
进一步地，作为本发明的一种优选技术方案，所述方法中计算初始估计向量rt和误差
Figure GDA0003103489210000027
采用公式：
Figure GDA0003103489210000028
Figure GDA0003103489210000029
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)
其中
Figure GDA0003103489210000031
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：
Figure GDA0003103489210000032
其中，
Figure GDA0003103489210000033
为复数域MIMO信道矩阵。
(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
Figure GDA0003103489210000034
网络初始值
Figure GDA0003103489210000035
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：
a.首先，网络初始值
Figure GDA0003103489210000036
第t层网络根据(t-1)层网络的输出
Figure GDA0003103489210000037
信道状态信息H和接收信号y计算错误方差向量
Figure GDA0003103489210000038
Figure GDA0003103489210000039
具体表达式如下：
Figure GDA0003103489210000041
b.第t层网络根据(t-1)层的输出
Figure GDA0003103489210000042
信道状态信息H，待训练参数(γt,θt)，接收信号y,错误方差向量
Figure GDA0003103489210000043
和线性估计器Wt计算初始估计向量rt和误差
Figure GDA0003103489210000044
rt和
Figure GDA0003103489210000045
的计算过程如下：
Figure GDA0003103489210000046
Figure GDA0003103489210000047
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：
Figure GDA0003103489210000048
其中
Figure GDA0003103489210000049
同时(γt,θt)为待训练参数，需要通过深度学习技术进行优化。
c.第t层网络通过初始估计向量rt和误差
Figure GDA00031034892100000410
采用最小均方误差去噪器MMSE计算后验概率均值
Figure GDA00031034892100000411
同时将后验概率均值
Figure GDA00031034892100000412
输出并传递到下一层网络。所述后验概率均值
Figure GDA00031034892100000413
计算公式为：
Figure GDA00031034892100000414
本实施例中发送符号为离散的QPSK调制符号，因此公式(7)中
Figure GDA00031034892100000415
的每一个分量具体计算表达式为：
Figure GDA00031034892100000416
其中，
Figure GDA00031034892100000417
sj为发送信号星座点集合S中第j个元素；p(sj)为发送符号sj的概率，ri为初始估计向量rt中的第i个元素；其中
Figure GDA0003103489210000051
si为发送信号星座点集合S中第i个元素，以及
Figure GDA0003103489210000052
Q为调制阶数。
所述第t层网络将后验概率均值
Figure GDA0003103489210000053
输出并传递到下一层网络后，最终，由第T层网络输出发送信号的估计值
Figure GDA0003103489210000054
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
Figure GDA0003103489210000055
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)

1.一种数据模型双驱动的MIMO接收机，其特征在于：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
Figure FDA0003103489200000011
计算得到错误方差向量
Figure FDA0003103489200000012
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
Figure FDA0003103489200000013
和线性估计器Wt计算得到初始估计向量rt和误差
Figure FDA0003103489200000014
并根据初始估计向量rt和误差
Figure FDA0003103489200000015
采用最小均方误差去噪器MMSE计算得到后验概率均值
Figure FDA0003103489200000016
同时将所得后验概率均值
Figure FDA0003103489200000017
输出并传递至下一层网络；由第T层网络输出发送信号的估计值
Figure FDA0003103489200000018
2.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：所述计算错误方差向量
Figure FDA0003103489200000019
采用公式：
Figure FDA00031034892000000110
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。
3.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：所述计算初始估计向量rt和误差
Figure FDA00031034892000000111
采用公式：
Figure FDA00031034892000000112
Figure FDA00031034892000000113
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。
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。
6.根据权利要求5所述数据模型双驱动的MIMO接收机，其特征在于：所述线性最小均方误差LMMSE矩阵，具体为：
Figure FDA0003103489200000021
其中，
Figure FDA0003103489200000022
N为发送端天线数目；σ2为噪声方差；I表示单位矩阵。
7.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：所述计算后验概率均值
Figure FDA0003103489200000023
采用公式：
Figure FDA0003103489200000024
其中，后验概率均值
Figure FDA0003103489200000025
的每一个分量为：
Figure FDA0003103489200000026
sj为发送信号星座点集合S中第j个元素；p(sj)为发送符号sj的概率，ri为初始估计向量rt中的第i个元素；并且，其中
Figure FDA0003103489200000027
si为发送信号星座点集合S中第i个元素；以及
Figure FDA0003103489200000028
Q为调制阶数。
CN201811067653.6A 2018-09-13 2018-09-13 一种数据模型双驱动的mimo接收机 Active CN109391315B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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