CN109921882A - 一种基于深度学习的mimo解码方法、装置及存储介质 - Google Patents

Abstract

本发明实施例公开了一种基于深度学习的MIMO解码方法、装置及存储介质，通过构建MIMO解码的训练数据集合，训练数据集合中包括多个训练数据；然后基于训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；在接收到待解码MIMO信号时，将待解码MIMO信号输入至神经网络模型进行MIMO解码，然后得到神经网络模型所输出的MIMO解码结果。通过本发明的实施，基于深度学习来设计用于联合MIMO检测和信道解码的神经网络模型，将MIMO检测和信道解码视为联合解码过程，并且通过训练来改善神经网络模型所输出结果的近似性，保证了MIMO解码的整体性能，具有更高的解码准确性以及更快的解码速度。

Description

一种基于深度学习的MIMO解码方法、装置及存储介质

技术领域

本发明涉及通信技术领域，尤其涉及一种基于深度学习的MIMO 解码方法、装置及存储介质。

背景技术

多天线技术，也称为多输入多输出(MIMO，Multiple-Input Multiple-Output)，是高级无线通信系统最重要的技术之一，理论上已经证实，MIMO可以随着发射和接收天线数量的增加而线性增加其频谱效率。在实际应用中，MIMO已经被合并到许多无线通信标准中，例如802.11n/ac和LTE 4G。

为了实现接近信道容量，相关技术中提出了例如低密度校验码和极化码等高级信道编码方案，这些信道码能保护数据流免受信道衰落、干扰和噪声的影响。而在接收端对信道码进行MIMO解码时，相关技术中通常所采用的两种MIMO接收器分别为线性MIMO接收器和迭代MIMO接收器，其中，线性MIMO接收器的MIMO检测和信道解码以顺序方式操作，也即消除多天线干扰之后，再执行信道解码，而由于线性MIMO检测引入了噪声放大和噪声相关，从而这种顺序线性MIMO检测和信道解码方案通常由于MIMO检测器的输出处的噪声模型与信道解码器的输入之间的不匹配导致较大的性能损失；而迭代MIMO接收器则是采用软输入软输出MIMO检测和信道解码，软MIMO检测器计算关于数据符号的外部信息，并将软信息传递到软信道解码器，然后由软信道解码器计算关于数据符号的新的外部信息，并将计算得到的新外部信息发送回软MIMO检测器以进行进一步的迭代，尽管迭代MIMO解码方案具有比线性MIMO解码方案更好的性能，但是由于迭代MIMO检测器的软输出的噪声模型与信道解码器的输入处的假设噪声模型之间的不匹配，从而它们的解仍然是近似的和次优的，并且，迭代信息交换还引入了较大的解码延迟。

发明内容

本发明实施例的主要目的在于提供一种基于深度学习的MIMO 解码方法、装置及存储介质，至少能够解决相关技术中采用线性 MIMO解码方案、迭代MIMO解码方案进行MIMO解码时的结果是近似和次优的，解码性能较低的问题。

为实现上述目的，本发明实施例第一方面提供了一种基于深度学习的MIMO解码方法，该方法包括：

构建多输入多输出MIMO解码的训练数据集合，所述训练数据集合中包括多个训练数据；

基于所述训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；

在接收到待解码MIMO信号时，将所述待解码MIMO信号输入至所述神经网络模型进行MIMO解码，然后得到所述神经网络模型所输出的MIMO解码结果。

为实现上述目的，本发明实施例第二方面提供了一种基于深度学习的MIMO解码装置，该装置包括：

训练集构建模块，用于构建MIMO解码的训练数据集合，所述训练数据集合中包括多个训练数据；

模型训练模块，用于基于所述训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；

解码模块，用于在接收到待解码MIMO信号时，将所述待解码 MIMO信号输入至所述神经网络模型进行MIMO解码，然后得到所述神经网络模型所输出的MIMO解码结果。

为实现上述目的，本发明实施例第三方面提供了一种电子装置，该电子装置包括：处理器、存储器和通信总线；

所述通信总线用于实现所述处理器和存储器之间的连接通信；

所述处理器用于执行所述存储器中存储的一个或者多个程序，以实现上述任意一种MIMO解码方法的步骤。

为实现上述目的，本发明实施例第四方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任意一种 MIMO解码方法的步骤。

根据本发明实施例提供的基于深度学习的MIMO解码方法、装置及存储介质，通过构建MIMO解码的训练数据集合，训练数据集合中包括多个训练数据；然后基于训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；在接收到待解码MIMO信号时，将待解码MIMO信号输入至神经网络模型进行MIMO解码，然后得到神经网络模型所输出的MIMO解码结果。通过本发明的实施，基于深度学习来设计用于联合MIMO检测和信道解码的神经网络模型，将MIMO检测和信道解码视为联合解码过程，并且通过训练来改善神经网络模型所输出结果的近似性，保证了MIMO解码的整体性能，具有更高的解码准确性以及更快的解码速度。

本发明其他特征和相应的效果在说明书的后面部分进行阐述说明，且应当理解，至少部分效果从本发明说明书中的记载变的显而易见。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为相关技术提供的MIMO发射器的数据处理示意图；

图2为本发明第一实施例提供的基于深度学习的MIMO解码方法的流程示意图；

图3为本发明第一实施例提供的一种DNN的体系架构示意图；

图4为本发明第二实施例提供的基于深度学习的MIMO解码装置的结构示意图；

图5为本发明第三实施例提供的电子装置的结构示意图。

具体实施方式

本实施方式首先对MIMO发射器的系统模型和接收的MIMO信号的格式进行介绍。在本实施方式中，考虑这样一个MIMO系统，包括MIMO发射器和MIMO接收器，MIMO发射器配备有M_T个天线，MIMO接收器配备M_R个天线，其中，M_T≤M_R，且有M_T个并行数据流，每个发射天线发送一个数据流。并假设每个发射-接收天线对之间的信道具有频率平坦衰落特性，并且信道状态在一个发送分组内保持恒定。

图1为MIMO发射器的数据处理示意图。在发射器侧，K信息比特的矢量b＝[b₁,b₂,…,b_K]^T首先被信道编码成由N＝K/R编码比特组成的码字矢量c＝[c₁,c₂,…,c_N]^T，其中R是码率，有效码字集由C表示， c∈C。矢量c中的编码比特被调制成长度为N/B的复数数据符号矢量其中B是每个复数数据符号的编码比特数。我们缩放调制星座，使得中的调制符号具有单位平均功率。再通过串行到并行的转换，矢量被分割成L个长度为M_T的连续数据矢量 {x₁,x₂,…,x_L}，即，然后，将L′个长度为M_T的导频矢量{p₁,p₂,…,p_L′}预先附加到数据矢量{x₁,x₂,…,x_L}，以形成M_T×(L′+L) 的信号矩阵X＝[X_p,X_d]，信号矩阵X表示一个发送的分组，其中X_d是包含数据矢量的M_T×L数据矩阵，并且X_p是包含导频矢量的M_T×L′导频矩阵。在实际应用中，可以假设L′≥M_T，以方便信道估计。在第 t时隙期间，发射天线同时发射信号矩阵X中第t列向量的M_T符号，其中t∈{1,2,…,L′,L′+1,L′+2,…,L′+L}。在接收器侧，接收信号被写入 M_R×(L′+L)的矩阵Y＝[y₁,y₂,…,y_L′+L]其中第t矢量y_t包含M_R接收天线在第t时隙的接收信号。接收信号矩阵可写为：

其中，假设复数信道矩阵H具有零均值，方差为的独立高斯分布，W是具有零均值和单位方差的加性高斯白噪声(AWGN)矩阵，矩阵大小为M_R×(L′+L)。我们还将接收信号矩阵和AWGN矩阵都各自划分为两个子矩阵，Y＝[Y_p,Y_d]W＝[W_p,W_d]，其中Y_p为M_R×L′的包含导频矢量的接收信号的矩阵，Y_d为M_R×L的包含数据矢量的接收信号矢量的矩阵，W_p、W_d则分别是包含Y_p、Y_d噪声分量的矩阵。MIMO 接收器的目的则是从接收信号矩阵解码出发送的信息比特。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

第一实施例：

为了解决相关技术中采用线性MIMO解码方案、迭代MIMO解码方案进行MIMO解码时的结果是近似和次优的，解码性能较低的技术问题，本实施例提出了一种基于深度学习的MIMO解码方法，如图2所示为本实施例提供的基于深度学习的MIMO解码方法的流程示意图，本实施例提出的基于深度学习的MIMO解码方法包括以下的步骤：

步骤201、构建MIMO解码的训练数据集合，训练数据集合中包括多个训练数据。

具体的，神经网络在监督学习的框架下进行训练，从而本实施例中需要构建训练数据集合，从而基于训练数据集合中的多个训练数据来训练神经网络。

在本实施例一种可选的实施方式中，构建多输入多输出MIMO 解码的训练数据集合基于在MIMO接收器侧模拟MIMO发射器的功能模块来实现，也即：首先对接收到的导频信号进行信道估计而得到信道矩阵估计值并基于所模拟的MIMO发射器功能模块对源比特随机生成器所生成的多个二进制矢量b⁽ⁱ⁾，i＝1,2,…,Z，分别进行处理而变换为数据矩阵然后对各以及预设的加性高斯白噪声矩阵AWGN进行函数计算，得到对应的训练数据；函数描述如下：

其中，M_T为所模拟的MIMO发射器功能模块中天线的数量，为AWGN；

最后将所有的训练数据构建为MIMO解码的训练数据集合；训练数据集合描述如下：

具体的，在本实施例中，MIMO接收器侧模拟设置有执行图1 中数据处理流程的相关功能模块，以及源比特随机生成器，本实施例中接收器侧用从接收的导频信号计算出信道矩阵估计值并且通过源比特随机生成器随机地生成多个长度为K的二进制矢量b⁽ⁱ⁾，然后由所模拟的功能模块对每个二进制矢量b⁽ⁱ⁾进行信道编码、调制、串并转换、预置导频等处理，而使得二进制矢量b⁽ⁱ⁾变换为数据矩阵然后将与的乘积与加性高斯白噪声矩阵相加产生对应的训练数据，其中，为训练数据集合中第i个训练数据，b⁽ⁱ⁾为训练数据所对应的标签，该训练集关联于信道矩阵估计值

在本实施例一种可选的实施方式中，b⁽ⁱ⁾为短代码。具体的，对神经网络具有重要意义的变量是中的数据符号，因此，变量空间的大小为2^K，其中K是b⁽ⁱ⁾的长度，b⁽ⁱ⁾与之间具有一对一的映射：在实际应用中，如果DNN可以看到所有可能的码字，则 DNN的解码性能可达到最佳，由此，本实施例采用短代码并使用所有不同的码字来训练神经网络，采用短代码来训练神经网络，可以有效降低神经网络训练时的复杂度。

步骤202、基于训练数据集合对神经网络进行训练，得到训练完成的神经网络模型。

具体的，本实施例中基于所构建的训练数据集合，在特定的训练环境下采用一定的优化算法进行神经网络模型训练，其中在训练时的学习率和训练次数根据实际需求而定，在此不作唯一限定。

在本实施例一种可选的实施方式中，神经网络包括深度神经网络DNN、卷积神经网络CNN、循环神经网络RNN中任意一种。

具体的，在实际应用中，可以根据不同的使用场景来选用不同类型的神经网络训练用于MIMO解码的神经网络模型，由于DNN具有较好的一维数据处理能力，本实施例中优选的选用DNN来训练神经网络模型。

在本实施例一种可选的实施方式中，本实施例中的DNN包括：一个输入层、六个隐藏层以及一个输出层；其中，输入层以及隐藏层的激活函数为线性整流单元ReLu函数，输出层的激活函数为Sigmoid 函数，隐藏层的ReLu函数之前还具有批标准化层。

具体的，本实施例中借助深度学习软件工具包Keras部署一个具有一个输入层，六个隐藏层和一个输出层的DNN。其中，输入层和隐藏层中神经元的非线性激活函数为修正线性单元(ReLu，Rectified linear unit)函数。输入层为全连接层，而每个隐藏层也具有全连接层，不同的是，在隐藏层中，批标准化(Batch Normalization)层会加在Relu函数之前，输出层则为带有Sigmoid函数的全连接层。如图3所示为本实施例提供的一种DNN的体系架构，由六个隐藏层组成，分别具有512、356、128、64、32和16个神经元。

在本实施例一种可选的实施方式中，在神经网络为DNN时，基于训练数据集合对神经网络进行训练包括：将训练数据集合以及同时输入至DNN；采用随机梯度下降(SGD，Stochastic Gradient Descent) 算法对DNN进行训练；算法描述如下：

其中，θ是DNN中权重的集合，为第k个b⁽ⁱ⁾中的第k个目标信息比特，为的软估计值。

具体的，本实施例中采用SGD算法作为DNN训练算法，其中 DNN训练的过程即为DNN权重的优化过程，在训练过程中将DNN 权重不断收敛，本实施例将训练数据作为输入馈送至DNN，并信道矩阵估计值一同传入DNN，然后通过交叉熵(cross entropy)损失函数来优化DNN权重，在训练完成后，DNN的权重固定为该DNN模型解码实际接收到的MIMO信号时的输出结果可以表示为

应当说明的是，在实际应用中，通过多个epoch训练DNN，在每个epoch中，本实施例中还可以使用随机梯度下降优化算法(Adam算法)来计算损失函数在整个训练数据集合上的梯度。其中，每个训练数据集合可以具有2^K个完全不同的码字，其中K为信息比特长度。可以令epoch＝10⁵，并在具有不同信噪比(例如从0dB到6dB)的训练数据集合上训练DNN。

步骤203、在接收到待解码MIMO信号时，将待解码MIMO信号输入至神经网络模型进行MIMO解码，然后得到神经网络模型所输出的MIMO解码结果。

具体的，当本实施例的MIMO接收器侧接收到MIMO发射器侧发送过来的MIMO信号时，采用前述所训练得到的神经网络模型对其进行联合解码，也即将接收到的MIMO信号输入至该神经网络模型而完成MIMO检测和信道解码的联合过程。

根据本发明实施例提供的基于深度学习的MIMO解码方法，通过构建MIMO解码的训练数据集合，训练数据集合中包括多个训练数据；然后基于训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；在接收到待解码MIMO信号时，将待解码MIMO信号输入至神经网络模型进行MIMO解码，然后得到神经网络模型所输出的MIMO解码结果。基于深度学习来设计用于联合MIMO检测和信道解码的神经网络模型，将MIMO检测和信道解码视为联合解码过程，并且通过训练来改善神经网络模型所输出结果的近似性，保证了MIMO解码的整体性能，具有更高的解码准确性以及更快的解码速度。

第二实施例：

本实施例示出了一种基于深度学习的MIMO解码装置，如图4 所示为本实施例提供的MIMO解码装置的结构示意图，为了解决现有技术中采用线性MIMO解码方案、迭代MIMO解码方案进行MIMO 解码时的结果是近似和次优的，解码性能较低的技术问题，本实施例的MIMO解码装置包括：

训练集构建模块401，用于构建MIMO解码的训练数据集合，训练数据集合中包括多个训练数据；

模型训练模块402，用于基于训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；

解码模块403，用于在接收到待解码MIMO信号时，将待解码 MIMO信号输入至神经网络模型进行MIMO解码，然后得到神经网络模型所输出的MIMO解码结果。

具体的，本实施例中基于所构建的训练数据集合，在特定的训练环境下采用一定的优化算法进行神经网络模型训练，对神经网络模型的权重进行优化，在训练完成后，采用所训练得到的神经网络模型对接收到的MIMO信号进行联合解码，也即将接收到的MIMO信号输入至该神经网络模型而完成MIMO检测和信道解码的联合过程。

在本实施例的一些实施方式中，神经网络包括深度神经网络 DNN、卷积神经网络CNN、循环神经网络RNN中任意一种。

进一步地，在本实施例的一些实施方式中，DNN包括：一个输入层、六个隐藏层以及一个输出层；其中，输入层以及隐藏层的激活函数为线性整流单元ReLu函数，输出层的激活函数为Sigmoid函数，隐藏层的ReLu函数之前还具有批标准化层。

更进一步地，在本实施例的一些实施方式中，训练集构建模块 401具体用于对接收到的导频信号进行信道估计而得到信道矩阵估计值并基于所模拟的MIMO发射器功能模块对源比特随机生成器所生成的多个二进制矢量b⁽ⁱ⁾，i＝1,2,…,Z，分别进行处理而变换为数据矩阵然后对各以及预设的加性高斯白噪声矩阵 AWGN进行函数计算，得到对应的训练数据；函数描述如下：

其中，M_T为所模拟的MIMO发射器功能模块中天线的数量，为AWGN；

最后将所有的训练数据构建为MIMO解码的训练数据集合；训练数据集合描述如下：

应当说明的是，在本实施例的一些优选实施方式中，b⁽ⁱ⁾为短代码。

更进一步地，在本实施例的一些实施方式中，模型训练模块402 具体用于将训练数据集合以及同时输入至DNN；然后采用随机梯度下降SGD算法对DNN进行训练；算法描述如下：

其中，为第k个b⁽ⁱ⁾中的第k个目标信息比特，为的软估计值。

采用本实施例提供的基于深度学习的MIMO解码装置，通过构建MIMO解码的训练数据集合，训练数据集合中包括多个训练数据；然后基于训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；在接收到待解码MIMO信号时，将待解码MIMO信号输入至神经网络模型进行MIMO解码，然后得到神经网络模型所输出的 MIMO解码结果。基于深度学习来设计用于联合MIMO检测和信道解码的神经网络模型，将MIMO检测和信道解码视为联合解码过程，并且通过训练来改善神经网络模型所输出结果的近似性，保证了 MIMO解码的整体性能，具有更高的解码准确性以及更快的解码速度。

第三实施例：

本实施例提供了一种电子装置，参见图5所示，其包括处理器 501、存储器502及通信总线503，其中：通信总线503用于实现处理器501和存储器502之间的连接通信；处理器501用于执行存储器502中存储的一个或者多个计算机程序，以实现上述实施例一中的基于深度学习的MIMO解码方法中的至少一个步骤。

本实施例还提供了一种计算机可读存储介质，该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM (Random Access Memory，随机存取存储器),ROM(Read-Only Memory，只读存储器),EEPROM(Electrically Erasable Programmable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。

本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序，其存储的一个或者多个计算机程序可被处理器执行，以实现上述实施例一中的方法的至少一个步骤。

本实施例还提供了一种计算机程序，该计算机程序可以分布在计算机可读介质上，由可计算装置来执行，以实现上述实施例一中的方法的至少一个步骤；并且在某些情况下，可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。

本实施例还提供了一种计算机程序产品，包括计算机可读装置，该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。

可见，本领域的技术人员应该明白，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。

此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。所以，本发明不限制于任何特定的硬件和软件结合。

以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种基于深度学习的MIMO解码方法，其特征在于，包括：

构建多输入多输出MIMO解码的训练数据集合，所述训练数据集合中包括多个训练数据；

基于所述训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；

在接收到待解码MIMO信号时，将所述待解码MIMO信号输入至所述神经网络模型进行MIMO解码，然后得到所述神经网络模型所输出的MIMO解码结果。

2.如权利要求1所述的基于深度学习的MIMO解码方法，其特征在于，所述神经网络包括深度神经网络DNN、卷积神经网络CNN、循环神经网络RNN中任意一种。

3.如权利要求2所述的基于深度学习的MIMO解码方法，其特征在于，所述DNN包括：一个输入层、六个隐藏层以及一个输出层；其中，所述输入层以及隐藏层的激活函数为线性整流单元ReLu函数，所述输出层的激活函数为Sigmoid函数，所述隐藏层的所述ReLu函数之前还具有批标准化层。

4.如权利要求1至3中任意一项所述的基于深度学习的MIMO解码方法，其特征在于，所述构建多输入多输出MIMO解码的训练数据集合包括：

对接收到的导频信号进行信道估计而得到信道矩阵估计值并基于所模拟的MIMO发射器功能模块对源比特随机生成器所生成的多个二进制矢量b⁽ⁱ⁾，i＝1,2,…,Z，分别进行处理而变换为数据矩阵

对各所述以及预设的加性高斯白噪声矩阵AWGN进行函数计算，得到对应的训练数据；所述函数描述如下：

其中，M_T为所模拟的MIMO发射器功能模块中天线的数量，为所述AWGN；

将所有的所述训练数据构建为MIMO解码的训练数据集合；所述训练数据集合描述如下：

5.如权利要求4所述的基于深度学习的MIMO解码方法，其特征在于，所述b⁽ⁱ⁾为短代码。

6.如权利要求4所述的基于深度学习的MIMO解码方法，其特征在于，在所述神经网络为DNN时，所述基于所述训练数据集合对神经网络进行训练包括：

将所述训练数据集合以及所述同时输入至所述DNN；

采用随机梯度下降SGD算法对所述DNN进行训练；所述算法描述如下：

其中，θ是所述DNN中权重的集合，为第k个所述b⁽ⁱ⁾中的第k个目标信息比特，为所述的软估计值。

7.一种基于深度学习的MIMO解码装置，其特征在于，包括：

训练集构建模块，用于构建MIMO解码的训练数据集合，所述训练数据集合中包括多个训练数据；

模型训练模块，用于基于所述训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；

解码模块，用于在接收到待解码MIMO信号时，将所述待解码MIMO信号输入至所述神经网络模型进行MIMO解码，然后得到所述神经网络模型所输出的MIMO解码结果。

8.一种电子装置，其特征在于，包括：处理器、存储器和通信总线；

所述通信总线用于实现所述处理器和存储器之间的连接通信；

所述处理器用于执行所述存储器中存储的一个或者多个程序，以实现如权利要求1至6中任意一项所述的MIMO解码方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至6中任意一项所述的MIMO解码方法的步骤。