CN110429965B - 一种大规模多输入多输出系统上行信号检测方法 - Google Patents

一种大规模多输入多输出系统上行信号检测方法 Download PDF

Info

Publication number
CN110429965B
CN110429965B CN201910594401.7A CN201910594401A CN110429965B CN 110429965 B CN110429965 B CN 110429965B CN 201910594401 A CN201910594401 A CN 201910594401A CN 110429965 B CN110429965 B CN 110429965B
Authority
CN
China
Prior art keywords
neural network
signal
learning
noise
layer
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
CN201910594401.7A
Other languages
English (en)
Other versions
CN110429965A (zh
Inventor
陈月云
谢雅婷
买智源
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201910594401.7A priority Critical patent/CN110429965B/zh
Publication of CN110429965A publication Critical patent/CN110429965A/zh
Application granted granted Critical
Publication of CN110429965B publication Critical patent/CN110429965B/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
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0658—Feedback reduction
    • H04B7/0663—Feedback reduction using vector or matrix manipulations
    • 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
    • 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
    • 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
    • H04B7/0857—Joint weighting using maximum ratio combining techniques, e.g. signal-to- interference ratio [SIR], received signal strenght indication [RSS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明提供一种大规模多输入多输出系统上行信号检测方法，能够提高信号检测的精度，降低信号检测的复杂度。所述方法包括：获取大规模多输入多输出系统接收端接收到的信号矩阵；利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；利用去噪器学习信号矩阵中的等效噪声并进行移除，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；利用训练完成的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测。本发明涉及信号检测领域。

Description

一种大规模多输入多输出系统上行信号检测方法
技术领域
本发明涉及信号检测领域，特别是指一种大规模多输入多输出系统上行信号检测方法。
背景技术
随着无线通信技术的不断发展，各式各样的无线通信设备进入到人们的生活中，极大地提升了人们的工作效率和生活质量，但同时人们对数据传输的速度、带宽、性能等需求也与日俱增。
大规模多输入多输出(Massive Multiple-Input Multiple-Output,MassiveMIMO)技术将来自不同信道的信号进行线性组合可以缓解信道失真现象，通过增加基站侧天线的数目，大幅度降低发射功率，进一步提高信道容量和传输速率，同时可以将波束能量集中在一个非常窄的范围内，极大地削弱了衰落、干扰以及噪声对信号的影响。信号检测作为对信号进行处理的第一环，其误码性能和复杂度水平，对信号的还原有着至关重要的作用。所以一个优良的信号检测算法，不仅是能将信号还原的保证，也是在此基础上通信系统进一步发展的基石。
现有技术中，一般通过浅层神经网络进行信号检测，检测精度低且检测复杂度高。
发明内容
本发明要解决的技术问题是提供一种大规模多输入多输出系统上行信号检测方法，以解决现有技术所存在的通过浅层神经网络进行信号检测，检测精度低且检测复杂度高的问题。
为解决上述技术问题，本发明实施例提供一种大规模多输入多输出系统上行信号检测方法，包括：
获取大规模多输入多输出系统接收端接收到的信号矩阵，其中，信号矩阵是含有噪声的信号；
利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；
利用去噪器学习信号矩阵中的等效噪声并进行移除，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；
利用训练完成的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测。
进一步地，大规模多输入多输出上行链路传输系统的实数模型为：
y＝Hx+n
其中，y表示接收端接收到的信号矩阵，H表示瑞利衰落信道的信道矩阵，x表示发射端发射天线发送的信号矢量，n表示加性高斯白噪声矢量。
进一步地，学习去噪近似消息传递神经网络由L层相同的神经网络组成，每层神经网络都包含相同结构的去噪器和散度估计器；且2层相邻的神经网络之间通过级联的方式连接。
进一步地，第l层神经网络的输入是：接收到的信号矩阵y、第l-1层神经网络检测到的信号
Figure BDA0002117153160000021
以及第l-1层神经网络输出的残差向量zl；
第l层神经网络检测到的信号为：
Figure BDA0002117153160000022
其中，
Figure BDA0002117153160000023
表示经第l层神经网络检测到的信号；
Figure BDA0002117153160000024
为去噪器，
Figure BDA0002117153160000025
表示噪声标准偏差估计；
Figure BDA0002117153160000026
为第l-1层神经网络检测出的信号；zl为第l-1层神经网络输出的残差向量。
进一步地，噪声标准偏差估计表示为：
Figure BDA0002117153160000027
其中，||·||2表示2-范数；K表示发射端发射天线的数目。
进一步地，第l层神经网络输出的残差向量表示为：
Figure BDA0002117153160000031
其中，zl+1表示第l层神经网络输出的残差向量；H表示瑞利衰落信道的信道矩阵；K表示发射端发射天线的数目；
Figure BDA0002117153160000032
表示散度估计器；T表示矩阵转置。
进一步地，散度估计器采用蒙特卡罗近似去计算散度：
Figure BDA0002117153160000033
其中，
Figure BDA0002117153160000034
表示散度，
Figure BDA0002117153160000035
表示求均值，下标b指的是其采用的独立同分布随机向量；
Figure BDA0002117153160000036
表示一个独立同分布随机向量；ε是一个防止被除数为0的参数；rl为含噪信号，是第l层神经网络中的去噪器的输入信号，
Figure BDA0002117153160000037
进一步地，所述利用去噪器学习含噪信号，并从含噪信号中移除等效噪声，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪包括：
针对第l层神经网络，通过第l层神经网络中的去噪器学习含噪信号
Figure BDA0002117153160000038
将含噪信号
Figure BDA0002117153160000039
作为一个噪声信道矢量
Figure BDA00021171531600000310
其中，x表示发射端发射天线发送的信号矢量，
Figure BDA00021171531600000311
表示等效噪声，
Figure BDA00021171531600000312
从噪声信号rl中移除等效噪声
Figure BDA00021171531600000313
去检测
Figure BDA00021171531600000314
中的
Figure BDA00021171531600000315
输出
Figure BDA00021171531600000316
输入到第l+1层神经网络；
当l＝L时，将第L层神经网络检测出的信号
Figure BDA00021171531600000317
作为发送端发送的信号。
本发明的上述技术方案的有益效果如下：
上述方案中，获取大规模多输入多输出系统接收端接收到的信号矩阵，其中，信号矩阵是含有噪声的信号；利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；利用去噪器学习信号矩阵中的等效噪声并进行移除，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；利用训练完成的基于压缩图像恢复准则的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测，能够提高信号检测的精度，降低信号检测的复杂度，是一种有效的能够满足实时性要求的信号检测方法。
附图说明
图1为本发明实施例提供的大规模多输入多输出系统上行信号检测方法的流程示意图；
图2为本发明实施例提供的Massive MIMO上行链路传输系统模型示意图；
图3为本发明实施例提供的第l层神经网络的结构示意图；
图4为本发明实施例提供的第l层神经网络的工作流程示意图；
图5为本发明实施例提供的去噪器的结构示意图；
图6为本发明实施例提供的归一化均方误差曲线对比示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的通过浅层神经网络进行信号检测，检测精度低且检测复杂度高的问题，提供一种大规模多输入多输出系统上行信号检测方法。
实施例一
如图1所示，本发明实施例提供的大规模多输入多输出系统上行信号检测方法，包括：
S101，获取大规模多输入多输出系统接收端接收到的信号矩阵，其中，信号矩阵是含有噪声的信号；
S102，利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；
S103，利用去噪器学习信号矩阵中的等效噪声并进行移除，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；
S104，利用训练完成的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测。
本发明实施例所述的大规模多输入多输出系统上行信号检测方法，获取大规模多输入多输出系统接收端接收到的信号矩阵，其中，信号矩阵是含有噪声的信号；利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；利用去噪器学习信号矩阵中的等效噪声并进行移除，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；利用训练完成的基于压缩图像恢复准则的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测，能够提高信号检测的精度，降低信号检测的复杂度，是一种有效的能够满足实时性要求的信号检测方法。
本实施例中的学习去噪近似消息传递神经网络是利用可学习的近似消息传递算法，从接收端接收到的信号矩阵中学习信号并进行信号检测。
此外，本实施例中的学习去噪近似消息传递神经网络不同于训练一个相对任意的黑匣子(只知道输出结果，不清楚处理过程)来学习恢复信号，而是将迭代的信号恢复算法展开，将其结果视为一个深度网络，这样产生的网络行为易于理解，性能有保障，可预测网络缺点。本实施例中的学习去噪近似消息传递神经网络继承了迭代信号恢复算法和深度学习技术的优越性(例如，有足够的泛化和拟合性能)，具有优异的性能，可以应用于许多不同的测量矩阵。
为了更好地理解本发明实施例所述的大规模多输入多输出系统上行信号检测方法，对其进行详细说明：
首先在Massive MIMO上行链路传输系统中，用户终端发射的信号在信道中经过调制传输并叠加噪声后到达接收端的基站，在接收端，接收到相应的信号矩阵，其中，所述信号矩阵一般为大维度信号矩阵，优选地，维度一般大于128，维度越大，本实施例所述的大规模多输入多输出系统上行信号检测方法的检测精度越高。
如图2所示，图2为Massive MIMO上行链路传输系统模型示意图，每个数据流对应一根发射天线，一个发射端的用户终端可以同时使用一根或多根天线，发射端发射天线的数目为：
Figure BDA0002117153160000061
其中，M为基站同时服务的用户终端个数，Ki(1≤Ki≤K,N＞＞K)为第i个用户终端配置的天线数，N为接收端基站侧配置的天线数目。
本实施例中，用户终端传输的二进制比特经过高阶调制后映射为星座图中的一组符号，并且对其进行功率归一化，发射天线发送的K×1维的复数信号矢量为：
xc＝[xc1,xc2,...,xcK]T
其中，xc为发射天线传输发送的K×1维的复数信号矢量，xck为第k根天线发送的复数信号。
本实施例中，Massive MIMO上行链路传输系统的复数数学模型为：
yc＝Hcxc+nc
其中，Hc为N×K维的瑞利衰落信道的复数信道矩阵，nc＝[nc1,nc2,...,ncN]T为N×1维的复数加性高斯白噪声矢量，即
Figure BDA0002117153160000062
表明噪声矢量nc服从均值为0、方差为σ2的复高斯分布，yc＝[yc1,yc2,...,ycN]T为N×1维接收端基站接收到的复数信号矢量。
本实施例中，通过将复数值Hc投影到实值矩阵中，Massive MIMO的复数模型转换为一个相对应的实数模型为：
y＝Hx+n
其中，
Figure BDA0002117153160000063
本实施例中的学习去噪近似消息传递神经网络由L层相同的神经网络组成，每层神经网络都包含相同结构的去噪器和散度估计器，如图3所示；且2层相邻的神经网络之间通过级联的方式连接。
如图3和图4所示，第l层神经网络的输入是：接收到的信号矩阵y、第l-1层神经网络检测到的信号
Figure BDA0002117153160000064
以及第l-1层神经网络输出的残差向量zl，l的最大取值为L，其中，第1层输入的
Figure BDA0002117153160000071
和z1是依靠经验值确定；
第l层神经网络检测到的信号为：
Figure BDA0002117153160000072
其中，
Figure BDA0002117153160000073
表示经第l层神经网络检测到的信号；
Figure BDA0002117153160000074
为去噪器，
Figure BDA0002117153160000075
表示噪声标准偏差估计；
Figure BDA0002117153160000076
为第l-1层神经网络检测出的信号；zl为第l-1层神经网络输出的残差向量。
本实施例中，去噪器
Figure BDA0002117153160000077
的权重是噪声标准偏差估计
Figure BDA0002117153160000078
的函数，且噪声标准偏差估计
Figure BDA0002117153160000079
其中，||·||2表示2-范数；K表示发射端发射天线的数目。在训练期间学习去噪近似消息传递神经网络学习的参数仅有去噪器
Figure BDA00021171531600000710
的权重。
本实施例中，去噪器
Figure BDA00021171531600000711
的权重是去噪器中各个卷积层所采用的滤波器的权重，可通过去噪器的输入信号
Figure BDA00021171531600000712
学习权重。
本实施例中，第l层神经网络输出的残差向量表示为：
Figure BDA00021171531600000713
其中，zl+1表示第l层神经网络输出的残差向量；H表示瑞利衰落信道的信道矩阵；K表示发射端发射天线的数目；
Figure BDA00021171531600000714
表示散度估计器；T表示矩阵转置。
本实施例中，
Figure BDA00021171531600000715
为昂萨格(Onsager)修正项，它消除了中间解的偏差，使得下文中的等效噪声遵循典型图像去噪器所期望的加性高斯白噪声模型。
本实施例中，如图4所示，散度估计器采用蒙特卡罗近似去计算散度：
Figure BDA00021171531600000716
其中，
Figure BDA00021171531600000717
表示散度，
Figure BDA00021171531600000718
表示求均值，下标b指的是其采用的独立同分布随机向量；
Figure BDA00021171531600000719
表示一个独立同分布随机向量；ε是一个防止被除数为0的参数，其取值是一个极微小的量，例如，ε＝||xl||∞/1000；rl为含噪信号，是第l层神经网络中的去噪器的输入信号，
Figure BDA0002117153160000081
本实施例中，第l层神经网络输入的是接收到的信号矩阵y、第l-1层神经网络检测到的信号
Figure BDA0002117153160000082
以及第l-1层神经网络输出的残差向量zl；针对第l层神经网络，通过第l层神经网络中的去噪器学习含噪信号
Figure BDA0002117153160000083
确定学习的残余噪声(HTzl)，将含噪信号
Figure BDA0002117153160000084
作为一个噪声信道矢量
Figure BDA0002117153160000085
其中，x表示发射端发射天线发送的信号矢量，
Figure BDA0002117153160000086
表示等效噪声，
Figure BDA0002117153160000087
表示等效噪声
Figure BDA0002117153160000088
服从均值为0，方差为
Figure BDA0002117153160000089
的高斯分布；从噪声信号rl中移除等效噪声
Figure BDA00021171531600000810
去检测
Figure BDA00021171531600000811
中的
Figure BDA00021171531600000812
输出
Figure BDA00021171531600000813
输入到第l+1层神经网络；当l＝L时，将第L层神经网络检测出的信号
Figure BDA00021171531600000814
作为发送端发送的信号。
本实施例中，针对第l层神经网络，根据
Figure BDA00021171531600000815
zl、接收信号y以及通过蒙特卡罗近似计算的散度输出残差向量zl+1。
图5为去噪器的结构示意图，所述去噪器通过残差学习来学习参数，可以处理噪声水平未知的高斯去噪问题，它相比于其他竞争技术更准确和快速。去噪器将含噪信号
Figure BDA00021171531600000816
作为输入，通过学习残余噪声HTzl产生残差向量zl+1，并完成从含噪信号到去噪信号的映射。这样的残差学习使网络去除高度结构化的信号(指的是去噪器输入的有用信号
Figure BDA00021171531600000817
)，而不是非结构化噪声，因此，残差学习改善了网络的训练时间和准确性。所述去噪器包含了20个卷积层，第一个卷积层使用64个不同的3x3x1的滤波器，然后再使用一个整流线性单元(rectified linear unit,ReLU)；随后的18个卷积层分别使用64个不同的3x3x64的滤波器，每一层滤波器后都跟着一个批量标准化(batch-normalization,BN)和一个ReLU，最后一个卷积层使用一个单独的3x3x64的滤波器去重建信号。
经实验表明，本发明实现了利用学习去噪的学习去噪近似消息传递神经网络进行Massive MIMO系统上行信号检测，从而在信号检测中获得良好的归一化均方误差性能，其中，归一化均方误差为：
Figure BDA0002117153160000091
图6为归一化均方误差曲线对比示意图，由图6可知，利用学习去噪的学习去噪近似消息传递神经网络(LDAMP)进行Massive MIMO系统上行信号检测的归一化均方误差要小于非局部均值近似消息传递(NLM-AMP，其中，NLM-AMP是一种浅层神经网络)算法，则可以证明利用学习去噪的学习去噪近似消息传递神经网络的Massive MIMO系统上行信号检测方法的检测性能相比传统的NLM-AMP算法的检测性能好。
综上，本实施例所述的利用学习去噪的学习去噪近似消息传递神经网络的Massive MIMO系统上行信号检测方法，将深度学习应用到无线通信领域，实现MassiveMIMO系统上行信号检测，可满足实时性要求，并提高信号检测精度，降低信号检测的复杂度。可以将本实施例所述的利用学习去噪的学习去噪近似消息传递神经网络的MassiveMIMO系统上行信号检测方法应用于下一代移动通信技术，满足低时延高可靠的需求，不仅节约了设计成本，简化了设计流程，同时为检测各类型的无线信号提供了新思路，适应场景具有一般性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种大规模多输入多输出系统上行信号检测方法，其特征在于，包括：
获取大规模多输入多输出系统接收端接收到的信号矩阵，其中，信号矩阵是含有噪声的信号；
利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；
利用去噪器学习信号矩阵并移除含噪信号中的等效噪声，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；
利用训练完成的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测。
2.根据权利要求1所述的大规模多输入多输出系统上行信号检测方法，其特征在于，大规模多输入多输出上行链路传输系统的实数模型为：
y＝Hx+n
其中，y表示接收端接收到的信号矩阵，H表示瑞利衰落信道的信道矩阵，x表示发射端发射天线发送的信号矢量，n表示加性高斯白噪声矢量。
3.根据权利要求1所述的大规模多输入多输出系统上行信号检测方法，其特征在于，学习去噪近似消息传递神经网络由L层相同的神经网络组成，每层神经网络都包含相同结构的去噪器和散度估计器；且2层相邻的神经网络之间通过级联的方式连接。
4.根据权利要求3所述的大规模多输入多输出系统上行信号检测方法，其特征在于，第l层神经网络的输入是：接收到的信号矩阵y、第l-1层神经网络检测到的信号
Figure FDA0002640878780000011
以及第l-1层神经网络输出的残差向量zl；
第l层神经网络检测到的信号为：
Figure FDA0002640878780000012
其中，
Figure FDA0002640878780000013
表示经第l层神经网络检测到的信号；
Figure FDA0002640878780000014
为去噪器，
Figure FDA0002640878780000015
表示噪声标准偏差估计；
Figure FDA0002640878780000016
为第l-1层神经网络检测出的信号；zl为第l-1层神经网络输出的残差向量。
5.根据权利要求4所述的大规模多输入多输出系统上行信号检测方法，其特征在于，噪声标准偏差估计表示为：
Figure FDA0002640878780000021
其中，||·||2表示2-范数；K表示发射端发射天线的数目。
6.根据权利要求4所述的大规模多输入多输出系统上行信号检测方法，其特征在于，第l层神经网络输出的残差向量表示为：
Figure FDA0002640878780000022
其中，zl+1表示第l层神经网络输出的残差向量；H表示瑞利衰落信道的信道矩阵；K表示发射端发射天线的数目；
Figure FDA0002640878780000023
表示散度估计器；T表示矩阵转置。
7.根据权利要求6所述的大规模多输入多输出系统上行信号检测方法，其特征在于，散度估计器采用蒙特卡罗近似去计算散度：
Figure FDA0002640878780000024
其中，
Figure FDA0002640878780000025
表示散度，
Figure FDA0002640878780000026
表示求均值，下标b指的是其采用的独立同分布随机向量；
Figure FDA0002640878780000027
表示一个独立同分布随机向量；ε是一个防止被除数为0的参数；rl为含噪信号，是第l层神经网络中的去噪器的输入信号，
Figure FDA0002640878780000028
8.根据权利要求7所述的大规模多输入多输出系统上行信号检测方法，其特征在于，所述利用去噪器学习信号矩阵并移除含噪信号中的等效噪声，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪包括：
针对第l层神经网络，通过第l层神经网络中的去噪器学习含噪信号
Figure FDA0002640878780000029
将含噪信号
Figure FDA00026408787800000210
作为一个噪声信道矢量
Figure FDA00026408787800000211
其中，x表示发射端发射天线发送的信号矢量，
Figure FDA00026408787800000212
表示等效噪声，
Figure FDA00026408787800000213
从rl中移除等效噪声
Figure FDA0002640878780000031
去检测
Figure FDA0002640878780000032
中的
Figure FDA0002640878780000033
输出
Figure FDA0002640878780000034
输入到第l+1层神经网络；
当l＝L时，将第L层神经网络检测出的信号
Figure FDA0002640878780000035
作为发送端发送的信号。
CN201910594401.7A 2019-07-03 2019-07-03 一种大规模多输入多输出系统上行信号检测方法 Active CN110429965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910594401.7A CN110429965B (zh) 2019-07-03 2019-07-03 一种大规模多输入多输出系统上行信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910594401.7A CN110429965B (zh) 2019-07-03 2019-07-03 一种大规模多输入多输出系统上行信号检测方法

Publications (2)

Publication Number Publication Date
CN110429965A CN110429965A (zh) 2019-11-08
CN110429965B true CN110429965B (zh) 2020-10-20

Family

ID=68410200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910594401.7A Active CN110429965B (zh) 2019-07-03 2019-07-03 一种大规模多输入多输出系统上行信号检测方法

Country Status (1)

Country Link
CN (1) CN110429965B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113037409B (zh) * 2019-12-09 2022-04-08 清华大学 基于深度学习的大规模mimo系统信号检测方法
CN111224906B (zh) * 2020-02-21 2022-04-01 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法
US11356305B2 (en) * 2020-02-24 2022-06-07 Qualcomm Incorporated Method to convey the TX waveform distortion to the receiver
CN111478868B (zh) * 2020-03-09 2021-09-07 北京邮电大学 一种otfs系统的信号检测方法及装置
CN111865845A (zh) * 2020-06-04 2020-10-30 国网江西省电力有限公司供电服务管理中心 一种mimo用户检测与信道估计装置及方法
CN111901069B (zh) * 2020-07-31 2022-08-23 东南大学 一种基于神经网络与近似消息传递算法的多用户检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108512621A (zh) * 2018-03-02 2018-09-07 东南大学 一种基于神经网络的无线信道建模方法
CN109379752A (zh) * 2018-09-10 2019-02-22 中国移动通信集团江苏有限公司 Massive MIMO的优化方法、装置、设备及介质
CN109672464A (zh) * 2018-12-13 2019-04-23 西安电子科技大学 基于fcfnn的大规模mimo信道状态信息反馈方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104869626A (zh) * 2014-10-17 2015-08-26 东南大学 基于低复杂度接收机的上行大规模mimo系统功率控制方法
CN109150260B (zh) * 2018-09-07 2021-05-14 电子科技大学 带有双端相位噪声的大规模mimo系统上行链路数据估计方法
CN109714086B (zh) * 2019-01-23 2021-09-14 上海大学 基于深度学习的优化mimo检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108512621A (zh) * 2018-03-02 2018-09-07 东南大学 一种基于神经网络的无线信道建模方法
CN109379752A (zh) * 2018-09-10 2019-02-22 中国移动通信集团江苏有限公司 Massive MIMO的优化方法、装置、设备及介质
CN109672464A (zh) * 2018-12-13 2019-04-23 西安电子科技大学 基于fcfnn的大规模mimo信道状态信息反馈方法

Also Published As

Publication number Publication date
CN110429965A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110429965B (zh) 一种大规模多输入多输出系统上行信号检测方法
Park et al. Learning to demodulate from few pilots via offline and online meta-learning
Stark et al. Joint learning of geometric and probabilistic constellation shaping
CN110855585B (zh) 一种毫米波大规模mimo系统的信道估计方法
CN107332598B (zh) 一种基于深度学习的mimo系统联合预编码和天线选择方法
Park et al. End-to-end fast training of communication links without a channel model via online meta-learning
US11050494B2 (en) Signal-multiplexing apparatus and method based on machine learning
CN114051701A (zh) 用于机器学习辅助预编码的设备和方法
Tan et al. Improving massive MIMO belief propagation detector with deep neural network
CN112637094A (zh) 一种基于模型驱动深度学习的多用户mimo接收方法
US11611457B2 (en) Device and method for reliable classification of wireless signals
CN110417515B (zh) 一种基于离散迭代估计的大规模mimo信号检测方法
CN112215335B (zh) 一种基于深度学习的系统检测方法
Kim et al. Learning robust beamforming for MISO downlink systems
Sohrabi et al. One-bit precoding constellation design via autoencoder-based deep learning
Hua et al. Signal detection in uplink pilot-assisted multi-user MIMO systems with deep learning
Cohen et al. Learning to learn to demodulate with uncertainty quantification via bayesian meta-learning
Ye et al. Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems
Wang et al. Deep Transfer Learning for Model-Driven Signal Detection in MIMO-NOMA Systems
CN114389730B (zh) 一种基于深度学习和脏纸编码的miso系统波束形成设计方法
CN114614863A (zh) Mimo检测器选择
CN110190908B (zh) 一种最小化isi信道中非相干大规模simo系统误码率的星座图设计方法
Yuan et al. Sparse code multiple access scheme based on variational learning
Isac et al. Impulsive noise parameter estimation: A deep CNN-LSTM network approach
CN111769975A (zh) Mimo系统信号检测方法及系统

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