CN110430150B - 一种基于神经网络的蜂窝移动通信系统接收机设计方法 - Google Patents

Abstract

本发明属于无线通信技术领域，涉及一种基于神经网络的蜂窝移动通信系统接收机设计方法。本发明提出的技术方案与传统方案不同之处在于，接收机不仅使用了导频符号进行信道估计，而且同时也利于了数据符号进行信道估计。与传统方法相比，本发明中采用的导频和数据结合的方法能够一定程度上减少由于导频序列非正交产生的导频污染效应，提高了接收端误码率性能。

Description

一种基于神经网络的蜂窝移动通信系统接收机设计方法

技术领域

本发明属于无线通信技术领域，涉及一种基于神经网络的蜂窝移动通信系统接收机设计方法。

背景技术

随着蜂窝移动通信技术的发展，研究者们提出了多输入多输出(Multiple-InputMultiple-Output,MIMO)系统，即在收发两端配置一定数量的天线，从而获得更高的数据传输速率和系统可靠性，且性能随天线数目同步增长。2010年，由Thomas L.Marzetta提出的在基站端配备数以百计天线的MIMO系统被称为大规模输入输出系统(Massive MIMO)，随后Massive MIMO系统被纳入5G移动通信系统的关键技术。然而，Massive MIMO系统也面临着许多现实问题，其中最重要的问题是由于Massive MIMO系统的天线数量较多，相邻小区必须要复用同一组正交导频或采用非正交导频以减少导频开销，但这会产生严重的导频污染问题。因此，传统的信道估计方法并不能在Massive MIMO系统中估计出准确的信道状态信息(Channel State Information,CSI)，大大降低了接收机性能。

发明内容

本发明的目的，是提出一种基于神经网络的接收机，使得接收机能准确地估计CSI，从而提高接收机性能。

以最常见的蜂窝移动通信系统为例，每一个基站服务其附近的多个移动台用户，基站端为了提供更好服务质量会设置多根天线用于接收和发送数据，而用户端由于考虑功耗和成本会采用单天线设计。将多个用户视为整体，每一个基站与其服务的多个用户就构成了一个MIMO系统。

本发明的技术方案特征在于，包括以下步骤：

S1、采集信号：基站通过M根天线系统采集用户发送的数据信号与导频信号，共N个时隙的观测向量Y,Y∈M×N；

S2、输入预处理：首先将观测向量Y进行预处理，为了从观测向量中提取出用户i的信道信息，需要将观测向量Y乘上目前基站对于用户i发送数据的估计值

其表达式为：

为了避免Z向量的模值变化导致神经网络的性能较差，需要对Z向量进行归一化，其表达式为：

之后将

向量作为信道估计神经网络的输入，信道估计神经网络的输出则是用户的信道估计值

学习率为lr，激活函数为f(x)。中间隐藏层f(x)选择Relu函数，表达式为：

S3、构建信道估计神经网络和信号检测神经网络，对神经网络进行训练，具体为：

计算神经网络每一层的输出：

其中D_j ^l为第l层的第j个神经元的输出值，

表示从神经网络第l-1层的第i个神经元到第l层的第j个神经元的连接权值，bias_j ^l表示第l层的第j个神经元的偏置。

计算输出的误差并进行误差反向传播算法，即对于每一个样本，首先通过下式的损失函数计算出神经网络的输出值

与真实值H的误差：

然后使用梯度下降的误差反向传播算法，从输出层到输入层逐层更新权值，第l-1层的第i个神经元到第l层的第j个神经元的连接权值的权值的更新量可通过下式表示：

其中

D,

分别表示神经元的期望输出值和真实输出值。

对于信号检测神经网络，其训练的方法是相同的，不同点在于信号检测神经网络的输入为接收的信号向量Y与信道估计神经网络输出的信道估计值

输出为用户发送数据的估计值

当神经网络的损失函数不再下降，可以认定神经网络已经收敛，即训练完成。

S4、联合检测：将天线在一帧中接收的信号向量Y输入已经训练好的信道估计神经网络，得到用户的信道估计值

然后将天线接收到的信号向量Y和信道估计值

输入信号检测神经网络，得到用户发送数据的估计值

最后将估计值

再次进行预处理并输入信道估计神经网络，完成一次迭代。当误码率性能不再有显著提升或者到达预定迭代次数时停止迭代。

本发明提出的技术方案与传统方案不同之处在于，接收机不仅使用了导频符号进行信道估计，而且同时也利于了数据符号进行信道估计。与传统方法相比，本发明中采用的导频和数据结合的方法能够一定程度上减少由于导频序列非正交产生的导频污染效应，提高了接收端误码率性能。

本发明的有益效果为：(1)本发明提出了一种通用的神经网络信道估计和信号检测框架，适用于各种情况下的信道估计和信号检测任务。(2)本发明提出的基于神经网络的迭代结构可以使得接收机在存在导频污染效应的情况下，接收机性能逼近理论最优性能。

附图说明

图1示出了本发明中的蜂窝通信网络模型；

图2示出了本发明中的蜂窝通信网络的帧结构；

图3示出了本发明中的蜂窝网络基站接收机的迭代结构；

图4示出了本发明中的信道估计神经网络结构；

图5示出了本发明中的信号检测神经网络结构；

图6示出了本发明提出的神经网络在信道估计方面和其他信道估计算法的性能对比；

图7示出了本发明提出的神经网络迭代结构在误码率性能方面和其他算法的性能对比。

具体实施方式

下面结合附图和对本发明的具体实施方式作进一步详细描述。

图1示出了本发明中考虑的蜂窝通信网络的一个示例模型。在该示例蜂窝网络中，所有用户到基站的信道由两部分组成：大尺度衰落和小尺度衰落。如图1所示，在网络中，

表示从第l个蜂窝中的第k个正交信道用户到第i个蜂窝基站天线的信道系数，其中β_i,k,l为大尺度衰落，g_i,k,l为小尺度衰落，P为环境多径数目，

为每一条多径的到达角(Direction ofArrival，DOA)。大尺度衰落与用户到基站的物理距离相关，小尺度衰落在一帧信息的传输中保持不变，但在不同帧之间会发生变化。多径数目与环境中散射体的数目有关，而到达角则与散射体和信号源的相对位置相关。在本示例中，每一帧的小尺度衰落均是独立同分布的复高斯随机变量，即

为方便分析，本发明假定每个蜂窝网络中同频段用户只有1个，即k＝1。在第i个蜂窝中的用户在一帧中给基站传输的信号为x_i∈C^L×τ，则基站i接收到的信号可以表示为

其中h_im∈C^M×L为第m个蜂窝中的用户到第i个蜂窝基站的信道，包含大尺度衰落和小尺度衰落。n_i∈C^M×τ表示基站i的复高斯噪声，服从分布

其中σ²为噪声功率。对于第i个蜂窝的基站而言，(1)式中的第一项是其主要期望的信号，第二项为其他同频段小区用户发送的信号，对于第i个蜂窝的基站为干扰信号，第三项为基站固有的系统热噪声。

图2示出了本发明中的蜂窝通信网络的帧结构。常规的Massive MIMO系统由于下行信道的估计花销过大，所以大多采用时分双工系统。用户首先发送上行的数据信号，随后发送导频信号。接收机在接收到以上信号后进行信道估计和信号检测等处理，随后进行下行数据的传输。本发明假定数据信号和导频信号的发射功率相同，且基站不知道其他基站的导频分配方案，也就是说分配给用户的导频有可能是非正交，这与现实情况是相同的。上行先发数据信号再发导频信号的原因是，能够让导频信号能够尽量准确地估计对称的下行信道。

图3示出了本发明中的蜂窝网络基站接收机的迭代结构。本发明首先将接收信号做预处理，将接收信号乘上目前对用户i发送信号的估计值，即

其中，

表示目前基站对用户i发送信号的估计值，由于第一次信道估计时基站仅知道导频符号的值，故

中只有前τ_p列是确定值，其他均为0，即完全未知。这样的预处理之后，由于不同用户发送的数据是统计独立，也就是说x_m与x_i的相关性很小，当帧长度τ增加时，

从而达到消除其他用户的干扰的目的。同时，由于神经网络的超参数都是根据输入数据维度决定的，神经网络需要训练的参数随输入数据维度增长呈指数增长。通过(8)式的处理，神经网络的输入维度大大降低，从二维的M×τ矩阵变成了一维的M×1的列向量。经过这样的数次迭代之后，当误码率性能不再有显著提升或者到达迭代次数时就可以停止迭代了。

图4示出了本发明中的信道估计神经网络结构。信道估计模块的输入向量为(8)中的Z向量，Z∈C^M×1。需要说明的是，每一次输入的Z向量的模有所不同，因此需要对Z向量作归一化处理，其处理为

随后，将

向量输入如图3所示的信道估计神经网络中，信道估计神经网络的输出值为信道的估计值

为了训练神经网络使具备达到信道估计的功能，选择损失函数为

通过损失函数计算出神经网络的输出值与真实值的误差，然后使用梯度下降的误差反向传播算法，从输出层到输入层逐层更新权值，实现信道估计神经网络的训练。当神经网络的损失函数不再下降，可以认定神经网络已经收敛，即训练完成。

图5示出了本发明中的信号检测神经网络结构，其神经网络的目的是为了根据接收到的信号和已知的信道信息，检测出用户发送的数据信号。该图为该多层网络中的其中一层的流程图，其输入为

和上一层的输出x_t。其中

为信号检测算法中常见的统计量，如下式：

H^Hy＝H^HHx+H^Hn。 (11)

其中

为主要参量并包含了信号检测所需的所有信息，而H^Hn为噪声干扰项。

经过一系列线性乘加和激活函数Ω(·)运算后，得到本层的输出x_t+1。最终神经网络在输出层的输出为

即对用户i数据的估计值。整个信号检测神经网络的损失函数为

通过损失函数计算出神经网络的输出值与真实值的误差，然后使用梯度下降的误差反向传播算法，从输出层到输入层逐层更新权值，从而实现信号检测神经网络的训练。当神经网络的损失函数不再下降，可以认定神经网络已经收敛，即训练完成。

下面，本发明将根据仿真结果来阐述本发明提出方案的性能。首先，本发明选择最为常见的六边形蜂窝网络结构，设定小区数L＝7。为了明显说明本发明提出的方案的性能，设定每个小区中只有一个单天线用户，每一个用户到所有基站的大尺度衰落β_i为定值，即β₁＝1，β_i(i≠1)＝0.1，环境多径数P＝50，基站天线数，导频序列符号数τ_p＝1，一帧所包含的符号数τ＝200。神经网络算法均使用Keras实现。

图6示出了本发明提出的信道估计算法和其他线性的信道估计算法的性能对比。两种对比算法分别为线性最小均方误差(LMMSE)和最小二乘算法(LS)，均是典型的线性估计算法。在同样的条件下，可以看出神经网络算法远比传统的线性算法在信道估计方面准确，并且训练完成后的神经网络在实际使用时算法复杂度已经接近线性。

图7示出了本发明提出的神经网络迭代结构在误码率性能方面和其他算法的性能对比。设定每个小区中只有一个单天线用户，每一个用户到所有基站的大尺度衰落β_i为定值，即β₁＝1，β_i(i≠1)＝0.1，环境多径数P＝50，基站天线数M＝5，导频序列符号数τ_p＝1，一帧所包含的符号数τ＝200，基站天线数较少的情况下可以得到理论最佳曲线进行对比。理论最优曲线是通过完美的信道状态信息和最大似然估计算法做信号检测得到的，而神经网络迭代算法的曲线是第三次迭代时的结果。可以看到，经过数次的迭代之后，神经网络迭代算法的误码率性能已经逐渐接近理论最优。而传统只根据导频信号来估计信道的误码率性能则是通过LMMSE估计信道后用最大似然估计算法做信号检测得到的，可以看到传统的方法并没有消除互干扰，因此性能并没有随着信噪比增大而显著提高。

Claims (1)

1.一种基于神经网络的蜂窝移动通信系统接收机设计方法，其特征在于，包括以下步骤：

S1、采集信号：基站通过M根天线采集用户发送的数据信号与导频信号，获得共N个时隙的观测向量Y,Y∈M×N；

S2、预处理：将观测向量Y进行预处理，为了从观测向量中提取出用户i的信道信息，将观测向量Y乘上目前基站对于用户i发送数据的估计值

的共轭转置

其表达式为：

对Z向量进行归一化，其表达式为：

S3、构建信道估计神经网络和信号检测神经网络，对神经网络进行训练，具体为：

将

向量作为信道估计神经网络的输入，信道估计神经网络的输出则是用户的信道估计值

选择损失函数为：

通过损失函数计算出信道估计神经网络的输出值与真实值的误差，然后使用梯度下降的误差反向传播算法，从输出层到输入层逐层更新权值，实现信道估计神经网络的训练；当神经网络的损失函数不再下降，可以认定神经网络已经收敛，即训练完成；

对于信号检测神经网络，其训练的方法与信道估计神经网络的训练是相同的，不同点在于信号检测神经网络的输入为接收的信号向量Y与信道估计神经网络输出的信道估计值

输出为用户发送数据的估计值

损失函数为：

当神经网络的损失函数不再下降，可以认定神经网络已经收敛，即训练完成；

S4、联合检测：将天线在一帧中接收的观测向量Y预处理后输入已经训练好的信道估计神经网络，得到用户的信道估计值

然后将天线接收到的观测向量Y和信道估计值

输入信号检测神经网络，得到用户发送数据的估计值

最后将估计值

再次进行预处理并输入信道估计神经网络，完成一次迭代；当误码率性能不再有显著提升或者到达预定迭代次数时停止迭代，获得信道估计值

和发送数据的估计值

Images