CN110460359A - 一种基于神经网络的mimo系统信号接收方法 - Google Patents
一种基于神经网络的mimo系统信号接收方法 Download PDFInfo
- Publication number
- CN110460359A CN110460359A CN201910607953.7A CN201910607953A CN110460359A CN 110460359 A CN110460359 A CN 110460359A CN 201910607953 A CN201910607953 A CN 201910607953A CN 110460359 A CN110460359 A CN 110460359A
- Authority
- CN
- China
- Prior art keywords
- neural network
- signal
- mimo system
- acceptance method
- network based
- 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.)
- Pending
Links
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
- H04B7/0413—MIMO systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了无线通信技术领域的一种基于神经网络的MIMO系统信号接收方法,旨在解决现有技术中MIMO系统接收信号失真的技术问题。所述方法包括如下步骤:采集获取MIMO系统的信道状态数据;设计获取神经网络;将信道状态数据输入神经网络对其进行训练;利用训练好的神经网络作为MIMO系统的信号接收机,用以接收处理信号。
Description
技术领域
本发明涉及一种基于神经网络的MIMO系统信号接收方法,属于无线通信技术领域。
背景技术
随着无线通信系统的不断发展,用户业务需求日益增加,人们对于无线通信系统传输速率和传输质量的要求越来越高。通过引入多输入多输出(Multiple-InputMultiple-Output,简称MIMO)技术,可以显著提高无线通信系统的吞吐量,而MIMO系统的信号接收问题,是影响其性能的重要因素。目前常用的信号接收方法有迫零检测法(ZF)和最小均方误差检测法(MMSE),然而ZF方法需要较高的信噪比才能保持较好的性能,MMSE方法虽具有较好的抗噪性能,但是算法复杂度较高,且两种算法均存在着不同程度接收信号失真的技术缺陷。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种基于神经网络的MIMO系统信号接收方法,包括如下步骤:
采集获取MIMO系统的信道状态数据;
设计获取神经网络;
将信道状态数据输入神经网络对其进行训练;
利用训练好的神经网络作为MIMO系统的信号接收机,用以接收处理信号。
进一步地,所述MIMO系统的信道状态数据,包括:信道矩阵、发送信号、信道噪声。
进一步地,设计获取神经网络,包括:
设计获取残差网络,所述残差网络包括卷积层;
将残差网络的卷积层改为全连接层。
进一步地,所述MIMO系统具有m个输入天线、n个输出天线,所述信道矩阵为m行n列矩阵,所述发送信号为m维列向量,所述信道噪声为n维列向量。
进一步地,将信道状态数据输入神经网络对其进行训练,还包括:对信道状态数据进行预处理,以降低所输入数据的维度。
进一步地,对信道状态数据进行预处理,包括:
基于信道矩阵、发送信号、信道噪声,建立接收信号模型;
将接收信号由矩阵形式转化为向量形式。
进一步地,接收信号的表达式为:
Y=HS+N;
式中,Y为接收信号,H为信道矩阵,S为发送信号,N为信道噪声。
进一步地,将信道状态数据输入神经网络对其进行训练,包括:
以接收信号的向量形式作为神经网络的输入,以发送信号作为标签对神经网络进行有监督学习;
以预构建的损失函数最小为目标,利用优化器优化神经网络参数,获取训练好的神经网络。
进一步地,所述优化器为Adam优化器。
进一步地,所述损失函数为交叉熵损失函数。
与现有技术相比,本发明所达到的有益效果:本发明方法基于神经网络,充分利用了神经网络高速寻找优化解的特点,因而在MIMO系统接收端能够更加准确地恢复发送信号,有效解决了现有技术中的ZF和MMSE方法接收信号失真的技术缺陷;且无需信道状态估计过程,具有更快的处理反应速度和更强的适应性。
附图说明
图1是本发明实施例提供一种基于神经网络的MIMO系统信号接收方法流程图;
图2是本发明实施例所述训练好的神经网络的结构示意图;
图3是本发明实施例所述残差块的结构示意图;
图4是本发明实施例提供的一种基于神经网络的MIMO系统信号接收方法与现有技术中ZF方法和MMSE方法在不同信噪比下的误码率对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
在MIMO系统的接收端,为避免接收信号失真,需尽可能地恢复发送信号S,且令信道噪声N的功率尽可能减小,使接收信号矢量S*尽可能地接近发送信号S。在ZF方法中,接收端对于发送信号的加权矩阵的表达式为:G=(HHH)-1HH,式中,G为ZF方法接收端对于发送信号的加权矩阵,H为信道矩阵,则接收信号经信号检测器后的输出形式表征为:式中,为利用ZF方法接收信号经信号检测器后的输出形式。可见,ZF方法虽然可以完全消除数据流之间的干扰,但增大了高斯噪声的功率。在MMSE方法中,接收端对于发送信号的加权矩阵的表达式为:W=(HHH+σ2I)-1HH,式中,W为MMSE方法接收端对于发送信号的加权矩阵,σ表示信号噪声N的方差,I表示单位矩阵。可见,MMSE方法恢复的信号并不能与发送信号完全相同。
为使接收信号矢量S*尽可能地接近发送信号S,本发明方法将此目标转化为最小化S与S*之间的均方误差,目标函数为:argminE[||S*-S||2],式中,argmin表示当函数值最小时变量的取值,E表示求取平均值,||·||2表示求取二范数。本发明方法采用深度神经网络处理该目标函数,以解决MIMO系统接收信号失真的技术问题。
如图1所示,是本发明实施例提供一种基于神经网络的MIMO系统信号接收方法流程图,所述方法包括如下步骤:
步骤一,采集获取MIMO系统的信道状态数据。
本发明所述MIMO系统,由于在空间中具有多个发送和接收天线,其信道的接收信号模型可以表示为Y=HS+N,式中,Y为接收信号,H为信道矩阵,S为发送信号,N为信道噪声(高斯噪声)。信道矩阵H中的第i行第j列,表示第i个发送天线到第j个接收天线的信道增益。本实施例中,所采集的信道状态数据包括信道矩阵H、发送信号S、信道噪声N。
作为优选方案,设定MIMO系统具有m个输入天线、n个输出天线,则所采集的信道矩阵H为m行n列矩阵,所采集的发送信号S为m维列向量,所采集的信道噪声N为n维列向量,以确保所采集信道状态数据的规模足够大,有利于神经网络的训练,防止过拟合现象的产生。
步骤二,设计获取神经网络。
作为优选方案,本实施例设计获取的神经网络为一种类似于残差网络的深度神经网络,理由是残差网络比普通深度神经网络更容易优化,解决了随着网络层数增加所带来的梯度退化问题,因而可以通过增加网络层数来提高网络性能。然而,残差网络为深度卷积网络,更适用于图像识别,还需在残差网络基础上作进一步优化,以减少网络训练中产生的梯度爆炸和梯度消失现象。为此,本实施例中设计获取神经网络的具体步骤为:首先,设计获取残差网络;然后,将残差网络中的卷积层改为全连接层。
步骤三,对信道状态数据进行预处理。
步骤一所采集的信道状态数据包括信道矩阵、发送信号、信道噪声,若以此作为输入对神经网络进行训练,会导致输入数据维度过大,不利于神经网络优化。作为优选方案,首先,基于信道矩阵、发送信号、信道噪声,建立接收信号模型,本实施例中,接收信号的表达式为:Y=HS+N;然后,将接收信号Y由矩阵形式转化为向量形式。该预处理过程,相当于对信道状态数据进行了降维处理,以利于神经网络在提取特征时减少噪音,发掘本质特征。
步骤四,将预处理后的信道状态数据输入神经网络对其进行训练,以优化神经网络。具体步骤为:首先,以接收信号的向量形式作为神经网络的输入,以发送信号作为标签对神经网络进行有监督学习;然后,以预构建的损失函数最小为目标,利用优化器优化神经网络参数,以获取训练好的神经网络。作为优选方案,本实施例中所选用的优化器为Adam优化器,因为Adam优化器具有实现简单、计算高效、对内存需求少、参数更新不受梯度的伸缩变换影响等优点。
如图2所示,是本发明实施例所述训练好的神经网络的结构示意图,最终训练好的神经网络由一个输入层、两个残差块和一个输出层组成。
更具体地,如图3所示,是本发明实施例所述残差块的结构示意图,每个残差块由两个全连接层构造而成,每个全连接层由8个神经元结点(8neurons)构成,残差块中的第一个全连接层的输入端与第二个全连接层的输出端构成一个捷径连接。作为优选方案,两个残差块作为神经网络的中间层,所采用的激活函数为Leaky_ReLU激活函数,表达式如下:
式中,z为函数的因变量,x为函数的自变量,a为常数。Leaky_ReLU激活函数是经典的ReLU激活函数的变体,解决了ReLU函数进入负区间后神经元不学习的问题。
神经网络的输出层采用sigmoid激活函数,神经网络所使用损失函数为交叉熵损失函数(binary_crossentropy),表达式如下:
loss=-[ylogy*+(1-y)log(1-y*)];
式中,loss为交叉熵损失函数,y为标签,y*表示神经网络预测值。采用交叉熵损失函数的好处在于,能够使神经网络准确快速地衡量网络预测的好坏。
步骤五,利用训练好的神经网络作为MIMO系统的信号接收机,用以接收处理信号。
在实际应用中,将神经网络置于MIMO系统接收端,将由天线接收端接收到的数据送入神经网络做出预测,再经过判决器作出判决(如将神经网络预测出数据判决为0或1)。从而完成整个信号接收过程。因本方法基于神经网络,具有神经网络高速寻找优化解的优点,能够快速准确的预测出发送信号,且本方法无需信道状态估计过程。综合以上优点,本方法恢复发送信号的准确度相较于ZF和MMSE方法更高。
为验证本发明方法的有效性,基于瑞利衰落信道4×4MIMO系统,在信道特性相同的情况下,分别采用本发明实施例提供的一种基于神经网络的MIMO系统信号接收方法以及经典的ZF方法和MMSE方法,在不同信噪比(SNR)下进行仿真实验。如图4所示,是本发明实施例提供的一种基于神经网络的MIMO系统信号接收方法与现有技术中ZF方法和MMSE方法在不同信噪比下的误码率对比图,可以看出,在不同SNR下的误码率比较,无论SNR高低,神经网络方法在误码率方面均要优于ZF方法和MMSE方法。
以上所述仅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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于神经网络的MIMO系统信号接收方法,其特征是,包括如下步骤:
采集获取MIMO系统的信道状态数据;
设计获取神经网络;
将信道状态数据输入神经网络对其进行训练;
利用训练好的神经网络作为MIMO系统的信号接收机,用以接收处理信号。
2.根据权利要求1所述的基于神经网络的MIMO系统信号接收方法,其特征是,所述MIMO系统的信道状态数据,包括:信道矩阵、发送信号、信道噪声。
3.根据权利要求1所述的基于神经网络的MIMO系统信号接收方法,其特征是,设计获取神经网络,包括:
设计获取残差网络,所述残差网络包括卷积层;
将残差网络的卷积层改为全连接层。
4.根据权利要求2所述的基于神经网络的MIMO系统信号接收方法,其特征是,所述MIMO系统具有m个输入天线、n个输出天线,所述信道矩阵为m行n列矩阵,所述发送信号为m维列向量,所述信道噪声为n维列向量。
5.根据权利要求2所述的基于神经网络的MIMO系统信号接收方法,其特征是,将信道状态数据输入神经网络对其进行训练,还包括:对信道状态数据进行预处理,以降低所输入数据的维度。
6.根据权利要求5所述的基于神经网络的MIMO系统信号接收方法,其特征是,对信道状态数据进行预处理,包括:
基于信道矩阵、发送信号、信道噪声,建立接收信号模型;
将接收信号由矩阵形式转化为向量形式。
7.根据权利要求6所述的基于神经网络的MIMO系统信号接收方法,其特征是,接收信号的表达式为:
Y=HS+N;
式中,Y为接收信号,H为信道矩阵,S为发送信号,N为信道噪声。
8.根据权利要求6所述的基于神经网络的MIMO系统信号接收方法,其特征是,将信道状态数据输入神经网络对其进行训练,包括:
以接收信号的向量形式作为神经网络的输入,以发送信号作为标签对神经网络进行有监督学习;
以预构建的损失函数最小为目标,利用优化器优化神经网络参数,获取训练好的神经网络。
9.根据权利要求8所述的基于神经网络的MIMO系统信号接收方法,其特征是,所述优化器为Adam优化器。
10.根据权利要求8所述的基于神经网络的MIMO系统信号接收方法,其特征是,所述损失函数为交叉熵损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910607953.7A CN110460359A (zh) | 2019-07-08 | 2019-07-08 | 一种基于神经网络的mimo系统信号接收方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910607953.7A CN110460359A (zh) | 2019-07-08 | 2019-07-08 | 一种基于神经网络的mimo系统信号接收方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110460359A true CN110460359A (zh) | 2019-11-15 |
Family
ID=68482453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910607953.7A Pending CN110460359A (zh) | 2019-07-08 | 2019-07-08 | 一种基于神经网络的mimo系统信号接收方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110460359A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112217545A (zh) * | 2020-10-09 | 2021-01-12 | 哈尔滨工程大学 | 一种大规模mimo系统检测模型构建方法 |
CN112261685A (zh) * | 2020-10-15 | 2021-01-22 | 东南大学 | 一种基于卷积神经网络的mimo信号检测方法 |
CN112865841A (zh) * | 2021-01-18 | 2021-05-28 | 重庆邮电大学 | 基于残差dnn的1-比特大规模mimo信道估计方法 |
CN115694571A (zh) * | 2022-10-31 | 2023-02-03 | 西安科技大学 | 一种大规模mimo系统中基于深度学习的信号检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180019910A1 (en) * | 2016-07-13 | 2018-01-18 | Incelligent P.C. | Early warning and recommendation system for the proactive management of wireless broadband networks |
CN108390706A (zh) * | 2018-01-30 | 2018-08-10 | 东南大学 | 一种基于深度学习的大规模mimo信道状态信息反馈方法 |
CN109474316A (zh) * | 2018-11-22 | 2019-03-15 | 东南大学 | 一种基于深度循环神经网络的信道信息压缩反馈方法 |
CN109687897A (zh) * | 2019-02-25 | 2019-04-26 | 西华大学 | 基于深度学习大规模mimo系统的叠加csi反馈方法 |
CN109714086A (zh) * | 2019-01-23 | 2019-05-03 | 上海大学 | 基于深度学习的优化mimo检测方法 |
-
2019
- 2019-07-08 CN CN201910607953.7A patent/CN110460359A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180019910A1 (en) * | 2016-07-13 | 2018-01-18 | Incelligent P.C. | Early warning and recommendation system for the proactive management of wireless broadband networks |
CN108390706A (zh) * | 2018-01-30 | 2018-08-10 | 东南大学 | 一种基于深度学习的大规模mimo信道状态信息反馈方法 |
CN109474316A (zh) * | 2018-11-22 | 2019-03-15 | 东南大学 | 一种基于深度循环神经网络的信道信息压缩反馈方法 |
CN109714086A (zh) * | 2019-01-23 | 2019-05-03 | 上海大学 | 基于深度学习的优化mimo检测方法 |
CN109687897A (zh) * | 2019-02-25 | 2019-04-26 | 西华大学 | 基于深度学习大规模mimo系统的叠加csi反馈方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112217545A (zh) * | 2020-10-09 | 2021-01-12 | 哈尔滨工程大学 | 一种大规模mimo系统检测模型构建方法 |
CN112261685A (zh) * | 2020-10-15 | 2021-01-22 | 东南大学 | 一种基于卷积神经网络的mimo信号检测方法 |
CN112865841A (zh) * | 2021-01-18 | 2021-05-28 | 重庆邮电大学 | 基于残差dnn的1-比特大规模mimo信道估计方法 |
CN112865841B (zh) * | 2021-01-18 | 2022-04-19 | 重庆邮电大学 | 基于残差dnn的1-比特大规模mimo信道估计方法 |
CN115694571A (zh) * | 2022-10-31 | 2023-02-03 | 西安科技大学 | 一种大规模mimo系统中基于深度学习的信号检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110460359A (zh) | 一种基于神经网络的mimo系统信号接收方法 | |
CN110365612B (zh) | 一种基于近似消息传递算法的深度学习波束域信道估计方法 | |
CN106059972B (zh) | 一种基于机器学习算法的mimo相关信道下的调制识别方法 | |
Zhang et al. | Deep learning-based beamspace channel estimation in mmWave massive MIMO systems | |
WO2020253691A1 (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN108650201A (zh) | 基于神经网络的信道均衡方法、译码方法及对应设备 | |
US11700156B1 (en) | Intelligent data and knowledge-driven method for modulation recognition | |
CN111565160B (zh) | 一种海洋通信系统联合信道分类、估计和检测方法 | |
WO2021088465A1 (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
CN110300077B (zh) | 基于极端学习机的空间相关mimo系统的盲调制识别算法 | |
Yu et al. | Deep learning based user scheduling for massive MIMO downlink system | |
CN107094043A (zh) | 基于块迭代法的改进后的mmse低复杂度信号检测方法 | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
CN114759997B (zh) | 一种基于数据模型双驱动的mimo系统信号检测方法 | |
CN116383656A (zh) | 用于大规模mimo定位的半监督表征对比学习方法 | |
Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns | |
Hao et al. | Automatic Modulation Recognition Method Based on Hybrid Model of Convolutional Neural Networks and Gated Recurrent Units. | |
Yin et al. | Echo state network based symbol detection in chaotic baseband wireless communication | |
Aer et al. | Modulation Recognition of MIMO Systems Based on Dimensional Interactive Lightweight Network. | |
CN113037409A (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
CN116192307A (zh) | 非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质 | |
Luo et al. | Deep learning based antenna selection aided space-time shift keying systems | |
CN114915321B (zh) | 一种mimo系统中信号的动态检测方法及装置 | |
Motwani et al. | Analysis of various neural network architectures for automatic modulation techniques | |
CN102185808A (zh) | 一种快速收敛的免疫克隆正交小波变换盲均衡方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |
|
RJ01 | Rejection of invention patent application after publication |