CN110611627A - 一种信号检测方法和接收端 - Google Patents

一种信号检测方法和接收端 Download PDF

Info

Publication number
CN110611627A
CN110611627A CN201810621240.1A CN201810621240A CN110611627A CN 110611627 A CN110611627 A CN 110611627A CN 201810621240 A CN201810621240 A CN 201810621240A CN 110611627 A CN110611627 A CN 110611627A
Authority
CN
China
Prior art keywords
data
signal
neural network
pilot
receiving signal
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.)
Granted
Application number
CN201810621240.1A
Other languages
English (en)
Other versions
CN110611627B (zh
Inventor
李建军
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.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication Co Ltd
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 Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to CN201810621240.1A priority Critical patent/CN110611627B/zh
Priority to PCT/CN2019/089251 priority patent/WO2019237935A1/zh
Publication of CN110611627A publication Critical patent/CN110611627A/zh
Application granted granted Critical
Publication of CN110611627B publication Critical patent/CN110611627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045—Arrangements at the receiver end
    • H04L1/0052—Realisations of complexity reduction techniques, e.g. pipelining or use of look-up tables
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0204—Channel estimation of multiple channels
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供一种信号检测方法和接收端，该方法包括：获取导频接收信号和数据接收信号；通过预先训练得到的神经网络，获得与所述导频接收信号和所述数据接收信号对应的数据信息，其中，所述神经网络的输入包括所述导频接收信号和所述数据接收信号，所述神经网络的输出包括所述数据信息。本发明实施例基于神经网络实现信道估计和信号检测的联合处理，能够降低信道估计和信号检测的复杂度，从而提高接收端的性能。

Description

一种信号检测方法和接收端
技术领域
本发明涉及通信技术领域，尤其涉及一种信号检测方法和接收端。
背景技术
在进行信号检测过程中，接收端需要进行信道估计，以及进行信号检测，其中，信道估计可以根据发送端发送的导频信号进行估计。然而，目前的信道估计和信号检测是分开进行的，由各自独立的模块完成。例如：在多输入多输出(Multiple Input MultipleOutput，MIMO)技术中，发送端发送导频信号给接收端，接收端使用导频信号进行信道估计，并利用估计的信道进行信号检测。
可见，在现有的通信系统中，由于信道估计和信号检测是分开进行的，且由各自独立的模块完成，复杂较大，导致接收端的性能较低。
发明内容
本发明实施例提供一种信号检测方法和接收端，以解决接收端的性能较低的问题。
第一方面，本发明实施例提供一种信号检测方法，应用于接收端，包括：
获取导频接收信号和数据接收信号；
通过预先训练得到的神经网络，获得与所述导频接收信号和所述数据接收信号对应的数据信息，其中，所述神经网络的输入包括所述导频接收信号和所述数据接收信号，所述神经网络的输出包括所述数据信息。
第二方面，本发明实施例提供一种接收端，包括：
获取模块，用于获取导频接收信号和数据接收信号；
处理模块，用于通过预先训练得到的神经网络，获得与所述导频接收信号和所述数据接收信号对应的数据信息，其中，所述神经网络的输入包括所述导频接收信号和所述数据接收信号，所述神经网络的输出包括所述数据信息。
第三方面，本发明实施例提供一种接收端，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现本发明实施例提供的信号检测方法中的步骤。
第四方面，本发明实施例提供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上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的信号检测方法的步骤。
这样，本发明实施例中，获取导频接收信号和数据接收信号；通过预先训练得到的神经网络，获得与所述导频接收信号和所述数据接收信号对应的数据信息，其中，所述神经网络的输入包括所述导频接收信号和所述数据接收信号，所述神经网络的输出包括所述数据信息。由于基于神经网络实现信道估计和信号检测的联合处理，能够降低信道估计和信号检测的复杂度，从而提高接收端的性能。
附图说明
图1是本发明实施例可应用的一种信号检测系统的结构图；
图2是本发明实施例提供的一种信号检测方法的流程图；
图3是本发明实施例提供的另一种信号信号检测的示意图；
图4是本发明实施例提供的一种神经网络的结构图；
图5是本发明实施例提供的一种神经网络隐藏层的节点示意图；
图6是本发明实施例提供的一种神经网络的训练示意图；
图7是本发明实施例提供的另一种信号检测方法的流程图；
图8是本发明实施例应用的一种接收端的结构图；
图9是本发明实施例应用的另一种接收端的结构图。
具体实施方式
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
参见图1，图1是本发明实施例可应用的一种信号检测系统的结构图，如图1所示，包括接收端11和发送端12，其中，接收端11可以是终端，发送端12可以是基站，终端可以是用户设备(User Equipment，UE)或者其他终端设备，例如：手机、平板电脑(TabletPersonal Computer)、膝上型电脑(Laptop Computer)、个人数字助理(personal digitalassistant，简称PDA)、移动上网装置(Mobile Internet Device，MID)或可穿戴式设备(Wearable Device)等终端侧设备，需要说明的是，在本发明实施例中并不限定终端的具体类型。上述基站可以是5G基站(例如：gNB、5G NR NB)，或者可以是4G基站(例如：eNB)，或者可以是3G基站(例如：NB)等等，需要说明的是，在本发明实施例中并不限定基站的具体类型。
当然，在一些场景中，接收端11和发送端12均可以是终端，或者接收端11和发送端12均可以是基站，或者接收端11为基站，而发送端12为终端等，对此不作限定。
需要说明的是，上述接收端11和发送端12的具体功能将通过以下多个实施例进行具体描述。
请参见图2，图2是本发明实施例提供的一种信号检测方法的流程图，该方法应用于接收端，如图2所示，包括以下包括：
步骤201、获取导频接收信号和数据接收信号。
其中，上述导频接收信号为接收端针对发送端发送的导频信号进行接收得到的信号，而上述数据接收信号为接收端针对发送端发送的数据信号进行接收得到的信号。
另外，本发明实施例中，接收端可以是通过M个接收天线进行信号接收，而发送端可以是通过N个发送天线进行信号发送，其中，M为大于或者等于1的整数，N为大于或者等于1的整数。当M和N均为大于1的整数时，可以实现MIMO信号的传输，即上述数据接收信号可以为MIMO数据接收信号。
本发明实施例中，可以用H矩阵表示N个发送天线到M接收天线的信道：
发送端发送的导频信号用于接收端进行信道估计，其中，N个发送天线可以通过N个导频资源发送导频信号，例如：导频信号可以用Sp＝[p0 p1 … pN-1]来表示，在接收端，每个接收天线都可以在这N个导频资源上接收信号，接收到的导频接收信号可以为：
对于数据信号，发送端可以在每个数据资源(或者符号)上，采用不同的发送天线上发送不同的数据，这样可以提高传输速率。其中，发送端发送的数据信号可以用于Sd＝[s0s1 … sN-1]表示，而接收端收到的数据接收信号可以为：
其中，n为噪声。
步骤202、通过预先训练得到的神经网络，获得与所述导频接收信号和所述数据接收信号对应的数据信息，其中，所述神经网络的输入包括所述导频接收信号和所述数据接收信号，所述神经网络的输出包括所述数据信息。
其中，上述神经网络可以是上述接收端预先训练好的神经网络，或者可以是由其他设备预先训练得到，传输给所述接收端，例如：开发者通过调试设备或者样机预先训练得到上述神经网络，并在上述接收端出厂配置上述神经网络。另外，上述神经网络可以是深度神经网络或者其他神经网络，对此不作限定。
例如：上述神经网络可以是通过发送端发送多流数据信号和多流导频信号，接收端将接收到的数据接收信号和导频接收信号输入给神经网络进行训练，以确定神经网络中各节点的参数，进而得到当输入为数据接收信号和导频接收信号，输出为与所述导频接收信号和所述数据接收信号对应的数据信息的上述神经网络。
上述神经网络可以实现当输入为上述导频接收信号和数据接收信号时，输出为与所述导频接收信号和所述数据接收信号对应的数据信息，其中，该数据信息可以理解为接收端针对发送端发送的原始数据得到的数据信息，例如：该数据信息为发送端发送的原始数据，或者与发送端发送的原始数据匹配的数据信息。或者上述数据信息可以理解为，终端接收到上述导频接收信号和所述数据接收信号时，得到有效的数据信息。其中，当上述方法应用于MIMO场景时，上述数据信息也可以称作MIMO信号，或者上述数据信息也可以称作数据符号。
具体的，通过上述神经网络获得与所述导频接收信号和所述数据接收信号对应的数据信息可以等同于，使用上述导频接收信号进行信道估计，以及使用信道估计检测上述数据接收信号对应的数据信息。也就是说，通过上述神经网络可以实现信道估计和信号检测的联合处理，从而不需要使用独立的模块分开进行信道估计和信号检测，能够降低信道估计和信号检测的复杂度，从而提高接收端的性能。例如：如图3所示：
发送端将导频信号和数据信号进行复接，以通过N个发送天线发送导频信号和数据信号，而接收端通过M个接收天线进行分接，以得到上述导频信号接收和数据接收信号，之后，将导频信号接收和数据接收信号输入给神经网络，从而得到与所述导频接收信号和所述数据接收信号对应的数据信息。
需要说明的是，本发明实施例提供的信号检测方法可以应用于5G通信系统，例如：5G通信系统中的MIMO技术的应用场景。也可以应用于全球移动通信系统Global Systemfor Mobile Communication，GSM)、长期演进(Long Term Evolution，LTE)和码分多址(Code Division Multiple Access，CDMA)技术在MIMO的应用场景，这时GSM、LTE和CDMA的需要估计MIMO信道并检测MIMO信号，利用本发明实施例提供的信号检测方法可以实现MIMO联合信道估计和信号检测，可以在低复杂度的条件下，实现MIMO的最优检测。
本发明实施例中，通过预先训练得到的神经网络，获得与所述导频接收信号和所述数据接收信号对应的数据信息，其中，所述神经网络的输入包括所述导频接收信号和所述数据接收信号，所述神经网络的输出包括所述数据信息。由于基于神经网络实现信道估计和信号检测的联合处理，能够降低信道估计和信号检测的复杂度，从而提高接收端的性能。
作为一种可选的实施方式，所述神经网络包括输入层、至少一个隐藏层和输出层；
其中，所述输入层的节点数量，与用于传输所述导频接收信号的导频资源的数量以及用于传输所述数据接收信号的数据资源的数量相对应；
所述输出层包括Q×N×Nd个节点，其中，所述Q为调制阶数，所述N为所述导频接收信号和所述数据接收信号的发送端的发送天线个数，所述Nd为用于传输所述数据接收信号的数据资源的数量。
其中，上述神经网络包括的隐藏层的数量，以及每个隐藏层包括的节点的数量可以根据性能要求进行适当调整，例如：针对要求高通信性能的场景，可以增加隐藏层的层数，或者增加隐藏层中节点的数量，而针对要求低通信性能的场景，则可以采用少量的隐藏层，或者在隐藏层中采用少量的节点等，对此不作限定。
而上述输入层的节点数量，与用于传输所述导频接收信号的导频资源的数量以及用于传输所述数据接收信号的数据资源的数量相对应，可以理解为，输入层包括的节点数量可以由导频资源数量和数据资源数量决定。
例如：所述输入层包括(Np+Nd)×M或者2×(Np+Nd)×M个节点，所述Np为用于传输所述导频接收信号的导频资源的数量，所述Nd为用于传输所述数据接收信号的数据资源的数量，所述M为所述接收端的接收天线个数。
其中，当导频接收信号和数据接收信号为实数信号时，则输入层包括(Np+Nd)×M个节点，当导频接收信号和数据接收信号为复数时，则输入层包括2×(Np+Nd)×M个节点，且导频接收信号和数据接收信号的实部和虚部分别输入到神经网络。
其中，对于二进制相移键控(Binary Phase Shift Keying，BPSK)，Q＝1，而对于正交相移键控(Quadrature Phase Shift Keying，QPSK)，则Q＝2，以此类推。
例如：上述神经网络的结构图可以如图4所示，导频接收信号和数据接收信号分别输入至输入层，而隐藏层的各节点对各自的输入进行计算，然后输出，进而得到上述数据信息。
该实施方式中，由于输入层的节点数量，与用于传输所述导频接收信号的导频资源的数量以及用于传输所述数据接收信号的数据资源的数量相对应，另外，输出层包括Q×N×Nd个节点，这样可以实现每个资源上接收到信号均可以输入至神经网络，且输出层与调制阶数对应，从而实现输出的数据信息为解调后的数据信息，也就是说，在神经网络完成了对数据的解调，以提高接收终的工作效率。
可选的，所述神经网络中的第一隐藏层中的节点，用于对所述输入层的输出值或者第二隐藏层的输出值进行计算，并将计算结果输出给第三隐藏层或者所述输出层；
其中，所述第二隐藏层位于所述第一隐藏层的上层，所述第三隐藏层位于所述第一隐藏层的下层。
需要说明的是，这里的第一隐藏层、第二隐藏层和第三隐藏层并不是指神经网络中的第一个隐藏层、第二个隐藏层和第三个隐藏层，而上述第一隐藏层可以代指神经网络中任一隐藏层，而第二隐藏层则代指位于第一隐藏层的上层的隐藏层，而第三隐藏层代指位于所述第一隐藏层的下层的隐藏层。
通过上述结构可以实现，隐藏层中每个节点均可以包括输入、输出和计算功能的模块(或者称作神经元)，例如：每个节点的输入包括n个值，这n个值可以为输入层的或者上一个隐藏层的输出值。
另外，上述计算可以是通过预先训练得到的，包括不限于：加权求和、添加偏移、减少偏移或者激活函数运算等计算。
其中，一种优选的方案是，所述对所述输入层的输出值或者第二隐藏层的输出值进行计算，包括：
对所述输入层的输出值或者第二隐藏层的输出值进行加权求和，并对求和结果添加偏移值，以及通过激活函数对添加偏移值的结果进行运算，得到计算结果。
具体地，在对输出值进行加权求和时，隐藏层中每个节点的权值可以不同，或者相同，或者部分相同，具体可以通过训练得到，对此不作限定。在得到加权求和结果后，对该求和结果添加偏移值，每个节点的偏移值可以不同，或者相同，或者部分相同，具体可以通过训练得到，对此不作限定。之后，可以通过激活函数对添加偏移值的结果进行运算，得到计算结果，并输出给下一个隐藏层或者输出层。
其中，上述激活函数可以是非线性的激活函数，例如：修正线性单元(Rectifiedlinear unit，RELU)函数，其表达式为y＝Max(0,x)，其中，Max表示取最大值，当然，对此不作限定，例如：激活函数还可以是双曲(tanh)函数等。
该实施方式中，隐藏层的节点可以进行加权求和、添加偏移值，以及激活函数运算，能够提高各节点的处理能力，从而使得神经网络的处理能力更强大，进而提高数据信息的准确性。
例如：如图5所示，隐藏层节点得到X1至Xn这n个输入值后，通过各自的权值(W1至Wn)进行加权求和，之后添加偏移值b，最后通过激活函数f()输出计算结果。
其中，上述加权求和，以及添加偏移量可以如下公式表示：
其中，y表示添加偏移量后的计算结果，xi表示节点的输入值，i等于1至n中任意数值，n表示隐藏层节点的输入值个数，wi各输入值对应的权重值，b表示偏移值。需要说明的是，上述节点的权重W和偏移量b的值可以是通过训练得到。
作为一种可选的实施方式，所述神经网络中的节点的参数是通过特定代价函数进行训练得到。
该实施方式中，可以是预先建立神经网络，通过上述通过特定代价函数进行训练，得到该神经网络中各节点的参数，其中，这里参数可以包括隐藏层中的各权重值和偏移值。
可选的，上述特定代价函数包括：
所述神经网络输出的数据信息与原始数据之间的均方误差最小；
或者，
所述神经网络输出的数据信息与原始数据之间的交叉熵最大；
其中，所述神经网络输出的数据信息，具体为：当所述神经网络的输入为训练数据接收信号和训练导频接收信号时，由所述神经网络输出的数据信息；
所述训练数据接收信号和所述训练导频接收信号，分别为：当发送端发送所述原始数据时，由所述接收端接收到的数据接收信号和导频接收信号。
上述原始数据为接收端实际上发送的数据信息，例如：用于表示，则上述神经网络输出的数据信息可以为表示。而上述神经网络输出的数据信息与原始数据之间的均方误差最小，可以通过如下公式表示：
而上述神经网络输出的数据信息与原始数据之间的交叉熵最大，可以通过如下公式表示：
当然，本发明实施例中，并不限定均方误差最小和交叉熵最大的表示形式。
需要说明的是，在训练过程中，发送端发送的原始数据是已知，而上述神经网络输出的数据信息也是已知的，因为，可以通过将接收到的训练数据接收信号和训练导频接收信号输入至上述神经网络，以得到上述数据信息，这样，当原始数据和神经网络输出的数据信息为已知时，可以计算二者之间的均方误差最小或者交叉熵最大，从而确定神经网络中各节点的参数。
优选的，可以是通过训练来优化神经网络中各节点的参数。例如：在训练时，发送端发送多流数据信号和导频信号，在接收端，多个接收天线收到的数据接收信号和导频接收信号送给神经网络进行训练，如图6所示。在训练过程中，输入到神经网络的训练数据可以来自于不同的发送数据经不同的信道(例如：MIMO信道)并引入噪声后，在接收端多个天线收到的导频接收信号和数据接收信号，训练优化的目标(代价函数cost function)为输出端神经网络的输出和发送端发送的原始数据之间的均方误差最小或者交叉熵最大。这样通过训练，可以得到各节点优化后的参数(例如：权值和偏移量)神经网络。之后，在数据传输过程中，接收端可以使用该神经网络，以实现在降低复杂度，提高接收端的性能。
作为一种可选的实施方式，本发明实施例中，所述获取导频接收信号和所述数据接收信号，包括：
在特定资源组上接收所述导频接收信号和所述数据接收信号，所述特定资源组公用一组导频。
其中，上述特定资源组可以包括一个或者多个物理资源块(physical resourceblock，PRB)，这一个或者多个PRB公用同一组导频。当然，对此不作限定，例如：上述特定资源组也可以包括一个或者多个子载波。
该实施方式中，由于上述特定资源组公用一组导频，这样将该资源组接收到导频接收信号和数据接收信号输入到上述神经网络后，可以准确地获取到上述数据信息。
请参见图7，图7是本发明实施例提供的另一种信号检测方法的流程图，如图7所示，包括以下步骤：
步骤701、发送端产生需要发送的数据。
其中，需要发送的数据可包括导频信号和数据信号。
步骤702、发送端对导频信号和数据信号进行复接。
步骤703、发送端在多个天线上发送导频信号和数据信号。
例如：在各个导频资源上发送导频信号，同时，在每个数据资源上发送多流数据，具体可以是，将这些发送信号通过相应的发送天线上发送出去。
步骤704、接收端在多个天线上接收信号，以获取数据接收信号和导频接收信号。
步骤705、接收端对数据接收信号和导频接收信号进行分接，并输入给神经网络。
步骤706、接收端通过神经网络得到数据信息。
其中，数据信息可以是发送端发送的MIMO信号。
请参见图8，图8是本发明实施例提供的一种接收端的结构图，如图8所示，接收端800包括：
获取模块801，用于获取导频接收信号和数据接收信号；
处理模块802，用于通过预先训练得到的神经网络，获得与所述导频接收信号和所述数据接收信号对应的数据信息，其中，所述神经网络的输入包括所述导频接收信号和所述数据接收信号，所述神经网络的输出包括所述数据信息。
可选的，所述神经网络包括输入层、至少一个隐藏层和输出层；
其中，所述输入层的节点数量，与用于传输所述导频接收信号的导频资源的数量以及用于传输所述数据接收信号的数据资源的数量相对应；
所述输出层包括Q×N×Nd个节点，其中，所述Q为调制阶数，所述N为所述导频接收信号和所述数据接收信号的发送端的发送天线个数，所述Nd为用于传输所述数据接收信号的数据资源的数量。
可选的，所述输入层包括(Np+Nd)×M或者2×(Np+Nd)×M个节点，所述Np为用于传输所述导频接收信号的导频资源的数量，所述Nd为用于传输所述数据接收信号的数据资源的数量，所述M为所述接收端的接收天线个数。
可选的，所述神经网络中的第一隐藏层中的节点，用于对所述输入层的输出值或者第二隐藏层的输出值进行计算，并将计算结果输出给第三隐藏层或者所述输出层；
其中，所述第二隐藏层位于所述第一隐藏层的上层，所述第三隐藏层位于所述第一隐藏层的下层。
可选的，所述对所述输入层的输出值或者第二隐藏层的输出值进行计算，包括：
对所述输入层的输出值或者第二隐藏层的输出值进行加权求和，并对求和结果添加偏移值，以及通过激活函数对添加所述偏移值的结果进行运算，得到所述计算结果。
可选的，所述神经网络中的节点的参数是通过特定代价函数进行训练得到。
可选的，所述特定代价函数包括：
所述神经网络输出的数据信息与原始数据之间的均方误差最小；
或者，
所述神经网络输出的数据信息与原始数据之间的交叉熵最大；
其中，所述神经网络输出的数据信息，具体为：当所述神经网络的输入为训练数据接收信号和训练导频接收信号时，由所述神经网络输出的数据信息；
所述训练数据接收信号和所述训练导频接收信号，分别为：当发送端发送所述原始数据时，由所述接收端接收到的数据接收信号和导频接收信号。
可选的，获取模块801，具体用于在特定资源组上接收所述导频接收信号和所述数据接收信号，所述特定资源组公用一组导频。
本发明实施例提供的接收端能够实现本发明方法实施例中接收端实现的各个过程，为避免重复，这里不再赘述，能够降低信道估计和信号检测的复杂度，从而提高接收端的性能。
图9为实现本发明各个实施例的一种接收端的硬件结构示意图，
该接收端900包括但不限于：射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909、处理器910、以及电源911等部件。本领域技术人员可以理解，图9中示出的接收端结构并不构成对接收端的限定，接收端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，接收端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载接收端、可穿戴设备、以及计步器等。
射频单元901，用于获取导频接收信号和数据接收信号；
处理器910，用于通过预先训练得到的神经网络，获得与所述导频接收信号和所述数据接收信号对应的数据信息，其中，所述神经网络的输入包括所述导频接收信号和所述数据接收信号，所述神经网络的输出包括所述数据信息。
可选的，所述神经网络包括输入层、至少一个隐藏层和输出层；
其中，所述输入层的节点数量，与用于传输所述导频接收信号的导频资源的数量以及用于传输所述数据接收信号的数据资源的数量相对应；
所述输出层包括Q×N×Nd个节点，其中，所述Q为调制阶数，所述N为所述导频接收信号和所述数据接收信号的发送端的发送天线个数，所述Nd为用于传输所述数据接收信号的数据资源的数量。
可选的，所述输入层包括(Np+Nd)×M或者2×(Np+Nd)×M个节点，所述Np为用于传输所述导频接收信号的导频资源的数量，所述Nd为用于传输所述数据接收信号的数据资源的数量，所述M为所述接收端的接收天线个数。
可选的，所述神经网络中的第一隐藏层中的节点，用于对所述输入层的输出值或者第二隐藏层的输出值进行计算，并将计算结果输出给第三隐藏层或者所述输出层；
其中，所述第二隐藏层位于所述第一隐藏层的上层，所述第三隐藏层位于所述第一隐藏层的下层。
可选的，所述对所述输入层的输出值或者第二隐藏层的输出值进行计算，包括：
对所述输入层的输出值或者第二隐藏层的输出值进行加权求和，并对求和结果添加偏移值，以及通过激活函数对添加所述偏移值的结果进行运算，得到所述计算结果。
可选的，所述神经网络中的节点的参数是通过特定代价函数进行训练得到。
可选的，所述特定代价函数包括：
所述神经网络输出的数据信息与原始数据之间的均方误差最小；
或者，
所述神经网络输出的数据信息与原始数据之间的交叉熵最大；
其中，所述神经网络输出的数据信息，具体为：当所述神经网络的输入为训练数据接收信号和训练导频接收信号时，由所述神经网络输出的数据信息；
所述训练数据接收信号和所述训练导频接收信号，分别为：当发送端发送所述原始数据时，由所述接收端接收到的数据接收信号和导频接收信号。
可选的，所述获取导频接收信号和所述数据接收信号，包括：
在特定资源组上接收所述导频接收信号和所述数据接收信号，所述特定资源组公用一组导频。
上述接收端能够降低信道估计和信号检测的复杂度，从而提高接收端的性能。
应理解的是，本发明实施例中，射频单元901可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器910处理；另外，将上行的数据发送给基站。通常，射频单元901包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元901还可以通过无线通信系统与网络和其他设备通信。
接收端通过网络模块902为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元903可以将射频单元901或网络模块902接收的或者在存储器909中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元903还可以提供与接收端900执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元903包括扬声器、蜂鸣器以及受话器等。
输入单元904用于接收音频或视频信号。输入单元904可以包括图形处理器(Graphics Processing Unit，GPU)9041和麦克风9042，图形处理器9041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元906上。经图形处理器9041处理后的图像帧可以存储在存储器909(或其它存储介质)中或者经由射频单元901或网络模块902进行发送。麦克风9042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元901发送到移动通信基站的格式输出。
接收端900还包括至少一种传感器905，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板9061的亮度，接近传感器可在接收端900移动到耳边时，关闭显示面板9061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别接收端姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器905还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元906用于显示由用户输入的信息或提供给用户的信息。显示单元906可包括显示面板9061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板9061。
用户输入单元907可用于接收输入的数字或字符信息，以及产生与接收端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元907包括触控面板9071以及其他输入设备9072。触控面板9071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板9071上或在触控面板9071附近的操作)。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器910，接收处理器910发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板9071。除了触控面板9071，用户输入单元907还可以包括其他输入设备9072。具体地，其他输入设备9072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板9071可覆盖在显示面板9061上，当触控面板9071检测到在其上或附近的触摸操作后，传送给处理器910以确定触摸事件的类型，随后处理器910根据触摸事件的类型在显示面板9061上提供相应的视觉输出。虽然在图9中，触控面板9071与显示面板9061是作为两个独立的部件来实现接收端的输入和输出功能，但是在某些实施例中，可以将触控面板9071与显示面板9061集成而实现接收端的输入和输出功能，具体此处不做限定。
接口单元908为外部装置与接收端900连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元908可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到接收端900内的一个或多个元件或者可以用于在接收端900和外部装置之间传输数据。
存储器909可用于存储软件程序以及各种数据。存储器909可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器909可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器910是接收端的控制中心，利用各种接口和线路连接整个接收端的各个部分，通过运行或执行存储在存储器909内的软件程序和/或模块，以及调用存储在存储器909内的数据，执行接收端的各种功能和处理数据，从而对接收端进行整体监控。处理器910可包括一个或多个处理单元；优选的，处理器910可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器910中。
接收端900还可以包括给各个部件供电的电源911(比如电池)，优选的，电源911可以通过电源管理系统与处理器910逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，接收端900包括一些未示出的功能模块，在此不再赘述。
优选的，本发明实施例还提供一种接收端，包括处理器910，存储器909，存储在存储器909上并可在所述处理器910上运行的程序，该程序被处理器910执行时实现上述信号检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的信号检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (18)

1.一种信号检测方法，应用于接收端，其特征在于，包括：
获取导频接收信号和数据接收信号；
通过预先训练得到的神经网络，获得与所述导频接收信号和所述数据接收信号对应的数据信息，其中，所述神经网络的输入包括所述导频接收信号和所述数据接收信号，所述神经网络的输出包括所述数据信息。
2.如权利要求1所述的方法，其特征在于，所述神经网络包括输入层、至少一个隐藏层和输出层；
其中，所述输入层的节点数量，与用于传输所述导频接收信号的导频资源的数量以及用于传输所述数据接收信号的数据资源的数量相对应；
所述输出层包括Q×N×Nd个节点，其中，所述Q为调制阶数，所述N为所述导频接收信号和所述数据接收信号的发送端的发送天线个数，所述Nd为用于传输所述数据接收信号的数据资源的数量。
3.如权利要求2所述的方法，其特征在于，所述输入层包括(Np+Nd)×M或者2×(Np+Nd)×M个节点，所述Np为用于传输所述导频接收信号的导频资源的数量，所述Nd为用于传输所述数据接收信号的数据资源的数量，所述M为所述接收端的接收天线个数。
4.如权利要求2所述的方法，其特征在于，所述神经网络中的第一隐藏层中的节点，用于对所述输入层的输出值或者第二隐藏层的输出值进行计算，并将计算结果输出给第三隐藏层或者所述输出层；
其中，所述第二隐藏层位于所述第一隐藏层的上层，所述第三隐藏层位于所述第一隐藏层的下层。
5.如权利要求4所述的方法，其特征在于，所述对所述输入层的输出值或者第二隐藏层的输出值进行计算，包括：
对所述输入层的输出值或者第二隐藏层的输出值进行加权求和，并对求和结果添加偏移值，以及通过激活函数对添加所述偏移值的结果进行运算，得到所述计算结果。
6.如权利要求1所述的方法，其特征在于，所述神经网络中的节点的参数是通过特定代价函数进行训练得到。
7.如权利要求6所述的方法，其特征在于，所述特定代价函数包括：
所述神经网络输出的数据信息与原始数据之间的均方误差最小；
或者，
所述神经网络输出的数据信息与原始数据之间的交叉熵最大；
其中，所述神经网络输出的数据信息，具体为：当所述神经网络的输入为训练数据接收信号和训练导频接收信号时，由所述神经网络输出的数据信息；
所述训练数据接收信号和所述训练导频接收信号，分别为：当发送端发送所述原始数据时，由所述接收端接收到的数据接收信号和导频接收信号。
8.如权利要求1所述的方法，其特征在于，所述获取导频接收信号和所述数据接收信号，包括：
在特定资源组上接收所述导频接收信号和所述数据接收信号，所述特定资源组公用一组导频。
9.一种接收端，其特征在于，包括：
获取模块，用于获取导频接收信号和数据接收信号；
处理模块，用于通过预先训练得到的神经网络，获得与所述导频接收信号和所述数据接收信号对应的数据信息，其中，所述神经网络的输入包括所述导频接收信号和所述数据接收信号，所述神经网络的输出包括所述数据信息。
10.如权利要求9所述的接收端，其特征在于，所述神经网络包括输入层、至少一个隐藏层和输出层；
其中，所述输入层的节点数量，与用于传输所述导频接收信号的导频资源的数量以及用于传输所述数据接收信号的数据资源的数量相对应；
所述输出层包括Q×N×Nd个节点，其中，所述Q为调制阶数，所述N为所述导频接收信号和所述数据接收信号的发送端的发送天线个数，所述Nd为用于传输所述数据接收信号的数据资源的数量。
11.如权利要求10所述的接收端，其特征在于，所述输入层包括(Np+Nd)×M或者2×(Np+Nd)×M个节点，所述Np为用于传输所述导频接收信号的导频资源的数量，所述Nd为用于传输所述数据接收信号的数据资源的数量，所述M为所述接收端的接收天线个数。
12.如权利要求10所述的接收端，其特征在于，所述神经网络中的第一隐藏层中的节点，用于对所述输入层的输出值或者第二隐藏层的输出值进行计算，并将计算结果输出给第三隐藏层或者所述输出层；
其中，所述第二隐藏层位于所述第一隐藏层的上层，所述第三隐藏层位于所述第一隐藏层的下层。
13.如权利要求12所述的接收端，其特征在于，所述对所述输入层的输出值或者第二隐藏层的输出值进行计算，包括：
对所述输入层的输出值或者第二隐藏层的输出值进行加权求和，并对求和结果添加偏移值，以及通过激活函数对添加所述偏移值的结果进行运算，得到所述计算结果。
14.如权利要求9所述的接收端，其特征在于，所述神经网络中的节点的参数是通过特定代价函数进行训练得到。
15.如权利要求14所述的接收端，其特征在于，所述特定代价函数包括：
所述神经网络输出的数据信息与原始数据之间的均方误差最小；
或者，
所述神经网络输出的数据信息与原始数据之间的交叉熵最大；
其中，所述神经网络输出的数据信息，具体为：当所述神经网络的输入为训练数据接收信号和训练导频接收信号时，由所述神经网络输出的数据信息；
所述训练数据接收信号和所述训练导频接收信号，分别为：当发送端发送所述原始数据时，由所述接收端接收到的数据接收信号和导频接收信号。
16.如权利要求9所述的接收端，其特征在于，所述获取模块，具体用于在特定资源组上接收所述导频接收信号和所述数据接收信号，所述特定资源组公用一组导频。
17.一种接收端，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至8中任一项所述的信号检测方法中的步骤。
18.一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上存储有信号传输程序，所述信号传输程序被处理器执行时实现如权利要求1至8中任一项所述的信号检测方法的步骤。
CN201810621240.1A 2018-06-15 2018-06-15 一种信号检测方法和接收端 Active CN110611627B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810621240.1A CN110611627B (zh) 2018-06-15 2018-06-15 一种信号检测方法和接收端
PCT/CN2019/089251 WO2019237935A1 (zh) 2018-06-15 2019-05-30 信号检测方法和接收端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810621240.1A CN110611627B (zh) 2018-06-15 2018-06-15 一种信号检测方法和接收端

Publications (2)

Publication Number Publication Date
CN110611627A true CN110611627A (zh) 2019-12-24
CN110611627B CN110611627B (zh) 2021-03-19

Family

ID=68842815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810621240.1A Active CN110611627B (zh) 2018-06-15 2018-06-15 一种信号检测方法和接收端

Country Status (2)

Country Link
CN (1) CN110611627B (zh)
WO (1) WO2019237935A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111866930A (zh) * 2020-07-21 2020-10-30 西北大学 基于机器学习的射频信号检测方法及系统
CN112512075A (zh) * 2020-11-26 2021-03-16 华中科技大学 一种导频碰撞检测方法、装置及系统
CN113543186A (zh) * 2020-04-13 2021-10-22 中国移动通信有限公司研究院 传输方法及设备
CN113824453A (zh) * 2020-06-19 2021-12-21 意法半导体有限公司 用于在无线电频率传输中接收数据的设备和方法
WO2022222116A1 (zh) * 2021-04-22 2022-10-27 Oppo广东移动通信有限公司 信道恢复的方法及收端设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024007299A1 (en) * 2022-07-08 2024-01-11 Huawei Technologies Co., Ltd. A signal processing device and method for a non-stationary dynamic environment

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090041145A1 (en) * 2007-08-06 2009-02-12 Ananthanarayanan Chockalingam Method to detect data transmitted from multiple antennas and system thereof
CN103312641A (zh) * 2013-07-10 2013-09-18 东南大学 一种大规模天线阵列的信号合并方法
CN103916344A (zh) * 2014-03-07 2014-07-09 南京邮电大学 无线传感网虚拟多输入多输出系统信号盲检测方法
CN104022978A (zh) * 2014-06-18 2014-09-03 中国联合网络通信集团有限公司 一种半盲信道估计方法和系统
CN104270167A (zh) * 2013-12-20 2015-01-07 张冬 一种基于多维特征神经网络的信号检测和估计方法
CN106100789A (zh) * 2016-06-13 2016-11-09 南京邮电大学 基于分簇的多层mimo无线传感器网络盲检测方法
CN106203624A (zh) * 2016-06-23 2016-12-07 上海交通大学 基于深度神经网络的矢量量化系统及方法
CN107203782A (zh) * 2017-05-23 2017-09-26 哈尔滨工业大学 基于卷积神经网络的大动态信噪比下通信干扰信号识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105790813B (zh) * 2016-05-17 2018-11-06 重庆邮电大学 一种大规模mimo下基于深度学习的码本选择方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090041145A1 (en) * 2007-08-06 2009-02-12 Ananthanarayanan Chockalingam Method to detect data transmitted from multiple antennas and system thereof
CN103312641A (zh) * 2013-07-10 2013-09-18 东南大学 一种大规模天线阵列的信号合并方法
CN104270167A (zh) * 2013-12-20 2015-01-07 张冬 一种基于多维特征神经网络的信号检测和估计方法
CN103916344A (zh) * 2014-03-07 2014-07-09 南京邮电大学 无线传感网虚拟多输入多输出系统信号盲检测方法
CN104022978A (zh) * 2014-06-18 2014-09-03 中国联合网络通信集团有限公司 一种半盲信道估计方法和系统
CN106100789A (zh) * 2016-06-13 2016-11-09 南京邮电大学 基于分簇的多层mimo无线传感器网络盲检测方法
CN106203624A (zh) * 2016-06-23 2016-12-07 上海交通大学 基于深度神经网络的矢量量化系统及方法
CN107203782A (zh) * 2017-05-23 2017-09-26 哈尔滨工业大学 基于卷积神经网络的大动态信噪比下通信干扰信号识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AYMEN MUDHEHER BADR等: ""Novel to improved (MIMO-STBC) system Based on"", 《2017 IEEE 8TH INTERNATIONAL CONFERENCE ON CIS & RAM,》 *
HAO YE等: ""Power of Deep Learning for Channel Estimation"", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 *
MURSEL ONDER等: ""Pilot Tone Investigation for Joint Channel Estimation, Equalization, and"", 《IEEE 2015 9TH INTERNATIONAL CONFERENCE ON ELECTRICAL AND ELECTRONICS ENGINEERING (ELECO)》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113543186A (zh) * 2020-04-13 2021-10-22 中国移动通信有限公司研究院 传输方法及设备
CN113824453A (zh) * 2020-06-19 2021-12-21 意法半导体有限公司 用于在无线电频率传输中接收数据的设备和方法
CN113824453B (zh) * 2020-06-19 2022-09-09 意法半导体有限公司 用于在无线电频率传输中接收数据的设备和方法
US11616516B2 (en) 2020-06-19 2023-03-28 Stmicroelectronics Sa Device and method for receiving data in a radio frequency transmission
CN111866930A (zh) * 2020-07-21 2020-10-30 西北大学 基于机器学习的射频信号检测方法及系统
CN112512075A (zh) * 2020-11-26 2021-03-16 华中科技大学 一种导频碰撞检测方法、装置及系统
CN112512075B (zh) * 2020-11-26 2022-02-15 华中科技大学 一种导频碰撞检测方法、装置及系统
WO2022222116A1 (zh) * 2021-04-22 2022-10-27 Oppo广东移动通信有限公司 信道恢复的方法及收端设备

Also Published As

Publication number Publication date
WO2019237935A1 (zh) 2019-12-19
CN110611627B (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN110611627B (zh) 一种信号检测方法和接收端
CN109803253B (zh) 一种信号传输方法、终端及网络设备
CN111835488B (zh) 一种确定天线端口映射方法和终端
CN109768926B (zh) 一种数据处理方法、终端设备及计算机可读存储介质
CN111277387B (zh) 指示信息的传输方法及通信设备
CN113676226B (zh) 导频信息符号发送方法、信道估计方法、通信设备及介质
EP3952411A1 (en) Positioning measurement information reporting method, terminal, and network device
CN109525999B (zh) Dmrs确定方法、配置方法、终端和基站
CN111642002B (zh) Srs功率控制方法、srs功率控制的配置方法及相关设备
CN113382423B (zh) 信号传输方法、信息指示方法和相关设备
WO2020182124A1 (zh) 传输方法、网络设备和终端
CN111615198B (zh) 资源确定方法、资源指示方法、终端及网络侧设备
US11375497B2 (en) Power configuration method and terminal
CN109286414B (zh) 一种天线确定方法和终端
CN111278115B (zh) 传输方法、配置方法及相关设备
CN111278114B (zh) 功率控制方法、终端设备及网络侧设备
CN111182636B (zh) 下行控制信息检测方法、网络侧设备及终端设备
CN109379575B (zh) 一种白平衡处理方法及移端
CN108259808B (zh) 一种视频帧压缩方法和移动终端
CN109711850B (zh) 一种安全支付方法、设备及计算机可读存储介质
CN109673049B (zh) 一种pbch信号的传输方法、基站和用户终端
CN110972186A (zh) 功率余量上报方法及终端设备
CN111476231B (zh) 一种图像区域识别方法、设备及计算机可读存储介质
CN113162738B (zh) 一种上行传输方法、装置、设备及存储介质
CN109660323B (zh) 一种配置csi-rs的时域位置的方法、基站和用户终端

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