CN110719239A - 一种数据模型双驱动的联合mimo信道估计和信号检测方法 - Google Patents

一种数据模型双驱动的联合mimo信道估计和信号检测方法 Download PDF

Info

Publication number
CN110719239A
CN110719239A CN201910933710.2A CN201910933710A CN110719239A CN 110719239 A CN110719239 A CN 110719239A CN 201910933710 A CN201910933710 A CN 201910933710A CN 110719239 A CN110719239 A CN 110719239A
Authority
CN
China
Prior art keywords
signal
channel estimation
signal detection
network
matrix
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
CN201910933710.2A
Other languages
English (en)
Other versions
CN110719239B (zh
Inventor
何恒涛
金石
温朝凯
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201910933710.2A priority Critical patent/CN110719239B/zh
Publication of CN110719239A publication Critical patent/CN110719239A/zh
Application granted granted Critical
Publication of CN110719239B publication Critical patent/CN110719239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • 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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • 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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0256—Channel estimation using minimum mean square error criteria

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种数据模型双驱动的联合MIMO信道估计和信号检测方法，通过信道估计器和信号检测器进行信道估计和信号检测。信号检测器将信道估计结果和接收数据信号作为每层网络的输入，第t层网络结合第(t‑1)层网络的输出计算得到错误方差向量；第t层网络根据输入的待训练参数、错误方差估计向量和线性估计器计算得到外信息，并根据外信息采用无散估计函数得到信号估计值，同时输出并传递至下一层网络；由第T层网络输出最后的发送符号的估计值。同时信号检测器将估计出的发送符号反馈到信道估计器中进一步提升信道估计结果。本发明可以大幅提升网络性能，实现动态更新，网络自适应，可提升接收机性能，在传统迭代接收机的基础上获得显著的性能增益。

Description

一种数据模型双驱动的联合MIMO信道估计和信号检测方法
技术领域
本发明涉及一种数据模型双驱动的联合MIMO信道估计和信号检测方法，属于无线通信技术领域。
背景技术
MIMO系统因其可以提高网络的频谱效率和链路可靠性成为大量无线通信标准的主流技术。MIMO接收机是MIMO系统设计中重要的环节。其中，基于近似消息传递和期望传播算法的迭代接收机受到持续关注。该接收机以迭代的方式不断近似最小均方误差估计，将MIMO系统的检测问题解耦成多路并行的AWGN信道检测问题，并根据外信息采用无散估计函数计算信号估计值，在MIMO系统中获得优异的性能。然而，现有的工作仅仅考虑完美的CSI，并没有考虑实际信道估计误差带来的挑战。同时随着无线通信的发展和业务需求，未来的无线通信系统被要求具有智能性，能够实现动态更新，网络自适应。然而，现有的迭代接收算法并不能满足要求。
近年来，随着人工智能特别是深度学习的飞速发展，出现了将人工智能与移动通信深度融合的趋势，越来越多的研究者开始考虑研究智能通信。前期的研究成果集中于应用层和网络层，主要是将机器学习特别是深度学习应用到无线资源管理和分配等领域。目前，该方面研究工作正在向MAC层和物理层推进，特别是在物理层已经出现无线传输与深度学习相结合的趋势，如何将深度学习等技术运用于MIMO接收机设计中，实现接收机动态更新和网络自适应，大幅提升接收机性能和降低复杂度，正成为移动通信的前沿研究热点。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足，提供一种数据模型双驱动的联合MIMO信道估计和信号检测方法，解决如何将无线传输与深度学习相结合，提高网络自适应的问题。在原有迭代接收机的基础上引入考虑信道估计误差和深度学习技术，提升接收性能。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种数据模型双驱动的联合MIMO信道估计和信号检测方法，该方法通过信道估计器和信号检测器进行信道估计和信号检测，其中，信号检测器由T层相同结构的网络串联而成，每层网络均包括无散估计函数和线性估计器；
将导频信号Xp和接收导频信号Yp作为信道估计器的输入，利用线性最小均方误差LMMSE原理得到初始信道估计结果
Figure BDA0002221034880000011
同时将得到的初始信道估计误差的协方差矩阵
Figure BDA0002221034880000012
输入到信号检测器中；
信号检测器将信道估计结果
Figure BDA0002221034880000021
和接收数据信号Yd作为每层网络的输入，第t层网络结合第t-1层网络的输出
Figure BDA0002221034880000022
计算得到错误方差向量
Figure BDA0002221034880000023
所述第t层网络根据第t层深度学习训练参数(γt,θt,φt,ξt)、第t层错误方差向量和第t层线性估计矩阵Wt计算得到第t层外信息rt和并根据rt和
Figure BDA0002221034880000026
采用第t层无散估计函数ηt(·)计算得到估计信号
Figure BDA0002221034880000027
将
Figure BDA0002221034880000028
传递至第t+1层网络，由第T层网络输出发送信号的估计值
Figure BDA0002221034880000029
同时信号检测器将
Figure BDA00022210348800000210
反馈到信道估计器中以自适应更新信道估计结果；其中，t＝1,2,…,T；
自适应更新信道估计结果具体为：将等效导频和接收信号Y＝[Yp,Yd]作为信道估计器的输入，
Figure BDA00022210348800000212
为第l次信号检测结果，利用LMMSE原理得到第l次自适应更新后的信道估计结果
Figure BDA00022210348800000213
并送到信号检测器进行下一次信号检测；
信道估计器和信号检测器交换信息，最后信号检测器输出最终的结果
Figure BDA00022210348800000214
其中L表示信号检测的次数，l＝1,2,…,L。
作为本发明的进一步技术方案，用线性最小均方误差LMMSE原理得到初始信道估计结果采用公式：
Figure BDA00022210348800000215
Figure BDA00022210348800000216
其中Rhh为信道协方差矩阵，
Figure BDA00022210348800000217
Figure BDA00022210348800000218
表示矩阵克罗内科积，IN是维度为N的单位矩阵，N表示接收端天线数，σ2为导频发送阶段信道噪声功率，
Figure BDA00022210348800000219
是维度为NpN的单位矩阵，Np表示导频信号长度，yp＝vec(YP),vec(·)表示向量化操作；
用线性最小均方误差LMMSE原理得到第l次自适应更新后的信道估计结果采用公式：
Figure BDA00022210348800000220
Figure BDA00022210348800000221
其中
Figure BDA00022210348800000223
是维度为NpM的单位矩阵，M是接收天线数目
Figure BDA0002221034880000031
第n个时刻的等效噪声协方差矩阵
Figure BDA0002221034880000032
的表达式为
Figure BDA0002221034880000033
n＝1,2,…,Nd，Nd表示数据信号长度，
Figure BDA0002221034880000034
为信号检测误差矩阵中第(j,n)个元素。
作为本发明的进一步技术方案，在第l次信号检测过程中的
Figure BDA0002221034880000035
采用公式：
其中，diag(·)表示对角化操作，
Figure BDA0002221034880000038
为第l次自适应更新阶段的信道估计误差矩阵的第(i,j)个元素，其中i＝1,…M,j＝1,…N；
Figure BDA00022210348800000310
表示第t层数据信号的估计结果，为数据发送阶段的信道噪声功率，
Figure BDA00022210348800000312
为
Figure BDA00022210348800000313
的共轭转置，tr(·)表示矩阵的秩，H表示真实的信道响应。
作为本发明的进一步技术方案，在第l次信号检测过程中的rt和
Figure BDA00022210348800000314
采用公式：
Figure BDA00022210348800000315
Figure BDA00022210348800000316
其中，I表示单位矩阵。
作为本发明的进一步技术方案，在第l次信号检测过程中的Wt为
Figure BDA00022210348800000318
的共轭转置或伪逆。
作为本发明的进一步技术方案，在第l次信号检测过程中的Wt为
Figure BDA00022210348800000319
的线性最小均方误差LMMSE矩阵：
其中，
Figure BDA00022210348800000321
I表示单位矩阵。
作为本发明的进一步技术方案，无散估计函数ηt(·)采用公式：
Figure BDA0002221034880000041
其中，(φt,ξt)为可训练参数，x为真实的发送符号，估计信号的每一个分量为：
Figure BDA0002221034880000043
sj为发送信号星座点集合S中第j个元素；p(sj)为sj的概率，ri为rt中的第i个元素，
Figure BDA0002221034880000044
作为本发明的进一步技术方案，采用tensorflow平台对(γt,θt,φt,ξt)进行监督学习的训练，训练的输入数据是导频信号Xp和接收导频信号Yp，数据信号Xd和接收数据信号Yd；训练的数据标签值为真实的发送符号x，损失函数是平方误差损失
Figure BDA0002221034880000045
优化器是Adam优化器。
作为本发明的进一步技术方案，训练时采用小批量梯度下降，每轮内采用5000个批量，每个批量的大小为100条样本。一共训练10000轮，学习速率设置为0.001。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明将数据模型双驱动的联合MIMO信道估计和信号检测方法应用于无线通信接收机中，在传统迭代接收机的基础上引入深度神经网络，合理地设计神经网络结构，同时考虑到实际的信道估计误差和数据辅助的信道估计方法，以原始的迭代接收机为网络基本结构，通过深度学习技术优化训练参数，可以大幅提升网络性能，实现动态更新，网络自适应。同时训练过程以原始的迭代接收机为初始值，需要训练的参数很少，训练所需时间很短，可以在传统迭代接收机的基础上获得显著的性能增益。该接收机既可以采取线下训练、线上部署的方案，也可以实现线上训练、线上部署。
附图说明
图1是本发明的结构框图；
图2是信号检测器的结构示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
如图1所示，本发明实施例提供一种数据模型双驱动的联合MIMO信道估计和信号检测方法系统框图，其中信号检测网络考虑信道估计误差，同时信号检测结果反馈到信道估计器中辅助信道估计。如图2所示，本发明中实施例提供的一种信号检测网络结构示意图。本发明在传统迭代接收机的基础上引入深度学习，提升接收机性能。本发明通过展开传统的迭代信号检测器，利用传统算法作为初始值，然后通过深度学习技术对接收机进行优化，实现动态更新，网络自适应，可以在传统迭代接收机的基础上获得显著的性能增益。本发明的方法具体包括以下步骤：
(1)将导频信号Xp和接收信号Yp作为信道估计器的输入，利用LMMSE估计出初始信道估计结果
Figure BDA0002221034880000051
同时得到初始信道估计误差的协方差矩阵
Figure BDA0002221034880000052
输入到信号检测器中。
用线性最小均方误差LMMSE原理得到初始信道估计结果采用公式：
Figure BDA0002221034880000053
Figure BDA0002221034880000054
其中Rhh为信道协方差矩阵，
Figure BDA0002221034880000055
Figure BDA0002221034880000056
表示矩阵克罗内科积，IN是维度为N的单位矩阵，N表示接收端天线数，σ2为导频发送阶段信道噪声功率，
Figure BDA0002221034880000057
是维度为NpN的单位矩阵，Np表示导频信号长度，yp＝vec(YP),vec(·)表示向量化操作。
(2)所述的信号检测器由T层网络串联而成，每一层网络具有相同的结构，无散估计函数ηt(·)和线性估计矩阵Wt。网络结构是通过正交近似消息传递(OAMP)算法展开获得。该接收机的初始输入是信道估计
Figure BDA0002221034880000058
和接收信号yd，输出是发送信号的估计值
Figure BDA0002221034880000059
同时信号检测器将
Figure BDA00022210348800000510
反馈到信道估计器中以自适应更新信道估计结果。网络初始值
Figure BDA00022210348800000511
M,N分别为接收端和发送端天线数目，σ2为噪声方差，待训练参数为(γt,θt,φt,ξt)。
(3)自适应更新信道估计结果具体为：将等效导频
Figure BDA00022210348800000512
和接收信号Y＝[Yp,Yd]作为信道估计器的输入，为第l次信号检测结果，利用LMMSE原理得到第l次自适应更新后的信道估计结果
Figure BDA00022210348800000514
并送到信号检测器进行下一次信号检测。
用线性最小均方误差LMMSE原理得到第l次自适应更新后的信道估计结果采用公式：
Figure BDA00022210348800000515
Figure BDA00022210348800000516
其中
Figure BDA0002221034880000061
Figure BDA0002221034880000062
是维度为NpM的单位矩阵，M是接收天线数目
Figure BDA0002221034880000063
第n个时刻的等效噪声协方差矩阵
Figure BDA0002221034880000064
的表达式为
Figure BDA0002221034880000065
n＝1,2,…,Nd，Nd表示数据信号长度，为信号检测误差矩阵中第(j,n)个元素。
(4)信道估计器和信号检测器交换信息，最后信号检测器输出最终的结果
Figure BDA0002221034880000067
其中L表示信号检测的次数，l＝1,2,…,L。
由于每一层网络结构相同，现以第t层为例,每一层网络实施以下步骤：
a.首先，网络初始值
Figure BDA0002221034880000068
第t层网络根据(t-1)层网络的输出信道估计
Figure BDA00022210348800000610
和接收信号yd计算错误方差向量
Figure BDA00022210348800000612
具体表达式如下：
Figure BDA00022210348800000613
b.第t层网络根据(t-1)层的输出
Figure BDA00022210348800000614
信道估计
Figure BDA00022210348800000615
待训练参数(γt,θt,φt,ξt)，接收信号yd,错误方差估计向量和线性估计矩阵Wt计算外信息rt和
Figure BDA00022210348800000617
rt和的计算过程如下：
Figure BDA00022210348800000619
Figure BDA00022210348800000620
其中矩阵
Figure BDA00022210348800000621
线性估计矩阵Wt可以是信道估计
Figure BDA00022210348800000622
的转置或伪逆，或线性最小均方误差矩阵LMMSE。
本实施例中，线性估计矩阵Wt使用线性最小均方误差LMMSE矩阵：
Figure BDA00022210348800000623
其中同时(γt,θt,φt,ξt)为待训练参数，需要通过深度学习技术进行优化。
c.第t层网络通过外信息rt和无散估计函数ηt(·)计算
Figure BDA0002221034880000073
同时将输出并传递到下一层网络。所述无散估计函数ηt(·)计算公式为：
Figure BDA0002221034880000075
本实施例中发送符号为离散的QAM调制符号，因此公式(7)中
Figure BDA0002221034880000076
的每一个分量具体计算表达式为：
Figure BDA0002221034880000077
sj为发送信号星座点集合S中第j个元素；p(sj)为发送符号sj的概率，ri为外信息r中的第i个元素；其中
Figure BDA0002221034880000078
si为发送信号星座点集合S中第i个元素，以及p(sj)＝1/Q，Q为调制阶数。
所述第t层网络将信号估计值
Figure BDA0002221034880000079
输出并传递到下一层网络后，最终，由第T层网络输出发送信号的估计值
Figure BDA00022210348800000710
d.同时，信号检测器将信道估计结果
Figure BDA00022210348800000711
和接收信号Yd作为每层网络的输入,同时将估计出的数据
Figure BDA00022210348800000712
反馈回信道估计器进一步提升信道估计的性能。
e.对上述网络进行监督学习的训练，训练参数为(γt,θt,φt,ξt)，训练采用的平台是tensorflow。训练的输入值是导频信号Xp和接收导频信号Yp，数据信号Xd和接收数据信号Yd。网络训练的数据标签值为真实的发送符号x。损失函数是平方误差损失
Figure BDA00022210348800000713
优化器是Adam优化器。训练时采用小批量梯度下降，每轮内采用5000个批量，每个批量的大小为100条样本。一共训练10000轮，学习速率设置为0.001。
综上，本发明考虑信道估计误差和数据辅助信道估计方法，通过深度学习技术优化训练参数，可以大幅提升网络性能，实现动态更新，网络自适应，可提升接收机性能，在传统迭代接收机的基础上获得显著的性能增益。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (9)

1.一种数据模型双驱动的联合MIMO信道估计和信号检测方法，其特征在于，该方法通过信道估计器和信号检测器进行信道估计和信号检测，其中，信号检测器由T层相同结构的网络串联而成，每层网络均包括无散估计函数和线性估计器；
将导频信号Xp和接收导频信号Yp作为信道估计器的输入，利用线性最小均方误差LMMSE原理得到初始信道估计结果同时将得到的初始信道估计误差的协方差矩阵
Figure FDA0002221034870000012
输入到信号检测器中；
信号检测器将信道估计结果
Figure FDA0002221034870000013
和接收数据信号Yd作为每层网络的输入，第t层网络结合第t-1层网络的输出
Figure FDA0002221034870000014
计算得到错误方差向量
Figure FDA0002221034870000015
所述第t层网络根据第t层深度学习训练参数(γt,θt,φt,ξt)、第t层错误方差向量
Figure FDA0002221034870000016
和第t层线性估计矩阵Wt计算得到第t层外信息rt和
Figure FDA0002221034870000017
并根据rt和采用第t层无散估计函数ηt(·)计算得到估计信号
Figure FDA0002221034870000019
将传递至第t+1层网络，由第T层网络输出发送信号的估计值
Figure FDA00022210348700000111
同时信号检测器将
Figure FDA00022210348700000112
反馈到信道估计器中以自适应更新信道估计结果；其中，t＝1,2,…,T；
自适应更新信道估计结果具体为：将等效导频
Figure FDA00022210348700000113
和接收信号Y＝[Yp,Yd]作为信道估计器的输入，
Figure FDA00022210348700000114
为第l次信号检测结果，利用LMMSE原理得到第l次自适应更新后的信道估计结果
Figure FDA00022210348700000115
并送到信号检测器进行下一次信号检测；
信道估计器和信号检测器交换信息，最后信号检测器输出最终的结果
Figure FDA00022210348700000116
其中L表示信号检测的次数，l＝1,2,…,L。
2.如权利要求1所述的一种数据模型双驱动的联合MIMO信道估计和信号检测方法，其特征在于，用线性最小均方误差LMMSE原理得到初始信道估计结果采用公式：
Figure FDA00022210348700000117
其中Rhh为信道协方差矩阵，
Figure FDA00022210348700000119
表示矩阵克罗内科积，IN是维度为N的单位矩阵，N表示接收端天线数，σ2为导频发送阶段信道噪声功率，
Figure FDA00022210348700000121
是维度为NpN的单位矩阵，Np表示导频信号长度，yp＝vec(YP),vec(·)表示向量化操作；
用线性最小均方误差LMMSE原理得到第l次自适应更新后的信道估计结果采用公式：
Figure FDA0002221034870000021
Figure FDA0002221034870000022
其中
Figure FDA0002221034870000023
Figure FDA0002221034870000024
是维度为NpM的单位矩阵，M是接收天线数目
Figure FDA0002221034870000025
第n个时刻的等效噪声协方差矩阵的表达式为
Figure FDA0002221034870000027
Nd表示数据信号长度，为信号检测误差矩阵中第(j,n)个元素。
3.如权利要求1所述的一种数据模型双驱动的联合MIMO信道估计和信号检测方法，其特征在于，在第l次信号检测过程中的
Figure FDA0002221034870000029
采用公式：
Figure FDA00022210348700000210
其中，diag(·)表示对角化操作，为第l次自适应更新阶段的信道估计误差矩阵
Figure FDA00022210348700000213
的第(i,j)个元素，其中i＝1,...M,j＝1,...N；
Figure FDA00022210348700000214
表示第t层数据信号的估计结果，
Figure FDA00022210348700000215
为数据发送阶段的信道噪声功率，
Figure FDA00022210348700000216
为
Figure FDA00022210348700000217
的共轭转置，tr(·)表示矩阵的秩，H表示真实的信道响应。
4.如权利要求1所述的一种数据模型双驱动的联合MIMO信道估计和信号检测方法，其特征在于，在第l次信号检测过程中的rt和
Figure FDA00022210348700000218
采用公式：
Figure FDA00022210348700000219
Figure FDA00022210348700000220
其中，
Figure FDA00022210348700000221
I表示单位矩阵。
5.如权利要求1所述的一种数据模型双驱动的联合MIMO信道估计和信号检测方法，其特征在于，在第l次信号检测过程中的Wt为
Figure FDA0002221034870000031
的共轭转置或伪逆。
6.如权利要求1所述的一种数据模型双驱动的联合MIMO信道估计和信号检测方法，其特征在于，在第l次信号检测过程中的Wt为
Figure FDA0002221034870000032
的线性最小均方误差LMMSE矩阵：
Figure FDA0002221034870000033
其中，I表示单位矩阵。
7.如权利要求1所述的一种数据模型双驱动的联合MIMO信道估计和信号检测方法，其特征在于，无散估计函数ηt(·)采用公式：
Figure FDA0002221034870000035
其中，(φt,ξt)为可训练参数，x为真实的发送符号，估计信号
Figure FDA0002221034870000036
的每一个分量为：
Figure FDA0002221034870000037
sj为发送信号星座点集合S中第j个元素；p(sj)为sj的概率，ri为rt中的第i个元素，
Figure FDA0002221034870000038
8.如权利要求1所述的一种数据模型双驱动的联合MIMO信道估计和信号检测方法，其特征在于，采用tensorflow平台对(γt,θt,φt,ξt)进行监督学习的训练，训练的输入数据是导频信号Xp和接收导频信号Yp，数据信号Xd和接收数据信号Yd；训练的数据标签值为真实的发送符号x，损失函数是平方误差损失
Figure FDA0002221034870000039
优化器是Adam优化器。
9.如权利要求8所述的一种数据模型双驱动的联合MIMO信道估计和信号检测方法，其特征在于，训练时采用小批量梯度下降，每轮内采用5000个批量，每个批量的大小为100条样本。一共训练10000轮，学习速率设置为0.001。
CN201910933710.2A 2019-09-29 2019-09-29 一种数据模型双驱动的联合mimo信道估计和信号检测方法 Active CN110719239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910933710.2A CN110719239B (zh) 2019-09-29 2019-09-29 一种数据模型双驱动的联合mimo信道估计和信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910933710.2A CN110719239B (zh) 2019-09-29 2019-09-29 一种数据模型双驱动的联合mimo信道估计和信号检测方法

Publications (2)

Publication Number Publication Date
CN110719239A true CN110719239A (zh) 2020-01-21
CN110719239B CN110719239B (zh) 2022-03-11

Family

ID=69211166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910933710.2A Active CN110719239B (zh) 2019-09-29 2019-09-29 一种数据模型双驱动的联合mimo信道估计和信号检测方法

Country Status (1)

Country Link
CN (1) CN110719239B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111314255A (zh) * 2020-02-13 2020-06-19 南京航空航天大学 一种低复杂度siso和mimo接收机生成方法
CN111371479A (zh) * 2020-03-06 2020-07-03 浙江大学城市学院 基于在线空间信号阵列处理方法的大规模mimo系统的数据驱动信道参数估计方法
CN111478868A (zh) * 2020-03-09 2020-07-31 北京邮电大学 一种otfs系统的信号检测方法及装置
CN111510402A (zh) * 2020-03-12 2020-08-07 西安电子科技大学 基于深度学习的ofdm信道估计方法
CN111786915A (zh) * 2020-05-09 2020-10-16 广州番禺职业技术学院 非线性失真条件下基于深度学习的无线通信方法及其系统
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
CN112235023A (zh) * 2020-10-09 2021-01-15 齐鲁工业大学 一种基于模型驱动深度学习的mimo-scfde自适应传输方法
CN113541747A (zh) * 2021-07-01 2021-10-22 网络通信与安全紫金山实验室 一种大规模mimo检测方法、装置和存储介质
CN113691290A (zh) * 2020-05-19 2021-11-23 诺基亚技术有限公司 用于对多用户多输入多输出(mu-mimo)通信系统的信号整形进行优化的方法和装置
CN114726419A (zh) * 2022-04-07 2022-07-08 重庆邮电大学 基于深度学习的共轭梯度大规模mimo检测方法
CN114759997A (zh) * 2022-04-08 2022-07-15 山东大学 一种基于数据模型双驱动的mimo系统信号检测方法
CN115023902A (zh) * 2020-01-29 2022-09-06 诺基亚技术有限公司 用于通信系统的接收器

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040208254A1 (en) * 2003-04-21 2004-10-21 Samsung Electronics Co., Ltd. Method and apparatus for estimating a signal sequence in a MIMO-OFDM mobile communication system
US20140348120A1 (en) * 2013-04-04 2014-11-27 Huawei Technologies Co., Ltd. Methods and Nodes in a Wireless Communication Network
CN105388859A (zh) * 2014-08-29 2016-03-09 通用电气公司 用于多输入多输出设备的基于自适应模型的控制的方法和系统
CN105610484A (zh) * 2016-01-04 2016-05-25 东南大学 大规模mimo低复杂度迭代接收方法
CN109067688A (zh) * 2018-07-09 2018-12-21 东南大学 一种数据模型双驱动的ofdm接收方法
CN109391315A (zh) * 2018-09-13 2019-02-26 东南大学 一种数据模型双驱动的mimo接收机
CN109617847A (zh) * 2018-11-26 2019-04-12 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040208254A1 (en) * 2003-04-21 2004-10-21 Samsung Electronics Co., Ltd. Method and apparatus for estimating a signal sequence in a MIMO-OFDM mobile communication system
US20140348120A1 (en) * 2013-04-04 2014-11-27 Huawei Technologies Co., Ltd. Methods and Nodes in a Wireless Communication Network
CN105388859A (zh) * 2014-08-29 2016-03-09 通用电气公司 用于多输入多输出设备的基于自适应模型的控制的方法和系统
CN105610484A (zh) * 2016-01-04 2016-05-25 东南大学 大规模mimo低复杂度迭代接收方法
CN109067688A (zh) * 2018-07-09 2018-12-21 东南大学 一种数据模型双驱动的ofdm接收方法
CN109391315A (zh) * 2018-09-13 2019-02-26 东南大学 一种数据模型双驱动的mimo接收机
CN109617847A (zh) * 2018-11-26 2019-04-12 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FENG GUO; BIN LIU; XIN SHI; XIAOCHEN HAO: "T-S fuzzy model identification of MIMO nonlinear systems based on data-driven", 《2011 INTERNATIONAL CONFERENCE ON ELECTRONICS, COMMUNICATIONS AND CONTROL》 *
阳析;金石: "大规模MIMO系统传输关键技术研究进展", 《电信科学》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115023902A (zh) * 2020-01-29 2022-09-06 诺基亚技术有限公司 用于通信系统的接收器
US12040857B2 (en) 2020-01-29 2024-07-16 Nokia Technologies Oy Receiver for a communication system
CN111314255B (zh) * 2020-02-13 2021-06-08 南京航空航天大学 一种低复杂度siso和mimo接收机生成方法
CN111314255A (zh) * 2020-02-13 2020-06-19 南京航空航天大学 一种低复杂度siso和mimo接收机生成方法
CN111371479A (zh) * 2020-03-06 2020-07-03 浙江大学城市学院 基于在线空间信号阵列处理方法的大规模mimo系统的数据驱动信道参数估计方法
CN111478868A (zh) * 2020-03-09 2020-07-31 北京邮电大学 一种otfs系统的信号检测方法及装置
CN111510402A (zh) * 2020-03-12 2020-08-07 西安电子科技大学 基于深度学习的ofdm信道估计方法
CN111786915B (zh) * 2020-05-09 2023-03-14 广州番禺职业技术学院 非线性失真条件下基于深度学习的无线通信方法及其系统
CN111786915A (zh) * 2020-05-09 2020-10-16 广州番禺职业技术学院 非线性失真条件下基于深度学习的无线通信方法及其系统
CN113691290A (zh) * 2020-05-19 2021-11-23 诺基亚技术有限公司 用于对多用户多输入多输出(mu-mimo)通信系统的信号整形进行优化的方法和装置
US11848735B2 (en) 2020-05-19 2023-12-19 Nokia Technologies Oy Method and apparatus for optimization of signal shaping for a multi-user multiple input multiple output (MU-MIMO) communication system
CN113691290B (zh) * 2020-05-19 2023-06-16 诺基亚技术有限公司 用于对多用户多输入多输出(mu-mimo)通信系统的信号整形进行优化的方法和装置
CN112235023B (zh) * 2020-10-09 2021-11-30 齐鲁工业大学 一种基于模型驱动深度学习的mimo-scfde自适应传输方法
CN112235023A (zh) * 2020-10-09 2021-01-15 齐鲁工业大学 一种基于模型驱动深度学习的mimo-scfde自适应传输方法
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
CN113541747A (zh) * 2021-07-01 2021-10-22 网络通信与安全紫金山实验室 一种大规模mimo检测方法、装置和存储介质
CN113541747B (zh) * 2021-07-01 2022-07-08 网络通信与安全紫金山实验室 一种大规模mimo检测方法、装置和存储介质
CN114726419A (zh) * 2022-04-07 2022-07-08 重庆邮电大学 基于深度学习的共轭梯度大规模mimo检测方法
CN114759997A (zh) * 2022-04-08 2022-07-15 山东大学 一种基于数据模型双驱动的mimo系统信号检测方法

Also Published As

Publication number Publication date
CN110719239B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN110719239B (zh) 一种数据模型双驱动的联合mimo信道估计和信号检测方法
US8464105B2 (en) Method of multiuser precoding and scheduling and base station for implementing the same
US9473223B2 (en) Methods for optimal collaborative MIMO-SDMA
Lee et al. Deep learning based transmit power control in underlaid device-to-device communication
CN112637094A (zh) 一种基于模型驱动深度学习的多用户mimo接收方法
CN108964725B (zh) 时变大规模mimo网络中信道参数的稀疏估计方法
CN107276646A (zh) 大规模mimo‑ofdm上行链路迭代检测方法
CN113381953B (zh) 基于可重构智能表面辅助的极限学习机的信道估计方法
CN109391315B (zh) 一种数据模型双驱动的mimo接收机
CN112215335B (zh) 一种基于深度学习的系统检测方法
Liu et al. HyperRNN: Deep learning-aided downlink CSI acquisition via partial channel reciprocity for FDD massive MIMO
CN111049767B (zh) 一种稀疏正交频分复用放大转发(ofdm-af)系统数据检测方法
CN115022896A (zh) 信息上报方法、装置、第一设备及第二设备
CN111510403B (zh) 一种基于对称lq的大规模mimo系统迭代信号检测方法
US20230186079A1 (en) Learning an optimal precoding policy for multi-antenna communications
CN112313884A (zh) 用于在无线通信系统中信号检测的方法和装置
CN117220740A (zh) 一种非合作场景下通信与干扰一体化系统波束形成方法
CN115714612A (zh) 基于感知的通信波束跟踪方法
CN115361257A (zh) 上行大规模mimo稀疏信道估计方法及相关设备
CN115023902A (zh) 用于通信系统的接收器
CN105744613B (zh) 基于低复杂度接收机的mimo系统的功率控制方法
CN105207701B (zh) 用于在多小区多用户多天线系统中基于ica的解码方法
WO2024049970A1 (en) Method and apparatus for wi-fi sensing through mu-mimo beamforming feedback learning
Colak et al. Estimation of Correlated Channels in Reconfigurable Intelligent Surfaces-Enabled 6G Networks
US20240048257A1 (en) Electronic device for predicting channel in mimo communication system and method of predicting the same

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