CN111447160A - 基于神经网络的大规模mimo无源随机接入的信号检测方法 - Google Patents
基于神经网络的大规模mimo无源随机接入的信号检测方法 Download PDFInfo
- Publication number
- CN111447160A CN111447160A CN202010295090.7A CN202010295090A CN111447160A CN 111447160 A CN111447160 A CN 111447160A CN 202010295090 A CN202010295090 A CN 202010295090A CN 111447160 A CN111447160 A CN 111447160A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- matrix
- sequence
- decoder
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 77
- 108091006146 Channels Proteins 0.000 claims description 55
- 230000004913 activation Effects 0.000 claims description 36
- 230000000694 effects Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000007476 Maximum Likelihood Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 35
- 230000005540 biological transmission Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 241000764238 Isis Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000035939 shock Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100396152 Arabidopsis thaliana IAA19 gene Proteins 0.000 description 1
- 102100039292 Cbp/p300-interacting transactivator 1 Human genes 0.000 description 1
- 101000888413 Homo sapiens Cbp/p300-interacting transactivator 1 Proteins 0.000 description 1
- 101100274486 Mus musculus Cited2 gene Proteins 0.000 description 1
- 101150096622 Smr2 gene Proteins 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- OROGSEYTTFOCAN-DNJOTXNNSA-N codeine Chemical compound C([C@H]1[C@H](N(CC[C@@]112)C)C3)=C[C@H](O)[C@@H]1OC1=C2C3=CC=C1OC OROGSEYTTFOCAN-DNJOTXNNSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- OROGSEYTTFOCAN-UHFFFAOYSA-N hydrocodone Natural products C1C(N(CCC234)C)C2C=CC(O)C3OC2=C4C1=CC=C2OC OROGSEYTTFOCAN-UHFFFAOYSA-N 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural 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
- 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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03178—Arrangements involving sequence estimation techniques
- H04L25/03203—Trellis search techniques
- H04L25/03222—Trellis search techniques using the T-algorithm
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0833—Random access procedures, e.g. with 4-step access
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，其包括以下步骤：发射步骤：将发送机配置为多路形式，对每一路发送机，将该路发送机的消息射序列映射为若干个码字，并通过射频模块将所述码字逐个通过天线发送至无线信道中；接收步骤：将接收机配置上多根天线，射频接收模块从天线中获取多路载波信号，并解调得到基带信号；内层神经网络解码器获取射频接收模块产生的基带信号，通过网络输出得到码字的索引，并将该十进制数索引逆映射为二进制序列，从而恢复原始消息序列。本发明的内层神经网络解码器，与现有的内层最大似然解码器相比，可显著降低计算复杂度。
Description
技术领域
本发明涉及通信技术领域，具体涉及一种基于神经网络的大规模MIMO无源随机接入的信号检测方法。
背景技术
未来无线蜂窝网络的一个关键需求是设备的海量接入，这一特性可支持物联网场景下机器设备的通信，机器设备通信最显著的特征在于以下两点：
(1)机器设备接入信道是随机且零星发生的。在一个时隙内仅有少量设备活跃并接入信道，这一零星接入特性需要尺度可变的随机接入方案来容纳海量潜在设备的连接。
(2)机器设备的数据传输为短数据包传输。传统的基于认证的接入方案需要通信双方的交互过程，即设备在通信前向基站发送突发脉冲，等待基站确认用户端身份，授权通过后分配通信资源。由于机器设备为短包传输，可能长时间无法得到调度，基于认证的接入方案降低了传输效率且引入时延。
上述两点催生了非授权多址接入方案的研究。在有源的随机接入方案中，非授权的传输需要两个步骤：①通过导频检测活跃用户并估计信道；②活跃用户进行数据传输。该方案预先给每个用户分配特定导频，接收端通过检测用户发送的导频，从而甄别活跃的用户并恢复其对应的信道。随后，活跃的用户进行数据传输，接收端在预估信道条件下恢复活跃用户的数据。该方案在有限的用户数量条件下性能较好，在物联网海量的机器设备通信场景下，为每个设备分配特定导频将难以实现，无源的随机接入方案则可解决这一问题。
无源的随机接入方案是一种新型的非授权接入方案，该方案只恢复设备传输的数据，而不甄别其对应的特定用户。该方案适用于物联网场景，海量的廉价设备如无线传感器在生产时植入码本，设备在传送数据时将消息映射为所要传输码字。由于接收端只关注传输的信息而不检测其对应的用户，因而称为无源方案。
一种无源随机接入方案是所用设备使用相同的码本。所有设备将待发送的序列转化为十进制数，并据此从该码本中选择对应的码字进行传输，完成原始数据与码字的映射。接收端将加噪信号输入神经网络接收器，该接收器据此输出已传码字在码本中的索引，并将其转化为二进制序列，进而恢复设备的初始数据。已有的最大似然接收器，需要完成多轮迭代，复杂度较高。
发明内容
本发明的目的是根据上述现有技术的不足之处，提供一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，通过采用预训练的神经网络解码器，实现低复杂度的解码。
本发明目的实现由以下技术方案完成：
一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，其包括以下步骤：
发射步骤：将发送机配置为多路形式，对每一路发送机，将该路发送机的消息射序列映射为若干个码字，并通过射频模块将所述码字逐个通过天线发送至无线信道中；
接收步骤：将接收机配置上多根天线，射频接收模块从天线中获取多路载波信号，并解调得到基带信号；内层神经网络解码器获取所述射频接收模块产生的基带信号，通过网络输出得到码字的索引，并将该十进制数索引逆映射为二进制序列，从而恢复原始消息序列。
本发明的进一步改进在于，所述发送机和所述接收机采用相同的码本矩阵；所述码本矩阵中各列向量为码字；任意两个码字互不相同。
本发明的进一步改进在于，每一路发送机包括前导序列生成器、外层树形编码器以及内层码字映射编码器；
在发送步骤中，所述前导序列生成二进制的消息射序列，所述外层树形编码器将所述消息序列拆分为多段，分散到多个时隙，每个时隙剩余部分根据生成矩阵产生校验位补齐，得到多个二进制序列片段；所述内层码字映射编码器根据码本矩阵将每个时隙中的二进制序列片段映射为码字。
本发明的进一步改进在于，
所述接收机包括外层树形解码器；
在接收步骤中，所述外层树形解码器跨时隙处理所述内层神经网络解码器得到的二进制序列，根据所述生成矩阵计算校验序列，逐时隙行进校验计算、比对，跨时隙将校验匹配的序列的数据部分进行拼接，重组所有序列，以完成属于同一用户不同时隙的数据的整合拼接。
本发明的进一步改进在于，所述内层神经网络解码器分时隙完成对多路信号的信道检测与活跃度估计，所述内层神经网络解码器是基于近似消息传递的迭代网络；内层神经网络解码器接收到的多路信号Y的表达式为：
Y＝AX+W
其中：A为收发双方已知的码本矩阵，其每一列对应一个码字；X＝Γ1/2H；Γ为等效选择矩阵，该矩阵为对角阵，对角元为0或1，为1的位置代表其对应的在码本矩阵中的某个码字被选中；W为无线信道噪声；
所述内层神经网络解码器通过多层网络求解矩阵X，每层网络所采用的神经网络模型的表达式为：
其中：其中下标t代表网络的第t层，
代表网络第t层的信道估计输出，
代表网络最终的十进制输出；ηnon-linea(·)、ηlinear(·)和ηch-sup(·)分别为网络的非线性单元、线性单元和信道-活跃度转换单元。
本发明的进一步改进在于，
所述非线性单元包括级联的全连接层以及激活层，该激活层的激活函数为softshrink；
所述线性单元包括级联的全连接层以及激活层，该激活层的激活函数为Tanh；
所述信道-活跃度转换单元包括级联的全连接层以及激活层，该激活层的激活函数为Sigmoid，所述信道-活跃度转换单元输出二值化的活跃度向量。
本发明的进一步改进在于，对所述内层神经网络解码器的训练过程包括以下步骤：
(1)确定网络预知参数，其包括：每个时隙的消息长度J，活跃用户数Ka，导频长度L，接收端天线数M；
(2)生成训练数据集、验证数据集；
(3)对所述内层神经网络解码器进行初始化；
(4)使用训练数据集对所述内层神经网络解码器进行训练，并使用验证数据集对所述内层神经网络解码器进行验证。
本发明的进一步改进在于，对所述内层神经网络解码器进行训练的过程中，采用的损失函数为信道矩阵的损失与活跃度估计的损失之和，其中信道矩阵的损失由均方误差MSE衡量，活跃度估计的损失函数为非对称的交叉熵函数，具体表达式为：
其中p为交叉熵函数中的非对称系数，取值范围为(0,1)。αk为实际的活跃度向量中的第k个元素，
为网络输出的活跃度向量中的第k个元素。
本发明的优点是：
(1)本发明基于非授权方案，无需基站分配专有通信线路，节约资源且减小时延。
(2)本发明基于无源方案，较传统有源方优势在于，能够适应巨连接场景，海量设备接入信道时，通过外层树形编码器对原始消息进行切割，可降低码本维度。传统有源方案需为所有设备预置特定码本，在巨连接场景下该方案成本较高甚至难以实现。
(3)本发明创造了内层神经网络解码器，与现有的内层最大似然解码器相比，显著降低计算复杂度。
附图说明
图1是本发明提供的发送机结构图；
图2是本发明提供的接收机结构图；
图3是本发明提供的发送机实例图；
图4是本发明提供的接收机实例图；
图5是外层树形编码器示意图；
图6是外层树形编码流程图；
图7是内层神经网络解码器示意图；
图8是外层树形解码器示意图；
图9是外层树形解码流程图。
具体实施方式
实施例：如图1、2所示，本发明的实施例包括一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，该方法基于相互适配的发射机以及接收机进行实现。发射机被配置为多路形式，发射机的每一路包括依次连接的前导序列生成器、外层树形编码器、内层码字映射编码器、射频发送模块以及多个天线。接收机也包括多个天线，各天线与射频接收模块连接，射频接收模块与内层神经网络解码器连接，内层神经网络解码器与外层树形解码器连接。
本实施例的基于神经网络的大规模MIMO无源随机接入的信号检测方法包括以下步骤：
(S1)发射步骤：如图1、3所示，将发送机配置为多路形式，对每一路发送机，将该路发送机的消息射序列映射为多个码字，并通过射频模块将所述码字逐个通过天线发送至无线信道中。
二进制的消息序列由前导序列生成器生成，作为用户的待发送数据。外层树形编码器接收前导序列生成器生成的二进制消息序列，对该序列做校验编码处理，得到若干个二进制序列，每个二进制序列对应一个时隙。随后内层码字映射编码器获取所述外层树形编码器产生的二进制序列，将该序列转化为十进制，并在码本矩阵中选择对应的码字，每个码字对应一个时隙。射频发送模块获取所述内层码字映射编码器映射的码字，将其与载波信号调制后的已调信号通过天线发送到无线信道中。
(S2)接收步骤：如图2、4所示，将接收机配置上多根天线，射频接收模块从天线中获取多路载波信号，并解调得到基带信号；内层神经网络解码器获取所述射频接收模块产生的基带信号，通过网络输出得到码字的索引，并将该十进制数索引逆映射为二进制序列。外层树形解码器获得多个时隙的二进制序列，根据预置的校验约束，对属于同一个用户的不同时隙的消息进行拼接重组，该过程为外层树形编码器的逆运算。
在一个具体实施例中，前导序列生成器根据输入的比特符号生成二进制的消息序列，也可生成随机的二进制消息序列。
如图3、5、6所示，所述外层树形编码器(本段简称树编码器)对前导序列生成器产生的二进制的消息序列进行拆分，每段序列长度不等，通过对每段序列添加校验位冗余进行补齐。其具体操作为：二进制序列长度为B-bit，树编码器将其分割为S个子块，每个子块的长度为J-bit。其中第j个子块包含的数据位w(j)的长度为为mj-bit，有
在这一架构下，二进制序列可表示为w＝w(0)w(1)…w(S-1)。为了完成子块的拼接，编码阶段需对子块引入校验位冗余。树编码器对第j个子块引入校验位的长度为lj-bit，使得每个子块的总长度为mj+lj＝J。其中，第一个子块均为数据位，不包含校验位，即m0＝J，且l0＝0。
随后子块的校验位和前面所有子块的数据位相关。设p(j)是第j个子块的校验位，其长度为lj-bit，校验位的产生方式为：
其中生成矩阵Gl,j-1的元素服从伯努利分布，其0和1的个数在统计上出现概率相等。上述校验位计算方法中所有加法运算均为模二加，以保证校验位p(j)为二进制序列。添加校验位冗余后，二进制序列通过树编码器产生的S段消息为：v＝w(0)w(1)p(1)…w(S-1)p(S-1)。
如图3、5所示，所述内层码字映射编码器获取外层树形编码器生成的S段编码后的二进制序列，逐段完成二进制消息与码字的映射过程。用户k∈Ka根据其J-bit的二进制消息对应的十进制数ik，在码本矩
阵中，选择第ik个码字
进行传输，完成消息与码字的映射，分时隙在MIMO信道下传输，每一段在一个时隙下传输，一共S个时隙。
如图7所示，内层神经网络解码器是基于近似消息传递的迭代网络。对于每个时隙，内层神经网络解码器接收到的来自射频接收模块的多路信号Y的表达式为：
Y＝AX+W
其中：A为收发双方已知的码本矩阵，其每一列对应一个码字；X＝Γ1/2H；Γ为等效选择矩阵，该矩阵为对角阵，对角元为0或1，为1的位置代表其对应的在码本矩阵中的某个码字被选中；W为无线信道噪声；
所述内层神经网络解码器通过多层网络求解矩阵X，如图7所示，每层网络所采用的神经网络模型的表达式为：
其中：其中下标t代表网络的第t层，
代表网络第t层的信道估计输出，
代表网络最终的十进制输出；ηnon-linear(·)、ηlinear(·)和ηch-sup(·)分别为网络的非线性单元、线性单元和信道-活跃度转换单元。非线性操作的激活函数ηt(·)和线性操作中激活函数的导函数η′t(·)用python神经网络激活函数代替，降低计算复杂度。
非线性单元ηt(·)包括级联的全连接层以及激活层，该激活层的激活函数为softshrink。
线性单元η′t(·)包括级联的全连接层以及激活层，该激活层的激活函数为Tanh。
信道-活跃度转换单元包括级联的全连接层以及激活层，该激活层的激活函数为Sigmoid，所述信道-活跃度转换单元ηch-sup(·)输出二值化的活跃度向量。Sigmoid激活层输出的向量中，各元素的取值范围为[0,1]，在二值化的过程中，将每个元素与一个指定的阈值进行比较，大于阈值的元素取1，小于阈值的元素取0，从而实现二值化。最终，活跃度向量中值为1的元素所在的下标为码字的索引。将十进制数索引转化为二进制序列，由此完成用户消息序列的恢复。
上述的内层神经网络解码器需要在投入正式运行前进行训练，训练过程包括以下步骤：
①确定网络预知参数：每个时隙的消息长度：J，活跃用户数：Ka，导频长度：L，接收端天线数：M。
②生成训练数据集、验证数据集、测试数据集。数据集包含信道数据和活跃度数据两部分，信道数据为服从复高斯分布的矩阵，矩阵维度为
其中信道矩阵有且仅有Ka个非零行，非零行的位置代表Jbit二进制消息转化而成的十进制数，活跃度数据为长度为2J的向量，向量元素为0、1，其中为1的个数为Ka，1的位置代表Jbit二进制消息转化而成的十进制数。
③初始化码本矩阵
A的每列码字初始化为正交码字。码本矩阵A设置为网络中的可调参数。
④初始化网络非线性操作。第一层为全连接层
权值矩阵Θ维度为
为左乘矩阵，元素初始化为1，偏置矩阵b维度为
元素初始化为0。第二层为激活层，激活函数可选用Soft shrink。
⑤初始化网络线性操作。第一层为全连接层
权值函数Θl为左乘矩阵，维度为
元素初始化为1；权值函数Θr为右乘矩阵，维度为
元素初始化为1，偏置矩阵b维度为
元素初始化为0。第二层为激活层，激活函数可选用Tanh。
⑥初始化网络信道——活跃度转换层。第一层为全连接层
权值矩阵Θ维度为
为右乘矩阵，元素初始化为1/2J，偏置矩阵b维度为
元素初始化为0。第二层为激活层，激活函数可选用Sigmoid。
⑦设置网络损失函数。训练损失分为两部分，信道矩阵的损失和活跃度估计损失。信道损失函数为可设置为MSE函数，具体为计算训练集的信道矩阵与网络输出的信道矩阵之间的均方误差；活跃度估计损失函数可设置为非对称的交叉熵函数，具体表达式为：
其中p为交叉熵函数中的非对称系数，取值范围为(0,1)。αk为实际的活跃度向量中的第k个元素，
为网络输出的活跃度向量中的第k个元素。
⑧训练网络。网络每一层的输入为加噪信号Y，步长stept，信道ht，每一层的输出参数为接收信号Y，步长stept+1，信道ht+1，其中下标t代表网络的第t层。步长初值为step0＝{0}L×M，信道初值为
对网络每一层而言具体计算步骤为：
1.
2.
3.
其中，ηnon-linear(·)和ηlinear(·)分别为④和⑤所述的网络非线性操作和线性操作。网络完成T层迭代计算后，输出信道估计值
和经过网络训练的码本A，同时信道估计值输入信道——活跃度转换单元，网络的活跃度估计值
其中ηch-sup(·)为⑥所述的信道——活跃度转换操作。在得到信道估计值
和活跃度估计值
后，根据⑦分别计算信道损失和活跃度损失。网络根据损失值进行反向传播，根据梯度对各参数进行更新，并进行下一次训练。网络层数T可选为4，网络训练次数可选为2000次。网络学习率可设置为1×10-4。
上述的内层神经网络解码器投入使用过程中，其解码操作分时隙进行。对应场景应和网络具有相同的时隙的消息长度J、导频长度L和接收端天线数M。所述内层神经网络解码器根据接收信号Y和预先训练完成的码本A，输出信道估计值和活跃度估计值，活跃度向量估计值根据阈值确定为0或1，从而实现二值化。阈值可选为0.5。所述内层神经网络解码器最终输出活跃度向量估计值中值为1的元素所在的下标。
如图8、9所示，外层树形解码器跨时隙将原始二进制消息分散在所有时隙的数据进行整合拼接，具体为如下步骤：
①将所述内层神经网络解码器逐时隙输出的十进制数转化为二进制序列；
②从第一个时隙的所有序列中，随机选择一个序列作为本次解码的树根；
③根据树根序列与生成矩阵，计算出校验序列，在第二个时隙中寻找一路序列，其校验段与计算的校验序列相匹配，若无序列与其匹配，则本次解码失败，返回②，再次选择新的序列；
④若有序列与其匹配，将校验匹配序列的数据段取出，并与树根序列进行拼接，作为本次解码新的树根；
⑤重复③和④的操作，在第三个时隙中进行匹配寻找，直到行进到最后一个时隙，本次解码完成；
⑥上一轮解码完成后，返回②，再次选择新的序列，重复③④⑤的操作；
⑦第一个时隙中所有序列遍历完成，解码结束，输出所有的解码成功序列。
参阅图1至图9，本实施例的基于神经网络的大规模MIMO无源随机接入的信号检测方法在具体实施过程中包括以下步骤：
(1)前导序列生成器生成四路二进制序列MSG1、MSG2、MSG3、MSG4，每个序列长度为96bit。
(2)外层树形编码器进行如下编码步骤：
①对四路序列进行拆分，第1段为12bit，第2段至第28段为3bit；
②对四路拆分后的序列根据固定的生成矩阵分别添加校验位冗余，生成矩阵的元素服从伯努利分布，0和1出现的概率相等。第2段至第28段添加9bit冗余，第29段至第32段为12bit冗余；
③将数据位与校验位整合拼接，四路序列均被拆分扩充为32段；
④将32组数据分32个时隙输出，每个时隙内均有4路12bit信息。
(3)内层码字映射编码器分时隙进行码字映射编码，即：在每个时隙中，将四路序列的12bit信息分别转化为十进制数k1、k2、k3、k4，并在码本矩阵中选择对应的第k1、k2、k3、k4列作为待发送信号，码本矩阵一共有4096个码字，每个码字长度为100bit。
(4)射频发送模块获取所述内层码字映射编码器输出的码字信号，将其与载波信号调制后的已调信号通过天线分时隙发送到无线信道中。
(5)射频接收模块配置300根天线，逐时隙通过天线从无线信道中获取多路载波信号并解调得到基带信号，将接收信号按时间同步整理为32段信号，分别对应32个时隙。
(6)内层神经网络解码器获取所述射频接收模块的信号，并将其作为输入，分时隙进行处理，处理步骤如下：
①生成训练数据集、验证数据集、测试数据集。数据集包含信道数据和活跃度数据两部分，信道数据为服从复高斯分布的矩阵，矩阵维度为
其中信道矩阵有且仅有4个非零行，非零行的位置代表12bit二进制消息转化而成的十进制数，活跃度数据为长度为4096的向量，向量元素为0、1，其中为1的个数为4，1的位置代表12bit二进制消息转化而成的十进制数。训练数据集和验证数据集大小分别为5×104、5×103，每次取出的数据大小为5×102。
②初始化码本矩阵
A的每列码字初始化为正交码字。码本矩阵A设置为网络中的可调参数。
③初始化网络非线性操作。第一层为全连接层
权值矩阵Θ维度为
为左乘矩阵，元素初始化为1，偏置矩阵b维度为
元素初始化为0。第二层为激活层，激活函数选用Soft shrink。
④初始化网络线性操作。第一层为全连接层
权值函数Θl为左乘矩阵，维度为
元素初始化为1；权值函数Θr为右乘矩阵，维度为
元素初始化为1，偏置矩阵b维度为
元素初始化为0。第二层为激活层，激活函数选用Tanh。
⑤初始化网络信道——活跃度转换层。第一层为全连接层
权值矩阵Θ维度为
为右乘矩阵，元素初始化为1/4096，偏置矩阵b维度为
元素初始化为0。第二层为激活层，激活函数选用Sigmoid。
⑥设置网络损失函数。训练损失分为两部分，信道矩阵的损失和活跃度估计损失。信道损失函数为设置为MSE函数；活跃度估计损失函数设置为非对称的交叉熵函数，非对称系数p设置为1/6。
⑦训练网络。网络输入加噪信号Y，初始化码本矩阵A。网络完成T层迭代计算后，输出信道估计值
和经过网络训练的码本A，同时⑤中的信道——活跃度转换单元将信道估计值
转化为活跃度估计值
后，根据⑥分别计算信道损失和活跃度损失。网络根据损失值进行反向传播，根据梯度对各参数进行更新，并进行下一次训练。网络层数T选为4，网络训练次数选为2000次。网络学习率设置为1×10-4。
⑧投入使用。所述内层神经网络解码器训练完成后，即可投入对应场景下使用，其解码操作分时隙进行。所述内层神经网络解码器根据接收信号Y和网络预先训练完成的码本A，输出信道估计值和活跃度估计，活跃度向量估计值根据阈值确定为0或1，阈值选为0.5。所述内层神经网络解码器最终输出活跃度向量估计值中值为1的元素所在的下标。
(7)外层树形解码器获取所述内层神经网络解码器输出的32组十进制数，进行如下的解码步骤：
①将32组十进制数转化为二进制序列；
②从第1组中选择一路序列作为本次解码树根；
③根据树根序列与生成矩阵，计算出校验序列，在第2组中寻找一路序列，其后9bit校验段与计算的校验序列相匹配，若无序列与其匹配，则本次解码失败，返回②，再次选择新的序列；
④若有序列与其匹配，将校验匹配序列的前3bit数据段取出，并与树根序列进行拼接，作为本次解码新的树根；
⑤重复③和④的操作，在第3组中进行匹配寻找，直到行进到第32组，本次解码完成；
⑥上一轮解码完成后，返回②，再次选择新的序列，重复③④⑤的操作；
⑦第1组中所有序列遍历完成，解码结束，输出所有的解码成功序列，该序列为96bit。
(8)所述外层树形解码器输出的多路96bit序列即为恢复序列，若恢复成功，则输出为四路96bit序列，与原序列相同。
以上的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，其包括以下步骤：
发射步骤：将发送机配置为多路形式，对每一路发送机，将该路发送机的消息射序列映射为若干个码字，并通过射频模块将所述码字逐个通过天线发送至无线信道中；
接收步骤：将接收机配置上多根天线，射频接收模块从天线中获取多路载波信号，并解调得到基带信号；内层神经网络解码器获取所述射频接收模块产生的基带信号，通过网络输出得到码字的索引，并将该十进制数索引逆映射为二进制序列，从而恢复原始消息序列。
2.根据权利要求1所述的一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，其特征在于，所述发送机和所述接收机采用相同的码本矩阵；所述码本矩阵中各列向量为码字；任意两个码字互不相同。
3.根据权利要求1或2所述的一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，其特征在于：
每一路发送机包括前导序列生成器、外层树形编码器以及内层码字映射编码器；
在发送步骤中，所述前导序列生成二进制的消息射序列，所述外层树形编码器将所述消息序列拆分为多段，分散到多个时隙，每个时隙剩余部分根据生成矩阵产生校验位补齐，得到多个二进制序列片段；所述内层码字映射编码器根据码本矩阵将每个时隙中的二进制序列片段映射为码字。
4.根据权利要求3所述的一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，其特征在于：
所述接收机包括外层树形解码器；
在接收步骤中，所述外层树形解码器跨时隙处理所述内层神经网络解码器得到的二进制序列，根据所述生成矩阵计算校验序列，逐时隙行进校验计算、比对，跨时隙将校验匹配的序列的数据部分进行拼接，重组所有序列，以完成属于同一用户不同时隙的数据的整合拼接。
5.根据权利要求1或2所述的一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，其特征在于，所述内层神经网络解码器分时隙完成对多路信号的信道检测与活跃度估计，所述内层神经网络解码器是基于近似消息传递的迭代网络；内层神经网络解码器接收到的多路信号Y的表达式为：
Y＝AX+W
其中：A为收发双方已知的码本矩阵，其每一列对应一个码字；X＝Γ1/2H；Γ为等效选择矩阵，该矩阵为对角阵，对角元为0或1，为1的位置代表其对应的在码本矩阵中的某个码字被选中；W为无线信道噪声；
所述内层神经网络解码器通过多层网络求解矩阵X，每层网络所采用的神经网络模型的表达式为：
其中：其中下标t代表网络的第t层，
代表网络第t层的信道估计输出，
代表网络最终的十进制输出；ηnon-linear(·)、ηlinear(·)和ηch-sup(·)分别为网络的非线性单元、线性单元和信道-活跃度转换单元。
6.根据权利要求5所述的一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，其特征在于：
所述非线性单元包括级联的全连接层以及激活层，该激活层的激活函数为softshrink；
所述线性单元包括级联的全连接层以及激活层，该激活层的激活函数为Tanh；
所述信道-活跃度转换单元包括级联的全连接层以及激活层，该激活层的激活函数为Sigmoid，所述信道-活跃度转换单元输出二值化的活跃度向量。
7.根据权利要求5所述的一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，其特征在于：对所述内层神经网络解码器的训练过程包括以下步骤：
(1)确定网络预知参数，其包括：每个时隙的消息长度J，活跃用户数Ka，导频长度L，接收端天线数M；
(2)生成训练数据集、验证数据集；
(3)对所述内层神经网络解码器进行初始化；
(4)使用训练数据集对所述内层神经网络解码器进行训练，并使用验证数据集对所述内层神经网络解码器进行验证。
8.根据权利要求7所述的一种基于神经网络的大规模MIMO无源随机接入的信号检测方法，其特征在于：对所述内层神经网络解码器进行训练的过程中，采用的损失函数为信道矩阵的损失与活跃度估计的损失之和，其中信道矩阵的损失由均方误差MSE衡量，活跃度估计的损失函数为：
非对称的交叉熵函数，具体表达式为：
其中p为交叉熵函数中的非对称系数，取值范围为(0,1)。αk为实际的活跃度向量中的第k个元素，
为网络输出的活跃度向量中的第k个元素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010295090.7A CN111447160B (zh) | 2020-04-15 | 2020-04-15 | 基于神经网络的大规模mimo无源随机接入的信号检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010295090.7A CN111447160B (zh) | 2020-04-15 | 2020-04-15 | 基于神经网络的大规模mimo无源随机接入的信号检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111447160A true CN111447160A (zh) | 2020-07-24 |
| CN111447160B CN111447160B (zh) | 2021-06-29 |
Family
ID=71653108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010295090.7A Active CN111447160B (zh) | 2020-04-15 | 2020-04-15 | 基于神经网络的大规模mimo无源随机接入的信号检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111447160B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112039818A (zh) * | 2020-08-31 | 2020-12-04 | 中原工学院 | 基于频域移位平均周期图和神经网络译码的载波同步方法 |
| CN113472484A (zh) * | 2021-06-29 | 2021-10-01 | 哈尔滨工业大学 | 基于交叉熵迭代学习的物联网终端设备用户特征码识别方法 |
| CN113489519A (zh) * | 2021-07-07 | 2021-10-08 | 东南大学 | 一种面向非对称大规模mimo系统的无线通信传输方法 |
| WO2022033448A1 (zh) * | 2020-08-10 | 2022-02-17 | 华为技术有限公司 | 一种数据传输的方法及装置 |
| WO2023169380A1 (zh) * | 2022-03-11 | 2023-09-14 | 华为技术有限公司 | 信号传输方法及相关装置 |
| WO2024169169A1 (zh) * | 2023-02-14 | 2024-08-22 | 华为技术有限公司 | 信息传输的方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103152422A (zh) * | 2013-03-14 | 2013-06-12 | 中国科学技术大学苏州研究院 | 多流多宿主环境下文件递归分割传输并重新组合的方法 |
| CN106789770A (zh) * | 2016-12-26 | 2017-05-31 | 电子科技大学 | 基于压缩感知的大规模mimo非正交多用户接入方法 |
| CN107911152A (zh) * | 2017-10-27 | 2018-04-13 | 西安电子科技大学 | 适用于任意发送天线数量的空间编码调制系统和方法 |
| CN110086743A (zh) * | 2019-03-14 | 2019-08-02 | 西安电子科技大学 | 一种基于差分编码的短突发mimo-ofdm通信系统及方法 |
| CN110233701A (zh) * | 2019-05-25 | 2019-09-13 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 无线通信物理层通信安全的编解码方法 |
-
2020
- 2020-04-15 CN CN202010295090.7A patent/CN111447160B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103152422A (zh) * | 2013-03-14 | 2013-06-12 | 中国科学技术大学苏州研究院 | 多流多宿主环境下文件递归分割传输并重新组合的方法 |
| CN106789770A (zh) * | 2016-12-26 | 2017-05-31 | 电子科技大学 | 基于压缩感知的大规模mimo非正交多用户接入方法 |
| CN107911152A (zh) * | 2017-10-27 | 2018-04-13 | 西安电子科技大学 | 适用于任意发送天线数量的空间编码调制系统和方法 |
| CN110086743A (zh) * | 2019-03-14 | 2019-08-02 | 西安电子科技大学 | 一种基于差分编码的短突发mimo-ofdm通信系统及方法 |
| CN110233701A (zh) * | 2019-05-25 | 2019-09-13 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 无线通信物理层通信安全的编解码方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022033448A1 (zh) * | 2020-08-10 | 2022-02-17 | 华为技术有限公司 | 一种数据传输的方法及装置 |
| US12068895B2 (en) | 2020-08-10 | 2024-08-20 | Huawei Technologies Co., Ltd. | Data transmission method and apparatus |
| CN112039818A (zh) * | 2020-08-31 | 2020-12-04 | 中原工学院 | 基于频域移位平均周期图和神经网络译码的载波同步方法 |
| CN113472484A (zh) * | 2021-06-29 | 2021-10-01 | 哈尔滨工业大学 | 基于交叉熵迭代学习的物联网终端设备用户特征码识别方法 |
| CN113472484B (zh) * | 2021-06-29 | 2022-08-05 | 哈尔滨工业大学 | 基于交叉熵迭代学习的物联网设备用户特征码识别方法 |
| CN113489519A (zh) * | 2021-07-07 | 2021-10-08 | 东南大学 | 一种面向非对称大规模mimo系统的无线通信传输方法 |
| CN113489519B (zh) * | 2021-07-07 | 2022-08-19 | 东南大学 | 一种面向非对称大规模mimo系统的无线通信传输方法 |
| WO2023169380A1 (zh) * | 2022-03-11 | 2023-09-14 | 华为技术有限公司 | 信号传输方法及相关装置 |
| WO2024169169A1 (zh) * | 2023-02-14 | 2024-08-22 | 华为技术有限公司 | 信息传输的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111447160B (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111447160B (zh) | 基于神经网络的大规模mimo无源随机接入的信号检测方法 | |
| EP3510700B1 (en) | Method and apparatus for encoding data using a polar code | |
| KR101951663B1 (ko) | Crc 부호와 극 부호에 의한 부호화 방법 및 장치 | |
| CN105721106B (zh) | 基于串行策略的scma上行通信系统多用户检测方法 | |
| CN109327224B (zh) | 一种编码及解码的方法、设备和系统 | |
| Pradhan et al. | LDPC codes with soft interference cancellation for uncoordinated unsourced multiple access | |
| CN109314600A (zh) | 用于在使用通用极化码时进行速率匹配的系统和方法 | |
| CN107231158B (zh) | 一种极化码迭代接收机、系统和极化码迭代译码方法 | |
| CN111835464B (zh) | 一种与源址无关的大规模合作接入方法 | |
| CN108429599B (zh) | 用于通信系统中的数据处理的方法和设备 | |
| Sergienko et al. | SCMA detection with channel estimation error and resource block diversity | |
| CN111565061A (zh) | 一种基于深度神经网络的mimo-scma下行链路通信方法 | |
| Gkagkos et al. | FASURA: A scheme for quasi-static fading unsourced random access channels | |
| CN110601699B (zh) | 码率动态可变的多元ldpc码实现方法 | |
| CN114257342B (zh) | 基于非二进制极化码的两用户多址接入系统编码及译码方法 | |
| CN109194336B (zh) | 级联Spinal码的编码和译码方法、系统及装置 | |
| CN107959650A (zh) | 一种面向低码率bch码的盲帧同步方法 | |
| Shevchuk | Theoretical and algorithmic foundations of improving the efficiency of packet data transmission in high-speed and secure radio networks | |
| KR101405457B1 (ko) | 그룹 변조 방법 및 이를 이용한 송신 장치 | |
| Tian et al. | Design of massive unsourced random access over Rician channels | |
| Ustinova et al. | Unsourced random access pilot-assisted polar code construction for MIMO channel | |
| Liang et al. | Design on Polarization Weight-Based Polar Coded SCMA System over Fading Channels | |
| Han et al. | Block Orthogonal Sparse Superposition Codes for $\sf {L}^ 3$ Communications: Low Error Rate, Low Latency, and Low Power Consumption | |
| US20100254486A1 (en) | Method of block-coded group modulation and transmitter using the same | |
| Wang et al. | Blind Recognition of Convolutional Codes: A Matrix Transformation-Aided Deep Learning Approach |
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 |