CN111478868B - 一种otfs系统的信号检测方法及装置 - Google Patents

Abstract

本说明书一个或多个实施例提供一种OTFS系统的信号检测方法及装置，包括：根据OTFS系统结构，建立对应的因子图；根据所述因子图，构建神经网络；其中，所述神经网络的隐藏层的层数与消息传递的迭代次数相同，所述隐藏层包括消息计算神经元和概率计算神经元，所述消息计算神经元与所述因子图的节点和/或边相对应，所述概率计算神经元用于根据信号检测性能参数、所述消息计算神经元输出的数据计算发送信号经过信道后得到的发送信号中每个调制符号的概率；对所述神经网络进行训练，得到优化的信号检测性能参数。本说明书结合神经网络和信号检测算法，能够通过训练神经网络获得最优的信号检测性能参数，从而提升信号检测性能。

Description

一种OTFS系统的信号检测方法及装置

技术领域

本说明书一个或多个实施例涉及通信技术领域，尤其涉及一种OTFS系统的信号检测方法及装置。

背景技术

OTFS(Orthogonal Time Frequency Space)是一种新型的正交时频调制技术，特别适用于高多普勒、短分组和大型天线阵列的系统中。

近似消息传递(Approximate Message Passing，AMP)算法是应用于OTFS系统中的一种信号检测算法，可通过在因子图上多次迭代传递消息，提高信号检测性能，迭代过程中，信号检测性能与信号检测性能参数有直接关系，最优的信号检测性能参数能够改善算法性能，提高信号检测精度。目前，可通过仿真方式选取信号检测性能参数，但是即使进行了大量的仿真操作，也不一定能够得到最优的信号检测性能参数。

发明内容

有鉴于此，本说明书一个或多个实施例的目的在于提出一种OTFS系统的信号检测方法及装置，能够确定最优的信号检测性能参数，提高信号检测性能。

基于上述目的，本说明书一个或多个实施例提供了一种OTFS系统的信号检测方法，包括：

根据OTFS系统参数，建立对应的因子图；

根据所述因子图，构建神经网络；其中，所述神经网络的隐藏层的层数与消息传递的迭代次数相同，所述隐藏层包括消息计算神经元和概率计算神经元，所述消息计算神经元与所述因子图的节点和/或边相对应，所述概率计算神经元用于根据信号检测性能参数、所述消息计算神经元输出的数据计算发送信号经过信道后得到的发送信号中每个调制符号的概率；

对所述神经网络进行训练，得到优化的信号检测性能参数。

可选的，所述OTFS系统参数包括子载波数、OFDM符号数，以及信道模型的多径数，每一径的多普勒频偏和多径时延。

可选的，所述因子图包括VN节点与FN节点，所述VN节点与发送信号相对应，所述FN节点与接收信号相对应，所述VN节点与FN节点是否有连线，由信道响应参数矩阵中对应相应VN节点与FN节点的元素值决定。

可选的，每个隐藏层包括VN计算层、FN计算层和概率计算层，第一个隐藏层的概率计算层根据输入层输入的初始化发送信号中每个调制符号的概率，所在隐藏层的FN计算层的计算结果及所述信号检测性能参数，计算得到并输出发送信号中每个调制符号的概率；最后一个隐藏层的概率计算层根据输入层输入的初始化发送信号中每个调制符号的概率，所在隐藏层的FN计算层的计算结果，计算得到并输出发送信号中每个调制符号的概率；除第一个和最后一个以外的隐藏层，根据输入层输入的初始化的每个调制符号的概率、所在隐藏层的FN计算层的计算结果、前一隐藏层的概率计算层输出的概率计算结果及所述信号检测性能参数，计算发送信号中每个调制符号的概率。

可选的，所述VN计算层包括VN神经元，所述FN计算层包括FN神经元；所述VN神经元用于计算发送信号的均值和方差，并将计算结果送入对应的FN神经元，所述FN神经元用于根据接收的均值和方差计算对应时延-多普勒域信道响应系数乘上发送信号的均值和方差。

可选的，对于基于均值传递的AMP算法构建的神经网络，第i层隐藏层，VN计算层中与e＝(v,f)对应的VN神经元与第i-1层隐藏层中FN计算层中与e＝(v,f)对应的FN神经元连接，也与第i-1隐藏层中概率计算层中与第v个VN节点对应的概率计算神经元连接；概率计算层中与第v个VN节点对应的概率计算神经元与第i层隐藏层中FN计算层中与e＝(v,f′),f′∈F_v对应的FN神经元连接，也与第v个VN节点对应的输入层中初始化符号概率神经元连接，也与第i-1隐藏层中概率计算层中与第v个VN节点对应的VN神经元连接；其中，i＝1,2,…L，L为隐藏层的层数，e＝(v,f)表示因子图中第v个VN节点与第f个FN节点之间连接的边，F_v表示与第v个VN节点连接的FN节点的集合；FN计算层中与e＝(v,f)对应的FN神经元与第i层隐藏层的VN计算层中与e＝(v′,f),v′∈V_f\v对应的VN神经元连接，与第f个FN节点对应的接收信号神经元连接。

可选的，对于基于高斯近似的AMP算法构建的神经网络，在第i层隐藏层中，VN计算层中与e＝(v,f)对应的VN神经元与第i-1层隐藏层中概率计算层中与e＝(v,f)对应的概率计算神经元连接；FN计算层中与e＝(v,f)对应的FN神经元与第i层隐藏层的VN计算层中与e＝(v′,f),v′∈V_f\v对应的VN神经元连接，与第f个FN节点对应的接收信号神经元连接，；最后一层隐藏层的概率计算层中e＝(v,f)对应的概率计算神经元与第i层隐藏层中FN计算层中与e＝(v,f′),f′∈F_v对应的FN神经元连接，也与第v个VN节点对应的输入层中初始化符号概率神经元连接，；除最后一层隐藏层外，概率计算层中e＝(v,f)对应的概率计算神经元与第i层隐藏层中FN计算层中与e＝(v,f′),f′∈F_v e＝(v,f′),f′∈F_v\f对应的FN神经元连接，也与第v个VN节点对应的输入层中初始化符号概率神经元连接，也与第i-1隐藏层中概率计算层中与e＝(v,f)对应的概率计算神经元连接；其中，i＝1,2,…L，L为隐藏层的层数，e＝(v,f)表示因子图中第v个VN节点与第f个FN节点之间连接的边，V_f表示与第f个FN节点连接的VN节点的集合，V_f\v表示与第f个FN节点连接的VN节点的集合，该集合中不包括第v个VN节点，F_v表示与第v个VN节点连接的FN节点的集合，F_v\f表示与第v个VN节点连接的FN节点的集合，该集合不包括第f个FN节点。

可选的，对所述神经网络进行训练，包括：每个隐藏层对应一个中间输出层，根据每个中间输出层的输出数据，分别训练每个隐藏层及其对应的中间输出层，直至每个中间输出层的输出最优的信号检测性能参数。

可选的，所述神经网络的输出层根据输出的发送信号中每个调制符号的概率，计算出发送端发送的每个比特的似然比。

本说明书实施例还提供一种OTFS系统的信号检测装置，包括：

因子图建立模块，用于根据OTFS系统参数，建立对应的因子图；

神经网络构建模块，用于根据所述因子图，构建神经网络；其中，神经网络的隐藏层的层数与消息传递的迭代次数相同，隐藏层包括消息计算神经元和概率计算神经元，消息计算神经元与所述因子图的节点和/或边相对应，概率计算神经元用于根据信号检测性能参数、消息计算神经元输出的数据计算发送信号经过信道后得到的发送信号中每个调制符号的概率；

神经网络训练模块，用于对所述神经网络进行训练，得到优化的信号检测性能参数。

从上面所述可以看出，本说明书一个或多个实施例提供的OTFS系统的信号检测方法及装置，包括：根据OTFS系统结构，建立对应的因子图；根据因子图，构建神经网络；其中，神经网络的隐藏层的层数与消息传递的迭代次数相同，隐藏层包括消息计算神经元和概率计算神经元，消息计算神经元与因子图的节点和/或边相对应，概率计算神经元用于根据信号检测性能参数、消息计算神经元输出的数据计算发送信号经过信道后得到的发送信号中每个调制符号的概率；对神经网络进行训练，得到优化的信号检测性能参数。本说明书结合神经网络和信号检测算法，能够通过训练神经网络获得最优的信号检测性能参数，从而提升信号检测性能。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书一个或多个实施例的方法流程示意图；

图2为本说明书一个或多个实施例的时频域资源格的示意图；

图3为本说明书一个或多个实施例的时延-多普勒域资源格的示意图；

图4为本说明书一个或多个实施例的因子图示意图；

图5为本说明书一个或多个实施例的EP神经网络的结构示意图；

图6为本说明书一个或多个实施例的GA神经网络的结构示意图；

图7为本说明书一个或多个实施例的神经网络训练流程示意图；

图8为本说明书一个或多个实施例的装置结构框图；

图9为本说明书一个或多个实施例的电子设备的结构框图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

一些实现方式中，可利用AMP算法对OTFS系统(基于OTFS调制技术实现的通信系统)进行信号检测。在AMP算法中，第t次迭代输出的概率为

其中，p^t为第t次迭代输出的概率，p^t-1为第t-1次迭代计算出的概率，

为第t次迭代中根据功能节点(能够实现特定功能的函数节点)的消息计算出的概率，β为信号检测性能参数，信号检测性能参数β对信号检测性能影响很大，最优的信号检测性能参数β能够很大程度上改善信号检测性能，因此，β的选取非常重要。

为解决上述问题，本说明书将神经网络与AMP算法相结合，通过构建与OTFS系统相对应的神经网络、训练神经网络，能够获得最优的信号检测性能参数，进而可提高信号检测性能。

如图1所示，本说明书一个或多个实施例的OTFS系统的信号检测方法，包括：

S101：根据OTFS系统参数，建立对应的因子图；

本实施例中，利用AMP算法实现OTFS系统的信号检测，为便于形象的解释AMP算法的信号检测计算过程，根据OTFS系统参数，构建相应的因子图。

一些实施例中，OTFS系统参数包括子载波数、OFDM符号数，以及信道模型的多径数，每一径的多普勒频偏和多径时延。

S102：根据因子图，构建神经网络；其中，神经网络的隐藏层的层数与消息传递的迭代次数相同，隐藏层包括消息计算神经元和概率计算神经元，消息计算神经元与因子图的节点和/或边相对应，概率计算神经元用于根据信号检测性能参数、消息计算神经元输出的数据计算发送信号经过信道后得到的发送信号中每个调制符号的概率；

本实施例中，根据因子图，构建相应的神经网络，神经网络包括输入层、隐藏层和输出层，隐藏层的层数与AMP算法的消息传递的迭代次数相同，隐藏层包括消息计算神经元和概率计算神经元，消息计算神经元与因子图的节点、边相对应，概率计算神经元用于根据信号检测性能参数、消息计算神经元计算后的概率计算每个发送信号的调制符号集合中每个调制符号的概率；由输入层输入的发送信号的调制符号集合中每个调制符号的概率，通过至少一个隐藏层的运算实现消息传递的迭代计算过程，输出经过OTFS系统后的发送信号中每个调制符号的概率，由输出层根据每个调制符号的概率计算发送端发送的每个比特的似然比。

S103：对神经网络进行训练，得到优化的信号检测性能参数。

本实施例中，根据因子图，构建相应的神经网络，通过训练神经网络，获得最优的信号检测性能参数。通过对与系统相对应的神经网络进行训练，训练之后，能够得到最优的信号检测性能参数，从而提高信号检测性能。

本实施例中，根据OTFS系统建立因子图，根据因子图，构建神经网络，之后，对神经网络进行训练以得到优化的信号检测性能参数。通过将AMP算法与神经网络技术相结合，利用神经网络计算得到最优的信号检测性能参数，与仿真计算相比，无需大量的仿真计算量就能够选取出最优的信号检测性能参数，从而实现信号检测性能的提升。

一些方式中，对于OTFS系统，其信号发送与接收处理原理及过程是：在发送端，首先在时延-多普勒域，将发送端发送的比特序列按照某种调制方式(例如，采用QPSK调制方式)调制成调制符号，并将调制符号映射到时延-多普勒资源格上，得到时延-多普勒域信号，然后，对时延-多普勒信号进行二维辛傅里叶反变换，转换成时频域信号，再将时频域信号经过Heisenberg变换，转换成时域信号，时域信号经过信道，传输到接收端。在接收端，对接收的时域信号进行Wigner变换，得到时频域信号，对时频域信号进行二维辛傅里叶变换，变换到时延-多普勒域，得到时延-多普勒域信号(即公式1中的接收信号y)。如图2所示，时频域资源格的每个单元格上承载的数据即为时频域信号，如图3所示，时延-多普勒域资源格的每个单元格上承载的数据为时延-多普勒域信号(如图3所示)。以上OTFS系统的原理及信号处理过程属于现有技术，本说明书不进行详细解释说明。

一些实施例中，对于OTFS系统，设有M个子载波，N个OFDM符号，每个子载波的带宽为δ_f，每个OFDM符号的持续时间为δ_t，则在时延-多普勒域有M个时延单位(子载波与时延为对偶关系)和N个多普勒单位(OFDM符号和多普勒为对偶关系)，其中一个时延单位大小为

一个多普勒单位大小为

信道多径数为P，在延时-多普勒域的接收信号y表示为：

y＝Hx+w (1)

式中，H为时延-多普勒域信道响应，其为MN(M×N)行，MN列的矩阵；x为发送信号(也可以说是时延-多普勒域发送信号)，其为MN行1列的向量，x中第r(r＝n×M+m)个元素对于时延-多普勒资源格中第n个多普勒单元、第m个时延单元上承载的OTFS数据，w为服从均值为0、方差为N₀I的加性复高斯白噪声(Additive White Gaussian Noise,AWGN)向量，N₀是复高斯白噪声向量每个元素的方差(也等于噪声功率)，I是MN行，MN列的单位向量。

其中，时延-多普勒域信道响应H表示为：

式中，α_p为第p径的信道响应，其分布与实际信道有关，T^p为MN行，MN列的矩阵，其每一行只有一个非零元素，表示为：

式中，r＝n×M+m，表示矩阵的第r行，

表示虚数，[a]_b为a对b进行取模操作，l_p为第p径的时延扩展，k_p为第p径的多普勒频偏，exp(·)表示以自然常数为底的指数函数，n表示第n个多普勒单位，m表示第m个时延单位，m∈[0,M]，n∈[0,N]。

由公式(2)和(3)可以看出，若给定OTFS系统参数，唯一的变量就是α_p，该变量由实际信道决定。由于时延-多普勒域信道响应H为MN行、MN列的矩阵，每一行和每一列都只有P个非零元素，一般来说MN比P大的多，因而，H是一个稀疏矩阵，OTFS系统可以用因子图表示，因子图包括功能节点(也称FN节点)和变量节点(也称VN节点)，FN节点与VN节点之间的连线为边，表示函数节点与变量节点之间的函数关系。

一些实施例中，设OTFS系统的系统参数为：子载波数为2，OFDM符号数为2，多径数为2，每一径的时延扩展分别为0和1，多普勒频偏分别为0和1，构建如图4所示的因子图，其中，VN节点与发送信号相对应，FN节点与接收信号相对应，发送信号和接收信号的数量均为MN个，则，VN节点和FN节点的数量也均为MN个，这种对应是一种序号上的应，例如第一个发送符号与第一个VN节点对应，第二个发送符号与第二个VN节点对应。

FN节点与VN节点之间的连线由信道响应参数

矩阵决定，如果H_c矩阵的第f行、第v列的元素不为零，则第v个VN节点与第f个FN节点之间有连线，否则二者之间没有连线。

一些实施例中，所述步骤S102中，根据因子图，构建神经网络；该步骤包括：

根据建立的因子图，确定FN节点与VN节点之间连接的边；根据AMP算法的迭代次数，确定神经网络的隐藏层的层数；所构建的神经网络包括输入层、至少一个隐藏层以及输出层。隐藏层的层数和迭代次数相等，每个隐藏层包括VN计算层(图中简化为VN层)、FN计算层(图中简化为FN层)和概率计算层(图中简化为概率层)，通过各隐藏层的计算处理，实现消息传递的多次迭代计算过程，第一个隐藏层的概率计算层根据输入层初始输入的发送信号的调制集合中每个调制符号的概率，所在隐藏层的FN计算层的计算结果及信号检测性能参数，计算得到并输出发送信号的调制集合中每个调制符号的概率；最后一个隐藏层的概率计算层，根据输入层初始输入的发送信号中每个调制符号的概率、所在隐藏层的FN计算层的计算结果，计算得到并输出发送信号中每个调制符号的概率；除第一个和最后一个以外的隐藏层，根据输入层输入的初始化的每个调制符号的概率、所在隐藏层的FN计算层的计算结果、前一隐藏层的概率计算层输出的概率计算结果及信号检测性能参数，计算发送信号中每个调制符号的概率，输出层计算发送端发送的每个比特的似然比。

以下结合具体实施例对神经网络结构进行详细说明。

一些方式中，均值传递(Expectation Propagation，EP)的AMP算法和高斯近似(Gaussian Approximate，GA)的AMP算法是AMP算法的两种简化算法。两种算法所对应的因子图相同，而所构建的神经网络不同，以下分别进行说明。

对于高斯近似的AMP算法，在VN节点，需要根据FN节点传递的消息，计算出概率(为了方便，在本说明书中，该步骤对应概率计算层)。例如，结合图4所示因子图，VN节点v1向FN节点f1传递的消息，需要根据FN节点f4向VN节点v1传递的消息来计算(但是不包括FN节点f1向VN节点v1传递的消息)。VN节点进行一次更新，需要计算边的数量个概率，然后根据计算的概率计算出发送符号的均值和方差，由于采用高斯近似，因此不需要将概率传递给FN节点，只需要传递均值和方差即可。

在FN节点，根据VN节点通过边传递的消息计算出FN节点通过边向VN节点传递的消息，例如，在FN节点f1向VN节点v1传递的消息需要根据VN节点v4向FN节点f1传递的消息(但不包括FN节点f1向VN节点v1传递的消息)计算。在FN节点由于从VN节点传递来的消息都是高斯分布的，因此该节点计算出的概率也服从高斯分布，因此FN节点向VN节点传递的也是均值和方差。

对于最终输出，根据FN节点传递的消息计算，结合图4，VN节点v1的输出，需要根据FN节点f1向VN节点v1传递的消息，以及FN节点f4向VN节点v1传递的消息计算。

对于均值传递的AMP算法，与高斯分布的AMP算法不同在于，概率计算与均值和方差的计算。对于高斯分布的AMP算法，为了更新VN节点需要进行边的数量次概率计算，概率计算的复杂度较高，均值传递的AMP算法减少了概率的计算，只计算出每个VN节点的概率，不需要计算在每条边上传递均值和方差需要的概率，计算每条边上传递的均值和方差时，只根据每个VN节点的符号概率与FN节点传递的概率计算，例如，在图4中，VN节点v1向FN节点f1传递消息，需要根据VN节点v1计算的符号的概率与FN节点f4向VN节点v1传递的消息计算。

基于两种不同的AMP算法，所构建的神经网络不同。具体的：

如图5所示，基于均值传递(Expectation Propagation，EP)的AMP算法所构建的神经网络(以下简称EP神经网络)包括输入层、至少一个隐藏层和输出层，隐藏层的层数与消息传递的迭代次数相同。

VN计算层包括多个VN神经元，FN计算层包括多个FN神经元，由VN神经元和FN神经元构成消息计算神经元，概率计算层包括多个概率计算神经元。每个神经元用圆圈表示，每个神经元执行一系列操作和计算，并输出数据。VN神经元主要计算发送信号的均值和方差，并将计算结果送入对应的FN神经元，FN神经元用于根据接收的均值和方差计算对应时延-多普勒域信道响应系数乘上发送信号的均值和方差，将计算得到的均值和方差传递给概率计算神经元；概率计算神经元用于根据输入数据进行概率计算。

一些方式中，对发送的比特序列按照特定的调制方式调制，得到调制符号，设系统的调制阶数为q，则系统的星座图共有Q＝2^q个星座点，即有2^q个调制符号，因子图的边的数量为E。

对于EP神经网络，输入层包括三类神经元，第一类是初始化符号概率神经元，初始化符号概率神经元输出的数据包括初始化的调制符号的概率(即先验概率)，初始化符号概率神经元初始化每个调制符号的概率相等或是按照预设的值设置每个调制符号的概率，初始化符号概率神经元与因子图中的VN节点对应相对应，初始化符号概率神经元的个数为MN个，每个初始化概率神经元有Q个输出，分别为Q个调制符号的发送概率。

第二类是初始化均值方差神经元，初始化均值方差神经元输出的数据包括初始化的的均值和方差。初始化均值方差神经元输出的均值为0，方差为无穷大，初始化均值方差神经元与因子图中的边对应，初始化均值方差神经元的个数为E个，每个初始化均值方差神经元有两个输出，分别为均值和方差。

第三类是接收信号神经元，接收信号神经元的输入输出都为接收端经过OTFS解调后的时延-多普勒域信号，接收信号神经元与因子图的FN节点对应，其输入和输出均为系统的接收信号。本说明书是根据接收端的接收信号、初始输入的发送信号的调制符号的概率，得到经过系统后发送信号的每个调制符号的概率，实现利用AMP算法评估OTFS系统的信号检测性能。

如图6所示，基于高斯近似(Gaussian Approximate，GA)的AMP算法所构建的神经网络(以下简称GA神经网络)，输入层没有初始化均值方差神经元，具有初始化符号概率神经元和接收信号神经元，且这两类神经元的结构与EP神经网络的相应神经元结构相似，此处不再赘述。GA神经网络还包括一个概率层，输入层输出的初始化的调制符号的概率输入该概率层，该概率层用于将VN节点对应的神经元的概率映射到边对应的神经元上。

隐藏层包括VN计算层、FN计算层和概率计算层。其中，VN计算层共有E个VN神经元，每个VN神经元有两个输出，分别为均值和方差。FN计算层共有E个FN神经元，每个FN神经元有两个输出，分别为均值和方差，FN神经元上的短虚线表示与对应的接收信号神经元的连接。对于EP神经网络，概率计算层共有MN个概率计算神经元，对于GA神经网络，概率计算层共有E个概率计算神经元(对于最后一层隐藏层，有MN个概率计算神经元)；每个概率计算神经元有Q输出，分别对应发送信号的调制符号集合中的调制符号的概率，概率计算神经元上的短实线表示与相对应的初始化符号概率神经元连接；第一层隐藏层的概率计算神经元根据FN计算神经元输出的均值和方差，输入层的初始化符号概率神经元输出的调制符号的概率及信号检测性能参数，计算每个调制符号的输出概率；其他隐藏层的概率计算神经元根据FN计算神经元输出的均值和方差，输入层的初始化符号概率神经元输出的调制符号的概率进行计算得到概率值，该概率值与前一层隐藏层的概率神经元输出的概率进行加权计算(最后一层隐藏层除外)，得到每个调制符号的输出概率，其中，加权计算的加权系数即为信号检测性能参数，通过训练神经网络，寻求最优的信号检测性能参数。

输出层包括输出神经元，输出神经元与因子图中的VN节点相对应，输出神经元的个数为MN个，每个输出神经元有q个输出，分别为每个发送信号的每个比特的似然比。输出神经元根据最后一层隐藏层中的概率计算层的输出概率计算每个发送信号的每个比特的似然比。在神经网络中，各神经元的连接方式是，前一层的神经元与后一层相应的神经元相连接，后一层的神经元的输出依赖于前一层的神经元的输出。神经元的连接方式具体为：

以e＝(v,f)表示因子图中第v个VN节点与第f个FN节点之间连接的边，V_f表示与第f个FN节点连接的VN节点的集合，V_f\v表示与第f个FN节点连接的VN节点的集合，该集合中不包括第v个VN节点，F_v表示与第v个VN节点连接的FN节点的集合，F_v\f表示与第v个VN节点连接的FN节点的集合，该集合不包括第f个FN节点。

为便于描述，对于EP神经网络，将输入层的初始化符号概率神经元作为第0层隐藏层的概率计算层，将初始化均值方差神经元作为第0层隐藏层的FN计算层。对于GA神经网络，将概率层作为第0层隐藏层的概率计算层。

设AMP算法的迭代次数为L，则隐藏层的层数为L。对于EP神经网络，第i层隐藏层，VN计算层中与e＝(v,f)对应的VN神经元将会与第i-1层隐藏层中FN计算层中与e＝(v,f)对应的FN神经元连接，同时也与第i-1隐藏层中概率计算层中与VN节点v对应的概率计算神经元连接。对于GA神经网络，在第i层隐藏层(i＝1,2,…L)中，VN计算层中与e＝(v,f)对应的VN神经元将会与第i-1层隐藏层中概率计算层中与e＝(v,f)对应的概率计算神经元连接。FN计算层中与e＝(v,f)对应的FN神经元将与第i层隐藏层的VN计算层中与e＝(v′,f),v′∈V_f\v对应的VN神经元连接，与第f个FN节点对应的接收信号神经元。

对于EP神经网络，概率计算层中(最后一层除外)与第v个VN节点对应的概率计算神经元将与第i层隐藏层中FN计算层中与e＝(v,f′),f′∈F_v对应的FN神经元连接，同时也与第v个VN节点对应的输入层中初始化符号概率神经元连接，同时也与第i-1隐藏层中概率计算层中与第v个VN节点对应的VN神经元连接；最后一层概率计算层中与第v个VN节点对应的概率计算神经元将与第i层隐藏层中FN计算层中与e＝(v,f′),f′∈F_v对应的FN神经元连接，同时也与第v个VN节点对应的输入层中初始化符号概率神经元连接。对于GA神经网络，概率计算层中(最后一层除外)e＝(v,f)对应的概率计算神经元将与第i层隐藏层中FN计算层中与e＝(v,f′),f′∈F_v e＝(v,f′),f′∈F_v\f对应的FN神经元连接，同时也与第v个VN节点对应的输入层中初始化符号概率神经元连接，同时也与第i-1隐藏层中概率计算层中与e＝(v,f)对应的概率计算神经元连接。

最后一层概率计算层中e＝(v,f)对应的概率计算神经元将与第i层隐藏层中FN计算层中与e＝(v,f′),f′∈F_v e＝(v,f′),f′∈F_v对应的FN神经元连接，同时也与第v个VN节点对应的输入层中初始化符号概率神经元连接。

一些实施例中，所述步骤S103中，对神经网络进行训练，得到优化的信号检测性能参数；即，由隐藏层的概率计算层根据输入层的初始化的调制符号的概率、FN计算层的输出、前一隐藏层的概率计算层输出的概率，进行加权计算，得到调制符号的输出概率，加权计算中的加权系数为信号检测性能参数β，通过训练神经网络，得到最优的信号检测性能参数。

本实施例中，为了提高神经网络的训练效率，可以对神经网络进行分层训练。分层训练是指，神经网络中的每个隐藏层对应一个中间输出层(即对应一次迭代计算的计算结果)，根据每个中间输出层的输出数据，分别训练每个隐藏层及其对应的中间输出层，直至每个中间输出层的输出数据均为最优的数据，实现神经网络的分层训练。对于中间输出层，因子图中第v个VN节点对应的神经元与第i层隐藏层中的FN计算层中与e＝(v,f′),f′∈F_v对应的FN神经元连接，同时也与输入层中与因子图中第v个VN节点对应的初始化符号概率神经元连接。

对于EP神经网络，中间输出层与隐藏层的概率计算层完全一致；对于GA神经网络，第i个中间输出层的计算方式与输出层一致，所不同的是输出层的输出依赖第L层隐藏层中FN计算层的输出，而中间输出层的输出依赖第i层隐藏层中FN计算层的输出，其与第i层隐藏层的FN计算层的连接方式和输出层与第L层隐藏层中FN计算层的连接方式相同。

本实施例中，神经网络的训练方法包括：

若

表示第i层隐藏层中VN计算层中与e＝(v,f)对应的VN计算神经元输出的均值，

表示第i层隐藏层中VN计算层中与e＝(v,f)对应的VN神经元输出的方差。

表示第i层隐藏层中FN计算层中与e＝(v,f)对应的FN神经元输出的均值，

表示第i层隐藏层中FN计算层中与e＝(v,f)对应的FN神经元输出的方差。

s∈S，表示第i层隐藏层中概率计算层中与因子图中第v个VN节点对应的概率计算神经元的输出，

s∈S，表示第i层隐藏层中概率计算层中e＝(v,f)对应的概率计算神经元的输出，S表示OTFS系统所使用的调制星座图中星座点的集合。h_v,f表示矩阵H中第f行第v列对应的元素。

对于输入层，初始化调制符号集合中调制符号为s的概率为：

初始化均值为：

初始化方差为：

1、EP神经网络

第i层隐藏层的VN计算层的输出为：

第i层隐藏层的FN计算层的输出为：

式中，y_f表示与第f个FN节点对应的接收信号。

第i层概率计算层的输出为：

其中，

表示第i(i＝1,2,…L-1)层隐藏层的概率计算层中与因子图中第v个VN节点对应的神经元，和第i-1层隐藏层的概率计算层中第v个VN节点对应的神经元之间的连接权重，也是前述的加权系数，即需要通过神经网络优化的信号检测性能参数；其中，同一层的连接权重可以相等，不同层的连接权值不相等，也可以是整个神经网络的连接权重都相等。

式中，exp(·)表示以自然常数为底的指数函数，s∈S，归一化概率得到：

第L层概率层计算层的输出为：

其中，

对概率进行归一化处理，得到：

对于输出层，第v个VN节点对应的神经元的第k个子神经元(图中方框里的圆形节点)的输出，即第v个发送信号的第k个比特的似然比为：

第i层隐藏层对应的中间输出层中第v个VN节点对应的神经元的第k个子神经元(图中方框里的圆形节点)的输出，即第v个发送信号的第k个比特的似然比为：

式中，s_k表示第k个比特为0或者1时对应的调制符号。

2、GA神经网络

第i层隐藏层的VN计算层的输出为：

其中，E_IP(s)[s]表示取均值，

表示h_v,f的共轭。

第i层隐藏层的FN计算层的输出为：

其中，y_f表示与因子图中第f个FN节点对应的接收信号。

第i层概率计算层的输出为：

其中，

表示第i(i＝1,2,…L-1)层隐藏层中概率计算层中与边e＝(v,f)对应的神经元和第i-1层隐藏层中概率计算层中与边e＝(v,f)对应的神经元之间的连接权重，也就是需要通过神经网络优化的信号检测性能参数；其中，信号检测性能参数在整个神经网络中可以全都不相等，也可以在第i层和第i-1层之间全部相等，也可以在整个神经网络中全部相等。

其中，信号检测性能参数在同一层的各个神经元的取值相同，也可以在不同层和同一层的神经元的取值相同，也可以在不同层的各神经元的取值不同，不同VN计算神经元的取值不同，可根据具体应用场景进行配置。

对概率进行归一化处理，得到：

第L层概率层计算层的输出为：

其中，

对概率进行归一化处理，得到：

对于第i层(i＝1,2，…,L-1)中间输出层，则先计算每个发送信号的调制符号集合的每个调制符号的概率：

其中，

对概率进行归一化处理，得到：

通过AMP算法估计出的第i层隐藏层对应的中间输出层(输出层为第L层中间输出层)中第v个发送符号的第k比特的似然比为：

s_k表示第k个比特为0或者1时对应的调制符号。

在神经网络的训练过程中，利用损失函数计算神经网络前向计算出的结果(即通过神经网络检测出的信号)与实际发送信号之间的不一致程度。可选的，损失函数可采用交叉熵损失函数。

对于分层训练方式，损失函数根据第i层中间输出层的计算结果进行计算。对于非分层的完整训练方式，损失函数可根据中间输出层的计算结果进行计算，也可以根据输出层的计算结果进行计算。

设sigmoid函数ρ(α)为：

对于非分层训练，若只根据输出层计算损失函数，则以交叉熵为例为：

对于非分层训练，若也根据中间输出层计算损失函数，则以交叉熵为例为：

其中，

为第i层隐藏层第j个调制符号的第u个比特的似然比，z_j,u为发送端实际发送的第j个调制符号的第u个比特，对于分层训练方式，i＝1,2,…L-1。

对于分层训练方式，训练第i层时，损失函数也可以为：

其中，

为第i层隐藏层第j个调制符号的第u个比特的似然比，z_j,u为发送端实际发送的第j个调制符号的第u个比特。在训练第i层时，只更新第i层概率计算层与第i-1层之间的性能参数，其它层的不更新。

本实施例中，根据神经网络各层的输出结果计算损失函数，利用梯度下降算法和后向传播算法更新信号检测性能参数。结合图7所示，神经网络的训练过程中，根据损失函数计算梯度，然后沿着梯度下降的方向，通过反向传播，调整神经网络的相关系数(包括调整连接权重，更新隐藏层中VN计算层、FN计算层和概率计算层)，使得神经网络收敛，训练之后，得到优化的连接权重，即得到最优的信号检测参数β，利用该信号检测参数能够得到最优的信号检测性能。

对于神经网络的分层训练方式，需要逐层训练神经网络，当前层训练之后，再训练下一层。训练第i层隐藏层时，损失函数根据第i层中间输出层的输出结果计算，然后再利用梯度下降和反向传播方式训练神经网络；训练时，第j(j＝1,2,…i-1)层隐藏层的连接权重固定不变，只更新第i层的连接权重，第i层训练完后，接着训练第i+1层，直到所有层都训练完成，分层训练的方式能够加快收敛速度，提高网络性能。

如图8所示，本说明书一个或多个实施例还提供一种OTFS系统的信号检测装置，包括：

因子图建立模块，用于根据OTFS系统结构，建立对应的因子图；

神经网络构建模块，用于根据因子图，构建神经网络；其中，神经网络的隐藏层的层数与消息传递的迭代次数相同，隐藏层包括消息计算神经元和概率计算神经元，消息计算神经元与所述因子图的节点和/或边相对应，概率计算神经元用于根据信号检测性能参数、消息计算神经元输出的数据计算发送信号经过信道后得到的发送信号中每个调制符号的概率；

神经网络训练模块，用于对神经网络进行训练，得到优化的信号检测性能参数。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

图9示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (7)

1.一种OTFS系统的信号检测方法，其特征在于，包括：

根据OTFS系统参数，建立对应的因子图；所述OTFS系统参数包括子载波数、OFDM符号数，以及信道模型的多径数，每一径的多普勒频偏和多径时延；

根据所述因子图，构建神经网络；其中，所述神经网络的隐藏层的层数与消息传递的迭代次数相同；

每个隐藏层包括VN计算层、FN计算层和概率计算层，第一个隐藏层的概率计算层根据输入层输入的初始化发送信号中每个调制符号的概率，所在隐藏层的FN计算层的计算结果及信号检测性能参数，计算得到并输出发送信号中每个调制符号的概率；最后一个隐藏层的概率计算层根据输入层输入的初始化发送信号中每个调制符号的概率，所在隐藏层的FN计算层的计算结果，计算得到并输出发送信号中每个调制符号的概率；除第一个和最后一个以外的隐藏层，根据输入层输入的初始化的每个调制符号的概率、所在隐藏层的FN计算层的计算结果、前一隐藏层的概率计算层输出的概率计算结果及所述信号检测性能参数，计算发送信号中每个调制符号的概率；

所述VN计算层包括VN神经元，所述FN计算层包括FN神经元，所述VN神经元和FN神经元与所述因子图的节点和/或边相对应；所述VN神经元用于计算发送信号的均值和方差，并将计算结果送入对应的FN神经元，所述FN神经元用于根据接收的均值和方差计算对应时延-多普勒域信道响应系数乘上发送信号的均值和方差；

对所述神经网络进行训练，得到优化的信号检测性能参数，包括：由所述概率计算层根据输入层的初始化的调制符号的概率、FN计算层的输出、前一隐藏层的概率计算层输出的概率，进行加权计算，得到调制符号的输出概率，所述加权计算中的加权系数为所述信号检测性能参数，通过训练神经网络，得到最优的信号检测性能参数。

2.根据权利要求1所述的方法，其特征在于，所述因子图包括VN节点与FN节点，所述VN节点与发送信号相对应，所述FN节点与接收信号相对应，所述VN节点与FN节点是否有连线，由信道响应参数矩阵中对应相应VN节点与FN节点的元素值决定。

3.根据权利要求1所述的方法，其特征在于，对于基于均值传递的AMP算法构建的神经网络，第i层隐藏层，VN计算层中与e＝(v，f)对应的VN神经元与第i-1层隐藏层中FN计算层中与e＝(v，f)对应的FN神经元连接，也与第i-1隐藏层中概率计算层中与第v个VN节点对应的概率计算神经元连接；概率计算层中与第v个VN节点对应的概率计算神经元与第i层隐藏层中FN计算层中与e＝(v，f′)，f′∈Fv对应的FN神经元连接，也与第v个VN节点对应的输入层中初始化符号概率神经元连接，也与第i-1隐藏层中概率计算层中与第v个VN节点对应的VN神经元连接；其中，i＝1，2，…L，L为隐藏层的层数，e＝(v，f)表示因子图中第v个VN节点与第f个FN节点之间连接的边，F_v表示与第v个VN节点连接的FN节点的集合；FN计算层中与e＝(v，f)对应的FN神经元与第i层隐藏层的VN计算层中与e＝(v′，f)，v′∈V_f\v对应的VN神经元连接，与第f个FN节点对应的接收信号神经元连接。

4.根据权利要求1所述的方法，其特征在于，对于基于高斯近似的AMP算法构建的神经网络，在第i层隐藏层中，VN计算层中与e＝(v，f)对应的VN神经元与第i-1层隐藏层中概率计算层中与e＝(v，f)对应的概率计算神经元连接；FN计算层中与e＝(v，f)对应的FN神经元与第i层隐藏层的VN计算层中与e＝(v′，f)，v′∈V_f\v对应的VN神经元连接，与第f个FN节点对应的接收信号神经元连接，；最后一层隐藏层的概率计算层中e＝(v，f)对应的概率计算神经元与第i层隐藏层中FN计算层中与e＝(v，f′)，f′∈F_v对应的FN神经元连接，也与第v个VN节点对应的输入层中初始化符号概率神经元连接，；除最后一层隐藏层外，概率计算层中e＝(v，f)对应的概率计算神经元与第i层隐藏层中FN计算层中与e＝(v，f′)，f′∈F_ve＝(v，f′)，f′∈F_v\f对应的FN神经元连接，也与第v个VN节点对应的输入层中初始化符号概率神经元连接，也与第i-1隐藏层中概率计算层中与e＝(v，f)对应的概率计算神经元连接；其中，i＝1，2，…L，L为隐藏层的层数，e＝(v，f)表示因子图中第v个VN节点与第f个FN节点之间连接的边，V_f表示与第f个FN节点连接的VN节点的集合，V_f\v表示与第f个FN节点连接的VN节点的集合，该集合中不包括第v个VN节点，F_v表示与第v个VN节点连接的FN节点的集合，F_v\f表示与第v个VN节点连接的FN节点的集合，该集合不包括第f个FN节点。

5.根据权利要求1所述的方法，其特征在于，对所述神经网络进行训练，包括：每个隐藏层对应一个中间输出层，根据每个中间输出层的输出数据，分别训练每个隐藏层及其对应的中间输出层，直至每个中间输出层的输出最优的信号检测性能参数。

6.根据权利要求1所述的方法，其特征在于，所述神经网络的输出层根据输出的发送信号中每个调制符号的概率，计算出发送端发送的每个比特的似然比。

7.一种OTFS系统的信号检测装置，其特征在于，包括：

因子图建立模块，用于根据OTFS系统参数，建立对应的因子图；所述OTFS系统参数包括子载波数、OFDM符号数，以及信道模型的多径数，每一径的多普勒频偏和多径时延；

神经网络构建模块，用于根据所述因子图，构建神经网络；其中，神经网络的隐藏层的层数与消息传递的迭代次数相同；

每个隐藏层包括VN计算层、FN计算层和概率计算层，第一个隐藏层的概率计算层根据输入层输入的初始化发送信号中每个调制符号的概率，所在隐藏层的FN计算层的计算结果及信号检测性能参数，计算得到并输出发送信号中每个调制符号的概率；最后一个隐藏层的概率计算层根据输入层输入的初始化发送信号中每个调制符号的概率，所在隐藏层的FN计算层的计算结果，计算得到并输出发送信号中每个调制符号的概率；除第一个和最后一个以外的隐藏层，根据输入层输入的初始化的每个调制符号的概率、所在隐藏层的FN计算层的计算结果、前一隐藏层的概率计算层输出的概率计算结果及所述信号检测性能参数，计算发送信号中每个调制符号的概率；

所述VN计算层包括VN神经元，所述FN计算层包括FN神经元，所述VN神经元和FN神经元与所述因子图的节点和/或边相对应；所述VN神经元用于计算发送信号的均值和方差，并将计算结果送入对应的FN神经元，所述FN神经元用于根据接收的均值和方差计算对应时延-多普勒域信道响应系数乘上发送信号的均值和方差；

神经网络训练模块，用于对所述神经网络进行训练，得到优化的信号检测性能参数，包括：由所述概率计算层根据输入层的初始化的调制符号的概率、FN计算层的输出、前一隐藏层的概率计算层输出的概率，进行加权计算，得到调制符号的输出概率，所述加权计算中的加权系数为所述信号检测性能参数，通过训练神经网络，得到最优的信号检测性能参数。

Images