CN111865489A - 基于图神经网络的多输入多输出检测方法 - Google Patents

基于图神经网络的多输入多输出检测方法 Download PDF

Info

Publication number
CN111865489A
CN111865489A CN202010527818.4A CN202010527818A CN111865489A CN 111865489 A CN111865489 A CN 111865489A CN 202010527818 A CN202010527818 A CN 202010527818A CN 111865489 A CN111865489 A CN 111865489A
Authority
CN
China
Prior art keywords
function
network
neural network
output
input
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
CN202010527818.4A
Other languages
English (en)
Other versions
CN111865489B (zh
Inventor
王闻今
杨长蓉
李子箫
方家琪
吴驰
尤力
高西奇
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 CN202010527818.4A priority Critical patent/CN111865489B/zh
Publication of CN111865489A publication Critical patent/CN111865489A/zh
Application granted granted Critical
Publication of CN111865489B publication Critical patent/CN111865489B/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
    • 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
    • H04L1/0047—Decoding adapted to other signal detection operation
    • H04L1/0048—Decoding adapted to other signal detection operation in conjunction with detection of multiuser or interfering signals, e.g. iteration between CDMA or MIMO detector and FEC decoder
    • 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
    • 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
    • H04L1/0054—Maximum-likelihood or sequential decoding, e.g. Viterbi, Fano, ZJ 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明公开了一种基于图神经网络的多输入多输出检测方法。本发明将多输入多输出系统的接收数据转换为图型结构数据，构建成一个全连接的无向图，其中每个实数域的发送符号映射为图中的一个节点，再将其输入到构建的图神经网络中，输出发送比特的对数似然比的估计值，完成信号检测任务。本发明所设计的神经网络在突发噪声信道和不完美信道估计场景中获得了接近最优的性能，且基于图神经网络的多输入多输出检测方法对信噪比表现出了良好的鲁棒性。

Description

基于图神经网络的多输入多输出检测方法
技术领域
本发明涉及多输入多输出信号检测领域，特别涉及一种基于图神经网络的多输入多输出检测方法。
背景技术
多输入多输出技术(MIMO,Multiple-Input Multiple-Output)可以提高频谱效率和功率效率，所以在当今的无线通信系统中得到广泛使用。尽管MIMO技术可以在相同的时频资源上同时支持多个用户与基站进行通信，但是基站侧的干扰也大大地增加了，这使得对接收信号进行检测变得困难。最大似然(ML,Maximum Likelihood)检测可以通过穷举搜索发送符号集合来同时检测所有符号，从而获得最佳的检测性能，但是ML的复杂度随着发射信号的维度呈指数增长，这在实际系统中很难实现。但是，某些线性检测器，例如迫零(ZF,Zero-Forcing)检测器和最小均方误差(MMSE,Minimum Mean-Squared Error)检测器，虽然具有较低的复杂度，但是与ML相比，性能差距过大，并且大型矩阵乘法和求逆运算也给硬件实现带来很大的困难。
为了实现性能和复杂度之间的平衡，一些次优的检测算法被提出，例如因子图和置信传播(BP,Belief Propagation)算法提供了一种计算后验边缘概率密度函数的通用方法。MIMO的多用户检测问题被当作是统计推断和计算边缘后验概率的问题，这使得消息传递算法广泛应用于MIMO检测中。但是，消息传递算法也需要一定次数的迭代才能收敛。当天线数量很大时，算法的复杂度很高，且有时不能保证迭代的收敛性和稳定性。一些消息传递算法甚至需要阻尼因子来辅助收敛，而目前对于如何选择最优阻尼因子还没有足够的理论支持。
在计算机视觉和自然语言处理领域，深度学习已得到了广泛使用。近年来，由于其强大的数据处理能力，深度学习还取代了无线通信领域中的一些传统信号处理方法，如信道估计和MIMO检测。现有的基于深度学习的MIMO检测方法主要可以分为两类，第一类是深度展开，通过将现有迭代检测算法逐层展开来获得深度神经网络，然后通过深度学习的技巧来学习算法的最佳参数，虽然这种方法能够获得比原始算法更优的性能，但是算法复杂度并没有降低。第二类是直接设计一个深度神经网络，以接收端的接收数据作为网络输入，直接输出发送信号的估计值，这种方法的在线检测复杂度低，但是性能上并不能逼近ML。因此，如何设计一个低复杂度的神经网络来做MIMO检测并使性能逼近ML依然是一个严峻的问题。
发明内容
发明目的：本发明的目的是提供一种基于图神经网络的多输入多输出检测方法，在降低算法复杂度的同时逼近最优检测性能。
技术方案：为实现上述发明目的，本发明采用以下技术方案：
一种基于图神经网络的多输入多输出检测方法，包括以下步骤：
(1)构建多输入多输出的无线通信系统，发送比特经调制后从发射端发出，接收端获得接收信号和信道矩阵并利用最大似然准则计算出所有发送比特的对数似然比，将接收信号矢量和信道矩阵转换为图型结构数据；
(2)构建图神经网络，使用所述图型结构数据作为网络的输入，网络的输出为所有发送比特的对数似然比的估计值，网络的结构包括消息产生函数、边性质更新函数、顶点更新函数和输出函数；
(3)构建网络训练集，使用所述图型结构数据作为训练集的数据，发送比特对数似然比作为训练标签，在不同的通信场景中离线训练出信号检测网络模型并加以保存；
(4)在在线检测阶段，接收端将接收信号和信道矩阵转换为图型结构数据，随后输入到训练好的信号检测网络模型中，网络输出发送比特的估计对数似然比。
进一步地，所述步骤(1)中的系统模型由复数域转换到实数域，即将复数值拆分为实部和虚部，重建接收信号模型，目的是使神经网络不涉及复数运算。
进一步地，所述步骤(1)中的接收信号矢量和信道矩阵被转换为图型结构数据，构建成一个全连接的无向图，其中每个实数域的发送符号映射为图中的一个节点，具体方法为将信道矩阵的转置与信道矩阵相乘得到一个对称矩阵，该矩阵的非对角线元素为无向图中的边特征，将接收信号的转置与信道矩阵相乘得到一个矢量，该矢量的元素为无向图中的节点特征。
进一步地，所述步骤(2)中的构建图神经网络具体包括以下步骤：
(2.1)将所有节点的隐藏状态矢量初始化为零向量；每条边的边性质初始化为边特征和相连的两个节点特征的并列；
(2.2)在每个时间步，每个节点都通过消息产生函数传递一个消息矢量给其相连的节点，消息函数的输入为两个节点的隐藏状态矢量和边性质，消息产生函数是一个配有非线性激活函数的多层感知器；
(2.3)在每个时间步，边性质通过边性质更新函数进行更新，该函数的输入为上一个时间步的边性质和步骤(2.2)中的消息矢量，将函数的输出结果乘以一个可训练参数再加上初始化的边性质，得到更新之后的边性质，边性质更新函数是一个门控循环单元；
(2.4)在每个时间步，每个节点将相连节点传递过来的消息矢量进行累加；
(2.5)在每个时间步，每个节点的隐藏状态矢量通过顶点更新函数进行更新，顶点更新函数的输入为当前时间步的隐藏状态矢量和步骤(2.4)中的累加消息矢量，顶点更新函数是另一个门控循环单元；
(2.6)步骤(2.2)到步骤(2.5)为一个时间步，整个网络经过设定的时间步后，得到节点的最终隐藏状态矢量；
(2.7)在输出阶段，将每个发送符号的实部和虚部所对应的隐藏状态矢量一起输入到输出函数中，得到该发送符号所对应的每个发送比特的对数似然比的估计值，输出函数是另一个配有非线性激活函数的多层感知器。
进一步地，所述步骤(2.2)和(2.7)中多层感知器的非线性激活函数为sigmoid函数与tanh函数的逐元素相乘。
进一步地，所述步骤(3)中的网络训练阶段采用Huber损失函数来计算标签值和网络的估计值之间的损失。
进一步地，所述步骤(3)中的网络训练阶段的通信场景包括突发噪声信道场景和不完美信道估计场景；所述的突发噪声信道场景是指在信号传输过程中，除了加性高斯白噪声，接收端有一定的概率收到一个噪声干扰信号；所述的不完美信道估计场景是指接收端获得的信道矩阵与实际信道矩阵有误差。
有益效果：本发明公开的一种基于图神经网络的多输入多输出检测方法，与现有技术相比，具有如下有益效果：
1)在突发噪声信道场景和不完美信道估计场景中，本发明公开的基于图神经网络的多输入多输出检测方法能够取得接近最优的检测性能，远好于线性检测方法，且好于球形译码方法。
2)在单一信噪比下进行训练得到的检测网络模型可以直接应用到不同的信噪比环境中，即训练出的网络对信噪比具有良好的鲁棒性。
附图说明
图1为本发明实施例的方法流程图；
图2为本发明实施例中MIMO检测的全连接无向图结构；
图3为本发明实施例中图神经网络检测器的结构。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案作进一步的介绍。
本发明实施例公开的一种基于图神经网络的多输入多输出检测方法，如图1所示，包括以下步骤：
(1)构建多输入多输出的无线通信系统，发送比特经调制后从发射端发出，接收端获得接收信号和信道矩阵并利用最大似然准则计算出所有发送比特的对数似然比，将接收信号矢量和信道矩阵转换为图型结构数据；
(2)构建图神经网络，使用图型结构数据作为网络的输入，网络的输出为所有发送比特的对数似然比的估计值，网络的结构包括消息产生函数、边性质更新函数、顶点更新函数和输出函数；
(3)构建网络训练集，使用图型结构数据作为训练集的数据，发送比特对数似然比作为训练标签，在不同的通信场景中离线训练出信号检测网络模型并加以保存；
(4)在在线检测阶段，接收端将接收信号和信道矩阵转换为图型结构数据，随后输入到训练好的信号检测网络模型中，网络输出发送比特的估计对数似然比。
进一步地，步骤(1)包含以下步骤：
(1.1)在本具体实施例中，考虑一个简单的MIMO系统，发射端和接收端的天线数分别为Nt和Nr。发送比特经过M-QAM调制得到发送符号矢量
Figure BDA0002534277640000041
这些符号在平坦衰落的MIMO信道中传输，信道矩阵的每个系数都服从0均值和单位方差的高斯分布，接收信号模型表示为：
y＝Hs+z (1)
其中，z为方差为
Figure BDA0002534277640000042
加性高斯白噪声，H为平坦衰落的信道矩阵，y为接收信号矢量。
(1.2)运用最大似然准则计算所有发送比特的对数似然比，在发送符号的先验概率为均匀分布时，发送符号的后验概率p(s|y)正比于似然函数p(y|s)：
Figure BDA0002534277640000051
Figure BDA0002534277640000052
其中，
Figure BDA0002534277640000053
为第i个发送符号的第q个比特，
Figure BDA0002534277640000054
和
Figure BDA0002534277640000055
是第i个符号的第q个比特分别等于1和0的不相交矢量符号集。
(1.3)定义
Figure BDA0002534277640000056
其中，
Figure BDA0002534277640000057
和
Figure BDA0002534277640000058
分别表示取实部和虚部，以及定义
Figure BDA0002534277640000059
将系统模型变换到实数域，使得神经网络不涉及复数运算。故式(2)变为：
Figure BDA00025342776400000510
将接收数据定义为：
Figure BDA00025342776400000511
(1.4)将接收信号矢量和信道矩阵转换为图型结构数据。式(6)的接收数据为2Nt×2Nt的矩阵M和2Nt维的矢量n，由于M是一个没有零元素对称矩阵，所以上述的数据可以映射为一个全连接的无向图，Mij表示节点vi和节点vj之间的边特征，ni表示节点vi的节点特征。因此，在MIMO检测问题中，每个实数域的符号都被映射为图中的一个节点，图中共有2Nt个节点，如图2所示。
进一步地，步骤(2)包含以下步骤：
(2.1)将所有节点的隐藏状态矢量hv初始化为零向量，在本具体实施例中，hv的维度设置为5；每条边
Figure BDA00025342776400000512
的边性质eij初始化为边特征和相连的两个节点特征的并列：
eij＝(Mij,ni,nj) (7)
其中，(.,.)表示矢量的并列拼接。
(2.2)在每个时间步，每个节点都通过消息产生函数
Figure BDA0002534277640000061
传递一个K维的消息矢量
Figure BDA0002534277640000062
给其相连的节点：
Figure BDA0002534277640000063
消息产生函数
Figure BDA0002534277640000064
是一个配有非线性激活函数的多层感知器，在本具体实施例中设置为一个有两层隐藏层的全连接网络，每个隐藏层的神经元个数为64。
Figure BDA0002534277640000065
表示节点i的第t次迭代的隐藏状态，
Figure BDA0002534277640000066
表示边
Figure BDA0002534277640000067
的第t次迭代的边性质。消息矢量的维度为K，在本具体实施例中设置为5。
(2.3)在每个时间步，边性质通过边性质更新函数
Figure BDA0002534277640000068
进行更新：
Figure BDA0002534277640000069
其中，α为一个可训练参数，边性质更新函数
Figure BDA00025342776400000610
是一个门控循环单元(GRU,GatedRecurrent Unit)。
(2.4)在每个时间步，每个节点将相连节点传递过来的消息矢量进行累加：
Figure BDA00025342776400000611
其中，
Figure BDA00025342776400000612
为节点vi的相连节点集合。
(2.5)在每个时间步，每个节点的隐藏状态矢量hti通过顶点更新函数
Figure BDA00025342776400000613
进行更新：
Figure BDA00025342776400000614
顶点更新函数
Figure BDA00025342776400000615
是另一个GRU。
(2.6)步骤(2.2)到步骤(2.5)为一个时间步，整个网络经过设定的时间步T后，得到节点的最终隐藏状态矢量
Figure BDA00025342776400000616
(2.7)在输出阶段，找到发送符号si的实部和虚部在图中所对应的节点，并将其隐藏状态矢量
Figure BDA00025342776400000617
和
Figure BDA00025342776400000618
一起输入到输出函数
Figure BDA00025342776400000619
中，得到该发送符号si所对应的每个发送比特的对数似然比的估计值：
Figure BDA00025342776400000620
其中，Q为每个调制符号si包含的比特数，输出函数
Figure BDA00025342776400000621
是另一个配有非线性激活函数的多层感知器，在本具体实施例中设置为一个有两层隐藏层的全连接网络，每个隐藏层的神经元个数为64。整个网络的结构如图3所示。
进一步地，步骤(2.2)和(2.7)中多层感知器的非线性激活函数为门控块，实质上为两种非线性激活函数的组合：
y＝tanh(W1·x+b1)⊙σ(W2·x+b2) (13)
其中，σ为sigmoid函数(y＝1/(1+e-x))，⊙表示矩阵的逐元素相乘，W和b分别表示权重矩阵和偏置向量。
进一步地，步骤(3)中的网络训练阶段使用步骤(1.3)中的式(6)作为训练集的数据且数据集中只需包含单个信噪比的数据，步骤(1.2)中的式(3)作为训练标签，采用Huber损失函数来计算标签值和网络的估计值之间的损失：
Figure BDA0002534277640000071
其中，δ是一个变量参数，在本具体实施例中设置为1，li和
Figure BDA0002534277640000072
分别为网络的标签值和拟合估计值。
进一步地，步骤(3)中的网络训练阶段的通信场景包括突发噪声信道场景和不完美信道估计场景。的突发噪声信道场景是指在信号传输过程中，除了加性高斯白噪声，接收端有一定的概率ρ收到一个噪声干扰信号
Figure BDA0002534277640000073
yi＝hi·s+zi+piwi (15)
其中，yi表示第i个接收符号，hi表示信道矩阵的第i行，pi以概率ρ服从伯努利分布。在本具体实施例中，ρ设置为0.1，
Figure BDA0002534277640000074
设置为3。的不完美信道估计场景是指接收端获得的信道矩阵与实际信道矩阵有误差，估计信道建模为：
Figure BDA0002534277640000075
其中，E为估计误差矩阵，每个元素都服从高斯分布，即
Figure BDA0002534277640000076
在本具体实施例中，
Figure BDA0002534277640000077
设置等于噪声方差
Figure BDA0002534277640000078
进一步地，步骤(4)中的在线检测阶段，尽管保存的网络模型是在单信噪比点的数据集下训练得到的，但是在线检测时可以适用于各种信噪比环境中。

Claims (7)

1.基于图神经网络的多输入多输出检测方法，其特征在于：包括以下步骤：
(1)构建多输入多输出的无线通信系统，发送比特经调制后从发射端发出，接收端获得接收信号和信道矩阵并利用最大似然准则计算出所有发送比特的对数似然比，将接收信号矢量和信道矩阵转换为图型结构数据；
(2)构建图神经网络，使用所述图型结构数据作为网络的输入，网络的输出为所有发送比特的对数似然比的估计值，网络的结构包括消息产生函数、边性质更新函数、顶点更新函数和输出函数；
(3)构建网络训练集，使用所述图型结构数据作为训练集的数据，发送比特对数似然比作为训练标签，在不同的通信场景中离线训练出信号检测网络模型并加以保存；
(4)在在线检测阶段，接收端将接收信号和信道矩阵转换为图型结构数据，随后输入到训练好的信号检测网络模型中，网络输出发送比特的估计对数似然比。
2.根据权利要求1所述的基于图神经网络的多输入多输出检测方法，其特征在于：所述步骤(1)中的系统模型由复数域转换到实数域，将复数值拆分为实部和虚部，重建接收信号模型，使神经网络不涉及复数运算。
3.根据权利要求1所述的基于图神经网络的多输入多输出检测方法，其特征在于：所述步骤(1)中的接收信号矢量和信道矩阵被转换为图型结构数据，构建成一个全连接的无向图，其中每个实数域的发送符号映射为图中的一个节点，具体方法为将信道矩阵的转置与信道矩阵相乘得到一个对称矩阵，该矩阵的非对角线元素为无向图中的边特征，将接收信号的转置与信道矩阵相乘得到一个矢量，该矢量的元素为无向图中的节点特征。
4.根据权利要求1所述的基于图神经网络的多输入多输出检测方法，其特征在于：所述步骤(2)中的构建图神经网络具体包括以下步骤：
(2.1)将所有节点的隐藏状态矢量初始化为零向量；每条边的边性质初始化为边特征和相连的两个节点特征的并列；
(2.2)在每个时间步，每个节点都通过消息产生函数传递一个消息矢量给其相连的节点，消息函数的输入为两个节点的隐藏状态矢量和边性质，消息产生函数是一个配有非线性激活函数的多层感知器；
(2.3)在每个时间步，边性质通过边性质更新函数进行更新，该函数的输入为上一个时间步的边性质和步骤(2.2)中的消息矢量，将函数的输出结果乘以一个可训练参数再加上初始化的边性质，得到更新之后的边性质，边性质更新函数是一个门控循环单元；
(2.4)在每个时间步，每个节点将相连节点传递过来的消息矢量进行累加；
(2.5)在每个时间步，每个节点的隐藏状态矢量通过顶点更新函数进行更新，顶点更新函数的输入为当前时间步的隐藏状态矢量和步骤(2.4)中的累加消息矢量，顶点更新函数是另一个门控循环单元；
(2.6)步骤(2.2)到步骤(2.5)为一个时间步，整个网络经过设定的时间步后，得到节点的最终隐藏状态矢量；
(2.7)在输出阶段，将每个发送符号的实部和虚部所对应的隐藏状态矢量一起输入到输出函数中，得到该发送符号所对应的每个发送比特的对数似然比的估计值，输出函数是另一个配有非线性激活函数的多层感知器。
5.根据权利要求1所述的基于图神经网络的多输入多输出检测方法，其特征在于：所述步骤(2.2)和(2.7)中多层感知器的非线性激活函数为sigmoid函数与tanh函数的逐元素相乘。
6.根据权利要求1所述的基于图神经网络的多输入多输出检测方法，其特征在于：所述步骤(3)中的网络训练阶段采用Huber损失函数来计算标签值和网络的估计值之间的损失。
7.根据权利要求1所述的基于图神经网络的多输入多输出检测方法，其特征在于：所述步骤(3)中的网络训练阶段的通信场景包括突发噪声信道场景和不完美信道估计场景；所述的突发噪声信道场景是指在信号传输过程中，除了加性高斯白噪声，接收端有一定的概率收到一个噪声干扰信号；所述的不完美信道估计场景是指接收端获得的信道矩阵与实际信道矩阵有误差。
CN202010527818.4A 2020-06-11 2020-06-11 基于图神经网络的多输入多输出检测方法 Active CN111865489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010527818.4A CN111865489B (zh) 2020-06-11 2020-06-11 基于图神经网络的多输入多输出检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010527818.4A CN111865489B (zh) 2020-06-11 2020-06-11 基于图神经网络的多输入多输出检测方法

Publications (2)

Publication Number Publication Date
CN111865489A true CN111865489A (zh) 2020-10-30
CN111865489B CN111865489B (zh) 2022-10-28

Family

ID=72986481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010527818.4A Active CN111865489B (zh) 2020-06-11 2020-06-11 基于图神经网络的多输入多输出检测方法

Country Status (1)

Country Link
CN (1) CN111865489B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115642972A (zh) * 2022-12-23 2023-01-24 鹏城实验室 动态信道通信检测方法、装置、设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109246038A (zh) * 2018-09-10 2019-01-18 东南大学 一种数据模型双驱动的gfdm接收机及方法
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109246038A (zh) * 2018-09-10 2019-01-18 东南大学 一种数据模型双驱动的gfdm接收机及方法
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115642972A (zh) * 2022-12-23 2023-01-24 鹏城实验室 动态信道通信检测方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN111865489B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
Wei et al. Learned conjugate gradient descent network for massive MIMO detection
Samuel et al. Learning to detect
Mohammadkarimi et al. Deep learning-based sphere decoding
Liao et al. A model-driven deep learning method for massive MIMO detection
Chun et al. Deep learning-based joint pilot design and channel estimation for multiuser MIMO channels
CN112600772B (zh) 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法
CN114051701B (zh) 用于机器学习辅助预编码的设备和方法
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN106850013B (zh) 一种上行链路大规模mimo系统的信号检测方法
Tan et al. Improving massive MIMO belief propagation detector with deep neural network
Mohammad et al. Complexity-scalable neural-network-based MIMO detection with learnable weight scaling
Shao et al. Feature-aided adaptive-tuning deep learning for massive device detection
Nguyen et al. Leveraging deep neural networks for massive MIMO data detection
CN112260733B (zh) 基于多智能体深度强化学习的mu-miso混合预编码设计方法
Yang et al. A learning-aided flexible gradient descent approach to MISO beamforming
Cheng et al. Deep neural network aided low-complexity MPA receivers for uplink SCMA systems
Hua et al. Signal detection in uplink pilot-assisted multi-user MIMO systems with deep learning
CN111865489B (zh) 基于图神经网络的多输入多输出检测方法
Li et al. Communication-efficient decentralized zeroth-order method on heterogeneous data
Raviv et al. Data augmentation for deep receivers
Yu et al. A data-driven deep learning network for massive MIMO detection with high-order QAM
Wang et al. Deep Transfer Learning for Model-Driven Signal Detection in MIMO-NOMA Systems
Seyman Symbol Detection Based on Back Tracking Search Algorithm in MIMO-NOMA Systems.
Raviv et al. Adaptive data augmentation for deep receivers
Althahab et al. A comprehensive review on various estimation techniques for multi input multi output channel

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