CN111865845A - 一种mimo用户检测与信道估计装置及方法 - Google Patents

一种mimo用户检测与信道估计装置及方法 Download PDF

Info

Publication number
CN111865845A
CN111865845A CN202010502203.6A CN202010502203A CN111865845A CN 111865845 A CN111865845 A CN 111865845A CN 202010502203 A CN202010502203 A CN 202010502203A CN 111865845 A CN111865845 A CN 111865845A
Authority
CN
China
Prior art keywords
matrix
module
neural network
pilot frequency
channel estimation
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.)
Pending
Application number
CN202010502203.6A
Other languages
English (en)
Inventor
俞林刚
伍栋文
朱亮
常博轩
刘明
刘强
舒骁骁
祝君剑
严勤
范志夫
胡涛
吴泳澎
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.)
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power 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 Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Priority to CN202010502203.6A priority Critical patent/CN111865845A/zh
Publication of CN111865845A publication Critical patent/CN111865845A/zh
Pending legal-status Critical Current

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

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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种MIMO用户检测与信道估计装置及方法，包括导频序列生成模块，信道估计模块，用户检测模块；所述导频序列生成模块使用单层复数全连接神经网络产生用户的导频序列，将导频序列分配并发送给基站所服务的用户，所述信道估计模块内置一个基于AMP算法形式的神经网络模型，以基站接收信号和已知导频序列为输入，以信道矩阵为输出，所述信道估计模块的输出端连接用户检测模块，所述用户检测模块以信道矩阵为输入，以用户活跃度向量为输出，得到用户检测的结果；本发明采用了基于AMP形式的神经网络进行信道估计，比普通的神经网络使用更少的参数，进而更易训练，比AMP拥有更高的准确度，收敛性，更低的计算复杂度。

Description

一种MIMO用户检测与信道估计装置及方法
技术领域
本发明属于无线通信的信道估计与用户检测领域，具体涉及一种MIMO用户检测与信道估计装置及方法。
背景技术
MIMO无线通信技术指的是多输入多输出的无线通信系统，大规模MIMO是5G中的关键技术，尤其在大规模机器类通信的场景中发挥重要作用。大规模MIMO通过进一步增加基站端天线，可以获取较高的信道容量，频谱效率，能量效率。在大规模机器类通信场景下，一个多天线基站需要支持上万至上百万的用户设备(UE)接入。这种场景的特点是，其用户常常是传感器等机器设备，它们不会长时间维持接入，而是只在特定事件发生时进行接入。因此，在某一时刻，只有少部分用户处于活跃状态，呈现稀疏性。对于基站端，在每段相干时间开始后，需要进行活跃用户检测和信道估计，以获悉在此相干时间内哪些用户将要进行通信，并且得到它们对应的信道矩阵。
为了解决这一工程需求，已经有一些方法得到了尝试，包括使用一些经典的压缩感知算法，如AMP(approximate message passing)及其衍生算法等，还包括一些采用简单神经网络，如简单的全连接自编码机(auto-encoder)等的方案，但是这些方案存在一些问题：采用传统的压缩感知算法的方案难以同时达到低复杂度和高准确度的要求，而且大多数都不能在基站端天线少于活跃用户数量的情况下工作；采用简单神经网络的算法在基站端采用单天线的情况下表现良好，但是扩展至多天线基站时存在参数量过大，难以利用接收天线之间相关性的问题。
发明内容
为了进一步优化大规模MIMO中的用户检测和信道估计方法的性能，本发明提出了一种MIMO用户检测与信道估计装置及方法，采用基于AMP形式的深度神经网络的方法，该方法不但具有较低的时间复杂度，也具有高准确率的特点。
为实现上述目的，本发明实施方式的一方面提供一种MIMO用户检测与信道估计装置，包括导频序列生成模块，信道估计模块，检测模块；
所述导频序列生成模块，使用单层复数全连接神经网络产生终端的导频序列，将导频序列分配并发送给基站所服务的终端；
所述信道估计模块，用于接收信号和所述导频序列为输入，以信道矩阵为输出；
检测模块，用于以信道矩阵为输入，以终端活跃度向量为输出，获得终端检测的结果。
进一步的，所述信道估计模块，内置基于AMP算法形式的神经网络模型，所述网络模型由N个相同的模块级联而成，其中第i个模块具有如下数学表达：
Figure BDA0002525197440000021
Figure BDA0002525197440000022
其中，
Figure BDA0002525197440000023
为基站端的N个天线在T个时槽内收到的信号，
Figure BDA0002525197440000024
为K个终端在T个时槽内发送的导频序列，
Figure BDA0002525197440000025
为MIMO相干信道矩阵在第i个模块中的估计结果，
Figure BDA0002525197440000026
为第i层中的可学习权重矩阵，η[·]为软阈值函数，
Figure BDA0002525197440000027
与
Figure BDA0002525197440000028
为全零矩阵，
Figure BDA0002525197440000029
为最终估计的信道矩阵。
进一步的，所述检测模块，具体用于对信道矩阵求模，将其转化为实数矩阵，然后将所述实数矩阵输入一个全连接的单层神经网络中，其输出神经元数量应等于终端总数，其输出经过Sigmoid函数后进行硬判决，得到终端活跃度向量。
为实现上述目的，本发明实施方式的另一方面还提供一种MIMO用户检测与信道估计方法，包括以下步骤：
基站端获得用户终端的导频序列，并将获得的信号输入解码层；
解码层将收到的导频序列进行解码，其输出为估计的信道矩阵，将估计的信道矩阵输入用户检测层，其输出为检测的用户活跃度信息。
进一步的，所述导频序列使用单层复数全连接神经网络生成，使其在算法的训练阶段得到优化。
进一步的，所述解码层使用基于AMP算法形式的深度神经网络将收到的导频序列进行解码，所述基于AMP算法形式的深度神经网络，由N个相同的模块级联而成，其中第i个模块具有如下数学表达：
Figure BDA00025251974400000210
Figure BDA00025251974400000211
其中，
Figure BDA00025251974400000212
为基站端的N个天线在T个时槽内收到的信号，
Figure BDA00025251974400000213
为K个用户在T个时槽内发送的导频序列，
Figure BDA00025251974400000214
为MIMO相干信道矩阵在第i个模块中的估计结果，
Figure BDA00025251974400000215
为第i层中的可学习权重矩阵，η[·]为软阈值函数，
Figure BDA00025251974400000216
与
Figure BDA00025251974400000217
为全零矩阵，
Figure BDA00025251974400000218
为最终估计的信道矩阵。
进一步的，所述用户检测层首先对信道矩阵求模，将其转化为实数矩阵，然后将其输入一个全连接的单层神经网络中，其输出神经元数量应等于用户总数，其输出经过Sigmoid函数后进行硬判决，得到用户活跃度向量。
与现有技术相比，本发明的有益效果是：采用了导频序列生成与信道估计联合进行的设计，有利于两阶段算法的联合优化，提升整体的准确性；采用了基于AMP形式的神经网络进行信道估计，比普通的神经网络使用更少的参数，进而更易训练，不容易出现过拟合，比AMP拥有更高的准确度，收敛性，以及由于比常规AMP算法更少的迭代次数而拥有更低的计算复杂度。
附图说明
参考所附附图，以更加充分地描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。
图1是本发明装置的训练方法实施例；
图2是本发明装置的整体结构和数据流。
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，所描述的实施例仅仅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的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。
本发明实施方式的一方面提供一种MIMO用户检测与信道估计装置，包括导频序列生成模块，信道估计模块，用户检测模块；
所述导频序列生成模块使用单层复数全连接神经网络产生用户的导频序列，将导频序列分配并发送给基站所服务的用户，所述信道估计模块内置一个基于AMP算法形式的神经网络模型，以基站接收信号和已知导频序列为输入，以信道矩阵为输出，所述信道估计模块的输出端连接用户检测模块，所述用户检测模块以信道矩阵为输入，以用户活跃度向量为输出，得到用户检测的结果。
进一步的，所述基于AMP算法形式的神经网络模型由N个相同的模块级联而成，N可取任意正整数，优化地，可取3～5，其中第i个模块具有如下数学表达：
Figure BDA0002525197440000031
Figure BDA0002525197440000032
其中，
Figure BDA0002525197440000033
为基站端的N个天线在T个时槽内收到的信号，
Figure BDA0002525197440000034
为K个用户在T个时槽内发送的导频序列，
Figure BDA0002525197440000035
为MIMO相干信道矩阵在第i个模块中的估计结果，
Figure BDA0002525197440000036
为第i层中的可学习权重矩阵，η[·]为软阈值函数，其阈值可取0～1间任意实数，优化地，可取0.5，
Figure BDA0002525197440000037
与
Figure BDA0002525197440000038
为全零矩阵，
Figure BDA0002525197440000039
为最终估计的信道矩阵，是整个模块的输出。
进一步的，所述用户检测模块内置一个神经网络模型，首先对信道矩阵求模，将其转化为实数矩阵，然后将其输入一个全连接的单层神经网络中，其输出神经元数量应等于用户总数，其输出经过Sigmoid函数后以0.5为阈值进行硬判决，得到用户活跃度向量，在该向量中，1对应活跃用户，0对应非活跃用户。
该装置在训练阶段实施例如图1所示，利用实际测量的物理信道或模拟产生的相关信道对装置中涉及的神经网络中的可学习参数进行更新，直至其在训练数据上的损失函数收敛；使用交叉熵损失函数作为用户检测模块的损失函数，使用最小均方误差损失函数作为信道估计的损失函数，优化地，可使用代价敏感地非均衡交叉熵损失函数，正样本权重可设为5～9的任意值，包括：
导频序列矩阵1，为一个复矩阵，包含了所有用户在T时槽内的导频序列，对应图2中用户的导频序列11；
信道矩阵和用户活跃度向量2，为训练数据，可以实际采集，也可以通过仿真方式生成，生成时可以采取任意物理信道模型，训练数据集应确保规模在1e4组以上；
随机噪声3，可以通过采集的方式获取，也可以随机生成高斯白噪声；
信道估计模块4，以基站接收信号和已知导频序列为输入，以信道矩阵为输出，内置一个基于AMP算法形式的神经网络模型，该模型由N个相同的模块级联而成，N取5，其中第i个模块具有如下数学表达：
Figure BDA0002525197440000041
Figure BDA0002525197440000042
其中，
Figure BDA0002525197440000043
为基站端的N个天线在T个时槽内收到的信号，
Figure BDA0002525197440000044
为K个用户在T个时槽内发送的导频序列，
Figure BDA0002525197440000045
为MIMO相干信道矩阵在第i个模块中的估计结果，
Figure BDA0002525197440000046
为第i层中的可学习权重矩阵，η[·]为软阈值函数，其阈值取0.5，
Figure BDA0002525197440000047
与
Figure BDA0002525197440000048
为全零矩阵，
Figure BDA0002525197440000049
为最终估计的信道矩阵，是整个模块的输出；
用户检测模块5，以信道矩阵为输入，以用户活跃度向量为输出，内置一个神经网络模型，该模型首先对信道矩阵求模，将其转化为实数矩阵，然后将其输入一个全连接的单层神经网络中，其输出神经元数量应等于用户总数，其输出经过Sigmoid函数后以0.5为阈值进行硬判决，得到用户活跃度向量，在该向量中，1对应活跃用户，0对应非活跃用户。
MSE损失函数6，用于计算所估计信道与训练数据之均方差；
交叉熵损失函数7，用于计算所估计用户活跃度向量与训练数据之误差，特别地，对活跃用户以比例系数9加权。
训练数据流8，用于计算损失函数；
损失叠加模块9，用于叠加信道估计损失和用户活跃度损失，其结果为训练的总损失；
梯度流10，通过梯度的反向传播，更新整个系统中的所有可学习参数，包括导频序列矩阵，及信道估计模块和用户检测模块中的权重和偏置；
整个系统训练时应严格按照图1中各数据流进行，并且不断循环执行直至收敛；训练结束的标志为，损失函数在训练数据上连续10次循环总下降量不超过1％，或估计误差达到系统需求的阈值以下。
该装置在运行阶段如图2所示，包括用户的导频序列11，实际物理信道12，基站端天线组13，基站端接收信号存储，拼合，并传递数据至后续的信道估计模块4，估计的信道矩阵14，用户检测模块5，检测的用户活跃度向量15。其中用户的导频序列由训练阶段的导频序列矩阵决定，信道估计模块、用户检测模块使用训练过程收敛后得到的对应模块，采用的内置算法与训练时相同。该装置运行时有以下步骤：
步骤S1：通过导频序列生成模块产生用户的导频序列，将K个长度为T个时槽的导频序列分配并发送给基站所服务的用户；
步骤S2：在通信阶段的每一个相关时间开始后，用户同步地向基站发送其导频序列，基站端的N个接收天线在T个时槽内收到用户发送的导频序列，所有接收天线的信号直接拼接为一个N*T复数矩阵Y，将信号Y输入信道估计模块，在其输出端得到估计的信道矩阵；
步骤S3：再将信道矩阵输入用户检测模块，在其输出端得到活跃用户信息。
本发明实施方式的另一方面还提供一种MIMO用户检测与信道估计方法，包括以下步骤：
步骤S1：利用模拟或实测的MIMO信道矩阵，用户活跃度信息对方法中的可学习参数进行训练，直到方法在模拟或实测的数据集上收敛；
步骤S2：提取算法编码层的参数作为用户的导频矩阵，用户在每一次通信的开始阶段以同步方式向基站发送导频序列，基站端将收到的信号输入算法的解码层，解码层使用基于AMP算法形式的深度神经网络对基站端接收的信号进行解码，其输出为估计的信道矩阵，将估计的信道矩阵输入用户检测层，其输出为检测的用户活跃度信息。
进一步的，使用单层复数全连接神经网络生成导频序列，使导频序列在算法的训练阶段得到优化。
进一步的，基于AMP算法形式的深度神经网络，其由N个相同的模块级联而成，N可取任意正整数，优化地，可取3～5，其中第i个模块具有如下数学表达：
Figure BDA0002525197440000061
Figure BDA0002525197440000062
其中，
Figure BDA0002525197440000063
为基站端的N个天线在T个时槽内收到的信号，
Figure BDA0002525197440000064
为K个用户在T个时槽内发送的导频序列，
Figure BDA0002525197440000065
为MIMO相干信道矩阵在第i个模块中的估计结果，
Figure BDA0002525197440000066
为第i层中的可学习权重矩阵，η[·]为软阈值函数，其阈值可取0～1间任意实数，优化地，可取0.5，
Figure BDA0002525197440000067
与
Figure BDA0002525197440000068
为全零矩阵，
Figure BDA0002525197440000069
为最终估计的信道矩阵。
进一步的，用户检测层首先对信道矩阵求模，将其转化为实数矩阵，然后将其输入一个全连接的单层神经网络中，其输出神经元数量应等于用户总数，其输出经过Sigmoid函数后以0.5为阈值进行硬判决，得到用户活跃度向量，在该向量中，1对应活跃用户，0对应非活跃用户。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (7)

1.一种MIMO用户检测与信道估计装置，其特征在于：包括导频序列生成模块，信道估计模块，检测模块；
所述导频序列生成模块，使用单层复数全连接神经网络产生终端的导频序列，将导频序列分配并发送给基站所服务的终端；
所述信道估计模块，用于接收信号和所述导频序列为输入，以信道矩阵为输出；
检测模块，用于以信道矩阵为输入，以终端活跃度向量为输出，获得终端检测的结果。
2.根据权利要求1所述的一种MIMO用户检测与信道估计装置，其特征在于：所述信道估计模块，内置基于AMP算法形式的神经网络模型，所述网络模型由N个相同的模块级联而成，其中第i个模块具有如下数学表达：
Figure FDA0002525197430000011
Figure FDA0002525197430000012
其中，
Figure FDA0002525197430000015
为基站端的N个天线在T个时槽内收到的信号，
Figure FDA0002525197430000019
为K个终端在T个时槽内发送的导频序列，
Figure FDA0002525197430000016
为MIMO相干信道矩阵在第i个模块中的估计结果，
Figure FDA0002525197430000017
为第i层中的可学习权重矩阵，η[·]为软阈值函数，
Figure FDA00025251974300000110
与
Figure FDA00025251974300000111
为全零矩阵，
Figure FDA0002525197430000018
为最终估计的信道矩阵。
3.根据权利要求1所述的一种MIMO用户检测与信道估计装置，其特征在于：所述检测模块，具体用于对信道矩阵求模，将其转化为实数矩阵，然后将所述实数矩阵输入一个全连接的单层神经网络中，其输出神经元数量应等于终端总数，其输出经过Sigmoid函数后进行硬判决，得到终端活跃度向量。
4.一种MIMO用户检测与信道估计方法，其特征在于：包括以下步骤：
基站端获得用户终端的导频序列，并将获得的信号输入解码层；
解码层将收到的导频序列进行解码，其输出为估计的信道矩阵，将估计的信道矩阵输入用户检测层，其输出为检测的用户活跃度信息。
5.根据权利要求4所述的一种MIMO用户检测与信道估计方法，其特征在于：所述导频序列使用单层复数全连接神经网络生成，使其在算法的训练阶段得到优化。
6.根据权利要求4所述的一种MIMO用户检测与信道估计方法，其特征在于：所述解码层使用基于AMP算法形式的深度神经网络将收到的导频序列进行解码，所述基于AMP算法形式的深度神经网络，由N个相同的模块级联而成，其中第i个模块具有如下数学表达：
Figure FDA0002525197430000013
Figure FDA0002525197430000014
其中，
Figure FDA0002525197430000021
为基站端的N个天线在T个时槽内收到的信号，
Figure FDA0002525197430000025
为K个用户在T个时槽内发送的导频序列，
Figure FDA0002525197430000022
为MIMO相干信道矩阵在第i个模块中的估计结果，
Figure FDA0002525197430000023
为第i层中的可学习权重矩阵，η[·]为软阈值函数，
Figure FDA0002525197430000026
与
Figure FDA0002525197430000027
为全零矩阵，
Figure FDA0002525197430000024
为最终估计的信道矩阵。
7.根据权利要求4所述的一种MIMO用户检测与信道估计方法，其特征在于：所述用户检测层首先对信道矩阵求模，将其转化为实数矩阵，然后将其输入一个全连接的单层神经网络中，其输出神经元数量应等于用户总数，其输出经过Sigmoid函数后进行硬判决，得到用户活跃度向量。
CN202010502203.6A 2020-06-04 2020-06-04 一种mimo用户检测与信道估计装置及方法 Pending CN111865845A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010502203.6A CN111865845A (zh) 2020-06-04 2020-06-04 一种mimo用户检测与信道估计装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010502203.6A CN111865845A (zh) 2020-06-04 2020-06-04 一种mimo用户检测与信道估计装置及方法

Publications (1)

Publication Number Publication Date
CN111865845A true CN111865845A (zh) 2020-10-30

Family

ID=72985072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010502203.6A Pending CN111865845A (zh) 2020-06-04 2020-06-04 一种mimo用户检测与信道估计装置及方法

Country Status (1)

Country Link
CN (1) CN111865845A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112929307A (zh) * 2021-02-26 2021-06-08 广东工业大学 一种免授权通信下的分布式信道估计方法
CN112968853A (zh) * 2021-01-29 2021-06-15 北京交通大学 一种mmtc系统多用户接入检测和信道估计的方法
WO2022126580A1 (zh) * 2020-12-18 2022-06-23 华为技术有限公司 一种参考信号的配置方法
US20230412429A1 (en) * 2020-11-27 2023-12-21 Seoul National University R&Db Foundation Active User Detection and Channel Estimation Method and Device, Using Deep Neural Network

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743103A (zh) * 2017-10-26 2018-02-27 北京交通大学 基于深度学习的mmtc系统的多节点接入检测和信道估计方法
CN108540410A (zh) * 2018-03-06 2018-09-14 东南大学 免调度传输系统联合活跃用户检测和信道估计方法
CN110071881A (zh) * 2019-04-26 2019-07-30 北京理工大学 一种自适应开销的活跃用户检测和信道估计方法
CN110111266A (zh) * 2019-04-08 2019-08-09 西安交通大学 一种基于深度学习去噪的近似信息传递算法改进方法
CN110429965A (zh) * 2019-07-03 2019-11-08 北京科技大学 一种大规模多输入多输出系统上行信号检测方法
CN110933429A (zh) * 2019-11-13 2020-03-27 南京邮电大学 基于深度神经网络的视频压缩感知与重构方法和装置
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743103A (zh) * 2017-10-26 2018-02-27 北京交通大学 基于深度学习的mmtc系统的多节点接入检测和信道估计方法
CN108540410A (zh) * 2018-03-06 2018-09-14 东南大学 免调度传输系统联合活跃用户检测和信道估计方法
CN110111266A (zh) * 2019-04-08 2019-08-09 西安交通大学 一种基于深度学习去噪的近似信息传递算法改进方法
CN110071881A (zh) * 2019-04-26 2019-07-30 北京理工大学 一种自适应开销的活跃用户检测和信道估计方法
CN110429965A (zh) * 2019-07-03 2019-11-08 北京科技大学 一种大规模多输入多输出系统上行信号检测方法
CN110933429A (zh) * 2019-11-13 2020-03-27 南京邮电大学 基于深度神经网络的视频压缩感知与重构方法和装置
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YI WEI ET AL.: "An AMP-Based Network With Deep Residual Learning for mmWave Beamspace Channel Estimation", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 *
ZHAOJI ZHANG ET AL.: "DNN-Aided Message Passing Based Block Sparse Bayesian Learning for Joint User Activity Detection and Channel Estimation", 《2019 IEEE VTS ASIA PACIFIC WIRELESS COMMUNICATIONS SYMPOSIUM (APWCS)》 *
朱啸豪等: "MIMO检测算法与深度学习方法探讨", 《微型电脑应用》 *
李国权;杨鹏;林金朝;徐勇军;庞宇;徐永海;: "基于深度学习的MIMO系统联合优化", 重庆邮电大学学报(自然科学版) *
郑沛聪: "基于深度学习的MIMO信号检测算法优化研究", 《中国优秀博硕士学位论文全文数据库（硕士）》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20230412429A1 (en) * 2020-11-27 2023-12-21 Seoul National University R&Db Foundation Active User Detection and Channel Estimation Method and Device, Using Deep Neural Network
WO2022126580A1 (zh) * 2020-12-18 2022-06-23 华为技术有限公司 一种参考信号的配置方法
EP4250773A4 (en) * 2020-12-18 2024-01-17 Huawei Technologies Co., Ltd. REFERENCE SIGNAL CONFIGURATION PROCEDURE
CN112968853A (zh) * 2021-01-29 2021-06-15 北京交通大学 一种mmtc系统多用户接入检测和信道估计的方法
CN112929307A (zh) * 2021-02-26 2021-06-08 广东工业大学 一种免授权通信下的分布式信道估计方法
CN112929307B (zh) * 2021-02-26 2022-03-25 广东工业大学 一种免授权通信下的分布式信道估计方法

Similar Documents

Publication Publication Date Title
CN111865845A (zh) 一种mimo用户检测与信道估计装置及方法
Cao et al. Lightweight convolutional neural networks for CSI feedback in massive MIMO
Liang et al. Deep learning and compressive sensing-based CSI feedback in FDD massive MIMO systems
Ji et al. CLNet: Complex input lightweight neural network designed for massive MIMO CSI feedback
Lee et al. Deep power control: Transmit power control scheme based on convolutional neural network
Wang et al. Deep learning-based CSI feedback approach for time-varying massive MIMO channels
He et al. Model-driven deep learning for physical layer communications
CN111630787B (zh) 基于深度学习的mimo多天线信号传输与检测技术
Liu et al. A Markovian model-driven deep learning framework for massive MIMO CSI feedback
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
Song et al. SALDR: Joint self-attention learning and dense refine for massive MIMO CSI feedback with multiple compression ratio
CN109474388B (zh) 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法
CN111835464B (zh) 一种与源址无关的大规模合作接入方法
CN107743056B (zh) 一种基于压缩感知辅助的scma多用户检测方法
Yin et al. Deep CSI compression for massive MIMO: A self-information model-driven neural network
CN113194548B (zh) 一种智能超表面辅助的大规模无源随机接入方法
CN105515627B (zh) 一种大规模mimo检测方法及检测装置
Yu et al. Convolutional autoencoder-based phase shift feedback compression for intelligent reflecting surface-assisted wireless systems
CN109981219B (zh) 一种基于分布式压缩感知的非正交多址系统信号检测方法
CN117176517A (zh) 采用遗传算法和深度学习对mimo-ofdm可见光通信实施信道估计的方法及系统
Brennsteiner et al. LAMANet: A real-time, machine learning-enhanced approximate message passing detector for massive MIMO
Liu et al. CSI feedback based on complex neural network for massive MIMO systems
CN114844541B (zh) 一种基于深度学习的混合预编码和反馈方法
Liao et al. Structured neural network with low complexity for MIMO detection
Lin et al. Communication-Efficient Joint Signal Compression and Activity Detection in Cell-Free Massive MIMO

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030

RJ01 Rejection of invention patent application after publication