CN112054832B - 一种深度学习多输入多输出检测方法 - Google Patents

一种深度学习多输入多输出检测方法 Download PDF

Info

Publication number
CN112054832B
CN112054832B CN202010933555.7A CN202010933555A CN112054832B CN 112054832 B CN112054832 B CN 112054832B CN 202010933555 A CN202010933555 A CN 202010933555A CN 112054832 B CN112054832 B CN 112054832B
Authority
CN
China
Prior art keywords
deep learning
algorithm
output
mlnet
generating
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.)
Active
Application number
CN202010933555.7A
Other languages
English (en)
Other versions
CN112054832A (zh
Inventor
杜清河
徐大旦
任占义
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010933555.7A priority Critical patent/CN112054832B/zh
Publication of CN112054832A publication Critical patent/CN112054832A/zh
Application granted granted Critical
Publication of CN112054832B publication Critical patent/CN112054832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/0848—Joint weighting
    • H04B7/0857—Joint weighting using maximum ratio combining techniques, e.g. signal-to- interference ratio [SIR], received signal strenght indication [RSS]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Transmission System (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

由于检测的本质是样本空间的划分，消耗大量的不必要计算资源。本申请提供了一种深度学习多输入多输出检测方法，包括：对于低阶多输入多输出，设计一种复杂度低、误码率低的深度学习模型；随机生成一信道矩阵，利用该信道矩阵，产生训练集，用于对深度学习模型的训练；利用该信道矩阵，产生测试集，用于对时不变信道下深度学习模型性能的测试；在信道矩阵基础上，加上一随机信道矩阵增量，产生训练集与测试集；与其他深度学习模型和与传统多输入输出检测算法在误码率方面进行比较；与其他深度学习模型和与传统多输入输出检测算法在复杂度方面进行比较。该检测算法复杂度低，且误码率也低，适合应用在中低成本通信设备上。

Description

一种深度学习多输入多输出检测方法
技术领域
本申请属于异常检测技术领域，特别是涉及一种深度学习多输入多输出检测方法。
背景技术
移动通信经历了近几十年的发展，无线通信技术现已深入到生活中的方方面面，已经开始真正改变人们生活。通信系统不断发展，已从第一代移动通信系统发展到第四代移动通信系统。随着互联网的快速发展，终端的数量和用户的需求有了极大增长，现有的第四代移动通信系统已不能满足未来人们的需求，在此背景下，人们开发出第五代移动通信系统。现已开展5G网络的部署。第五代移动通信系统定义了三大典型应用场景，分别为增强移动宽带(eMBB)，超高可靠低时延通信(URLLC)，与海量机器性节点通信(mMTC)。海量机器性节点主要是中低端通信设备。随着通信系统的发展，中低端通信设备的MIMO阶数也将增加，达到2×2、4×4。即使是在这样MIMO阶数下，最大似然算法的复杂度依然很高，无法应用到实际中，经典的SDR、K-best算法虽然性能逼近最大似然算法，且复杂度比最大似然算法稍微减小，但是依然是一笔不小的开销。复杂度低的线性检测算法如MMSE、ZF，虽然复杂度较低，但是检测性能大大降低。
经典检测算法有以下几个缺点。首先，经典检测算法为“快拍”式检测，即逐帧检测，前一个信号的检测与后一个信号的检测之间没有任何关联。在实际情况中，我们发送的数据相邻两帧是有一定关联的，在极端的情况下，前后两帧发送的信号是一致的，在经典检测算法中，数据间的相关性没有利用起来，无疑提升了检测算法复杂度。其次，当前主流的经典检测算法是K-best，其宽度的选择是在复杂度与精确度间的均衡，当宽度较大，精确度有了很大提升，与此同时，复杂度也随之提升，当其遍历整个搜索树时，便是极大似然法；当宽度较小时，复杂度与精确度均下降，丢失的信息过多。其本质是由于K-best是一个松散的信息存储结构。同时，由于检测的本质是样本空间的划分，树搜索的方式仅依赖目标函数而间接地不明确地描述分类边界，从而消耗大量的不必要计算资源。我们为了解决这一问题，首先需要引入检测记忆；其次需要寻求有效的压缩存储结构，把分类信息嵌入记忆，从而形成低复杂度的高性能的检测算法。
近些年来，深度学习的研究如火如荼，人们把深度学习的知识应用在很多工程领域，且取得了很好的效果。同时，它可以引入检测记忆，也可以自行设计压缩存储结构，所以我们可以考虑在MIMO检测问题上应用深度学习知识，也有一些人开展了研究。有些是在MIMO信道已知条件下的，如OAMPNet、MMNet，有些是应用在MIMO信道未知条件下的，如DetNet、ScNet。还有文章对将深度学习应用在物理层的机遇与挑战做了分析。但是这些网络有一些缺点，有的网络复杂度过高，如OAMPNet，需要对大量矩阵求逆；有的网络在低阶MIMO下检测性能不好，如DetNet、MMNet，即使它们在高阶MIMO有着不错的检测性能。更重要的是，目前所提出为MIMO检测所设计的网络都是不可解释的，无法明确知道每一层网络的具体功能，有些是在原有的检测算法中引入一些参数，但是没有明确说明引入这些参数的意义，以及为什么引入这些参数使得网络性能得到提升，如OAMPNet、MMNet；有些是用神经网络求解一个非凸问题，但是所用的迭代公式从理论上来说是不可行的，如DetNet、ScNet。从本质上来说，这些网络的压缩存储结构太过复杂，且不可解释。
发明内容
1.要解决的技术问题
基于在传统检测算法中，数据间的相关性没有利用起来，无疑提升了检测算法复杂度。其次，当前主流的传统检测算法是宽度优先树搜索，其宽度的选择是在复杂度与精确度间的均衡，当宽度较大，精确度有了很大提升，与此同时，复杂度也随之提升，当其遍历整个搜索树时，便是极大似然法；当宽度较小时，复杂度与精确度均下降，丢失的信息过多。其本质是由于宽度优先树搜索是一个松散的信息存储结构。同时，由于检测的本质是样本空间的划分，树搜索的方式仅依赖目标函数而间接地不明确地描述分类边界，从而消耗大量的不必要计算资源的问题，本申请提供了一种深度学习多输入多输出检测方法。
2.技术方案
为了达到上述的目的，本申请提供了一种深度学习多输入多输出检测方法，所述方法包括如下步骤：
步骤1)：对于低阶多输入多输出，设计一种复杂度低、误码率低的深度学习模型；
步骤2)：随机生成一信道矩阵，利用该信道矩阵，产生训练集，用于对所述深度学习模型的训练；利用该信道矩阵，产生测试集，用于对时不变信道下所述深度学习模型性能的测试；
步骤3)：在所述信道矩阵基础上，加上一随机信道矩阵增量，产生训练集与测试集；
步骤4)：与其他深度学习模型和传统多输入输出检测算法在误码率方面进行比较；
步骤5)：与其他深度学习模型和与传统多输入输出检测算法在复杂度方面进行比较。
本申请提供的另一种实施方式为：所述步骤1)中深度学习模型为机器学习网络MLNet，该模型受到ML算法启发，故此得名。
本申请提供的另一种实施方式为：所述步骤1)包括：1a)输入为接收信号y，输出为发射信号估计
Figure BDA0002671126180000031
1b)输入先经过一全连接层，该全连接层用于描述样本空间划分曲线，为一2Nr×h1Size矩阵，其中，Nr为接收天线数目，h1Size为预设值；
1c)将全连接层的输出经过tanh函数，使其输出在[-1,1]区间；
1d)tanh层输出经过一全连接层，该全连接层用于提取tanh层输出的信息，为一h1Size×2Nt矩阵，其中，Nt为发射天线数目，h1Size为预设值；
1e)神经网络MLNet输出即为第二个全连接层的输出。
本申请提供的另一种实施方式为：所述步骤2)包括：2a)随机产生一2×2复高斯矩阵
Figure BDA0002671126180000032
Figure BDA0002671126180000033
满足均值为0，方差为1的复高斯分布；
2b)随机生成发射信号
Figure BDA0002671126180000034
为一2×104复数矩阵，利用公式
Figure BDA0002671126180000035
得到接收信号
Figure BDA0002671126180000036
也为一2×104复数矩阵。信噪比为8dB～16dB，每个信噪比均生成发射信号
Figure BDA0002671126180000037
与接收信号
Figure BDA0002671126180000038
利用实值分解推导出该复数模型对应的实数模型y＝Hx+n，其中：
Figure BDA0002671126180000039
y为一4×104复数矩阵。
2c)在每一信噪比下，从接收信号y中每次取出4×batchsize矩阵，输入深度学习模型MLNet。
将深度学习模型MLNet的输出
Figure BDA00026711261800000310
与实际的发射信号x相减，平方，得到代价函数
Figure BDA00026711261800000311
利用反向传播算法，调整MLNet网络的变量。
2d)进行20个epoch的训练，每个epoch遍历整个接收信号y，利用反向传播算法，调整MLNet网络的变量。
2e)利用该信道矩阵，使用训练集同样的方式，产生测试集，用于对时不变信道下MLNet性能的测试；
本申请提供的另一种实施方式为：所述步骤3)中所述训练集用于对MLNet训练，所述测试集用于测试MLNet在时变信道下的性能。
本申请提供的另一种实施方式为：所述步骤3)包括：
3a)随机产生一2×2复高斯矩阵
Figure BDA00026711261800000312
Figure BDA00026711261800000313
满足均值为0，方差为1的复高斯分布；
3b)随机产生一2×2复高斯矩阵
Figure BDA00026711261800000314
Figure BDA00026711261800000315
满足均值为0，方差为1的复高斯分布；产生50个时刻的信道矩阵，其中，有
Figure BDA0002671126180000041
3c)随机生成发射信号
Figure BDA0002671126180000042
为一2×5e4复数矩阵，利用公式
Figure BDA0002671126180000043
得到接收信号
Figure BDA0002671126180000044
也为一2×5e4复数矩阵。信噪比为8dB～16dB，每个信道矩阵每个信噪比均生成发射信号
Figure BDA0002671126180000045
与接收信号
Figure BDA0002671126180000046
3d)训练集用于训练网络参数，测试集前2×1e3个数据用于训练，后2×4.9e4个数据用于测试。
本申请提供的另一种实施方式为：所述步骤4)中所述传统多输入输出检测算法包括机器学习算法、MMSE算法以及目前提出的深度学习检测算法中的DetNet、MMNet。
本申请提供的另一种实施方式为：所述步骤4)包括：
4a)在windows系统pycharm平台利用python语言分别仿真实现ML算法、MMSE算法、DetNet、MMNet、MLNet；
4b)生成同样的训练集与测试集，训练集用于调整网络参数，测试集用于测试上述算法信噪比，信噪比为8dB～16dB。
本申请提供的另一种实施方式为：所述步骤5)包括：
5a)在windows系统pycharm平台利用python语言分别仿真实现ML算法、MMSE算法、DetNet、MMNet、MLNet；
5b)生成同样的训练集与测试集，测试集用于测试上述算法执行时间。
本申请提供的另一种实施方式为：所述参数包括学习率、网络层数和网络节点数。
3.有益效果
与现有技术相比，本申请提供的一种深度学习多输入多输出检测方法的有益效果在于：
本申请提供的一种深度学习多输入多输出检测方法，为一种面向中低成本通信设备的深度学习MIMO检测算法。
本申请提供的一种深度学习多输入多输出检测方法，该方法能够对MIMO中的接收信号进行检测。
本申请提供的一种深度学习多输入多输出检测方法，该检测算法复杂度低，且误码率也低，适合应用在中低成本通信设备上。
本申请提供的一种深度学习多输入多输出检测方法，基于MLNet实现接收信号的检测，具体的，将接收信号输入MLNet，然后得到输出，为发射信号的估计，从而实现对接收信号的检测，操作简单，方便，经仿真实验。
本申请提供的一种深度学习多输入多输出检测方法，比传统MIMO检测算法与主流MIMO检测深度学习网络模型，在误码率与执行时间方面都占优。
附图说明
图1是本申请的ML网络模型示意图；
图2是本申请的ML网络模型节点示意图；
图3是本申请的各种仿真算法在2×2MIMO，QPSK调制方式下时不变信道的误码率示意图；
图4是本申请的各种仿真算法在2×2MIMO，QPSK调制方式下时变信道的误码率示意图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
MIMO(Multiple-Input Multiple-Output)技术指在发射端和接收端分别使用多个发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接收，从而改善通信质量。它能充分利用空间资源，通过多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量。大规模MIMO(Multiple-Input Multiple-Output，多输入多输出)技术被视作5G(5th-Generation，第五代移动通信技术)物理层中最有前景的技术。
参考图1，本申请提供一种深度学习多输入多输出检测方法，所述方法包括如下步骤：
步骤1)：对于低阶多输入多输出，设计一种复杂度低、误码率低的深度学习模型；
步骤2)：随机生成一信道矩阵，利用该信道矩阵，产生训练集，用于对所述深度学习模型的训练；利用该信道矩阵，产生测试集，用于对时不变信道下所述深度学习模型性能的测试；
步骤3)：在所述信道矩阵基础上，加上一随机信道矩阵增量，产生训练集与测试集；
步骤4)：与其他深度学习模型和与传统多输入输出检测算法在误码率方面进行比较；
步骤5)：与其他深度学习模型和与传统多输入输出检测算法在复杂度方面进行比较。
进一步地，所述步骤1)中深度学习模型为机器学习网络MLNet。
进一步地，所述步骤1)包括：1a)输入为接收信号y，输出为发射信号估计
Figure BDA0002671126180000051
1b)输入先经过一全连接层，该全连接层用于描述样本空间划分曲线，为一2Nr×h1Size矩阵，其中，Nr为接收天线数目，h1Size为预设值；
1c)将全连接层的输出经过tanh函数，使其输出在[-1,1]区间；
1d)tanh层输出经过一全连接层，该全连接层用于提取tanh层输出的信息，为一h1Size×2Nt矩阵，其中，Nt为发射天线数目，h1Size为预设值；
1e)神经网络MLNet输出即为第二个全连接层的输出。
进一步地，所述步骤2)包括：2a)随机产生一2×2复高斯矩阵
Figure BDA0002671126180000061
其中，
Figure BDA0002671126180000062
服从均值为0，方差为1的复高斯分布；
2b)随机生成发射信号
Figure BDA0002671126180000063
为一2×104复数矩阵，利用公式
Figure BDA0002671126180000064
产生接收信号
Figure BDA0002671126180000065
也为一2×104复数矩阵，生成训练集；信噪比为8dB～16dB，每个信噪比均生成发射信号
Figure BDA0002671126180000066
与接收信号
Figure BDA0002671126180000067
其中，
Figure BDA0002671126180000068
为噪声，服从均值为0，方差为σ2的复高斯分布，利用实值分解推导出复数模型对应的实数模型y＝Hx+n，其中：
Figure BDA0002671126180000069
y为一4×104复数矩阵。
2c)在每一信噪比下，从接收信号y中每次取出4×batchsize矩阵，输入深度学习模型MLNet。
首先，将输入信号与变量矩阵W1相乘，再与偏置b1相加，经过tanh函数，使得值趋近于1或-1，再与变量矩阵W2相乘，得到输出
Figure BDA00026711261800000610
将深度学习模型MLNet的输出
Figure BDA00026711261800000611
与实际的发射信号x相减，平方，得到代价函数
Figure BDA00026711261800000612
利用反向传播算法，利用如下公式：
Figure BDA00026711261800000613
调整MLNet网络的变量。
2d)利用该信道矩阵，使用训练集同样的方式，产生测试集，用于对时不变信道下MLNet性能的测试。
进一步地，所述步骤3)中所述训练集用于对MLNet训练，所述测试集用于测试MLNet在时变信道下的性能。
进一步地，所述步骤3)包括：
3a)随机产生一2×2复高斯矩阵
Figure BDA00026711261800000614
其中，
Figure BDA00026711261800000615
服从均值为0，方差为1的复高斯分布，当前时刻的信道矩阵
Figure BDA00026711261800000616
为
Figure BDA00026711261800000617
(α2+β2＝1)，初始时刻信道矩阵
Figure BDA00026711261800000618
产生50个时刻的信道矩阵，其中，有
Figure BDA0002671126180000071
(α2+β2＝1)；
3b)随机生成t时刻发射信号
Figure BDA0002671126180000072
为一2×5e4复数矩阵，利用公式
Figure BDA0002671126180000073
产生t时刻接收信号
Figure BDA0002671126180000074
也为一2×5e4复数矩阵。信噪比为8dB～16dB，每个信道矩阵每个信噪比均生成发射信号
Figure BDA0002671126180000075
与接收信号
Figure BDA0002671126180000076
利用实值分解，得到发射信号x与接收信号y。生成训练集。其中，
Figure BDA0002671126180000077
为噪声，服从均值为0，方差为σ2的复高斯分布，利用实值分解推导出该复数模型对应的实数模型yt＝Htxt+nt，其中：
Figure BDA0002671126180000078
3c)将实数模型中的yt输入MLNet中，代价函数为
Figure BDA0002671126180000079
利用反向传播算法，更新MLNet参数；
3d)随机生成t时刻发射信号
Figure BDA00026711261800000710
利用公式
Figure BDA00026711261800000711
产生t时刻接收信号
Figure BDA00026711261800000712
生成测试集；其中，
Figure BDA00026711261800000713
为噪声，服从均值为0，方差为σ2的复高斯分布，利用实值分解推导出该复数模型对应的实数模型yt＝Htxt+nt，其中：
Figure BDA00026711261800000714
3e)将实数模型中的yt输入MLNet中，得到输出
Figure BDA00026711261800000715
首先，利用零时刻信道矩阵的发射信号x与接收信号y，采用和步骤2)同样的操作，对MLNet进行训练。
在之后每一时刻的信道矩阵时，前4×1e3个数据用于训练，用于微调神经网络参数，后4×4.9e4个数据用于测试。
进一步地，所述步骤4)中所述传统多输入输出检测算法包括机器学习算法、MMSE算法以及目前提出的深度学习检测算法中的DetNet、MMNet。
在windows系统pycharm平台利用python语言分别仿真实现ML算法、MMSE算法、DetNet、MMNet、MLNet；在信噪比为8dB～16dB时生成同样的训练集与测试集，训练集用于调整网络参数，测试集用于测试上述算法信噪比。
进一步地，所述步骤4)包括：
4a)分别仿真实现传统检测算法中的ML算法、MMSE算法；
4b)分别仿真实现基于深度学习的检测算法DetNet、MMNet，且将其参数调整至最佳；
4c)用同一测试集，对ML算法、MMSE算法、DetNet、MMNet、MLNet在误码率方面进行比较。
进一步地，所述步骤5)包括：
5a)分别仿真实现传统检测算法中的ML算法、MMSE算法；
5b)分别仿真实现基于深度学习的检测算法DetNet、MMNet，且将其参数调整至最佳；
5c)用同一测试集，对ML算法、MMSE算法、DetNet、MMNet、MLNet在执行时间方面进行比较。
在windows系统pycharm平台利用python语言分别仿真实现ML算法、MMSE算法、DetNet、MMNet、MLNet；在信噪比为8dB～16dB时生成同样的训练集与测试集，训练集用于调整网络参数，测试集用于测试上述算法执行时间。表1为各种仿真算法在2×2MIMO，QPSK调制方式下时不变信道的执行时间；表2为各种仿真算法在2×2MIMO，QPSK调制方式下时变信道的执行时间。
进一步地，所述参数包括学习率、网络层数和网络节点数。
表1
检测算法 ML MMSE DetNet MMNet MLNet
执行时间 1.18e-1 1.4e-4 3.57e-3 2.82e-3 4.04e-4
表2
检测算法 ML MMSE DetNet MMNet MLNet
执行时间 1.44e-1 1.12e-4 3.55e-3 3.84e-3 3.89e-4
MLNet网络可用于2×2MIMO、QPSK调制方式，用于MIMO系统的接收信号检测。在实际使用MLNet过程中，事先将MLNEt部署在中低成本通信设备，随后，对其发送训练数据对网络参数进行训练。在初始化MLNet网络参数后，每隔一段时间，给MLNet输入训练数据，对网络参数进行微调，以适应当前信道矩阵。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。

Claims (9)

1.一种深度学习多输入多输出检测方法，其特征在于：所述方法包括如下步骤：
步骤1)：对于低阶多输入多输出，设计一种复杂度低、误码率低的深度学习模型；
步骤2)：随机生成一信道矩阵，利用该信道矩阵，产生训练集，用于对所述深度学习模型的训练；利用该信道矩阵，产生测试集，用于对时不变信道下所述深度学习模型性能的测试；
步骤3)：在所述信道矩阵基础上，加上一随机信道矩阵增量，产生训练集与测试集；
步骤4)：与其他深度学习模型和与传统多输入输出检测算法在误码率方面进行比较；
步骤5)：与其他深度学习模型和与传统多输入输出检测算法在复杂度方面进行比较；
所述步骤2)包括：2a)随机产生一2×2复高斯矩阵
Figure FDA0003160047310000011
其中，
Figure FDA0003160047310000012
服从均值为0，方差为1的复高斯分布；
2b)随机生成发射信号
Figure FDA0003160047310000013
利用公式
Figure FDA0003160047310000014
产生接收信号
Figure FDA0003160047310000015
生成训练集；其中，
Figure FDA0003160047310000016
为噪声，服从均值为0，方差为σ2的复高斯分布，利用实值分解推导出复数模型对应的实数模型y＝Hx+n，其中：
Figure FDA0003160047310000017
2c)将实数模型中的y输入MLNet中，代价函数为
Figure FDA0003160047310000018
利用反向传播算法，更新MLNet参数；
2d)利用所述信道矩阵，使用训练集同样的方式，产生测试集，用于对时不变信道下MLNet性能的测试。
2.如权利要求1所述的一种深度学习多输入多输出检测方法，其特征在于：所述步骤1)中深度学习模型为机器学习网络MLNet。
3.如权利要求2所述的一种深度学习多输入多输出检测方法，其特征在于：所述步骤1)包括：1a)输入为接收信号y，输出为发射信号估计
Figure FDA0003160047310000019
1b)输入先经过一全连接层，该全连接层用于描述样本空间划分曲线，为一2Nr×h1Size矩阵，其中，Nr为接收天线数目，h1Size为预设值；
1c)将全连接层的输出经过tanh函数，使其输出在[-1,1]区间；
1d)tanh层输出经过一全连接层，该全连接层用于提取tanh层输出的信息，为一h1Size×2Nt矩阵，其中，Nt为发射天线数目，h1Size为预设值；
1e)神经网络MLNet输出即为第二个全连接层的输出。
4.如权利要求1所述的一种深度学习多输入多输出检测方法，其特征在于：所述步骤3)中所述训练集用于对MLNet训练，所述测试集用于测试MLNet在时变信道下的性能。
5.如权利要求4所述的一种深度学习多输入多输出检测方法，其特征在于：所述步骤3)包括：
3a)随机产生一2×2复高斯矩阵
Figure FDA0003160047310000021
其中，
Figure FDA0003160047310000022
服从均值为0，方差为1的复高斯分布，当前时刻的信道矩阵
Figure FDA0003160047310000023
为
Figure FDA0003160047310000024
其中α2+β2＝1，初始时刻信道矩阵
Figure FDA0003160047310000025
α为系数，β为系数，使得每一时刻信道矩阵符合相同高斯分布；
3b)随机生成t时刻发射信号
Figure FDA0003160047310000026
利用公式
Figure FDA0003160047310000027
产生t时刻接收信号
Figure FDA0003160047310000028
生成训练集， 其中，
Figure FDA0003160047310000029
为噪声，服从均值为0，方差为σ2的复高斯分布，利用实值分解推导出该复数模型对应的实数模型yt＝Htxt+nt，其中：
Figure FDA00031600473100000210
3c)将实数模型中的yt输入MLNet中，代价函数为
Figure FDA00031600473100000211
利用反向传播算法，更新MLNet参数；
3d)随机生成t时刻发射信号
Figure FDA00031600473100000212
利用公式
Figure FDA00031600473100000213
产生t时刻接收信号
Figure FDA00031600473100000214
生成测试集；其中，
Figure FDA00031600473100000215
为噪声，服从均值为0，方差为σ2的复高斯分布，利用实值分解推导出该复数模型对应的实数模型yt＝Htxt+nt，其中：
Figure FDA00031600473100000216
3e)将实数模型中的yt输入MLNet中，得到输出
Figure FDA00031600473100000217
6.如权利要求1所述的一种深度学习多输入多输出检测方法，其特征在于：所述步骤4)中所述传统多输入输出检测算法包括机器学习算法、MMSE算法以及目前提出的深度学习检测算法中的DetNet、MMNet。
7.如权利要求6所述的一种深度学习多输入多输出检测方法，其特征在于：所述步骤4)包括：
4a)分别仿真实现传统检测算法中的ML算法、MMSE算法；
4b)分别仿真实现基于深度学习的检测算法DetNet、MMNet，且将其参数调整至最佳；
4c)用同一测试集，对ML算法、MMSE算法、DetNet、MMNet、MLNet在误码率方面进行比较。
8.如权利要求6所述的一种深度学习多输入多输出检测方法，其特征在于：所述步骤5)包括：
5a)分别仿真实现传统检测算法中的ML算法、MMSE算法；
5b)分别仿真实现基于深度学习的检测算法DetNet、MMNet，且将其参数调整至最佳；
5c)用同一测试集，对ML算法、MMSE算法、DetNet、MMNet、MLNet在执行时间方面进行比较。
9.如权利要求7或者8所述的一种深度学习多输入多输出检测方法，其特征在于：所述参数包括学习率、网络层数和网络节点数。
CN202010933555.7A 2020-09-08 2020-09-08 一种深度学习多输入多输出检测方法 Active CN112054832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010933555.7A CN112054832B (zh) 2020-09-08 2020-09-08 一种深度学习多输入多输出检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010933555.7A CN112054832B (zh) 2020-09-08 2020-09-08 一种深度学习多输入多输出检测方法

Publications (2)

Publication Number Publication Date
CN112054832A CN112054832A (zh) 2020-12-08
CN112054832B true CN112054832B (zh) 2021-10-15

Family

ID=73611329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010933555.7A Active CN112054832B (zh) 2020-09-08 2020-09-08 一种深度学习多输入多输出检测方法

Country Status (1)

Country Link
CN (1) CN112054832B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114337746A (zh) * 2022-01-07 2022-04-12 重庆邮电大学 一种基于深度学习的大规模mimo信号检测方法
CN114553273B (zh) * 2022-02-25 2023-05-23 广州大学 一种面向大规模mimo最优信号检测的有效搜索方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106059972A (zh) * 2016-05-25 2016-10-26 北京邮电大学 一种基于机器学习算法的mimo相关信道下的调制识别方法
CN108390706A (zh) * 2018-01-30 2018-08-10 东南大学 一种基于深度学习的大规模mimo信道状态信息反馈方法
CN108540419A (zh) * 2018-03-21 2018-09-14 东南大学 一种基于深度学习的抗子载波间干扰的ofdm检测方法
CN110518945A (zh) * 2019-08-20 2019-11-29 东南大学 一种基于深度学习与sdr算法的mimo检测方法及装置
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
CN111630787A (zh) * 2020-04-07 2020-09-04 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100442062C (zh) * 2006-04-18 2008-12-10 大唐移动通信设备有限公司 多输入多输出系统中实现迭代检测的方法及多天线检测器
CN111342867A (zh) * 2020-02-28 2020-06-26 西安交通大学 一种基于深度神经网络的mimo迭代检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106059972A (zh) * 2016-05-25 2016-10-26 北京邮电大学 一种基于机器学习算法的mimo相关信道下的调制识别方法
CN108390706A (zh) * 2018-01-30 2018-08-10 东南大学 一种基于深度学习的大规模mimo信道状态信息反馈方法
CN108540419A (zh) * 2018-03-21 2018-09-14 东南大学 一种基于深度学习的抗子载波间干扰的ofdm检测方法
CN110518945A (zh) * 2019-08-20 2019-11-29 东南大学 一种基于深度学习与sdr算法的mimo检测方法及装置
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
CN111630787A (zh) * 2020-04-07 2020-09-04 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A hybrid channel estimation strategy against pilot spoofing attack in MISO system;Fengyi Bai,Pinyi Ren,Qinghe Du,Li Sun;《2016 IEEE 27th Annual International Symposium on Personal, Indoor, and Mobile Radio Communications (PIMRC)》;20161222;第1-6页 *
分层异构无线网络中基于预编码的干扰抑制技术;任品毅,杜清河,孙黎,徐大同;《北大核心》;20130602;第39-45页 *
基于工程视角的矩阵分析课程建设;孙黎，杜清河;《电气电子教学学报》;20191015;第41卷(第5期);第36-41页 *

Also Published As

Publication number Publication date
CN112054832A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN111464465B (zh) 一种基于集成神经网络模型的信道估计方法
CN112054832B (zh) 一种深度学习多输入多输出检测方法
CN109194378B (zh) 基于线性神经网络的物理层安全波束赋形方法
Liu et al. Channel estimation performance analysis of massive MIMO IoT systems with Ricean fading
Aref et al. Deep learning-aided successive interference cancellation for MIMO-NOMA
CN113114313A (zh) 一种mimo-noma系统导频辅助信号检测方法、系统及存储介质
CN108833060A (zh) 一种基于ep-nsa算法的大规模mimo系统检测方法
CN114499601B (zh) 一种基于深度学习的大规模mimo信号检测方法
Hua et al. Signal detection in uplink pilot-assisted multi-user MIMO systems with deep learning
Zhang et al. A deep learning-based framework for low complexity multiuser MIMO precoding design
de Souza et al. Deep learning-based activity detection for grant-free random access
Nerini et al. Machine learning-based CSI feedback with variable length in FDD massive MIMO
TWI741619B (zh) 多輸入輸出系統之參數估測方法
Rajapaksha et al. Unsupervised learning-based joint power control and fronthaul capacity allocation in cell-free massive MIMO with hardware impairments
CN105897316B (zh) 一种基于统计特性的多天线能效优化方法
Seyman Symbol Detection Based on Back Tracking Search Algorithm in MIMO-NOMA Systems.
KR102355383B1 (ko) Massive MIMO 시스템에서 고 신뢰도를 위한 딥러닝 기반 신호 검출 기법
Li et al. A multistage linear receiver approach for MMSE detection in massive MIMO
CN111314250B (zh) 大规模多输入多输出系统的量化设计与信道估计方法
Mohammad et al. Learning-based symbol level precoding: a memory-efficient unsupervised learning approach
Bobrov et al. Machine learning methods for spectral efficiency prediction in massive mimo systems
Dan et al. A low-complexity hybrid iterative signal detection algorithm for massive MIMO
CN114978254B (zh) 基于ofdm系统的机器学习辅助低复杂度鲁棒预编码算法
Alsabbagh et al. Performance Analysis for Massive MIMO Systems Based on Quadriga Channel Model
Aboutaleb et al. Symbol detection and channel estimation using neural networks in optical communication systems

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