CN112217545B - 一种大规模mimo系统检测模型构建方法 - Google Patents

Abstract

本发明公开了一种大规模MIMO系统检测模型的构建方法，模型由K层相同的网络迭代而成，每层网络分线性和非线性两个模块，线性模块结合已知信息的线性组合，并加入训练参数，对发送信号x进行线性估计。非线性模块对线性估计值进行多段映射，得到非线性估计值

此外，每层网络中加入残差系数可变的残差结构。构建的检测模型网络结构简单，且具有网络自适应能力强，收敛速度快，复杂度低的特点。

Description

一种大规模MIMO系统检测模型构建方法

技术领域

本发明涉及一种大规模MIMO系统检测模型构建方法，特别是一种基于深度学习大规模MIMO系统检测模型构建方法，属于无线通信技术领域。

背景技术

近几年来，随着智能手机等移动终端的数量呈爆发式增长，终端应用和移动业务日益多样化,传统小规模MIMO系统已经无法满足各种移动业务对通信速率和信道容量的要求，因此MIMO技术也逐步朝着大规模化方向发展。与传统的MIMO系统相比，大规模MIMO系统将设备天线数从原本最多八根，扩展到数十根甚至百根，进一步提升通信系统性能。

深度学习因其具有解决复杂任务的强大能力而受到全世界的关注。特别是随着大数据、硬件计算能力的提升和优化算法的提出，深度学习被应用各种行业。最近，深度学习中的某些方法也被引入到通信领域，利用深度学习来解决无线通信领域的问题，如DetNet网络以及基于此网络改进的ScNet网络，相比于传统的检测方法如ZF(迫零)、MMSE(最小均方误差)以及OAMP(正交近似消息传递)算法等，具有算法通用性强、支持并行处理等优势。但DetNet及ScNet网络的设计只针对BPSK调制的场景，并不适用于高阶调制的通信场景，使得采用深度学习进行高阶调制的大规模MIMO检测变得困难。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种适用于高阶调制的通信场景的大规模MIMO系统检测模型构建方法。

为解决上述技术问题，本发明的一种大规模MIMO系统检测模型的构建方法，MIMO系统包括M根发射天线和N根接收天线，系统模型满足：

y＝Hx+n

其中，y为N×1维接收信号向量，x为M×1维的发送信号向量，n为N×1维的加性高斯白噪声，H是矩阵维度为N×M的瑞利衰落信道矩阵，且服从N(0,1/2N)的独立同分布，包括以下步骤：

步骤一：采用迭代法结合深度学习近似目标信号，得到由K层相同的网络迭代而成的目标信号检测模型，具体为：

其中，sigSum(·)为设计的激活函数，α_k、β_k为可训练变量，w_k为权重矩阵，

表示网络第k层的输出值，k＝1,…,K，

的初始值

设为0，H^T为信道矩阵H的转置矩阵；

步骤二：将目标信号检测模型分为线性模块和非线性模块；

步骤三：线性模块对已知信息进行线性组合，并加入可训练变量β_k、α_k以调节步长，再与权重矩阵w_k相乘构造全连接网络结构，得到网络的线性估计值s_k；

步骤四：非线性模块设计一个阶梯型激活函数，将线性估计值s_k进行多段映射，得到检测模型的输出

其中sigSum(·)为设计的激活函数；

步骤五：在每层网络中加入残差系数可变的残差结构；

步骤六：对构建的目标信号检测模型进行训练，得到训练后的检测模型。

本发明还包括：

1.步骤三中线性估计值s_k具体为：

式中，加入可训练变量β_k、α_k以调节步长，w_k为权重矩阵。

2.步骤四中设计的激活函数sigSum(·)具体为：

B_t＝5+(-1)^t(10t-5)

其中，f为此激活函数的斜率，L为不同调制方式中IQ分量集合的最小值，E为相邻星座点间的符号间隔，IQ分量集合总数为2l，

为一组可训练变量，g_t、h_t初始值为1，以保证不改变激活函数的初始结构，可训练变量g_t使函数映射曲线对应的每个阶梯块可以上下调节，h_t使函数映射曲线对应的每个阶梯块能够水平调节，sigmoid(·)满足：

3.步骤五中残差结构具体为：

其中，γ_k是第k层网络的残差系数，且为可训练变量，其初始值为1。

4.步骤六中对构建的目标信号检测模型进行训练具体为：

训练参数包括

k为网络层数，且k＝1,…,K，其中w_k为权重矩阵，其他为可训练变量，训练过程中的输入信息为接收信号y及信道矩阵H，发送信号x作为网络的真实标签值，采用梯度下降法优化网络，损失函数为：

其中，k为网络层数，

为第k层网络输出的估计值，k＝1,…,K，优化器采用随机梯度优化器，给定学习率初始值，采用指数衰减的自动调节学习率方式。

本发明的有益效果：本发明提供了一种大规模MIMO系统检测模型构建方法，此模型是用于大规模MIMO检测问题所设计的网络结构，将其命名为ImNet(Iterative mappingnetwork)，该网络专门针对高阶调制的通信场景，并且具有结构简单复杂度低且检测性能高的优势。

1.本发明专门针对大规模MIMO系统下的高阶调制场景，与主要用于解决二分类问题的DetNet网络相比，应用场景更加广泛。

2.本发明的网络结构简单，由于不存在矩阵求逆及级联操作，因此相比于OAMP、DetNet及ScNet网络，网络的复杂度更低。

3.本发明设计的ImNet网络采用全连接网络及可训练变量作为网络的可训练参数，相比于存在级联操作的DetNet及ScNet网络，训练参数更少，使得网络的训练时间减少。

4.由图3可得出，本发明设计的ImNet网络相比于ZF、MMSE、OAMP、DetNet及ScNet网络，在高阶调制场景中有更好的检测性能。

附图说明

图1为本发明ImNet网络结构图。

图2为sigSum激活函数在不同调制方式下的输出函数映射曲线。

图3为16QAM调制场景下不同检测方式的误码率曲线。

具体实施方式

下面结合附图对本发明具体实施方式做进一步说明。

本发明针对高阶调制场景的大规模MIMO系统，设计了一种基于深度学习的ImNet网络，该网络将迭代法与深度学习相结合，构造一个全连接网络结构，并设计了sigSum激活函数，以适用于高阶调制的通信场景。

本发明技术方案具体为：

步骤一：采用迭代法结合深度学习来近似目标信号，将检测模型分为线性及非线性两个模块，构造一个层层迭代的网络结构；

步骤二：线性模块结合已知信息的线性组合，对发送信号x进行线性估计，并在线性部分引入可训练变量及权重矩阵，构造一个全连接网络；

步骤三：非线性模块设计一个阶梯型激活函数，将线性估计值进行多段映射，得到网络的输出；

步骤四：在每层网络中加入残差系数可变的残差结构，加速网络收敛速度；

步骤五：将构建好的神经网络进行训练，生成网络模型，再将训练模型进行测试。

结合图1，本发明具体包括以下步骤：

步骤一：对于M根发射天线，N根接收天线的大规模MIMO系统，其模型可简写为：

y＝Hx+n (1)

式(1)中的y为N×1维接收信号向量，x为M×1维的发送信号向量，n为N×1维的加性高斯白噪声。H是矩阵维度为N×M的瑞利衰落信道矩阵，且服从N(0,1/2N)的独立同分布。可以将(1)中的实数域模型用复数域形式等效表示为：

其中Re(·)和Im(·)分别表示取实部和虚部操作。

本发明设计的检测模型的目的是在已知接收信号向量y及信道矩阵H的条件下，将迭代法与深度学习相结合恢复出原始信号x。该模型由K层相同的网络迭代而成，其迭代公式如下：

中sigSum(·)为本发明设计的激活函数，α_k、β_k为可训练变量，w_k为权重矩阵，

表示网络第k层的输出值，k＝1,…,K，此外

的初始值

设为0。H^T为信道矩阵H的转置矩阵，可以将公式(3)拆分为两大部分，分别为线性及非线性模块。

步骤二：线性模块公式如下：

在公式(4)中，线性模块对已知信息进行线性组合，并加入训练参数。具体来说，式(4)中加入可训练变量β_k、α_k以调节步长，α_k、β_k的初始值都为1。再与权重矩阵w_k相乘构造全连接网络结构，得到网络的线性估计值s_k。

步骤三：ImNet网络的非线性模块公式为：

本发明的非线性模块针对高阶调制的检测问题设计了一个激活函数，公式(5)中的sigSum(·)为本发明设计的激活函数，其设计思想是采用多个sigmoid函数求和的形式来构造一个阶梯函数，此阶梯函数会针对不同调制方式的星座点集合进行多段映射，已解决高阶调制信号检测困难的问题。本发明将其命名为sigSum函数，其具体公式如下：

B_t＝5+(-1)^t(10t-5) (7)

公式(6)中的f为此激活函数的斜率，L为不同调制方式中IQ分量集合的最小值，E为相邻星座点间的符号间隔，IQ分量集合总数为2l。

为一组可训练变量，g_t、h_t初始值为1，以保证不改变激活函数的初始结构。可训练变量g_t使函数映射曲线对应的每个阶梯块可以上下调节，h_t使函数映射曲线对应的每个阶梯块能够水平调节。(6)中sigmoid(·)为深度学习中的常用激活函数，函数公式如下：

步骤四：在每层网络中引入残差系数可变的残差结构，其公式如下：

由公式(9)可以看出，残差结构采用前一层网络的输入与前一层网络的输出进行线性加权的方法，来作为下一层网络的输入值。(9)中的γ_k是第k层网络的残差系数，且为可训练变量，其初始值为1。残差系数太大会导致收敛速度变慢，太小将无法发挥残差结构的作用。采用固定值的残差系数往往是通过经验调节，为了加快网络的收敛速度，本发明在加入残差结构的基础上将残差系数设为可训练变量，使网络能自适应达到最优值。

步骤五：对上述ImNet网络模型进行迭代训练，总的训练参数有

k为网络层数，且k＝1,…,K，其中w_k为权重矩阵，其他为可训练变量。训练过程中的输入信息为接收信号y及信道矩阵H，发送信号x作为网络的真实标签值。采用梯度下降法优化网络，损失函数采用以下公式：

(10)中的k为网络层数，

为第k层网络输出的估计值，k＝1,…,K，优化器采用随机梯度优化器(Adam)，学习率初始值为0.001，采用指数衰减的自动调节学习率方式。网络训练完成后，得到ImNet网络训练模型，再对生成模型进行测试。

结合图1对网络的性能进行进一步的仿真验证：

1.实验场景：本实验采用python语言搭建网络，基于tensorflow对模型进行训练。仿真平台使用pycharm软件进行性能验证。实验环境为16QAM调制场景下，在复数域调制场景中，16QAM调制中星座点的IQ分量集合为：{3，1，-1，-3}，IQ两路信号中任意两个实数组合就可以表示一个高阶调制的星座点符号，此集合的最小值L＝-3，相邻星座点的符号间隔E＝2，sigSum激活函数的斜率f设为20，信道矩阵H为时变的瑞利衰落信道，n为加性高斯白噪声，发射天线M为32，接收天线N为64，网络的层数K都为10。此外，数据集考虑了从0dB-12dB的信噪比。网络的批次大小为500，训练过程的迭代次数为40000，测试时的迭代次数为2000。

2.实验内容分析：

图3为DetNet、ScNet、OAMP、ZF、MMSE及本发明设计的ImNet网络在上述场景下的误码率曲线，从图中可以看出，DetNet及ScNet网络在16QAM调制下的的检测性能极差，而OAMP检测算法复杂度很高，且在天线数目为32×64的场景下，检测性能不佳，相比之下，在误码率为5×10^-3左右，ImNet网络相比于MMSE有3dB的增益，而与其他检测方式相比性能增益更加明显。由此得出，本发明设计的网络模型在高阶调制的大规模MIMO场景下，本发明设计的网络模型具有更好的误码率性能。

本发明具体实施方式还包括：

本发明公开了一种基于深度学习的大规模MIMO检测模型，本发明将其命名为ImNet网络。ImNet是专门针对高阶调制场景下的大规模MIMO检测问题所设计的网络模型，此模型由K层相同的网络迭代而成，每层网络分线性和非线性两个模块。线性模块结合已知信息的线性组合，并加入训练参数，对发送信号x进行线性估计。非线性模块对线性估计值进行多段映射，得到非线性估计值

此外，每层网络中加入残差系数可变的残差结构。ImNet网络结构简单，且具有网络自适应能力强，收敛速度快，复杂度低的特点。

一种基于深度学习的大规模MIMO检测模型，包括以下步骤：

步骤一：采用迭代法结合深度学习来近似目标信号，其迭代公式为：

(11)中sigSum(·)为本发明设计的激活函数，α_k、β_k为可训练变量，w_k为权重矩阵，

表示第k层网络的输出值，k＝1,…,K，此外

的初始值

设为0。H^T为信道矩阵H的转置矩阵，可以将公式(1)拆分为两大部分，分别为线性及非线性模块。

步骤二：线性模块公式为：

在公式(12)中，线性模块对已知信息进行线性组合，并加入可训练变量β_k、α_k以调节步长，再与权重矩阵w_k相乘构造全连接网络结构，得到网络的线性估计值s_k。

步骤三：ImNet网络的非线性模块对线性估计值s_k进行多段映射，其公式如下：

公式(13)中的sigSum(·)为本发明设计的激活函数，并将其命名为sigSum函数，其具体公式如下：

B_t＝5+(-1)^t(10t-5) (15)

式(14)中的sigmoid(·)为深度学习中的常用激活函数，f为此激活函数的斜率，L为不同调制方式中IQ分量集合中的最小值，E为相邻星座点的符号间隔，IQ分量集合总数为2l，

为一组可训练变量。

步骤四：在每层网络中加入残差系数可变的残差结构，其公式如下：

(16)中的γ_k是第k层网络的残差系数，且为可训练变量。

步骤五：对上述网络模型进行迭代训练，训练过程中的输入信息为接收信号y及信道矩阵H，发送信号x作为网络的真实标签值。采用梯度下降法优化网络，损失函数采用以下公式：

(17)中的k为网络层数，

为第k层网络输出的估计值，k＝1,…,K。优化器采用随机梯度优化器(Adam)，学习率初始值为0.001，采用自动调节学习率方式。网络训练完成后，得到ImNet网络训练模型，再对生成模型进行测试。

Claims (3)

1.一种大规模MIMO系统检测模型构建方法，MIMO系统包括M根发射天线和N根接收天线，系统模型满足：

y＝Hx+n

其中，y为N×1维接收信号向量，x为M×1维的发送信号向量，n为N×1维的加性高斯白噪声，H是矩阵维度为N×M的瑞利衰落信道矩阵，且服从N(0,1/2N)的独立同分布，其特征在于，包括以下步骤：

步骤一：采用迭代法结合深度学习近似目标信号，得到由K层相同的网络迭代而成的目标信号检测模型，具体为：

其中，sigSum(·)为设计的激活函数，α_k、β_k为可训练变量，w_k为权重矩阵，

表示网络第k层的输出值，

的初始值

设为0，H^T为信道矩阵H的转置矩阵；

步骤二：将目标信号检测模型分为线性模块和非线性模块；

步骤三：线性模块对已知信息进行线性组合，并加入可训练变量β_k、α_k以调节步长，再与权重矩阵w_k相乘构造全连接网络结构，得到网络的线性估计值s_k；

步骤四：非线性模块设计一个阶梯型激活函数，将线性估计值s_k进行多段映射，得到检测模型的输出

其中sigSum(·)为设计的激活函数；

步骤四所述设计的激活函数sigSum(·)具体为：

B_t＝5+(-1)^t(10t-5)

其中，f为此激活函数的斜率，L为不同调制方式中IQ分量集合的最小值，E为相邻星座点间的符号间隔，IQ分量集合总数为2l，

为一组可训练变量，g_t、h_t初始值为1，以保证不改变激活函数的初始结构，可训练变量g_t使函数映射曲线对应的每个阶梯块可以上下调节，h_t使函数映射曲线对应的每个阶梯块能够水平调节，sigmoid(·)满足：

步骤五：在每层网络中加入残差系数可变的残差结构；

所述残差结构具体为：

其中，γ_k是第k层网络的残差系数，且为可训练变量，其初始值为1；

步骤六：对构建的目标信号检测模型进行训练，得到训练后的检测模型。

2.根据权利要求1所述的一种大规模MIMO系统检测模型构建方法，其特征在于：步骤三所述线性估计值s_k具体为：

式中，加入可训练变量β_k、α_k以调节步长，w_k为权重矩阵。

3.根据权利要求1或2所述的一种大规模MIMO系统检测模型构建方法，其特征在于：步骤六所述对构建的目标信号检测模型进行训练具体为：

训练参数包括

k为网络层数，且k＝1,…,K，其中w_k为权重矩阵，其他为可训练变量，训练过程中的输入信息为接收信号y及信道矩阵H，发送信号x作为网络的真实标签值，采用梯度下降法优化网络，损失函数为：

其中，k为网络层数，

为第k层网络输出的估计值，k＝1,…,K，优化器采用随机梯度优化器，给定学习率初始值，采用指数衰减的自动调节学习率方式。

Images