CN112261685A - 一种基于卷积神经网络的mimo信号检测方法 - Google Patents

一种基于卷积神经网络的mimo信号检测方法 Download PDF

Info

Publication number
CN112261685A
CN112261685A CN202011106324.5A CN202011106324A CN112261685A CN 112261685 A CN112261685 A CN 112261685A CN 202011106324 A CN202011106324 A CN 202011106324A CN 112261685 A CN112261685 A CN 112261685A
Authority
CN
China
Prior art keywords
network
layer
model
training
convolution
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
CN202011106324.5A
Other languages
English (en)
Other versions
CN112261685B (zh
Inventor
张华�
王萍超
王俊波
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 CN202011106324.5A priority Critical patent/CN112261685B/zh
Publication of CN112261685A publication Critical patent/CN112261685A/zh
Application granted granted Critical
Publication of CN112261685B publication Critical patent/CN112261685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种基于卷积神经网络的MIMO信号检测方法，包括以下步骤：基于多用户MIMO上行单基站模型构成信道矩阵，基站接收用户端发出的信号并使用ZF检测得到初始输入信号，构建卷积网络模型，设置卷积网络训练参数，使用贪心预训练算法逐次训练卷积网络模型，得到最终模型并进行信号检测，得到最终检测信号。通过本发明的方法可以有效提高了卷积网络模型的泛化能力，降低了网络的训练难度，同时提高了卷积网络的检测性能。

Description

一种基于卷积神经网络的MIMO信号检测方法
技术领域
本发明涉及无线通信的技术领域，尤其涉及一种基于卷积神经网络的MIMO信号检测方法。
背景技术
MIMO系统是现代移动通信系统核心技术之一，使用MIMO技术能够明显地提高无线通信系统的容量和传输的可靠性。通信系统的本质是能够将信息从发送端传送到接收端，并在接收端可靠的解调出发送信号，因此，MIMO系统的信号检测技术是MIMO系统的关键技术之一。其中，最大似然(Maximum Likelihood，ML)检测器是理论上的最优检测器，但是最大似然检测器的复杂度会随着调制阶数和发射天线的数量的增加而指数级上升，因此在实际系统的应用中，尤其是低时延系统中是不实用的。
随着深度学习技术的发展，机器学习和深度学习已经被越来越广泛的应用在无线通信领域。因此，本发明设计了一种新型卷积网络结构，将卷积运算引入ML检测技术，从而提高了MIMO检测的性能。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于卷积神经网络的MIMO信号检测方法，该发明通过基于ML迭代的单层卷积神经网络结构，从而提高了卷积网络模型的泛化能力和检测性能。
技术方案：为了实现上述发明目的，本发明提供了一种基于卷积神经网络的MIMO信号检测方法，包括以下步骤，
步骤1：基于多用户MIMO上行单基站模型，包括天线数N和用户数M，根据天线和用户之间的信道系数构成信道矩阵，不同的信道模型得到不同的信道矩阵；
步骤2：MIMO信号检测的通用模型为，
y＝Hx+n
其中，y＝[y1，y2，...，yN]T代表基站接收信号，x＝[x1，x2，...，xM]T代表用户向基站发送的信号，H∈CN×M代表信道矩阵，n∈CN代表独立同分布的零均值加性高斯白噪声，且噪声功率为
Figure BDA0002725341230000011
步骤3：用户发送的信号通过信道传输至基站，基站接收端使用ZF检测得到信号xZF并将其作为卷积网络的初始输入信号，即
Figure BDA0002725341230000021
步骤4：构建卷积网络模型，基于ML检测的迭代展开式，构建单层卷积网络，所述卷积网络模型每隔s层使用一次残差网络结构，从第k层网络开始按照顺序前后连接s层，第k+1层到第k+s层构成映射函数F(·)，第k层的输出结果为
Figure BDA0002725341230000022
所述残差网络的最终输出为，
Figure BDA0002725341230000023
其中，WA和WB分别代表残差结构中的权重矩阵。
步骤5：设置卷积网络训练参数；
步骤6：使用贪心预训练算法逐次训练卷积网络模型，得到最终模型并保存，最终模型根据输入的所述初始输入信号，得到最终检测信号。
进一步的，在本发明中：步骤4的构建卷积网络模型还包括以下步骤，
步骤41：输入数据：由
Figure BDA0002725341230000024
HHy，
Figure BDA0002725341230000025
构成的二维复数矩阵作为每一层的输入，且
Figure BDA0002725341230000026
表示第k层网络的输出结果，HH表示信道矩阵的共轭转置，Qk的实数形式
Figure BDA0002725341230000027
是对每一个列向量进行转化，且，
Figure BDA0002725341230000028
其中，Re(·)表示取实部，表示取虚部Im(·)；
步骤42：每一层卷积网络中包括P个卷积核，构成核张量Kk，且Kk＝[[wk1]，[wk2]，...，[wkP]]，wki(1≤i≤P)为一个1×3的行向量，代表一个卷积核；
步骤43：二维复数矩阵Qk和核张量Kk卷积后经过激活函数ρ(·)，得到Φk，即Φk＝ρ(Qk*Kk)＝ρ([[Qk*wk1]，[Qk*wk2]，...，[Qk*wkP]])，Φk∈CP×M×1；
步骤44：将Φk展开得到一维向量zk，zk∈CPM，再将zk通过一个全连接层后，经过ψtk(·)映射为
Figure BDA0002725341230000029
其中
Figure BDA00027253412300000210
进一步的，在本发明中：步骤5中卷积网络训练参数的设置采用基于mini-batch的随机梯度下降法，学习率参数优化方法设为Adam算法，损失函数设为L2范数损失函数。
进一步的，在本发明中：步骤6中训练卷积网络模型还包括以下步骤，
步骤61：所述卷积网络模型共有m层，每次预训练模型增加的层数为n，且满足m为n的整数倍，初始学习率设为∈；
步骤62：设当前网络层数k＝n，训练并保存的权重Gk，Gk代表k层卷积网络模型；
步骤63：增加n层网络，当前网络层数k＞n，使用Gk-n初始化前k-n层，Gk的前k-n层学习率设为
Figure BDA0002725341230000031
训练Gk并保存Gk的权重；
步骤64：若k＜m，则重复执行步骤63，否则输出最终网络模型。
有益效果：本发明与现有技术相比，其有益效果是：本发明提出的基于卷积神经网络的MIMO信号检测方法，通过将卷积运算引入到最大似然检测中，设计了一种基于最大似然迭代的单层卷积神经网络结构，并针对网络层数加深时出现的性能饱和、难以训练的问题，通过引入残差结构和在卷积网络的训练过程中使用贪心预训练算法进行改进，从而有效提高了卷积网络模型的泛化能力，降低了网络的训练难度，同时提高了卷积网络的检测性能。
附图说明
图1为本发明的实施方法流程示意图；
图2为本发明实施方式系统框图；
图3为本发明构建的单层卷积网络示意图
图4为本发明构建的残差网络结构示意图；
图5为本发明的卷积网络结构示意图；
图6为分别采用本发明检测方法与传统方法得到的对比结果示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明可以用许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。
如图1所示，为本发明提出的一种基于卷积神经网络的MIMO信号检测方法的流程示意图，该方法包括以下步骤，
步骤1：基于多用户MIMO上行单基站模型，包括天线数N和用户数M，根据天线和用户之间的信道系数构成信道矩阵，不同的信道模型得到不同的信道矩阵；具体的，在多用户MIMO上行单基站模型中，具有N＝30根天线和M＝25个用户，天线和用户之间的信道环境为信道数为18的固定信道。
步骤2：MIMO信号检测的通用模型为，
y＝Hx+n
其中，y＝[y1，y2，...，yN]T代表基站接收信号，x＝[x1，x2，...，xM]T代表用户向基站发送的信号，H∈CN×M代表信道矩阵，n∈CN代表独立同分布的零均值加性高斯白噪声，且噪声功率为
Figure BDA0002725341230000041
步骤3：用户发送的信号通过信道传输至基站，基站作为接收端使用ZF检测得到信号xZF并将其作为卷积网络的初始输入信号，即
Figure BDA0002725341230000042
具体的，可以利用Matlab软件建模在用户的发送端生成QPSK调制信号，经过固定信道并到达基站，在基站端获得接收信号，基站在收到接收信号后按照步骤2提出的信号检测通用模型对接收信号进行检测，将接收端的ZF检测值作为卷积网络的初始化值。
步骤4：构建卷积网络模型，卷积网络模型的结构可以参照图5的示意，基于ML检测的迭代展开式，构建单层卷积网络，所述卷积网络模型每隔s层使用一次残差网络结构，从第k层网络开始按照顺序前后连接s层，第k+1层到第k+s层构成映射函数F(·)，第k层的输出结果为
Figure BDA0002725341230000043
所述残差网络的最终输出为，
Figure BDA0002725341230000044
其中，WA和WB分别代表残差结构中的权重矩阵。
进一步的，本实施例中每隔4层使用一次残差结构，即s＝4，分别构造总层数m＝8和m＝12的卷积网络结构，参照图4的示意，为本实施例构建的残差网络结构示意图；
参照图3的示意，为本实施例中所构建的单层卷积网络示意图，进一步的，步骤4的构建卷积网络模型还包括以下步骤，
步骤41：输入数据：由
Figure BDA0002725341230000045
HHy，
Figure BDA0002725341230000046
构成的二维复数矩阵作为每一层的输入，且
Figure BDA0002725341230000047
表示第k层网络的输出结果，HH表示信道矩阵的共轭转置，Qk的实数形式
Figure BDA0002725341230000048
是对每一个列向量进行转化，且，
Figure BDA0002725341230000049
其中，Re(·)表示取实部，表示取虚部Im(·)；
步骤42：每一层卷积网络中包括P个卷积核，构成核张量Kk，且Kk＝[[wk1]，[wk2]，...，[wkP]]，wki(1≤i≤P)为一个1×3的行向量，代表一个卷积核；
步骤43：二维复数矩阵Qk和核张量Kk卷积后经过激活函数ρ(·)，得到Φk，即Φk＝ρ(Qk*Kk)＝ρ([[Qk*wk1]，[Qk*wk2]，...，[Qk*wkP]])，Φk∈CP×M×1；
步骤44：将Φk展开得到一维向量zk，zk∈CPM，再将zk通过一个全连接层后，经过ψtk(·)映射为
Figure BDA0002725341230000051
其中
Figure BDA0002725341230000052
步骤5：设置卷积网络训练参数；
进一步的，在本发明中：步骤5中卷积网络训练参数的设置采用基于mini-batch的随机梯度下降法，学习率参数优化方法设为Adam算法，损失函数设为L2范数损失函数。
步骤6：使用贪心预训练算法逐次训练卷积网络模型，得到最终模型并保存，最终模型根据输入的所述初始输入信号，得到最终检测信号，即在接收端通过卷积网络模型检测出的发送信号。
具体的，步骤6中训练卷积网络模型还包括以下步骤，
步骤61：所述卷积网络模型共有m层，每次预训练模型增加的层数为n，且满足m为n的整数倍，初始学习率设为∈；
进一步的，本实施例中使用4层残差卷积网络作为预训练的起点，每次预训练模型增加的层数n＝4，。
步骤62：设当前网络层数k＝n，训练并保存的权重Gk，Gk代表k层卷积网络模型；
步骤63：增加n层网络，当前网络层数k＞n，使用Gk-n初始化前k-n层，Gk的前k-n层学习率设为
Figure BDA0002725341230000053
训练Gk并保存Gk的权重；
步骤64：若k＜m，则重复执行步骤63，否则输出最终网络模型。
为了验证本发明所提出的信号检测方法的有益效果，将上述信号检测方法分别与传统的ZF检测方法和MMSE检测方法对同样的信号进行处理并对比检测结果，同时还加入了没有使用预训练方法下的信号检测结果，得到的结果如下图6所示，图6中基于本发明提出的信号检测方法得到的结果为标记的“8层pretrain”和“12层pretrain”折线，根据图6可以看出，使用本发明构建的卷积检测网络的检测性能要优于传统的ZF检测和MMSE检测方法，同时本发明提出的残差结构和预训练提高了深度卷积检测网络结构的性能。
应说明的是，以上所述实施例仅表达了本发明的部分实施方式，其描述并不能理解为对本发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干改进，这些均应落入本发明的保护范围。

Claims (4)

1.一种基于卷积神经网络的MIMO信号检测方法，其特征在于：包括以下步骤，
步骤1：基于多用户MIMO上行单基站模型，包括天线数N和用户数M，根据天线和用户之间的信道系数构成信道矩阵，不同的信道模型得到不同的信道矩阵；
步骤2：MIMO信号检测的通用模型为，
y＝Hx+n
其中，y＝[y1，y2，...，yN]T代表基站接收信号，x＝[x1，x2，...，xM]T代表用户向基站发送的信号，H∈CN×M代表信道矩阵，n∈CN代表独立同分布的零均值加性高斯白噪声，且噪声功率为
Figure FDA0002725341220000011
步骤3：用户发送的信号通过信道传输至基站，基站接收端使用ZF检测得到信号xZF并将其作为卷积网络模型的初始输入信号，即
Figure FDA0002725341220000012
步骤4：构建卷积网络模型，基于ML检测的迭代展开式，构建单层卷积网络，所述卷积网络模型每隔s层使用一次残差网络结构，从第k层网络开始按照顺序前后连接s层，第k+1层到第k+s层构成映射函数F(·)，第k层的输出结果为
Figure FDA0002725341220000013
所述残差网络的最终输出为，
Figure FDA0002725341220000014
其中，WA和WB分别代表残差结构中的权重矩阵。
步骤5：设置卷积网络训练参数；
步骤6：使用贪心预训练算法逐次训练卷积网络模型，得到最终模型并保存，最终模型根据输入的所述初始输入信号，得到最终检测信号。
2.如权利要求1所述的基于卷积神经网络的MIMO信号检测方法，其特征在于：步骤4的构建卷积网络模型还包括以下步骤，
步骤41：输入数据：由
Figure FDA0002725341220000015
HHy和
Figure FDA0002725341220000016
构成的二维复数矩阵作为每一层的输入，且
Figure FDA00027253412200000110
Figure FDA0002725341220000017
表示第k层网络的输出结果，HH表示信道矩阵的共轭转置，Qk的实数形式
Figure FDA0002725341220000018
是对每一个列向量进行转化，且，
Figure FDA0002725341220000019
其中，Re(·)表示取实部，表示取虚部Im(·)；
步骤42：每一层卷积网络中包括P个卷积核，构成核张量Kk，且Kk＝[[wk1]，[wk2]，...，[wkP]]，wki(1≤i≤P)为一个1×3的行向量，代表一个卷积核；
步骤43：二维复数矩阵Qk和核张量Kk卷积后经过激活函数ρ(·)，得到Φk，即Φk＝ρ(Qk*Kk)＝ρ([[Qk*wk1]，[Qk*wk2]，...，[Qk*wkP]])，Φk∈CP×M×1；
步骤44：将Φk展开得到一维向量zk，zk∈CPM，再将zk通过一个全连接层后，经过ψtk(·)映射为
Figure FDA0002725341220000021
其中
Figure FDA0002725341220000022
3.如权利要求2所述的基于卷积神经网络的MIMO信号检测方法，其特征在于：步骤5中卷积网络训练参数的设置采用基于mini-batch的随机梯度下降法，学习率参数优化方法设为Adam算法，损失函数设为L2范数损失函数。
4.如权利要求1或3所述的基于卷积神经网络的MIMO信号检测方法，其特征在于：步骤6中训练卷积网络模型还包括以下步骤，
步骤61：所述卷积网络模型共有m层，每次预训练模型增加的层数为n，且满足m为n的整数倍，初始学习率设为∈；
步骤62：设当前网络层数k＝n，训练并保存的权重Gk，Gk代表k层卷积网络模型；
步骤63：增加n层网络，当前网络层数k＞n，使用Gk-n初始化前k-n层，Gk的前k-n层学习率设为
Figure FDA0002725341220000023
训练Gk并保存Gk的权重；
步骤64：若k＜m，则重复执行步骤63，否则输出最终网络模型。
CN202011106324.5A 2020-10-15 2020-10-15 一种基于卷积神经网络的mimo信号检测方法 Active CN112261685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011106324.5A CN112261685B (zh) 2020-10-15 2020-10-15 一种基于卷积神经网络的mimo信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011106324.5A CN112261685B (zh) 2020-10-15 2020-10-15 一种基于卷积神经网络的mimo信号检测方法

Publications (2)

Publication Number Publication Date
CN112261685A true CN112261685A (zh) 2021-01-22
CN112261685B CN112261685B (zh) 2023-02-10

Family

ID=74243663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011106324.5A Active CN112261685B (zh) 2020-10-15 2020-10-15 一种基于卷积神经网络的mimo信号检测方法

Country Status (1)

Country Link
CN (1) CN112261685B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023108436A1 (zh) * 2021-12-14 2023-06-22 北京小米移动软件有限公司 信号检测方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109525292A (zh) * 2018-12-24 2019-03-26 东南大学 一种采用比特级优化网络的信道信息压缩反馈方法
CN110460359A (zh) * 2019-07-08 2019-11-15 南京邮电大学 一种基于神经网络的mimo系统信号接收方法
CN111224905A (zh) * 2019-12-25 2020-06-02 西安交通大学 一种大规模物联网中基于卷积残差网络的多用户检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109525292A (zh) * 2018-12-24 2019-03-26 东南大学 一种采用比特级优化网络的信道信息压缩反馈方法
CN110460359A (zh) * 2019-07-08 2019-11-15 南京邮电大学 一种基于神经网络的mimo系统信号接收方法
CN111224905A (zh) * 2019-12-25 2020-06-02 西安交通大学 一种大规模物联网中基于卷积残差网络的多用户检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023108436A1 (zh) * 2021-12-14 2023-06-22 北京小米移动软件有限公司 信号检测方法和装置

Also Published As

Publication number Publication date
CN112261685B (zh) 2023-02-10

Similar Documents

Publication Publication Date Title
He et al. Model-driven deep learning for physical layer communications
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
He et al. Model-driven deep learning for MIMO detection
Zhang et al. Deep learning-based beamspace channel estimation in mmWave massive MIMO systems
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN109617584A (zh) 一种基于深度学习的mimo系统波束成形矩阵设计方法
Guo et al. Deep learning for joint channel estimation and feedback in massive MIMO systems
Yu et al. Role of deep learning in wireless communications
Shao et al. Feature-aided adaptive-tuning deep learning for massive device detection
Liao et al. A novel physical layer authentication method with convolutional neural network
Yin et al. Deep CSI compression for massive MIMO: A self-information model-driven neural network
WO2016150246A1 (zh) 一种信号检测方法及装置
CN113269077A (zh) 基于改进门控网络和残差网络的水声通信信号调制方式识别方法
CN110429965A (zh) 一种大规模多输入多输出系统上行信号检测方法
CN107070525A (zh) 参数化顺序解码
CN109981151A (zh) 大规模mimo系统中改进的高斯树近似消息传递检测算法
CN113938254A (zh) 一种基于注意力机制的分层信源信道联合编码传输系统及其传输方法
CN114884775A (zh) 一种基于深度学习的大规模mimo系统信道估计方法
KR102064301B1 (ko) Mimo 시스템 기반의 앙상블 기계 학습을 이용한 신호 검출 장치 및 그 방법
CN111628833A (zh) 基于卷积神经网络的mimo天线数目估计方法
CN112261685B (zh) 一种基于卷积神经网络的mimo信号检测方法
CN115865145A (zh) 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN101227254A (zh) 一种在多入多出系统中v-blast的检测方法
CN115118566A (zh) 改进无线通信中信息的发送
CN114157331A (zh) 基于伪复值输入的大规模mimo信道状态信息反馈方法

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