CN113037409B - 基于深度学习的大规模mimo系统信号检测方法 - Google Patents

基于深度学习的大规模mimo系统信号检测方法 Download PDF

Info

Publication number
CN113037409B
CN113037409B CN201911251158.5A CN201911251158A CN113037409B CN 113037409 B CN113037409 B CN 113037409B CN 201911251158 A CN201911251158 A CN 201911251158A CN 113037409 B CN113037409 B CN 113037409B
Authority
CN
China
Prior art keywords
vector
mimo system
layer
signal detection
scale mimo
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
CN201911251158.5A
Other languages
English (en)
Other versions
CN113037409A (zh
Inventor
高飞飞
杨玉雯
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN201911251158.5A priority Critical patent/CN113037409B/zh
Publication of CN113037409A publication Critical patent/CN113037409A/zh
Application granted granted Critical
Publication of CN113037409B publication Critical patent/CN113037409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种基于深度学习的大规模MIMO系统信号检测方法，该方法包括：接收信号；将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的。本发明实施例提供的方法，能够有效提高大规模MIMO系统信号检测的准确性，降低信号检测的误码率。

Description

基于深度学习的大规模MIMO系统信号检测方法
技术领域
本发明涉及通信技术领域，尤其涉及一种基于深度学习的大规模MIMO系统信号检测方法。
背景技术
大规模多天线技术是第五代蜂窝移动通信系统关键技术的重要组成部分，对于5G通信技术的研究层出不穷。尽管大规模多天线系统可以大幅提高系统链路可靠性、频谱效率和能量效率，但随着用户和基站天线数的增加，基站端信号处理单元的计算复杂度将会增加，尤其是多用户检测问题。
基于传统的信号检测方法，主要有线性检测和非线性检测两大类。线性检测例如迫零检测、最大均方差检测等，虽然其计算复杂度低，但其检测精度不高；非线性检测例如最大似然估计等，虽然提供了高准确度，但其计算复杂度较高。
随着人工智能的蓬勃发展，深度学习应运而生。利用深度学习解决无线通信问题使传统无线通信突破瓶颈，给无线通信带来新的活力。传统的通信系统通常将发送端和接收端划分为多个处理模块，最优化每部分从而使整体性能近似最优。而基于深度学习的通信传输系统则可以借助于自动编码器同时优化发送端、信道传输以及接收端，这种端到端的通信实现了整体性能最优的新架构。
目前，大部分的研究工作主要集中于大规模多天线通信系统软件的仿真实现，并没有对此系统进行硬件的展示与评测。同时，因为此系统在信道变化系统下，基于大规模多天线系统的场景，并且所利用的发射机随机产生发射信号，因此，在对此系统进行信号检测时，传统的信号检测方法检测准确度下降，所以建立能够准确检测信号的大规模多天线通信系统显得尤为重要。
因此，如何解决传统的信号检测方法中高的检测准确度与较低计算复杂度不可兼得的问题，提高信号检测的准确性，仍然是本领域技术人员亟待解决的问题。
发明内容
本发明实施例提供一种基于深度学习的大规模MIMO系统信号检测方法，用以解决现有的信号检测方法中高的检测准确度与较低计算复杂度不可兼得，信号检测的准确性低的问题。
第一方面，本发明实施例提供一种基于深度学习的大规模MIMO系统信号检测方法，包括：
接收信号；
将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；
其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的。
优选地，该方法中，所述大规模MIMO系统信号检测模型的训练过程，具体包括：
所述大规模MIMO系统信号检测模型对应的神经网络的每一层都输出对应于当前层的检测结果估计向量和残差向量，且每层输出的检测结果估计向量和残差向量作为下一层的输入。
优选地，该方法中，所述大规模MIMO系统信号检测模型的训练过程，具体还包括：
基于迫零检测方法确定所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量。
优选地，该方法中，所述基于迫零检测方法确定所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量，具体包括：
所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量输入值
Figure BDA0002309069960000031
其中，H为接收到的信号对应的信道参数矩阵，y为接收到的信号的实数部分向量。
优选地，该方法中，所述大规模MIMO系统信号检测模型的训练过程，具体还包括：
所述大规模MIMO系统信号检测模型对应的神经网络的第t层输出的残差向量
Figure BDA0002309069960000032
所述大规模MIMO系统信号检测模型对应的神经网络的第t层输出的检测结果估计向量
Figure BDA0002309069960000033
其中，
Figure BDA0002309069960000034
为第t-1层输出的检测结果估计向量，vt为第t-1层输出的残差向量，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量，λ和α都为学习参数，待确定。
第二方面，本发明实施例提供一种基于深度学习的大规模MIMO系统信号检测装置，包括：
接收单元，用于接收信号；
信号检测单元，用于将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；
其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的。
优选地，该装置中，所述大规模MIMO系统信号检测模型的训练过程，具体包括：
所述大规模MIMO系统信号检测模型对应的神经网络的每一层都输出对应于当前层的检测结果估计向量和残差向量，且每层输出的检测结果估计向量和残差向量作为下一层的输入。
优选地，该装置中，所述大规模MIMO系统信号检测模型的训练过程，具体还包括：
基于迫零检测方法确定所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的基于深度学习的大规模MIMO系统信号检测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的基于深度学习的大规模MIMO系统信号检测方法的步骤。
本发明实施例提供的一种基于深度学习的大规模MIMO系统信号检测方法，将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的，通过机器学习确定大规模MIMO系统信号检测模型，可以使得通过接收到的信号和预先知道的信道参数更准确地得到检测结果，同时计算复杂程度也不高。如此，提高了大规模MIMO系统信号检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于深度学习的大规模MIMO系统信号检测方法的流程示意图；
图2为本发明实施例提供的大规模MIMO系统信号检测模型训练的神经网络的结构示意图；
图3为本发明实施例提供的基于深度学习的大规模MIMO系统信号检测装置的结构示意图；
图4为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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付出创造性劳动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。
在大规模多天线通信系统中，所述通信系统其表达式为：
Figure BDA0002309069960000051
其中，
Figure BDA0002309069960000052
表示单天线的多用户发射的(K×1)源信号向量，
Figure BDA0002309069960000053
表示接收机接受的(N×1)接收信号向量，
Figure BDA0002309069960000054
表示(N×K)的信道参数矩阵且其服从任意随机分布，
Figure BDA0002309069960000055
表示(N×1)的高斯加性白噪声，其均值为0，方差为σ2。
为了泛化上述表达式，将复值的大规模MIMO系统转化为实值系统，其表达式为：
y＝Hx+n
其中，
Figure BDA0002309069960000056
Figure BDA0002309069960000057
Figure BDA0002309069960000058
表示实数部分，
Figure BDA0002309069960000059
表示虚数部分。
现实中，通常以接收信号的实数部分向量和信道参数的实数部分矩阵作为已知参数，用于确定源信号的实数部分向量。
现有的基于大规模MIMO系统中的信号检测方法，普遍存在高准确性与低算法复杂程度无法兼容的问题，准确性低。对此，本发明实施例提供了一种身份验证方法。图1为本发明实施例提供的基于深度学习的大规模MIMO系统信号检测方法的流程示意图，如图1所示，该方法包括：
步骤110，接收信号。
具体地，接收端接收发送端发出的信号，信号经过信道和噪声的影响最终形成接收端接收的信号。由于大规模MIMO系统中通常采用QPSK调制方式，故发送端发送的星座图包含4种符号：1+i，-1+i，-1-i，1-i。按照复值系统到实值系统的转换公式，将其转换为实值矩阵后，检测的符号为两种：-1和+1。接收端凭借接收到的信号在实值系统中的向量判断其对应的源信号在实值系统中的向量为-1或+1。
步骤120，将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的。
具体地，此处我们能预先知道源信号发送到接收端经过的信道的信道参数，同时接收到的信号也是已知的，通过理想的大规模MIMO通信系统的信号变化在实值系统中的表达为
Figure BDA0002309069960000061
其中，
Figure BDA0002309069960000062
表示单天线的多用户发射的(2K×1)源信号向量，
Figure BDA0002309069960000063
表示接收机接受的(2N×1)接收信号向量，
Figure BDA0002309069960000064
表示(2N×2K)的信道参数矩阵，
Figure BDA0002309069960000065
表示噪声，相当于此处我们需要在噪声
Figure BDA0002309069960000066
未知的情况下进行信号检测。然而，这是理想情况的转化关系，实际情况中，从源信号到接收到的信号其中有各种因素复杂的影响。因此，根据接收到的信号的实数部分样本数据、已知的信道参数样本数据和预先确定的源信号的实数部分向量标签训练一个神经网络，该神经网络中只有接收到的信号的实数部分向量和信道参数是未知量，其它参数经过大量的样本训练后已确定。将接收到的信号的实数部分向量和预先确定的信道参数输入该神经网络(即大规模MIMO系统信号检测模型)就可以输出与输入的接收到的信号对应的检测结果，即推断的对应于接收到的信号的源信号。
本发明实施例提供的方法，将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的，通过机器学习确定大规模MIMO系统信号检测模型，可以使得通过接收到的信号和预先知道的信道参数更准确地得到检测结果，同时计算复杂程度也不高。如此，提高了大规模MIMO系统信号检测的准确性。
基于上述实施例，该方法中，所述大规模MIMO系统信号检测模型的训练过程，具体包括：
所述大规模MIMO系统信号检测模型对应的神经网络的每一层都输出对应于当前层的检测结果估计向量和残差向量，且每层输出的检测结果估计向量和残差向量作为当前层的下一层的输入。
具体地，在大规模MIMO系统信号检测模型的训练过程中，搭建大规模MIMO系统信号检测模型的神经网络，该神经网络分为多层结构，例如神经网络包括L层，从第零层到第L-1层。每一层都有两个输入和两个输出，上一层输出的检测结果估计向量和残差向量是下一层的输入，其中，当前层的残差向量是根据上一层的检测结果估计向量确定的，当前层的检测结果估计向量是根据上一层的检测结果估计向量和上一层的残差向量共同确定的。
基于上述任一实施例，该方法中，所述大规模MIMO系统信号检测模型的训练过程，具体还包括：
基于迫零检测方法确定所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量。
具体地，所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量，即输入神经网络的初始值，是基于迫零检测方法确定的。如此，可以减少计算复杂度和节约检测的时间成本，加快收敛速度。
基于上述任一实施例，该方法中，所述基于迫零检测方法确定所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量，具体包括：
所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量输入值
Figure BDA0002309069960000071
其中，diag(x)为对角线函数，diag(x)为矩阵x的对角线上的元素组成的向量，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量。
具体地，迫零检测的表达式为
Figure BDA0002309069960000072
其中，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量，
Figure BDA0002309069960000081
为信号初始值，Q[x]为x的符号函数。考虑大天线场景下的信道硬化现象，随着天线数增加，矩阵HTH的对角元素占主导，非对角元素逐渐趋于0，为了减少计算复杂度，取信号的初始值为
Figure BDA0002309069960000082
(对角矩阵的逆即其对角元素的倒数)，其中，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量，Q[x]为x的符号函数，
Figure BDA0002309069960000083
为神经网络的第零层的输入检测结果估计向量。
基于上述任一实施例，该方法中，所述大规模MIMO系统信号检测模型的训练过程，具体还包括：
所述大规模MIMO系统信号检测模型对应的神经网络的第t层输出的残差向量
Figure BDA0002309069960000084
所述大规模MIMO系统信号检测模型对应的神经网络的第t层输出的检测结果估计向量
Figure BDA0002309069960000085
其中，sign(x)为符号函数，当x>0时，sign(x)＝1，当x＝0时，sign(x)＝0，当x<0时，sign(x)＝-1，
Figure BDA0002309069960000086
为第t-1层输出的检测结果估计向量，vt为第t-1层输出的残差向量，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量，λ和α都为学习参数，待确定。
图2为本发明实施例提供的大规模MIMO系统信号检测模型训练的神经网络的结构示意图。如图2所示，对于神经网络的第t层，输入的
Figure BDA0002309069960000087
和vt是第t-1层输出的检测结果估计向量和残差向量，第t层输出的残差向量vt+1是由D-1乘以HTy和
Figure BDA0002309069960000088
的差值得到的，其中，D是diag(HTH)，再由输入的vt和
Figure BDA0002309069960000089
以及之前计算得到的vt+1确定
Figure BDA00023090699600000810
Figure BDA00023090699600000811
其中λ是待确定的学习参数，再引入学习参数α，确定第t层输出的检测结果估计向量
Figure BDA00023090699600000812
其中，图2中的标号“sgn”即是指的符号函数sign(x)。最大时限框中展示的是大规模MIMO系统信号检测模型对应的神经网络中的一层，而大规模MIMO系统信号检测模型中的InputLayer(输入层)，中间的若干个Hidden Layer(隐藏层)以及最后的Output Layer(输出层)都是由上述每一层的结构构成。图中，
Figure BDA00023090699600000813
为大规模MIMO系统信号检测模型的输入层的输入的第零层的输入检测结果估计向量，
Figure BDA0002309069960000091
为大规模MIMO系统信号检测模型的输出层(即第L-1层)的输出检测结果估计向量，大规模MIMO系统信号检测模型对应的神经网络总共有L层。
本发明实施例提供一种基于深度学习的大规模MIMO系统信号检测装置，图3为本发明实施例提供的基于深度学习的大规模MIMO系统信号检测装置的结构示意图，该装置包括接收单元310和信号检测单元320，其中，
所述接收单元310，用于接收信号；
所述信号检测单元320，用于将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的。
本发明实施例提供的装置，将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的，通过机器学习确定大规模MIMO系统信号检测模型，可以使得通过接收到的信号和预先知道的信道参数更准确地得到检测结果，同时计算复杂程度也不高。如此，提高了大规模MIMO系统信号检测的准确性。
基于上述任一实施例，该装置中，所述大规模MIMO系统信号检测模型的训练过程，具体包括：
所述大规模MIMO系统信号检测模型对应的神经网络的每一层都输出对应于当前层的检测结果估计向量和残差向量，且每层输出的检测结果估计向量和残差向量作为下一层的输入。
基于上述任一实施例，该装置中，所述大规模MIMO系统信号检测模型的训练过程，具体还包括：
基于迫零检测方法确定所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量。
本发明实施例提供的装置，通过基于迫零检测方法确定大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量，可以减少计算复杂度和节约检测的时间成本，如此，大大降低大规模MIMO系统中信号检测的计算复杂程度。
基于上述任一实施例，该装置中，所述基于迫零检测方法确定所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量，具体包括：
所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量输入值
Figure BDA0002309069960000101
其中，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量。
基于上述任一实施例，该装置中，所述大规模MIMO系统信号检测模型的训练过程，具体还包括：
所述大规模MIMO系统信号检测模型对应的神经网络的第t层输出的残差向量
Figure BDA0002309069960000102
所述大规模MIMO系统信号检测模型对应的神经网络的第t层输出的检测结果估计向量
Figure BDA0002309069960000103
其中，
Figure BDA0002309069960000104
为第t-1层输出的检测结果估计向量，vt为第t-1层输出的残差向量，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量，λ和α都为学习参数，待确定。
基于上述任一实施例，本发明实施例提供一种大规模MIMO系统信号检测模型的训练方法，方法流程如下：
根据给定的信道参数矩阵H和接收到的信号实数部分向量y，获取大规模MIMO系统信号检测模型对应的神经网路的第零层的输入检测结果估计向量
Figure BDA0002309069960000105
由于迫零检测的表达式为
Figure BDA0002309069960000106
其中，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量，
Figure BDA0002309069960000107
为信号初始值，Q[x]为x的符号函数。考虑大天线场景下信道硬化现象，随着天线数增加，矩阵HTH的对角元素占主导，非对角元素逐渐趋于0，为了减少计算复杂度，取第零层的输入检测结果估计向量值为
Figure BDA0002309069960000108
(对角矩阵的逆即其对角元素的倒数)，其中，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量，Q[x]为x的符号函数，
Figure BDA0002309069960000111
为神经网络的第零层的输入检测结果估计向量。
对于第t次迭代，即神经网络的第t层，引入第t-1次迭代的输出，按照公式得到残差向量
Figure BDA0002309069960000112
其中，
Figure BDA0002309069960000113
是第t-1次迭代输出的检测结果估计向量。
在第t次迭代中，引入第t-1次迭代中的输出残差向量vt-1，同时，引入一个系数因子λ，通过神经网络的训练，该系数因子λ采用Leaky Relu作为激活函数进行优化，自动调节残差向量的加权值，得到学习参数λ，则
Figure BDA0002309069960000114
再引入一个阻尼系数α，通过该阻尼系数α将第t-1次迭代的结果与前述步骤的结果
Figure BDA0002309069960000115
进行线性组合，即得到
Figure BDA0002309069960000116
该阻尼系统α根据单层神经网络得到，其激活函数采用Tanh函数，经过神经网络的训练，得到另一学习参数α。将
Figure BDA0002309069960000117
代入符号函数得到第t次迭代的输出的检测结果估计向量，即
Figure BDA0002309069960000118
迭代L次后，得到最后的估计值
Figure BDA0002309069960000119
系统框图如图2所示，每一次迭代相当于一层神经网络层，每一次迭代输出作为下一次迭代的输入。上述方法中，引入了两个学习参数λ和α，同时第零层的输入检测结果估计向量的设定可以减少计算复杂度和检测的时间成本，加快收敛速度。
图2中，神经网络由一个输入层、输出层和多个隐藏层构成，每一层的输出作为下一层网络的输入，通过每一层与权值加权以及偏置的叠加，进入通过激活函数输出。
该神经网络中只含有两个学习参数(λ,α)，第一个学习参数优化残差矩阵，提高检测精度，第二个学习参数优化每一层迭代与上一层迭代结果的线性组合方式。这两个学习参数可以进一步优化算法结构，引入深度神经网络动态地进行信号检测，提高检测准确度，从而降低误码率。同时，两个学习参数的优化计算复杂度低，算法时延小，且能给算法提供更高的准确度，很好地平衡了计算复杂度和检测准确度的矛盾关系。
本发明中采用均方误差MSE作为损失函数，其表达式为
Figure BDA0002309069960000121
其中，xn为源发射信号矢量的n个元素的发送信号，
Figure BDA0002309069960000122
表示将接收到的信号实数部分向量y和接收到的向量对应的信道参数矩阵H输入神经网络的输出值，即检测值，
Figure BDA0002309069960000123
为检测结果矢量的第n个元素的值，
Figure BDA0002309069960000124
为检测值和真实值的均方误差，θ表示神经网络中的学习参数(λ,α)，2K为源发射信号在实值系统中的向量中的元素个数。
图4为本发明实施例提供的电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线(Communication Bus)404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储在存储器403上并可在处理器401上运行的计算机程序，以执行上述各实施例提供的基于深度学习的大规模MIMO系统信号检测方法，例如包括：接收信号；将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于深度学习的大规模MIMO系统信号检测方法，例如包括：接收信号；将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于深度学习的大规模MIMO系统信号检测方法，其特征在于，包括：
接收信号；
将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；
其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的；
所述大规模MIMO系统信号检测模型对应的神经网络的每一层都输出对应于当前层的检测结果估计向量和残差向量，且每层输出的检测结果估计向量和残差向量作为下一层的输入；
所述大规模MIMO系统信号检测模型对应的神经网络的第t层输出的残差向量
Figure FDA0003523940050000011
所述大规模MIMO系统信号检测模型对应的神经网络的第t层输出的检测结果估计向量
Figure FDA0003523940050000012
其中，
Figure FDA0003523940050000013
为第t-1层输出的检测结果估计向量，vt为第t-1层输出的残差向量，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量，λ和α都为学习参数，待确定。
2.根据权利要求1所述的基于深度学习的大规模MIMO系统信号检测方法，其特征在于，所述大规模MIMO系统信号检测模型的训练过程，具体还包括：
基于迫零检测方法确定所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量。
3.根据权利要求2所述的基于深度学习的大规模MIMO系统信号检测方法，其特征在于，所述基于迫零检测方法确定所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量，具体包括：
所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量输入值
Figure FDA0003523940050000014
其中，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量。
4.一种基于深度学习的大规模MIMO系统信号检测装置，其特征在于，包括：
接收单元，用于接收信号；
信号检测单元，用于将接收到的信号在实值系统中的向量和预先确定的信道参数输入大规模MIMO系统信号检测模型，输出与所述接收到的信号对应的检测结果；
其中，所述大规模MIMO系统信号检测模型是基于接收到的信号在实值系统中的向量样本数据、已知的信道参数样本数据和预先确定的源信号在实值系统中的向量标签进行训练后得到的；
所述大规模MIMO系统信号检测模型对应的神经网络的每一层都输出对应于当前层的检测结果估计向量和残差向量，且每层输出的检测结果估计向量和残差向量作为下一层的输入；
所述大规模MIMO系统信号检测模型对应的神经网络的第t层输出的残差向量
Figure FDA0003523940050000021
所述大规模MIMO系统信号检测模型对应的神经网络的第t层输出的检测结果估计向量
Figure FDA0003523940050000022
其中，
Figure FDA0003523940050000023
为第t-1层输出的检测结果估计向量，vt为第t-1层输出的残差向量，H为接收到的信号对应的信道参数矩阵，y为接收到的信号在实值系统中的向量，λ和α都为学习参数，待确定。
5.根据权利要求4所述的基于深度学习的大规模MIMO系统信号检测装置，其特征在于，所述大规模MIMO系统信号检测模型的训练过程，具体还包括：
基于迫零检测方法确定所述大规模MIMO系统信号检测模型对应的神经网络的第零层的输入检测结果估计向量。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3中任一项所述的基于深度学习的大规模MIMO系统信号检测方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3中任一项所述的基于深度学习的大规模MIMO系统信号检测方法的步骤。
CN201911251158.5A 2019-12-09 2019-12-09 基于深度学习的大规模mimo系统信号检测方法 Active CN113037409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911251158.5A CN113037409B (zh) 2019-12-09 2019-12-09 基于深度学习的大规模mimo系统信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911251158.5A CN113037409B (zh) 2019-12-09 2019-12-09 基于深度学习的大规模mimo系统信号检测方法

Publications (2)

Publication Number Publication Date
CN113037409A CN113037409A (zh) 2021-06-25
CN113037409B true CN113037409B (zh) 2022-04-08

Family

ID=76451065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911251158.5A Active CN113037409B (zh) 2019-12-09 2019-12-09 基于深度学习的大规模mimo系统信号检测方法

Country Status (1)

Country Link
CN (1) CN113037409B (zh)

Families Citing this family (1)

* 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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023840B (zh) * 2012-12-04 2015-08-12 温州大学 多输入多输出泛函网络实现无线激光通信电域信号盲均衡方法
CN103944656B (zh) * 2014-04-21 2016-01-13 清华大学 一种基于匹配滤波器的频谱感知和主用户功率识别方法
US10243628B2 (en) * 2015-07-16 2019-03-26 Spirent Communications, Inc. Massive MIMO array emulation
CN110336594B (zh) * 2019-06-17 2020-11-24 浙江大学 一种基于共轭梯度下降法的深度学习信号检测方法
CN110429965B (zh) * 2019-07-03 2020-10-20 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

Also Published As

Publication number Publication date
CN113037409A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113472706B (zh) 一种基于深度神经网络的mimo-ofdm系统信道估计方法
EP4149067A1 (en) Method for implementing uplink and downlink channel reciprocity, communication node, and storage medium
CN109951214B (zh) 一种适用于大规模mimo系统的信号检测方法
CN112217545B (zh) 一种大规模mimo系统检测模型构建方法
CN111865845A (zh) 一种mimo用户检测与信道估计装置及方法
Li et al. Reservoir computing meets extreme learning machine in real-time MIMO-OFDM receive processing
CN112215335A (zh) 一种基于深度学习的系统检测方法
Ye et al. Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems
CN114499601B (zh) 一种基于深度学习的大规模mimo信号检测方法
CN113037409B (zh) 基于深度学习的大规模mimo系统信号检测方法
CN114826832B (zh) 信道估计方法、神经网络的训练方法及装置、设备
WO2024021620A1 (zh) Mimo系统的性能优化方法、装置、设备及存储介质
Haq et al. Deep neural network augmented wireless channel estimation for preamble-based ofdm phy on zynq system on chip
CN111786915B (zh) 非线性失真条件下基于深度学习的无线通信方法及其系统
WO2023121659A1 (en) Communication device and method for performing communication signal processing
Zou et al. Joint user activity and data detection in grant-free NOMA using generative neural networks
CN111769975A (zh) Mimo系统信号检测方法及系统
CN108282200B (zh) 一种大规模mimo系统中基于因子图的置信度传播信号检测方法
CN112115637A (zh) Noma系统模型构建、优化方法、电子设备、存储介质
Fuchs et al. Self-attention for enhanced OAMP detection in MIMO systems
CN107248876B (zh) 基于稀疏贝叶斯学习的广义空间调制符号检测方法
CN113037411B (zh) 一种基于深度学习的多用户信号检测方法及装置
KR102176180B1 (ko) 대용량 mimo 검출 방법 및 장치
Omondi et al. Variational autoencoder-enhanced deep neural network-based detection for MIMO systems
Singh et al. Channel Estimation in 5G and Beyond Networks Using Deep Learning

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