CN113452420A - 一种基于深度神经网络的mimo信号检测方法 - Google Patents
一种基于深度神经网络的mimo信号检测方法 Download PDFInfo
- Publication number
- CN113452420A CN113452420A CN202110708740.0A CN202110708740A CN113452420A CN 113452420 A CN113452420 A CN 113452420A CN 202110708740 A CN202110708740 A CN 202110708740A CN 113452420 A CN113452420 A CN 113452420A
- Authority
- CN
- China
- Prior art keywords
- output
- vector
- layer
- hidden layer
- neuron
- 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
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
- H04B7/0413—MIMO systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明给出一种基于深度神经网络的MIMO信号检测方法。所述方法首先设置深度神经网络DNN检测器的架构,接着产生DNN的训练样本数据和训练样本标签,其次将训练样本数据输入到DNN中得到实际输出值,然后计算交叉熵损失函数,最后对DNN进行训练,训练完毕后的DNN检测器,部署于MIMO通信系统的接收端,对接收信号进行信号检测。采用本发明方法,可以在无需MIMO系统的信道状态信息即信道矩阵的情况下,以较低的计算复杂度,获得和最大似然检测算法相同的误比特率性能。
Description
技术领域
本发明涉及一种基于深度神经网络的MIMO信号检测方法,属于机器学习和MIMO信号检测的交叉领域。
背景技术
目前现有的大多数MIMO信号检测算法都使用了次优检测技术,牺牲了检测性能换来了复杂度的降低,而且传统的信号检测技术需要获得系统的CSI,而在一些信道复杂性较高的通信系统中,CSI往往难以准确的进行估计,这类算法往往不能取得很好的性能增益。
发明内容
针对现有技术的不足,本发明给出一种基于深度神经网络的MIMO信号检测方法。所述方法首先设置深度神经网络DNN检测器的架构,接着产生DNN的训练样本数据和训练样本标签,其次将训练样本数据输入到DNN中得到实际输出值,然后计算交叉熵损失函数,最后对DNN进行训练,训练完毕后的DNN检测器,部署于MIMO通信系统的接收端,对接收信号进行信号检测。
本发明主要包括如下步骤:
步骤A:具有R个接收天线的MIMO系统,其接收信号采用向量y表示,搭建用于检测y的深度神经网络DNN:
步骤A-1:构建数据转换层,将y的实部和虚部进行分开,Rer和Imr分别表示y的第r个元素yr的实部和虚部,具体的转换公式为
Rer=Re(yr),
Imr=Im(yr),
其中Re(yr)和Im(yr)分别表示对yr进行取实部和取虚部运算;
步骤A-2:构建由多个全连接层FC层组成的隐藏层;隐藏层中的每个神经元的激活函数,都使用了修正线性单元ReLU函数;在单个神经元中,神经元接收到来自前一层个神经元传递过来的输入信号这些输入信号通过权重进行加权之后再进行求和,并将求和之后的总输入值加上神经元的偏置b,最后输入到ReLU激活函数以产生神经元的输出网络中所有神经元的权重和偏置b构成了网络参数的集合;
步骤A-3:构建分类输出层;在分类层中,采用了DNN中比较常见的分类函数SoftMax函数;输入到分类层的向量经过SoftMax函数处理之后,输出了长度为MT的向量,其中M是QAM调制的阶数;
步骤B:生成多个训练样本数据y和标签xone-hot,组成训练样本集,生成每个样本数据y和标签xone-hot的详细过程如下:
步骤B-1:生成随机二进制比特序列,经过具有M个星座点的QAM调制之后,产生具有T个天线的MIMO发射机的发射信号x,再根据MIMO系统的信道矩阵H和接收机天线上的噪声向量w,以及表达式y=Hx+w,生成训练样本数据y;
步骤B-2:发射信号x经过独热编码后,转化成为具有MT长度的独热编码向量xone-hot,作为训练样本数据的标签,MT是所有天线的最大符号组合数目;
步骤B-3:根据步骤B-1和步骤B-2生成多个训练样本数据y和标签xone-hot,并组成训练样本集;
步骤C:将训练样本数据y输入到DNN,可以得到DNN的实际输出值z,详细数据处理过程如下:
步骤C-1:y被输入到数据转换层,数据转换层对y中的每个元素进行取虚部和取实部运算,数据转换层的输出向量I表示为I=I(y)=[Re1,Im1,Re2,Im2,…,ReR,ImR,]T,其中向量值函数I(y)表示将y输入到数据转换层后得到的输出向量;
步骤C-2:隐藏层由Q个FC层组成,假设第q层的隐藏层有Nq个神经元,q=1,2,…,Q;当q=1时,第1个隐藏层的输入是数据转换层的输出,第1个隐藏层的第i个神经元的输出为,i=1,2,…,N1,
其中,Ij表示数据转换层的第j个神经元的输出,即向量I的第j个元素,表示Ij在输入到第1个隐藏层的第i个神经元时的权重,j=1,2,…,2R,表示第1个隐藏层的第i个神经元的偏置,ρ(·)表示ReLU激活函数;则第1个隐藏层的输出向量表示为
其中向量值函数f(1)(I)表示将I输入到第一个隐藏层后得到的输出向量,表示第1层隐藏层对数据的处理过程;
步骤C-3:当2≤q≤Q时,第q个隐藏层的输入是第q-1个隐藏层的输出,第q个隐藏层的第k个神经元的的输出为,k=1,2,…,Nq,
其中向量值函数f(q)(u(q-1))表示u(q-1)输入到第q个隐藏层后得到的输出向量,表示第q层隐藏层对数据的处理过程;
步骤C-4:数据在经过隐藏层处理之后输入到SoftMax层中;第Q个隐藏层的输出向量u(Q)作为SoftMax分类层的输入,SoftMax分类层的输入输出向量的维度相同,因而输出向量的维度为NQ,可以得到其第m个神经元的输出,m=1,2,…,NQ
其中向量值函数g(u(Q))表示u(Q)输入到SoftMax分类层后得到的输出向量,表示SoftMax分类层对数据的处理过程;
步骤C-5:DNN的输出z是对y的非线性变换的级联,数学上的表达式为z=Fθ(y)=g(f(Q)(f(Q-1)(…f(1)(I(y))))),其中,θ代表了DNN中所有神经元的权重和偏置,即网络需要训练的参数;向量值函数Fθ(y)表示y输入DNN后得到的输出,用来代表关于参数θ的DNN检测器;
步骤E:基于交叉熵损失函数,利用自适应矩估计Adam算法对DNN进行训练;损失函数在收敛后即完成了网络的训练,神经网络训练完成之后即可部署于MIMO通信系统中的接收端进行在线的信号检测。
有益效果:本发明给出一种基于深度神经网络的MIMO信号检测方法。所述方法首先设置深度神经网络DNN检测器的架构,接着产生DNN的训练样本数据和训练样本标签,其次将训练样本数据输入到DNN中得到实际输出值,然后计算交叉熵损失函数,最后对DNN进行训练,训练完毕后的DNN检测器,部署于MIMO通信系统的接收端,对接收信号进行信号检测。采用本发明方法,可以在无需MIMO系统的信道状态信息即信道矩阵的情况下,以较低的计算复杂度,获得和最大似然检测算法相同的误比特率性能。
附图说明
图1是用于MIMO信号检测的深度神经网络架构。
图2是DNN数据处理过程。
具体实施方式
本发明给出一种基于深度神经网络的MIMO信号检测方法。所述方法首先设置深度神经网络DNN检测器的架构,接着产生DNN的训练样本数据和训练样本标签,其次将训练样本数据输入到DNN中得到实际输出值,然后计算交叉熵损失函数,最后对DNN进行训练,训练完毕后的DNN检测器,部署于MIMO通信系统的接收端,对接收信号进行信号检测。采用本发明方法,可以在无需MIMO系统的信道状态信息即信道矩阵的情况下,以较低的计算复杂度,获得和最大似然检测算法相同的误比特率性能。
为了更好的说明本发明方法,下面结合更详细的例子加以说明:
建立一个具有R个接收天线和T个发射天线的MIMO系统,接收信号y表示为:
其中,x=[x1,x2,x3,…,xT]T表示具有T个发射天线的MIMO发射机的发射符号,其中xt是第..个发射天线所发送的调制符号,且等概取值于调制符号集c,t=1,2,…,T,假设xt经过具有M个星座点的QAM调制;y=[y1,y2,y3,…,yR]T表示具有R个接收天线的MIMO接收机的接收信号;H=(hrt)R×T表示发送端及接收端之间的信道矩阵,且发送端及接收端的天线阵元间隔大于二分之一个波长,所以信道矩阵H中的元素两两独立,hrt是第t个发射天线与第r个接收天线之间的信道增益,r=1,2,…,R;w表示接收端天线上的噪声向量,wr是第r个接收天线上的加性高斯白噪声,且wr独立同分布;MIMO信号检测的目的就是从接收信号y中恢复出发送信号x。MIMO检测的神经网络机器学习实现方法具体步骤如下:
步骤1:具有R个接收天线的MIMO系统,其接收信号采用向量y表示,搭建用于检测y的深度神经网络DNN;图1所示的是DNN具体架构,DNN由数据转换层,隐藏层和分类输出层组成;
步骤1-1:构建数据转换层,将y的实部和虚部进行分开,Rer和Imr分别表示y的第r个元素yr的实部和虚部,具体的转换公式为
Rer=Re(yr),
Imr=Im(yr),
其中Re(yr)和Im(yr)分别表示对yr进行取实部和取虚部运算;
步骤1-2:构建由多个全连接层FC层组成的隐藏层;隐藏层中的每个神经元的激活函数,都使用了修正线性单元ReLU函数;在单个神经元中,神经元接收到来自前一层个神经元传递过来的输入信号这些输入信号通过权重进行加权之后再进行求和,并将求和之后的总输入值加上神经元的偏置b,最后输入到ReLU激活函数以产生神经元的输出网络中所有神经元的权重和偏置b构成了网络参数的集合;
步骤1-3:构建分类输出层;在分类层中,采用了DNN中比较常见的分类函数SoftMax函数;输入到分类层的向量经过SoftMax函数处理之后,输出了长度为MT的向量,其中M是QAM调制的阶数;
步骤2:生成多个训练样本数据y和标签xone-hot,组成训练样本集,生成每个样本数据y和标签xone-hot的详细过程如下:
步骤2-1:生成随机二进制比特序列,经过具有M个星座点的QAM调制之后,产生具有T个天线的MIMO发射机的发射信号x,再根据MIMO系统的信道矩阵H和接收机天线上的噪声向量w,以及表达式y=Hx+w,生成训练样本数据y;
步骤2-2:发射信号x经过独热编码后,转化成为具有MT长度的独热编码向量xone-hot,作为训练样本数据的标签,MT是所有天线的最大符号组合数目;
步骤2-3:根据步骤B-1和步骤B-2生成多个训练样本数据y和标签xone-hot,并组成训练样本集;
步骤3:将训练样本数据y输入到DNN;图2所示的是y在DNN中的处理过程,y经过数据转换层、隐藏层和SoftMax分类层的处理,最终得到DNN的实际输出值z,详细的数据处理过程如下:
步骤3-1:y被输入到数据转换层,数据转换层对y中的每个元素进行取虚部和取实部运算,数据转换层的输出向量I表示为I=I(y)=[Re1,Im1,Re2,Im2,…,ReR,ImR,]T,其中向量值函数I(y)表示将y输入到数据转换层后得到的输出向量;
步骤3-2:隐藏层由Q个FC层组成,假设第q层的隐藏层有Nq个神经元,q=1,2,…,Q;当q=1时,第1个隐藏层的输入是数据转换层的输出,第1个隐藏层的第i个神经元的输出为,i=1,2,…,N1,
其中,Ij表示数据转换层的第j个神经元的输出,即向量I的第j个元素,表示Ij在输入到第1个隐藏层的第i个神经元时的权重,j=1,2,…,2R,表示第1个隐藏层的第i个神经元的偏置,ρ(·)表示ReLU激活函数;则第1个隐藏层的输出向量表示为
其中向量值函数f(1)(I)表示将I输入到第一个隐藏层后得到的输出向量,表示第1层隐藏层对数据的处理过程;
步骤3-3:当2≤q≤Q时,第q个隐藏层的输入是第q-1个隐藏层的输出,第q个隐藏层的第k个神经元的的输出为,k=1,2,…,Nq,
其中向量值函数f(q)(u(q-1))表示u(q-1)输入到第q个隐藏层后得到的输出向量,表示第q层隐藏层对数据的处理过程;
步骤3-4:数据在经过隐藏层处理之后输入到SoftMax层中;第Q个隐藏层的输出向量u(Q)作为SoftMax分类层的输入,SoftMax分类层的输入输出向量的维度相同,因而输出向量的维度为NQ,可以得到其第m个神经元的输出,m=1,2,…,NQ
其中向量值函数g(u(Q))表示u(Q)输入到SoftMax分类层后得到的输出向量,表示SoftMax分类层对数据的处理过程;
步骤3-5:DNN的输出z是对y的非线性变换的级联,数学上的表达式为z=Fθ(y)=g(f(Q)(f(Q-1)(…f(1)(I(y))))),其中,θ代表了DNN中所有神经元的权重和偏置,即网络需要训练的参数;向量值函数Fθ(y)表示y输入DNN后得到的输出,用来代表关于参数θ的DNN检测器。
步骤5:基于交叉熵损失函数,利用自适应矩估计Adam算法对DNN进行训练;损失函数在收敛后即完成了网络的训练,神经网络训练完成之后即可部署于MIMO通信系统中的接收端进行在线的信号检测。
Claims (5)
2.根据权利要求1所述的一种基于深度神经网络的MIMO信号检测方法,其特征在于,步骤A具体步骤如下:
步骤A-1:构建数据转换层,将y的实部和虚部进行分开,Rer和Imr分别表示y的第r个元素yr的实部和虚部,具体的转换公式为:
Rer=Re(yr),
Imr=Im(yr),
其中Re(yr)和Im(yr)分别表示对yr进行取实部和取虚部运算;
步骤A-2:构建由多个全连接层FC层组成的隐藏层;隐藏层中的每个神经元的激活函数,都使用了修正线性单元ReLU函数;在单个神经元中,神经元接收到来自前一层个神经元传递过来的输入信号输入信号通过权重进行加权之后再进行求和,并将求和之后的总输入值加上神经元的偏置b,最后输入到ReLU激活函数以产生神经元的输出神经元的权重和偏置b构成了网络参数的集合;
步骤A-3:构建分类输出层;在分类层中,采用分类函数SoftMax函数;输入到分类层的向量经过SoftMax函数处理之后,输出了长度为MT的向量,其中M是QAM调制的阶数。
3.根据权利要求1所述的一种基于深度神经网络的MIMO信号检测方法,其特征在于,步骤B的详细过程如下:
步骤B-1:生成随机二进制比特序列,经过具有M个星座点的QAM调制之后,产生具有T个天线的MIMO发射机的发射信号x,再根据MIMO系统的信道矩阵H和接收机天线上的噪声向量w,以及表达式y=Hx+w,生成训练样本数据y;
步骤B-2:发射信号x经过独热编码后,转化成为具有MT长度的独热编码向量xone-hot,作为训练样本数据的标签,MT是所有天线的最大符号组合数目;
步骤B-3:根据步骤B-1和步骤B-2生成多个训练样本数据y和标签xone-hot,并组成训练样本集。
4.根据权利要求1所述的一种基于深度神经网络的MIMO信号检测方法,其特征在于,步骤C的详细过程如下:
步骤C-1:y被输入到数据转换层,数据转换层对y中的每个元素进行取虚部和取实部运算,数据转换层的输出向量I表示为I=I(y)=[Re1,Im1,Re2,Im2,…,ReR,ImR,]T,其中向量值函数I(y)表示将y输入到数据转换层后得到的输出向量;
步骤C-2:隐藏层由Q个FC层组成,假设第q层的隐藏层有Nq个神经元,q=1,2,…,Q;当q=1时,第1个隐藏层的输入是数据转换层的输出,第1个隐藏层的第i个神经元的输出为,i=1,2,…,N1,
其中,Ij表示数据转换层的第j个神经元的输出,即向量I的第j个元素,表示Ij在输入到第1个隐藏层的第i个神经元时的权重,j=1,2,…,2R,表示第1个隐藏层的第i个神经元的偏置,ρ(·)表示ReLU激活函数;则第1个隐藏层的输出向量为:
其中向量值函数f(1)(I)表示将I输入到第一个隐藏层后得到的输出向量,表示第1层隐藏层对数据的处理过程;
步骤C-3:当2≤q≤Q时,第q个隐藏层的输入是第q-1个隐藏层的输出,第q个隐藏层的第k个神经元的的输出为,k=1,2,…,Nq,
其中向量值函数f(q)(u(q-1))表示u(q-1)输入到第q个隐藏层后得到的输出向量;
步骤C-4:经过隐藏层处理的数据输入到SoftMax层中;第Q个隐藏层的输出向量u(Q)作为SoftMax分类层的输入,SoftMax分类层的输入输出向量的维度相同,因而输出向量的维度为NQ,可以得到其第m个神经元的输出,m=1,2,…,NQ;
其中向量值函数g(u(Q))表示u(Q)输入到SoftMax分类层后得到的输出向量;
步骤C-5:DNN的输出z是对y的非线性变换的级联,其表达式为:
z=Fθ(y)=g(f(Q)(f(Q-1)(…f(1)(I(y))))),
其中,θ代表了DNN中神经元的权重和偏置,即网络需要训练的参数;向量值函数Fθ(y)表示y输入DNN后得到的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708740.0A CN113452420B (zh) | 2021-06-25 | 2021-06-25 | 一种基于深度神经网络的mimo信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708740.0A CN113452420B (zh) | 2021-06-25 | 2021-06-25 | 一种基于深度神经网络的mimo信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113452420A true CN113452420A (zh) | 2021-09-28 |
CN113452420B CN113452420B (zh) | 2022-12-20 |
Family
ID=77812643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110708740.0A Active CN113452420B (zh) | 2021-06-25 | 2021-06-25 | 一种基于深度神经网络的mimo信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113452420B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113890633A (zh) * | 2021-11-11 | 2022-01-04 | 中国船舶重工集团公司第七一五研究所 | 一种基于深度神经网络的水声通信体制自适应选取方法 |
CN114362795A (zh) * | 2021-11-23 | 2022-04-15 | 西安电子科技大学杭州研究院 | 一种非线性毫米波mimo通讯系统的信号检测方法 |
CN114465853A (zh) * | 2022-03-18 | 2022-05-10 | 河南科技大学 | 一种基于神经网络的多符号非相干检测方法 |
CN115664893A (zh) * | 2022-03-21 | 2023-01-31 | 东南大学 | 一种mimo通信系统中基于深度学习的符号检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111769862A (zh) * | 2020-06-28 | 2020-10-13 | 南京理工大学 | 一种基于深度学习的空间调制网络中联合检测算法 |
-
2021
- 2021-06-25 CN CN202110708740.0A patent/CN113452420B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111769862A (zh) * | 2020-06-28 | 2020-10-13 | 南京理工大学 | 一种基于深度学习的空间调制网络中联合检测算法 |
Non-Patent Citations (2)
Title |
---|
MYUNG-SUN BAEK: "Implementation Methodologies of Deep Learning-Based Signal Detection for Conventional MIMO Transmitters", 《IEEE TRANSACTIONS ON BROADCASTING》 * |
韩丰: "基于深度学习的Massive-MIMO系统信号检测", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113890633A (zh) * | 2021-11-11 | 2022-01-04 | 中国船舶重工集团公司第七一五研究所 | 一种基于深度神经网络的水声通信体制自适应选取方法 |
CN113890633B (zh) * | 2021-11-11 | 2023-10-20 | 中国船舶重工集团公司第七一五研究所 | 一种基于深度神经网络的水声通信体制自适应选取方法 |
CN114362795A (zh) * | 2021-11-23 | 2022-04-15 | 西安电子科技大学杭州研究院 | 一种非线性毫米波mimo通讯系统的信号检测方法 |
CN114465853A (zh) * | 2022-03-18 | 2022-05-10 | 河南科技大学 | 一种基于神经网络的多符号非相干检测方法 |
CN114465853B (zh) * | 2022-03-18 | 2023-09-08 | 河南科技大学 | 一种基于神经网络的多符号非相干检测方法 |
CN115664893A (zh) * | 2022-03-21 | 2023-01-31 | 东南大学 | 一种mimo通信系统中基于深度学习的符号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113452420B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113452420B (zh) | 一种基于深度神经网络的mimo信号检测方法 | |
Ye et al. | Deep learning-based end-to-end wireless communication systems with conditional GANs as unknown channels | |
Ali et al. | Unsupervised feature learning and automatic modulation classification using deep learning model | |
CN110557177A (zh) | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 | |
CN108566257B (zh) | 一种基于反向传播神经网络的信号恢复方法 | |
CN109995449B (zh) | 一种基于深度学习的毫米波信号检测方法 | |
CN108650201A (zh) | 基于神经网络的信道均衡方法、译码方法及对应设备 | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN111342867A (zh) | 一种基于深度神经网络的mimo迭代检测方法 | |
CN111628833B (zh) | 基于卷积神经网络的mimo天线数目估计方法 | |
CN112583458B (zh) | 基于深度学习和无线变换网络的mimo端到端传输系统 | |
CN114584448A (zh) | 基于深度神经网络的sm-ofdm信号分组检测方法 | |
CN114745248B (zh) | 基于卷积神经网络的dm-gsm信号检测方法 | |
KR102064301B1 (ko) | Mimo 시스템 기반의 앙상블 기계 학습을 이용한 신호 검출 장치 및 그 방법 | |
CN110808932B (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
CN112422208B (zh) | 未知信道模型下基于对抗式学习的信号检测方法 | |
CN101651643B (zh) | 基于空间分集的小波神经网络盲均衡方法 | |
CN113259289A (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
CN113489545B (zh) | 基于k均值聚类的光空间脉冲位置调制分步分类检测方法 | |
Yang et al. | Over-the-air split learning with MIMO-based neural network and constellation-based activation | |
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 | |
CN112737650A (zh) | 基于机器学习的mimo系统发射天线选择方法 | |
CN112202510B (zh) | 基于正则化流神经网络的信号检测方法 | |
CN110912585A (zh) | 一种基于信道因子的天线选择方法 |
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 |