CN113541747B - 一种大规模mimo检测方法、装置和存储介质 - Google Patents

一种大规模mimo检测方法、装置和存储介质 Download PDF

Info

Publication number
CN113541747B
CN113541747B CN202110748205.8A CN202110748205A CN113541747B CN 113541747 B CN113541747 B CN 113541747B CN 202110748205 A CN202110748205 A CN 202110748205A CN 113541747 B CN113541747 B CN 113541747B
Authority
CN
China
Prior art keywords
layer
expected propagation
network
propagation network
approximate expected
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
CN202110748205.8A
Other languages
English (en)
Other versions
CN113541747A (zh
Inventor
张川
葛荧萌
谈晓思
冀贞昊
张在琛
尤肖虎
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
Network Communication and Security Zijinshan Laboratory
Original Assignee
Southeast University
Network Communication and Security Zijinshan Laboratory
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, Network Communication and Security Zijinshan Laboratory filed Critical Southeast University
Priority to CN202110748205.8A priority Critical patent/CN113541747B/zh
Publication of CN113541747A publication Critical patent/CN113541747A/zh
Application granted granted Critical
Publication of CN113541747B publication Critical patent/CN113541747B/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
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • 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
    • 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
    • H04B7/0854—Joint weighting using error minimizing algorithms, e.g. minimum mean squared error [MMSE], "cross-correlation" or matrix inversion
    • 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

Abstract

本发明公开了一种大规模MIMO检测方法、装置和存储介质，包括：将接收信号矢量、信道矩阵以及噪声方差数据输入到经训练的近似期望传播网络模型中，得到发射信号的估计值；基于深度学习网络构建近似期望传播网络，近似期望传播网络的每一层对应于EPA算法的每个迭代过程；在每个网络层中引入可学习的线性纠正参数来纠正EPA算法中每次迭代时的未归一化的腔边缘分布的二阶项系数；近似期望传播网络的最后一层输出发送信号的最终估计值；对构建的所述近似期望传播网络进行训练，得到训练后的可学习的线性纠正参数，固定可学习的线性纠正参数即得到经训练的近似期望传播网络模型。本发明以较低的复杂度实现了更好的性能提升。

Description

一种大规模MIMO检测方法、装置和存储介质
技术领域
本发明属于信号检测技术领域，特别是涉及一种大规模MIMO检测方法、装置和存储介质。
背景技术
随着无线通信技术的发展，移动用户数量飞速增长，对移动通信技术提出了更高的要求，其暴露出的频谱资源短缺以及低频谱利用率等问题亟待解决。此外，第五代移动通信(5G)网络逐渐铺开，其高速度、高覆盖率、低功耗、低时延等要求更是对通信技术带来了更大的挑战。
大规模多输入多输出(M-MIMO，massive multiple-input multiple-output)系统由于其潜在的高信道容量、高速率和高频谱利用率等特点，吸引了来自工业界和学术界的大量关注。一般来说，更多的天线数可以为通信系统带来更大的信道容量以及更高的频谱利用率，但是与此同时也会带来过高的计算复杂度从而增加系统的实现难度。最优的M-MIMO检测方法，比如最大似然(ML，maximum-likelihood)或最大后验(MAP，maximum aposterior)算法，因其指数阶的复杂度，在M-MIMO系统中的复杂度变得无法接受。为了平衡硬件实现复杂度与检测性能，在实际系统中一般采用次最优的检测方法，使其在满足较低复杂度的情况下，并且保持较好的性能。
近几年来，基于贝叶斯推理的消息传递算法(MPA)由于其出色的性能已被广泛用于M-MIMO检测中。2014年Céspedes提出的期望传播算法(EP，expectation propagation)是流行的MPA之一，该算法在各种信道配置中均表现出出色的性能。但由于EP每次迭代都需要矩阵求逆，而矩阵求逆的计算复杂度正比于天线数的立方，因此在M-MIMO系统中其复杂度过高而不易于硬件的实现。Tan于2019年提出了近似期望传播算法(EPA，approximateexpectation propagation)，它在独立同分布的瑞丽信道下表现出与EP算法相似的性能，并且复杂度低得多。但是M-MIMO天线间距小所导致的信道相关性在实际系统中是不可忽视的，而EPA检测方法在相关信道中的性能损失较为严重。
深度学习(DL，deep learning)近年来被引入并应用于辅助M-MIMO检测以提高检测性能。基于深度学习的M-MIMO检测方法主要分为两大类，包括数据驱动和模型驱动两种方法。尽管基于数据驱动方法已经取得了一定的成果，但是其深度学习网络规模较大且需要大量的训练成本；而基于模型驱动的M-MIMO检测方法由于借鉴了传统的物理模型，具有更好的性能以及鲁棒性。He提出了一种基于正交近似消息传递(OAMP，orthogonalapproximate message passing)的深度学习网络结构，叫做OAMPNet，其性能要比原有的OAMP检测性能要好，但是由于在每层网络中均需要进行矩阵求逆的操作，其在M-MIMO系统中的复杂度过高。Liao提出了一种基于近似消息传递(AMP，approximate messagepassing)算法的深度学习M-MIMO检测方法(DLM，deep-learning based method)，尽管该算法以较低的复杂度在独立同分布的瑞丽信道中取得了较好的性能，但是其在相关信道中有着严重的性能损失。
发明内容
发明目的：针对现有技术中存在的问题，本发明公开了一种大规模MIMO检测方法、装置和存储介质，解决了现有的基于近似期望传播算法的MIMO检测方法在相关信道中性能损失严重的问题。
技术方案：为实现上述发明目的，本发明采用如下技术方案：一种大规模MIMO检测方法，包括步骤：
根据获取的接收信号、信道信息和噪声信息得到接收信号矢量、信道矩阵以及噪声方差；
将接收信号矢量、信道矩阵以及噪声方差数据输入到经训练的近似期望传播网络模型中，得到发射信号的估计值；
所述近似期望传播网络模型训练过程包括：
基于深度学习网络构建近似期望传播网络，近似期望传播网络的每一层对应于EPA算法的每个迭代过程；在每个网络层引入可学习的线性纠正参数来纠正EPA算法中每次迭代时的未归一化的腔边缘分布的二阶项系数；近似期望传播网络的最后一层输出发送信号的最终估计值；
对构建的所述近似期望传播网络进行训练，得到训练后的可学习的线性纠正参数，固定可学习的线性纠正参数即得到所述经训练的近似期望传播网络模型。
进一步的，在每个网络层中引入可学习的阻尼系数来纠正EPA算法中每次迭代时的腔边缘分布的均值和方差。
进一步的，所述近似期望传播网络的每一层的输入参数包括：
归一化后的Gram矩阵
Figure BDA0003143735440000021
归一化后的匹配输出
Figure BDA0003143735440000022
用于当前层的未归一化的腔边缘分布的一阶项系数；
用于当前层线性纠正前的未归一化的腔边缘分布的二阶项系数；
以及，上一层输出的腔边缘分布的均值和方差；
其中，y为实数域接收信号矢量，H为实数信道矩阵，
Figure BDA0003143735440000031
为噪声方差。
进一步的，所述近似期望传播网络的每一层的输出参数包括：
用于下一层的未归一化的腔边缘分布的一阶项的系数，当前层输出的发送信号的估计值，以及当前层输出的腔边缘分布的均值和方差。
进一步的，所述近似期望传播网络的总的损失函数为每个网络层的部分损失函数的加权平均，每个网络层的部分损失函数设置为每个网络层的输出的发送信号的估计值和发送信号的最小均方误差。
一种大规模MIMO检测装置，包括：
训练模块，用于基于深度学习网络构建近似期望传播网络，近似期望传播网络的每一层对应于EPA算法的每个迭代过程；在每个网络层引入可学习的线性纠正参数来纠正EPA算法中每次迭代时的未归一化的腔边缘分布的二阶项系数；近似期望传播网络的最后一层输出发送信号的最终估计值；对构建的所述近似期望传播网络进行训练，得到训练后的可学习的线性纠正参数，固定可学习的线性纠正参数即得到所述经训练的近似期望传播网络模型；
获取模块，用于根据获取的接收信号、信道信息和噪声信息得到接收信号矢量、信道矩阵以及噪声方差；
估计模块，用于将接收信号矢量、信道矩阵以及噪声方差数据输入到经训练的近似期望传播网络模型中，得到发射信号的估计值。
进一步的，在每个网络层中引入可学习的阻尼系数来纠正EPA算法中每次迭代时的腔边缘分布的均值和方差。
进一步的，所述近似期望传播网络的每一层的输入参数包括：
归一化后的Gram矩阵
Figure BDA0003143735440000032
归一化后的匹配输出
Figure BDA0003143735440000033
用于当前层的未归一化的腔边缘分布的一阶项系数；
用于当前层线性纠正前的未归一化的腔边缘分布的二阶项系数；
以及，上一层输出的腔边缘分布的均值和方差；
其中，y为实数域接收信号矢量，H为实数信道矩阵，
Figure BDA0003143735440000041
为噪声方差。
进一步的，所述近似期望传播网络的每一层的输出参数包括：
用于下一层的未归一化的腔边缘分布的一阶项的系数，当前层输出的发送信号的估计值，以及当前层输出的腔边缘分布的均值和方差。
进一步的，所述近似期望传播网络的总的损失函数为每个网络层的部分损失函数的加权平均，每个网络层的部分损失函数设置为每个网络层的输出的发送信号的估计值和发送信号的最小均方误差。
一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行前述的任意一项所述大规模MIMO检测方法。
与现有技术相比，本发明具有如下有益效果：
(1)本发明的基于近似期望传播网络(EPANet)模型的M-MIMO检测方法，近似期望传播网络的每一层对应于EPA算法的每个迭代过程；在每个网络层中引入可学习的线性纠正参数来纠正EPA算法中每次迭代时的未归一化的腔边缘分布的二阶项系数，使得该系数在相关信道下更加准确，从而提高了EPA检测方法的性能；
(2)在每个网络层中引入可学习的阻尼系数来纠正EPA算法中每次迭代时的未归一化的腔边缘分布的均值和方差进一步提高了算法性能和保证了算法的收敛稳定性；
(3)每个网络层的部分损失函数设置为每个网络层的输出和发送信号的最小均方误差，网络层总的损失函数设置为每个网络层的损失函数的加权平均，从而提高算法的收敛性能；
通过实验验证，本发明方法在相关信道中的性能明显优于现有技术，并且具有较低的复杂度，以较低的复杂度实现了更好的性能提升。
附图说明
图1为本发明实施例中的大规模MIMO检测方法流程图；
图2为本发明实施例中的EPANet网络结构示意图；
图3为本发明实施例中的检测装置示意图；
图4为本发明实施例中的EPANet检测方法(仅考虑可学习的线性纠正参数)和其他检测方法在相关系数ζr＝ζr＝0.3，不同收发天线数情形下，BER随SNR变化曲线图；
图5为本发明实施例中的EPANet检测方法(仅考虑可学习的线性纠正参数)和其他检测方法在相关系数ζr＝ζr＝0.5，不同收发天线数情形下，BER随SNR变化曲线图；
图6为本发明实施例中的EPANet检测方法(考虑可学习的线性纠正参数和阻尼系数)和其他检测方法在相关系数ζt＝ζr＝0.3，不同收发天线数情形下，BER随SNR变化曲线图；
图7为本发明实施例中的EPANet检测方法(考虑可学习的线性纠正参数和阻尼系数)和其他检测方法在相关系数ζt＝ζr＝0.5，不同收发天线数情形下，BER随SNR变化曲线图；
图8为本发明实施例中的EPANet检测方法(考虑可学习的线性纠正参数和阻尼系数)和其他检测方法在发射天线为32，接收天线为48情形下，性能损失与复杂度对比图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
M-MIMO系统设置如下：
用户端配置Nt根发射天线，基站端配置Nr根接收天线，其中Nt＜Nr。将M-MIMO系统简化为以下实数域数学模型：
y＝Hx+n (1)
其中，
Figure BDA0003143735440000051
为实数接收信号矢量，其中，yj为第j维接收信号，j＝1，2，…，2Nr。由于实际系统中的信号均等价为复数，在转换为实数模型时需考虑复数的实部与虚部，因此y矢量一共有2Nr个分量(x、H以及n与之类似)，(·)T表示转置操作，
Figure BDA0003143735440000052
为实数发送信号矢量，其中，xi为第i维发送信号，i＝1，2，…，2Nt，H为2Nr×2Nt维度的实数信道矩阵，
Figure BDA0003143735440000053
为实数加性高斯白噪声，其中，nj为第j维实数噪声信号，噪声均值为0、方差为
Figure BDA0003143735440000054
本发明中的信道主要考虑Kronecker相关信道模型，该模型下信道矩阵可以表示为：
H＝R1/2Hi.i.d.T1/2 (2)
其中，R是接收端空间相关矩阵，T是发送端空间相关矩阵，其接收端和发送端相关性通常分别用相关系数ζr和ζt来衡量。R1/2和T1/2可以由Cholesky分解得到，Hi.i.d.为独立同分布的瑞利信道矩阵。
假设接收端已知信道状况，第i维发送信号xi的先验概率为
Figure BDA00031437354400000616
其中，
Figure BDA0003143735440000061
是一个指示函数，表示如果发射信号xi在调制星座集Θ内，该函数取值为1，反之则取值为0。则发送信号矢量的后验概率可以表示为：
Figure BDA0003143735440000062
其中，
Figure BDA0003143735440000063
表示y服从均值为Hx，协方差矩阵为
Figure BDA0003143735440000064
的多维高斯分布，
Figure BDA0003143735440000065
表示2Nr×2Nr维单位阵，由于
Figure BDA0003143735440000066
是一个非高斯函数，使得最大化后验概率变得十分困难，EP算法的核心思想则在于用一个服从高斯分布的第i维发送信号xi的近似先验概率分布
Figure BDA0003143735440000067
来近似p(xi)，其中，∝表示正比于，λi和γi分别为第i个维度未归一化近似先验概率分布的二阶项和一阶项的系数，则发送信号矢量的近似后验概率q(x)可表示为：
Figure BDA0003143735440000068
设置向量
Figure BDA0003143735440000069
和
Figure BDA00031437354400000610
diag{·}用于返回一个对角阵。近似后验概率q(x)的均值向量μ和协方差矩阵∑的更新公式如下，
Figure BDA00031437354400000611
Figure BDA00031437354400000612
其中，
Figure BDA00031437354400000613
是归一化后的Gram矩阵，
Figure BDA00031437354400000614
是归一化后的匹配输出。在EP算法每轮的迭代中更新(γ，A)，从而更新近似后验概率q(x)的均值向量μ和协方差矩阵∑，在迭代的过程中近似后验概率q(x)会变得越来越准确。
在迭代开始前，设置初始值γi＝0和λi＝Es -1，Es表示平均符号能量。计算第i维度的腔边缘分布(cavity marginal distribution)，由第i维度上的发送信号xi的近似后验概率q(xi)删除第i维度上的近似先验概率分布得到，即：
Figure BDA00031437354400000615
其中，Vi和ρi分别为第i个维度未归一化的腔边缘分布的二阶项和一阶项的系数，则第i维度的腔边缘分布的均值ti和方差
Figure BDA0003143735440000071
计算式为：
Figure BDA0003143735440000072
Figure BDA0003143735440000073
μi为q(xi)的均值，也就是μ的第i维分量，∑ii为q(xi)的方差，也就是矩阵∑的第(i，i)个分量；
则发送信号xi的近似后验概率q(xi)可以表示为：
Figure BDA0003143735440000074
给第i维度的腔边缘分布引入发送信号xi的先验概率可以得到精炼分布(refineddistribution)
Figure BDA0003143735440000075
EPA算法从KL散度(Kullback-Leibler divergence)最小的角度上找到与
Figure BDA0003143735440000076
最接近的q(xi)。由于q(xi)是高斯分布，此时最小化KL散度等价于矩匹配(moment matching)，即一阶矩与二阶矩相等，则有
Figure BDA0003143735440000077
Figure BDA0003143735440000078
其中，ηi是精炼分布
Figure BDA0003143735440000079
的均值，也就是第i维度发送信号xi的估计值，
Figure BDA00031437354400000710
为精炼分布
Figure BDA00031437354400000715
的均值，
Figure BDA00031437354400000711
表示发送信号xi服从均值为ti、方差为
Figure BDA00031437354400000712
的高斯分布。令
Figure BDA00031437354400000713
以及
Figure BDA00031437354400000714
则式(11)可以等价地表示为：
ρ+γ＝(V+Λ)η (13)
将式(11)和式(13)带入到式(5)和式(6)，根据相关文献(X.Tan，Y.-L.Ueng，Z.Zhang，X.You，and C.Zhang，“A low-complexity massive MIMO detection based onapproximate expectation propagation，”IEEE Trans.Veh.Technol.，vol.68，no.8，pp.7260-7272，Aug.2019.)，可以得到：
ρ＝b+(-A+V)η (14)
此时，在每次的迭代中仍然需要计算∑ii的值，EPA算法考虑M-MIMO系统信道硬化的特征，即当天线数特别大时，Gram矩阵HTH会趋向于对角阵，用Gram矩阵的对角元素所组成的对角阵来替代Gram矩阵，则此时的求逆变成了对角阵求逆。因此，
Figure BDA0003143735440000081
{HTH}ii为Gram矩阵的第i行第i列的元素值；
则根据式(12)有
Figure BDA0003143735440000082
可以看出，EPA算法所作的近似成立的条件是Gram矩阵要近似地是对角阵，而在相关信道中Gram矩阵对角占优现象不再明显，因此EPA的性能会急剧恶化。
因此，提出了本发明的方案来解决现有EPA算法在相关信道下性能急剧恶化的问题。
实施例1：
如图1所示，一种大规模MIMO检测方法，包括步骤：
步骤101，基于深度学习网络构建近似期望传播网络，引入可学习的线性纠正参数，训练得到经训练的近似期望传播网络模型；
步骤102，根据获取的接收信号、信道信息和噪声信息得到接收信号矢量y，信道矩阵H以及噪声方差
Figure BDA0003143735440000083
步骤103，将接收信号矢量y，信道矩阵H以及噪声方差
Figure BDA0003143735440000084
数据输入到经训练的近似期望传播网络模型中，得到发射信号的估计值。
优选的，近似期望传播网络模型训练方法包括：
1)基于深度学习网络构建得到近似期望传播网络，记为EPANet，如图2所示，近似期望传播网络的每一层对应于EPA算法的每个迭代过程；在每个网络层(本发明中提及的网络层表示近似期望传播网络的某一层)中引入可学习的线性纠正参数来纠正EPA算法中每次迭代时的未归一化的腔边缘分布的二阶项系数；近似期望传播网络的最后一层的输出值作为发送信号的最终估计值；
优选的，所述近似期望传播网络的每一层(即第l层)的输入参数包括：
归一化后的Gram矩阵
Figure BDA0003143735440000091
和归一化后的匹配输出
Figure BDA0003143735440000092
用于第l层的第i个维度未归一化的腔边缘分布的一阶项系数
Figure BDA0003143735440000093
用于第l层的线性纠正前的第i个维度未归一化的腔边缘分布的二阶项系数
Figure BDA0003143735440000094
以及，第l-1层输出的第i维度的腔边缘分布的均值
Figure BDA0003143735440000095
和方差
Figure BDA0003143735440000096
优选的，所述近似期望传播网络的每一层(即第l层)的输出参数包括：
经过纠正后的EPA算法得到的用于第l+1层的第i个维度未归一化的腔边缘分布的一阶项的系数
Figure BDA0003143735440000097
第i维度发送信号xi的估计值
Figure BDA0003143735440000098
以及第l层输出的第i维度的腔边缘分布的均值
Figure BDA0003143735440000099
和方差
Figure BDA00031437354400000910
2Nt个
Figure BDA00031437354400000911
组成第l层输出的发送信号的估计值矢量η(l)，2Nt个
Figure BDA00031437354400000912
组成用于下一层的未归一化的腔边缘分布的一阶项的系数矢量ρ(l+1)。
输入参数初始值计算如下：
设置用于EPA算法初始化时第i个维度未归一化近似先验概率分布的二阶项和一阶项系数的初始值
Figure BDA00031437354400000913
和
Figure BDA00031437354400000914
Es表示平均符号能量。然后根据公式(5)(6)计算得到EPA算法初始化时发送信号矢量的近似后验概率分布的均值向量μ(0)和协方差矩阵∑(0)，再根据式(11)和式(12)计算得到EPA算法初始化时的第i个维度未归一化的腔边缘分布的一阶项和二阶项的系数
Figure BDA00031437354400000915
和Vi (0)：
Figure BDA00031437354400000916
Figure BDA00031437354400000917
其中，
Figure BDA00031437354400000918
和
Figure BDA00031437354400000919
分别为EPA算法初始化时发送信号矢量的近似后验概率分布的均值和方差；且用于EPA算法第一次迭代时的第i个维度未归一化的腔边缘分布的一阶项
Figure BDA00031437354400000920
近似期望传播网络的每一层对应于EPA算法的每次迭代过程，在每个网络层中引入两个可学习的参数α(l)和β(l)来线性地纠正EPA算法中每次迭代时的Vi (l)(即第l次迭代时的第i个维度未归一化的腔边缘分布的二阶项系数，公式(16)，其中，上标l表示近似期望传播网络层的序号，也是EPA算法的迭代序号，l范围为1，2，…，L；L为设定的近似期望传播网络总层数，也就是设定的EPA算法的迭代最大次数。将线性纠正前的第l次迭代时的第i个维度未归一化的腔边缘分布的二阶项系数记作
Figure BDA0003143735440000101
线性修正后的记作Vi (l)，则Vi (l)有如下表达式：
Figure BDA0003143735440000102
其中，
Figure BDA0003143735440000103
考虑到Vi (l)是q\i(xi)的方差的倒数，必须要大于0，因此添加一个ReLU激活函数来进一步地调整Vi (l)，因此Vi (l)的最终表达式为：
Figure BDA0003143735440000104
其中，ε是一个避免方差变成无穷大的非常小的常数，在后续的仿真中取值为1×10-12。
通过对第l次迭代时的第i个维度未归一化的腔边缘分布的二阶项系数的修正，使得该系数在相关信道下更加准确，从而提高了EPA检测方法的性能。
通过公式(8)和(9)计算第l层的第i维度的腔边缘分布q(l)\i(xi)的均值
Figure BDA0003143735440000105
和方差
Figure BDA0003143735440000106
并将其代入公式(11)求得第l网络层的精炼分布的均值
Figure BDA0003143735440000107
即EPA算法第l次迭代的第i维度发送信号xi的估计值，将2Nt个
Figure BDA0003143735440000108
组成矢量η(l)，即发送信号矢量在第l个网络层的估计值；根据公式(14)求得第l+1层的未归一化的腔边缘分布的一阶项的系数：
Figure BDA0003143735440000109
2Nt个
Figure BDA00031437354400001010
组成矢量ρ(l+1)，将A、b、ρ(l+1)、
Figure BDA00031437354400001011
和
Figure BDA00031437354400001012
作为下一个网络层的输入；
将第L个网络层的输出值η(L)作为发送信号的最终估计值输出。
优选的，考虑到EPA迭代算法如果收敛太快容易发散，收敛太慢又会经过很多次迭代没有达到最优解，而且迭代算法很容易在迭代的过程中陷入局部最优解，为了保证算法的收敛稳定性，进一步提高算法的性能，对第l层的第i维度的腔边缘分布q(l)\i(xi)的均值
Figure BDA00031437354400001013
和方差
Figure BDA00031437354400001014
引入可学习的阻尼系数
Figure BDA00031437354400001015
和
Figure BDA00031437354400001016
如下所示，
Figure BDA00031437354400001017
Figure BDA00031437354400001018
其中，当l＝1，
Figure BDA00031437354400001019
取值为
Figure BDA00031437354400001020
Figure BDA00031437354400001021
取值为
Figure BDA00031437354400001022
Figure BDA0003143735440000111
Figure BDA0003143735440000112
将公式(19)和(20)代入公式(11)求得第l网络层的精炼分布的均值
Figure BDA0003143735440000113
即EPA算法第l次迭代的第i维度发送信号xi的估计值，将2Nt个
Figure BDA0003143735440000114
组成矢量η(l)，即发送信号在第l个网络层的估计值；
2)通过训练数据对构建的近似期望传播网络进行训练，得到训练后的可学习的参数，固定可学习的参数即得到经训练的近似期望传播网络模型；
具体为：通过训练数据对构建的近似期望传播网络进行训练，得到训练后的可学习的参数α(l)和β(l)，固定可学习的参数即得到经训练的的近似期望传播网络模型；
优选的，若考虑引入可学习的阻尼系数，则通过训练数据对构建的近似期望传播网络进行训练，得到训练后的可学习的参数α(l)和β(l)和可学习的阻尼系数
Figure BDA0003143735440000115
和
Figure BDA0003143735440000116
固定可学习的参数和阻尼系数即得到经训练的的近似期望传播网络模型；
训练数据和验证数据在不同信道配置下随机生成，包括：发送信号矢量x，归一化后的Gram矩阵
Figure BDA0003143735440000117
和归一化后的匹配输出
Figure BDA0003143735440000118
优选的，每个网络层的部分损失函数设置为每个网络层输出的发送信号估计值和发送信号(即训练标签)的最小均方误差，网络层总的损失函数设置为每个网络层的损失函数的加权平均，从而提高算法的收敛性能，网络层总的损失函数为：
Figure BDA0003143735440000119
其中，wl为第l个网络层的权重。
设置学习率，使用批次训练，设置最小批次大小、总训练数据和训练迭代次数。由支持机器学习的平台上，选择特定的的优化器(例如Adam)进行训练，优化参数组
Figure BDA0003143735440000121
直到达到最大训练迭代次数。
本实施例中的步骤101和102顺序可以互换。
实施例2：
如图3所示，一种大规模MIMO检测装置，包括：
训练模块，用于训练近似期望传播网络模型，基于深度学习网络构建近似期望传播网络，近似期望传播网络的每一层对应于EPA算法的每个迭代过程；在每个网络层中引入可学习的线性纠正参数来纠正EPA算法中每次迭代时的未归一化的腔边缘分布的二阶项系数；近似期望传播网络的最后一层输出发送信号的最终估计值；对构建的所述近似期望传播网络进行训练，得到训练后的可学习的线性纠正参数，固定可学习的线性纠正参数即得到经训练的近似期望传播网络模型；
获取模块，用于根据获取的接收信号、信道信息和噪声信息得到接收信号矢量、信道矩阵以及噪声方差；
估计模块，用于将接收信号矢量、信道矩阵以及噪声方差数据输入到经训练的近似期望传播网络模型中，得到发射信号的估计值。
优选的，纠正后的EPA算法中每次迭代时的未归一化的腔边缘分布的二阶项系数为：
Figure BDA0003143735440000122
其中，
Figure BDA0003143735440000123
为纠正前的EPA算法中第l次迭代时的第i个维度未归一化的腔边缘分布的二阶项系数，{HTH}ii为Gram矩阵的第i行第i列的元素值，
Figure BDA0003143735440000124
为噪声方差，H为2Nr×2Nt维度的实数信道矩阵，Nt为发射天线数量，Nr为接收天线数量，α(l)和β(l)均为第l层可学习的线性纠正参数；ReLU为激活函数，ε是设定的常数；
Figure BDA0003143735440000125
Figure BDA0003143735440000126
为EPA算法初始化时发送信号矢量的近似后验概率分布的方差，
Figure BDA0003143735440000127
为EPA算法初始化时第i个维度未归一化近似先验概率分布的二阶项的系数。
优选的，在每个网络层中引入可学习的阻尼系数来纠正EPA算法中每次迭代时的腔边缘分布的均值和方差，公式为：
Figure BDA0003143735440000128
Figure BDA0003143735440000131
其中，
Figure BDA0003143735440000132
和
Figure BDA0003143735440000133
分别为EPA算法中第l次迭代的第i维度的腔边缘分布的均值和方差，
Figure BDA0003143735440000134
和
Figure BDA0003143735440000135
均为引入的第l层可学习的阻尼系数，当l＝1时，
Figure BDA0003143735440000136
的值为
Figure BDA0003143735440000137
Figure BDA0003143735440000138
的值为
Figure BDA0003143735440000139
优选的，所述近似期望传播网络的第l层的输入参数包括：
归一化后的Gram矩阵
Figure BDA00031437354400001310
归一化后的匹配输出
Figure BDA00031437354400001311
用于第l层的第i个维度未归一化的腔边缘分布的一阶项的系数
Figure BDA00031437354400001312
其初始值为：
Figure BDA00031437354400001313
用于第l层的线性纠正前的第i个维度未归一化的腔边缘分布的二阶项系数
Figure BDA00031437354400001314
其初始值为：
Figure BDA00031437354400001315
以及，第l-1层输出的第i维度的腔边缘分布的均值
Figure BDA00031437354400001316
和方差
Figure BDA00031437354400001317
其初始值为：
Figure BDA00031437354400001318
Figure BDA00031437354400001319
i＝1，2，…，2Nt
优选的，所述近似期望传播网络的第l层的输出参数包括：
经过纠正后的EPA算法得到的用于第l+1层的第i个维度未归一化的腔边缘分布的一阶项的系数
Figure BDA00031437354400001320
第i维度发送信号xi的估计值
Figure BDA00031437354400001321
以及第l层输出的第i维度的腔边缘分布的均值
Figure BDA00031437354400001322
和方差
Figure BDA00031437354400001323
2Nt个
Figure BDA00031437354400001324
组成第l层输出的发送信号的估计值矢量η(l)，2Nt个
Figure BDA0003143735440000141
组成用于下一层的未归一化的腔边缘分布的一阶项的系数矢量ρ(l+1)。
其中，上标l表示近似期望传播网络层的序号，l范围为1，2，…，L，L为设定的近似期望传播网络总层数，
Figure BDA0003143735440000142
和
Figure BDA0003143735440000143
分别为EPA算法初始化时发送信号矢量的近似后验概率分布的均值和方差，
Figure BDA0003143735440000144
为EPA算法初始化时第i个维度未归一化近似先验概率分布的一阶项的系数；y为实数接收信号矢量。
优选的，所述近似期望传播网络的总的损失函数D(η，x)为：
Figure BDA0003143735440000145
其中，wl为第l个网络层的权重，xi为第i维发送信号，
Figure BDA0003143735440000146
为EPA算法第l次迭代的第i维度发送信号xi的估计值。
实施例3：
一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行实施例1中的任意一项所述大规模MIMO检测方法。
实施例4：
本发明以下述配置为例，发送信号矢量x从QPSK调制中均匀随机产生，信道矩阵H从相关性信道模型中随机产生，相关性信道模型中的相关系数为ζt＝ξr＝0.3或ζt＝ξr＝0.5，发送天线数为32，接收天线数为48或64，信噪比从0～16dB随机均匀选取。学习率设置为0.001，使用批次训练，最小批次大小设定为64，总训练数据大小为16000。由Pytorch平台中的Adam优化器进行50次迭代训练，优化参数组{α(l)，β(l)}，直到达到最大训练迭代次数。仿真结果分析如下：
不同天线配比以及相关系数下，EPANet和EP，EPA以及其他几种基于深度学习方法(包括OAMPNet和DLM)的性能对比：
图4给出了相关系数ζt＝ζr＝0.3，不同收发天线数条件下的BER(误比特率)随SNR(信噪比)变化曲线，可以看出EPANet相比于EPA算法在接收天线数为64的情形下性能有一定的提高，并且要优于其他基于机器学习的检测方法以及EP的性能。在接收天线数为48的情形下，本发明所提出的EPANet的性能要明显优于其他的检测方法。当相关系数ζt＝ζr＝0.5时，如图5所示，EPA以及其他几种基于机器学习的检测方法面临着严重的性能损失。尽管EPANet算法性能要弱于EP，但是仍然显著地提高了EPA的性能并且优于其他几种基于机器学习的检测方法。
在大规模MIMO检测方法中进一步引入可学习的阻尼系数，按照上述实验方法来训练优化参数组
Figure BDA0003143735440000151
直到达到最大训练迭代次数。仿真结果分析如下：
不同天线配比以及相关系数下，EPANet和EP，EPA以及其他几种基于深度学习方法(包括OAMPNet和DLM)的性能对比：
图6给出了相关系数ζt＝ζr＝0.3，不同收发天线数条件下的BER(误比特率)随SNR(信噪比)变化曲线，可以看出EPANet相比于EPA算法在接收天线数为64的情形下性能有少量提高，这主要是因为这种配置下信道接近于独立同分布的瑞丽信道，此时的EPA算法的性能已经接近最优。尽管如此，EPANet的性能要优于其他基于机器学习的检测方法并且要优于EP的性能。在接收天线数为48的情形下，本发明所提出的EPANet的性能要明显优于其他的检测方法。当相关系数ζt＝ζr＝0.5时，如图7所示，EPA以及其他几种基于机器学习的检测方法面临着严重的性能损失。尽管EPANet算法性能要弱于EP，但是仍然显著地提高了EPA的性能并且优于其他几种基于机器学习的检测方法。此时和图5中仅优化参数组{α(l)，β(l)}的性能相比较，可以看出加入参数组
Figure BDA0003143735440000152
之后性能会得以进一步地提升，并且大幅优于EPA算法以及其他几种基于机器学习的检测方法。
不同相关性信道情况下的性能损失与复杂度对比：
图8中横坐标为EPANet网络模型在得到比特错误率BER为10-3时相比于EP算法的SNR损失，纵坐标为
Figure BDA0003143735440000153
用于衡量算法的相对复杂度，其中
Figure BDA0003143735440000154
表示某M-MIMO检测方法的复杂度，
Figure BDA0003143735440000155
表示MMSE检测方法(最小均方误差M-MIMO检测方法)的复杂度，复杂度的计算考虑指数运算、乘法运算、除法运算和加法运算的浮点数运算。FTR代表检测方法未能在图示SNR内达到指定BER。箭头的两端分别代表相关系数ξt＝ζr＝0.3和ξt＝ζr＝0.5。EPANet的性能在ζt＝ξr＝0.3情况下优于EP，尽管ζt＝ζr＝0.5时性能要弱于EP，但是EPANet的复杂度仅为EP的44.36％。EPANet具有与EPA相似的复杂度，在不同的信道配置下可以获得更好的性能。此外，与OAMPNet相比，EPANet的复杂度降低70％，性能提高了0.8～1.1dB。虽然DLM的复杂度最低，但当信道相关性较强时，即ζt＝ξr＝0.5，它的性能严重下降，甚至无法收敛。通过SNR损失的变化(EPANet箭头长度最短)验证了EPANet对不同信道相关性的鲁棒性。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (11)

1.一种大规模MIMO检测方法，其特征在于：包括步骤：
根据获取的接收信号、信道信息和噪声信息得到接收信号矢量、信道矩阵以及噪声方差；
将接收信号矢量、信道矩阵以及噪声方差数据输入到经训练的近似期望传播网络模型中，得到发射信号的估计值；
所述近似期望传播网络模型训练过程包括：
基于深度学习网络构建近似期望传播网络，近似期望传播网络的每一层对应于EPA算法的每个迭代过程；在每个网络层引入可学习的线性纠正参数来纠正EPA算法中每次迭代时的未归一化的腔边缘分布的二阶项系数；近似期望传播网络的最后一层输出发送信号的最终估计值；
对构建的所述近似期望传播网络进行训练，得到训练后的可学习的线性纠正参数，固定可学习的线性纠正参数即得到所述经训练的近似期望传播网络模型。
2.根据权利要求1所述的一种大规模MIMO检测方法，其特征在于：在每个网络层中引入可学习的阻尼系数来纠正EPA算法中每次迭代时的腔边缘分布的均值和方差。
3.根据权利要求1所述的一种大规模MIMO检测方法，其特征在于：所述近似期望传播网络的每一层的输入参数包括：
归一化后的Gram矩阵
Figure FDA0003143735430000011
归一化后的匹配输出
Figure FDA0003143735430000012
用于当前层的未归一化的腔边缘分布的一阶项系数；
用于当前层线性纠正前的未归一化的腔边缘分布的二阶项系数；
以及上一层输出的腔边缘分布的均值和方差；
其中，y为实数域接收信号矢量，H为实数信道矩阵，
Figure FDA0003143735430000013
为噪声方差。
4.根据权利要求1所述的一种大规模MIMO检测方法，其特征在于：所述近似期望传播网络的每一层的输出参数包括：
用于下一层的未归一化的腔边缘分布的一阶项的系数，当前层输出的发送信号的估计值，以及当前层输出的腔边缘分布的均值和方差。
5.根据权利要求1～4任意一项所述的一种大规模MIMO检测方法，其特征在于：所述近似期望传播网络的总的损失函数为每个网络层的部分损失函数的加权平均，每个网络层的部分损失函数设置为每个网络层的输出的发送信号估计值和发送信号的最小均方误差。
6.一种大规模MIMO检测装置，其特征在于：包括：
训练模块，用于基于深度学习网络构建近似期望传播网络，近似期望传播网络的每一层对应于EPA算法的每个迭代过程；在每个网络层引入可学习的线性纠正参数来纠正EPA算法中每次迭代时的未归一化的腔边缘分布的二阶项系数；近似期望传播网络的最后一层输出发送信号的最终估计值；对构建的所述近似期望传播网络进行训练，得到训练后的可学习的线性纠正参数，固定可学习的线性纠正参数即得到经训练的近似期望传播网络模型；
获取模块，用于根据获取的接收信号、信道信息和噪声信息得到接收信号矢量、信道矩阵以及噪声方差；
估计模块，用于将接收信号矢量、信道矩阵以及噪声方差数据输入到经训练的近似期望传播网络模型中，得到发射信号的估计值。
7.根据权利要求6所述的一种大规模MIMO检测装置，其特征在于：在每个网络层中引入可学习的阻尼系数来纠正EPA算法中每次迭代时的腔边缘分布的均值和方差。
8.根据权利要求6所述的一种大规模MIMO检测装置，其特征在于：所述近似期望传播网络的每一层的输入参数包括：
归一化后的Gram矩阵
Figure FDA0003143735430000021
归一化后的匹配输出
Figure FDA0003143735430000022
用于当前层的未归一化的腔边缘分布的一阶项系数；
用于当前层线性纠正前的未归一化的腔边缘分布的二阶项系数；
以及上一层输出的腔边缘分布的均值和方差；
其中，y为实数域接收信号矢量，H为实数信道矩阵，
Figure FDA0003143735430000023
为噪声方差。
9.根据权利要求6所述的一种大规模MIMO检测装置，其特征在于：所述近似期望传播网络的每一层的输出参数包括：
用于下一层的未归一化的腔边缘分布的一阶项的系数，当前层输出的发送信号的估计值，以及当前层输出的腔边缘分布的均值和方差。
10.根据权利要求6～9任意一项所述的一种大规模MIMO检测装置，其特征在于：所述近似期望传播网络的总的损失函数为每个网络层的部分损失函数的加权平均，每个网络层的部分损失函数设置为每个网络层的输出的发送信号的估计值和发送信号的最小均方误差。
11.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1～5中任意一项所述大规模MIMO检测方法。
CN202110748205.8A 2021-07-01 2021-07-01 一种大规模mimo检测方法、装置和存储介质 Active CN113541747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110748205.8A CN113541747B (zh) 2021-07-01 2021-07-01 一种大规模mimo检测方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110748205.8A CN113541747B (zh) 2021-07-01 2021-07-01 一种大规模mimo检测方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN113541747A CN113541747A (zh) 2021-10-22
CN113541747B true CN113541747B (zh) 2022-07-08

Family

ID=78097637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110748205.8A Active CN113541747B (zh) 2021-07-01 2021-07-01 一种大规模mimo检测方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN113541747B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114499601B (zh) * 2021-12-23 2023-04-28 西安电子科技大学 一种基于深度学习的大规模mimo信号检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108390705A (zh) * 2018-03-29 2018-08-10 东南大学 基于bp算法构建的深度神经网络大规模mimo系统检测方法
CN110719239A (zh) * 2019-09-29 2020-01-21 东南大学 一种数据模型双驱动的联合mimo信道估计和信号检测方法
CN110740005A (zh) * 2019-10-25 2020-01-31 网络通信与安全紫金山实验室 一种基于路径分多址的上行链路信道预测方法及预测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9042493B2 (en) * 2012-11-27 2015-05-26 Samsung Electronics Co., Ltd. Method and apparatus for iteratively detecting and decoding signal in communication system with multiple-input and multiple-out (MIMO) channel
US9967173B2 (en) * 2015-07-31 2018-05-08 At&T Intellectual Property I, L.P. Method and apparatus for authentication and identity management of communicating devices

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108390705A (zh) * 2018-03-29 2018-08-10 东南大学 基于bp算法构建的深度神经网络大规模mimo系统检测方法
CN110719239A (zh) * 2019-09-29 2020-01-21 东南大学 一种数据模型双驱动的联合mimo信道估计和信号检测方法
CN110740005A (zh) * 2019-10-25 2020-01-31 网络通信与安全紫金山实验室 一种基于路径分多址的上行链路信道预测方法及预测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Low-Complexity Massive MIMO Detection Based on Approximate Expectation Propagation;Xiaosi Tan 等;《IEEE Transactions on Vehicular Technology》;20190626;第68卷(第8期);第7260-7272页 *
Improving Massive MIMO Message Passing Detectors With Deep Neural Network;Xiaosi Tan 等;《IEEE Transactions on Vehicular Technology》;20191219;第69卷(第2期);第1267-1280页 *
Non-Coherent Multi-User Detection Based on Expectation Propagation;Khac-Hoang Ngo 等;《2019 53rd Asilomar Conference on Signals, Systems, and Computers》;20200330;全文 *

Also Published As

Publication number Publication date
CN113541747A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN111131097B (zh) Sc-mimo水声通信环境下的块对角稀疏贝叶斯信道估计方法
CN112637094A (zh) 一种基于模型驱动深度学习的多用户mimo接收方法
WO2008116016A2 (en) Fast square root algorithm for mimo equalization
CN114051701A (zh) 用于机器学习辅助预编码的设备和方法
CN113676431B (zh) 一种基于模型驱动的无循环前缀mimo-ofdm接收方法
CN112217545B (zh) 一种大规模mimo系统检测模型构建方法
CN113541747B (zh) 一种大规模mimo检测方法、装置和存储介质
CN114301545B (zh) 信号检测方法、装置、电子设备及存储介质
CN109391315B (zh) 一种数据模型双驱动的mimo接收机
CN106130936A (zh) 一种Alpha稳定分布噪声环境下的非线性信道均衡方法
CN115037339B (zh) 信号检测方法及终端设备
US20230075680A1 (en) Wireless receiving apparatus and method thereof
CN117060952A (zh) 多输入多输出系统中的信号检测方法及装置
US11309991B2 (en) Wireless receiver apparatus
JP2022163465A (ja) 受信装置および復調のためのパラメータ生成方法
CN113037409B (zh) 基于深度学习的大规模mimo系统信号检测方法
CN111769975A (zh) Mimo系统信号检测方法及系统
CN106817155B (zh) 一种基于加权Kapetyn级数展开的大规模MIMO低复杂度信道估计方法
CN106911431B (zh) 应用于稀疏编码多址接入系统解调过程中改进的部分边缘信息传递方法
CN113630160B (zh) 一种大规模mimo检测方法、装置、设备和存储介质
CN110784274B (zh) 一种针对大规模多输入多输出的接收机算法的确定方法
CN114362884B (zh) 一种利用软信息反馈的单比特大规模mimo接收方法
CN111786703B (zh) 大规模mimo的自适应双阈值下行信道估计方法
CN112260811B (zh) 一种多输入多输出正交频分多路复用系统的导频分配方法
CN115865155B (zh) 一种多散射簇信道下基于mab的两阶段预编码方法

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