CN114337746A - 一种基于深度学习的大规模mimo信号检测方法 - Google Patents

一种基于深度学习的大规模mimo信号检测方法 Download PDF

Info

Publication number
CN114337746A
CN114337746A CN202210035728.2A CN202210035728A CN114337746A CN 114337746 A CN114337746 A CN 114337746A CN 202210035728 A CN202210035728 A CN 202210035728A CN 114337746 A CN114337746 A CN 114337746A
Authority
CN
China
Prior art keywords
detection
deep learning
obtaining
signal
detection network
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.)
Pending
Application number
CN202210035728.2A
Other languages
English (en)
Inventor
申滨
曾相誌
阳建
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210035728.2A priority Critical patent/CN114337746A/zh
Publication of CN114337746A publication Critical patent/CN114337746A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Radio Transmission System (AREA)

Abstract

本发明涉及一种基于深度学习的大规模MIMO信号检测方法，属于无线通信领域。该方法为：根据系统模型，获得接收信号
Figure DDA0003460772230000011
信道矩阵
Figure DDA0003460772230000012
和用户端传输的调制信号
Figure DDA0003460772230000013
利用Jacobi迭代检测算法，获得深度学习检测网络；设置所述深度学习检测网络的损失函数；利用所述
Figure DDA0003460772230000014
所述
Figure DDA0003460772230000015
和所述
Figure DDA0003460772230000016
对所述深度学习检测网络进行训练，获得训练好的检测网络。由于训练好的检测网络的参数为最优参数，可以补偿传统算法的误差，因此，训练好的检测网络能够有效提升原Jacobi算法的检测性能和鲁棒性。

Description

一种基于深度学习的大规模MIMO信号检测方法
技术领域
本发明属于无线通信领域，尤其涉及一种基于深度学习的大规模MIMO信号检测方法。
背景技术
与传统MIMO技术相比，大规模MIMO技术能够实现更高的传输速率和频率效率，是目前无线通信系统的关键技术之一。然而由于大规模MIMO技术的主要是在发送端和接收端配备大量的天线，这也为信号检测器带来了极大的计算压力，因此设计出具有低计算复杂度和高检测精度的检测算法具有极大的意义。
最大似然(ML)检测算法理论上能够达到最高的检测精度，然而由于ML检测器在检测的过程中需要穷举搜索所有可能的发送信号的组合，其计算复杂度随调制模式以及发送天线数呈指数式增加，因此并不适用于大规模MIMO系统。对于次优的检测算法，如球解码算法(SD)，该算法在一个固定半径的超球面内进行搜索，降低了ML检测的计算复杂度，然而在大规模MIMO系统中计算复杂度仍然极高。在大规模MIMO系统中由于信道硬化现象的存在，简单的线性检测算法，如MMSE线性检测算法能够达到接近最优的检测性能，但算法中仍然存在计算复杂度较高的矩阵求逆操作。为进一步降低计算复杂度，现有的大规模MIMO检测技术多以迭代检测的方式来避免对高维矩阵进行直接求逆的操作。Jacobi算法为迭代检测算法之一，该算法在系统的负载因子较小时能够取得不错的检测性能，然而该算法需要的迭代次数较多，收敛速度较慢，此外当负载因子较大时，算法的检测性能会下降。
近年来，深度学习技术作为一种流行的人工智能技术，在计算机视觉，自然语言处理等多个领域都取得了极大的成就，也被广泛应用于解决通信领域的问题。在信号检测方面，基于深度学习信号检测技术的思想通常分为两大类：数据驱动和模型驱动。在数据驱动的深度学习检测网络中，检测器通常被视为一个黑盒，很难理解它们的运行机制，同时此类网络通常具有大量的参数，需要足够多的训练数据和较长的训练时间，因此限制了其在大规模MIMO系统中的应用。模型驱动技术又称为深度展开技术，该技术通过将传统的迭代检测算法与深度学习技术相结合，能够有效的平衡MIMO检测算法的检测性能和计算复杂度。与数据驱动的检测算法相比，模型驱动的神经网络由于是在传统的检测算法的基础上改进的，因此与基于数据驱动的方法相比，模型驱动展开的网络通常是可解释的，而且往往具有更少的参数，因此可以更快的训练。
针对大规模MIMO系统中Jacobi检测算法存在的问题，本发明在Jacobi算法的基础上，结合深度学习技术，提出一种大规模MIMO信号检测算法，通过训练，找到网络的最优参数，可以补偿传统算法的误差。因此，在网络训练完成后，能够有效提升原Jacobi算法的检测性能和鲁棒性。
发明内容
针对现有技术存在的问题，本发明提供了一种基于模型驱动深度学习的大规模MIMO信号检测算法，能够有效提升原Jacobi算法的检测性能和鲁棒性。
第一方面，提供一种基于深度学习的大规模MIMO信号检测方法，所述方法包括：根据系统模型，获得接收信号
Figure BDA0003460772210000021
信道矩阵
Figure BDA0003460772210000022
和用户端传输的调制信号
Figure BDA0003460772210000023
利用Jacobi迭代检测算法，获得深度学习检测网络；设置所述深度学习检测网络的损失函数；利用所述
Figure BDA0003460772210000024
所述
Figure BDA0003460772210000025
和所述
Figure BDA0003460772210000026
对所述深度学习检测网络进行训练，获得训练好的检测网络。
进一步地，所述利用Jacobi迭代检测算法，获得深度学习检测网络，包括：利用Jacobi迭代检测算法的迭代公式，获得变量zi；对变量zi添加训练参数Θ，获得变量mi；将变量mi输入到激活函数ρ中，获得变量vi；将变量vi输入到非线性投影函数ψγ(·)中，获得检测结果
Figure BDA0003460772210000027
进一步地，所述方法还包括：获得接收信号
Figure BDA0003460772210000028
和信道矩阵
Figure BDA0003460772210000029
将
Figure BDA00034607722100000210
和
Figure BDA00034607722100000211
输入到训练好的检测网络中，得到用户端发送信号的检测结果。
进一步地，在利用所述
Figure BDA00034607722100000212
所述
Figure BDA00034607722100000213
和所述
Figure BDA00034607722100000214
对所述深度学习检测网络进行训练之前，包括：获得所述
Figure BDA00034607722100000215
的等价实数域信号；获得所述
Figure BDA00034607722100000216
的等价实数域信号；获得所述
Figure BDA00034607722100000217
的等价实数域信号。
可选的，所述训练参数Θ为
Figure BDA00034607722100000218
可选的，所述训练参数Θ为
Figure BDA00034607722100000219
第二方面，提供一种基于深度学习的大规模MIMO信号检测装置，包括：
获得单元，用于根据系统模型，获得接收信号
Figure BDA00034607722100000220
信道矩阵
Figure BDA00034607722100000221
和用户端传输的调制信号
Figure BDA00034607722100000222
获得单元，还用于利用Jacobi迭代检测算法，获得深度学习检测网络；
设置单元，用于设置所述深度学习检测网络的损失函数；
获得单元，还用于利用所述
Figure BDA00034607722100000223
所述
Figure BDA00034607722100000224
和所述
Figure BDA00034607722100000225
对所述深度学习检测网络进行训练，获得训练好的检测网络。
第三方面，本申请提供一种电子设备，该电子设备包括：处理器和存储器，所述存储器与所述处理器耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器从所述存储器中读取所述计算机指令，以使得所述电子设备执行如第一方面所述的大规模MIMO信号检测方法。
第四方面，本申请提供一种计算机存储介质，包括计算机指令，当所述计算机指令在终端上运行时，使得所述终端执行如第一方面所述的大规模MIMO信号检测方法。
第五方面，本申请提供一种计算机程序产品，当所述计算机程序产品在计算上运行时，使得所述计算机执行如第一方面所述的大规模MIMO信号检测方法。
通过上述技术方案，将Jacobi迭代检测算法改造为深度学习检测网络，从而利用接收信号、信道矩阵、用户端传输的调制信号和设置的损失函数，对深度学习检测网络进行训练，可以获得检测网络的最优参数，这样可以补偿传统算法的误差，进而在检测网络训练完成后，能够有效提升原Jacobi算法的检测性能和鲁棒性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，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为本申请实施例应用的通信场景图；
图2为本申请实施例提供的一种大规模MIMO系统的信号检测方法的流程图；
图3为所提出的检测网络在大规模MIMO中的具体检测流程；
图4为所提出的检测网络标准的一层网络结构；
图5为所提出的检测网络在大规模MIMO中的具体检测流程；
图6为实例中所涉及的一种基于深度学习的大规模MIMO信号检测装置的结构示意图；
图7为本申请实例的一种电子设备的结构示意图；
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作出创造性劳动的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。
需要说明的是，如图1所示，本发明的应用场景可以为Nt个单天线用户和配置有Nr根天线的基站。
还需要说明的是，本申请考虑的是大规模MIMO系统的上行链路，本申请提供的信号检测方法应用于基站侧。
图2为本申请一个实施例提供的一种基于深度学习的大规模MIMO信号检测方法的流程图，如图2所示，该方法为：
S201：根据系统模型，获得接收信号
Figure BDA0003460772210000041
信道矩阵
Figure BDA0003460772210000042
和用户端传输的调制信号
Figure BDA0003460772210000043
还需要说明的是，所诉系统模型如下：
Figure BDA0003460772210000044
其中，
Figure BDA0003460772210000045
为基站端的接收信号，
Figure BDA0003460772210000046
为用户端传输的调制信号，
Figure BDA0003460772210000047
为服从高斯分布
Figure BDA0003460772210000048
的加性高斯白噪声，
Figure BDA0003460772210000049
是通过信道估计器获得的信道矩阵，
Figure BDA00034607722100000410
为独立同分布的信道矩阵且服从高斯分布
Figure BDA00034607722100000411
Figure BDA00034607722100000412
为
Figure BDA00034607722100000413
的第i列，
Figure BDA00034607722100000414
其中，
Figure BDA00034607722100000415
表示第j个用户到基站的第i根天线之间的信道增益。
S202：利用Jacobi迭代检测算法，获得深度学习检测网络。
还需要说明的是，如图3所示，利用Jacobi迭代检测算法，获得深度学习检测网络，包括:
S301：利用Jacobi迭代检测算法的迭代公式，获得第i层的变量zi。
还需要说明的是，Jacobi迭代检测算法为一种有效的大规模MIMO信号检测算法，该算法利用大规模MIMO系统中信道硬化现象，能够以迭代的形式避免MMSE算法中的矩阵求逆运算，达到次优的检测性能。
Jacobi迭代检测算法的第i次迭代过程如下:
Figure BDA00034607722100000416
由此，根据Jacobi迭代检测算法，所诉检测网络第i层的变量zi如下所示：
Figure BDA00034607722100000417
S302：对变量zi添加训练参数Θ，获得变量mi。
需要说明的是，训练参数Θ可以为
Figure BDA00034607722100000418
还可以为
Figure BDA00034607722100000419
可选的，当训练参数Θ为
Figure BDA00034607722100000420
时，变量mi为Wizi+bi。
可选的，当训练参数Θ为
Figure BDA0003460772210000051
时，变量zi可以改写为
Figure BDA0003460772210000052
即
Figure BDA0003460772210000053
由此，变量mi为
Figure BDA0003460772210000054
S303：将变量mi输入到激活函数ρ中，获得变量vi。
还需要说明的是，将变量mi输入到激活函数ρ中，获得变量vi，即，
vi＝ρ(Wizi+bi)
可选的，在本申请中，激活函数ρ(·)可以为ReLU函数，即
Figure BDA0003460772210000055
S304：将变量vi输入到非线性投影函数ψγ(·)中，获得所述深度学习检测网络第i层的检测结果
Figure BDA0003460772210000056
需要说明的是，在本申请中，所诉非线性投影函数ψγ(·)为以下形式：
Figure BDA0003460772210000057
其中γ为可所诉网络中的学习参数。
S203：设置所述深度学习检测网络的损失函数。
需要说明的是，所诉损失函数中考虑了各层的检测信号
Figure BDA0003460772210000058
和真实的发送信号x之间关系，损失函数可以表示为：
Figure BDA0003460772210000059
Figure BDA00034607722100000510
其中λi为所诉网络中的可训练的参数。
S204：利用所述
Figure BDA00034607722100000511
所述
Figure BDA00034607722100000512
和所述
Figure BDA00034607722100000513
对所述深度学习检测网络进行训练，获得训练好的检测网络。
需要说明的是，在对所诉深度学习检测网络进行训练之前，需要设置数据转换层，获得
Figure BDA00034607722100000514
的等价实数域信号；获得所述
Figure BDA00034607722100000515
的等价实数域信号；获得所述
Figure BDA00034607722100000516
的等价实数域信号。数据转换的过程如下：
Figure BDA00034607722100000517
Figure BDA00034607722100000518
其中
Figure BDA0003460772210000061
和
Figure BDA0003460772210000062
分别表示复数域信号的实部和虚部。
还需要说明的是，在所诉数据转换层之后，还需设置预处理层对所诉经过数据转换层之后的信号进行处理，得到所诉深度学习检测网络的输入信号(A,b,D,和
Figure BDA0003460772210000063
)。所诉A和b分别为
Figure BDA0003460772210000064
和HHy；所诉D为A的对角矩阵。所诉检测网络的初始检测信号
Figure BDA0003460772210000065
设置为D-1b。
还需要说明的是，如图4所示，为所诉深度学习检测网络的训练过程。所述深度学习检测网络中的可训练参数为
Figure BDA0003460772210000066
其中L为所述网络的层数。在所述网络的训练过程，由于其需要工作在不同的信噪比环境中，因此通过大规模MIMO系统生成批量大小的训练数据
Figure BDA0003460772210000067
的信噪比SNR是随机从均匀分布u(SNRmin，SNRmax)中选取的。在生成好训练数据之后，再将训练数据输入所诉网络进行训练。在训练过程中所诉网络采用Adam优化器来最小化损失函数，学习率θ设置0.001，并且该学习率在每经过1000次训练后，变为之前的0.9倍。还应当注意在所诉网络中采用的是增量学习的训练方式，即开始训练单层的网络，然后逐层添加网络层数进行训练，直到整个L层的网络训练完成。
如图5所示，在获得到训练好的检测网络后，所述方法还包括：
S205：获得接收信号
Figure BDA0003460772210000068
和信道矩阵
Figure BDA0003460772210000069
需要说明的是，所诉接收信号
Figure BDA00034607722100000610
为用户端的发送信号
Figure BDA00034607722100000611
经过MIMO信道和噪声
Figure BDA00034607722100000612
干扰后在基站端接收到的信号。所诉信道矩阵
Figure BDA00034607722100000613
为在基站端使用信道估计器获得的信道状态信息。
S206：将
Figure BDA00034607722100000614
和
Figure BDA00034607722100000615
输入到训练好的检测网络中，得到用户端发送信号的检测结果。
需要说明的是，在检测之前需要将所诉信号
Figure BDA00034607722100000616
和
Figure BDA00034607722100000617
输入数据转换层和预处理层将进行信号处理。
由于所诉检测网络经过大量训练数据离线训练后，所诉网络中可训练参数利用反向传播通过导数链式法则计算损失函数对各参数的梯度，并根据梯度进行更新为最优值。因此所诉检测网络相比于传统的Jacobi检测算法具有更优秀的检测性能。
在采用集成的单元的情况下，图6示出了上述实施例中所涉及的一种基于深度学习的大规模MIMO信号检测装置的结构示意图。该装置包括：获得单元601、设置单元602。
获得单元601，用于根据系统模型，获得接收信号
Figure BDA00034607722100000618
信道矩阵
Figure BDA00034607722100000619
和用户端传输的调制信号
Figure BDA00034607722100000620
获得单元601，还用于利用Jacobi迭代检测算法，获得深度学习检测网络；
设置单元602，用于设置所述深度学习检测网络的损失函数；
获得单元601，还用于利用所述
Figure BDA00034607722100000621
所述
Figure BDA00034607722100000622
和所述
Figure BDA00034607722100000623
对所述深度学习检测网络进行训练，获得训练好的检测网络。
还需要说明的是，为描述的方便和简洁，上述描述的大规模MIMO信号检测装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图7为本申请实施例三提供的一种电子设备的结构示意图，如图7所示，该装置可以包括处理器701和存储器702，所述存储器702与所述处理器701耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器从所述存储器中读取所述计算机指令，以使得所述电子设备执行实施例一所提供的大规模MIMO信号检测方法。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质可以包括计算机程序或指令，当该计算机程序或指令在计算机上运行时，使得该计算机执行上述实施例所述的大规模MIMO信号检测方法。
本申请实施例提供一种计算机程序产品，包括计算机程序或指令，当该计算机程序或指令在计算机上运行时，使得该计算机执行上述实施例所述的大规模MIMO信号检测方法。
上述实施例可以全部或部分通过软件、硬件、固件或者任意组合实现。当使用软件程序实现时，上述实施例可以全部或部分地以计算机程序产品的形式出现，计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。
应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于深度学习的大规模MIMO信号检测方法，其特征在于，所述方法包括：
根据系统模型，获得接收信号
Figure FDA0003460772200000011
信道矩阵
Figure FDA0003460772200000012
和用户端传输的调制信号
Figure FDA0003460772200000013
利用Jacobi迭代检测算法，获得深度学习检测网络；
设置所述深度学习检测网络的损失函数；
利用所述
Figure FDA0003460772200000014
所述
Figure FDA0003460772200000015
和所述
Figure FDA0003460772200000016
对所述深度学习检测网络进行训练，获得训练好的检测网络。
2.根据权利要求1所述的是大规模MIMO信号检测方法，其特征在于，所述利用Jacobi迭代检测算法，获得深度学习检测网络，包括：
利用Jacobi迭代检测算法的迭代公式，获得所述深度学习检测网络第i层的变量zi；
对变量zi添加训练参数Θ，获得变量mi；
将变量mi输入到激活函数ρ中，获得变量vi；
将变量vi输入到非线性投影函数ψγ(.)中，获得所述深度学习检测网络第i层的检测结果
Figure FDA0003460772200000017
3.根据权利要求1所述的是大规模MIMO信号检测方法，其特征在于，所述方法还包括：
获得接收信号
Figure FDA0003460772200000018
和信道矩阵
Figure FDA0003460772200000019
将
Figure FDA00034607722000000110
和
Figure FDA00034607722000000111
输入到训练好的检测网络中，得到用户端发送信号的检测结果。
4.根据权利要求1所述的是大规模MIMO信号检测方法，其特征在于，在利用所述
Figure FDA00034607722000000112
所述
Figure FDA00034607722000000113
和所述
Figure FDA00034607722000000114
对所述深度学习检测网络进行训练之前，包括：获得所述
Figure FDA00034607722000000115
的等价实数域信号；获得所述
Figure FDA00034607722000000116
的等价实数域信号；获得所述
Figure FDA00034607722000000117
的等价实数域信号。
5.根据权利要求1-4所述的是大规模MIMO信号检测方法，其特征在于，所述训练参数Θ为
Figure FDA00034607722000000118
6.根据权利要求1-4所述的是大规模MIMO信号检测方法，其特征在于，所述训练参数Θ为
Figure FDA00034607722000000119
7.一种基于深度学习的大规模MIMO信号检测装置，其特征在于，包括：
获得单元，用于根据系统模型，获得接收信号
Figure FDA00034607722000000120
信道矩阵
Figure FDA00034607722000000121
和用户端传输的调制信号
Figure FDA00034607722000000122
获得单元，还用于利用Jacobi迭代检测算法，获得深度学习检测网络；
设置单元，用于设置所述深度学习检测网络的损失函数；
获得单元，还用于利用所述
Figure FDA00034607722000000123
所述
Figure FDA00034607722000000124
和所述
Figure FDA00034607722000000125
对所述深度学习检测网络进行训练，获得训练好的检测网络。
8.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器与所述处理器耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器从所述存储器中读取所述计算机指令，以使得所述电子设备执行如权利要求1～6中任一项所述的大规模MIMO信号检测方法。
9.一种计算机可读存储介质，其特征在于，包括计算机指令，当所述计算机指令在终端上运行时，使得所述终端执行如权利要求1～6中任一项所述的大规模MIMO信号检测方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算上运行时，使得所述计算机执行如权利要求1～6中任一项所述的大规模MIMO信号检测方法。
CN202210035728.2A 2022-01-07 2022-01-07 一种基于深度学习的大规模mimo信号检测方法 Pending CN114337746A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210035728.2A CN114337746A (zh) 2022-01-07 2022-01-07 一种基于深度学习的大规模mimo信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210035728.2A CN114337746A (zh) 2022-01-07 2022-01-07 一种基于深度学习的大规模mimo信号检测方法

Publications (1)

Publication Number Publication Date
CN114337746A true CN114337746A (zh) 2022-04-12

Family

ID=81026511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210035728.2A Pending CN114337746A (zh) 2022-01-07 2022-01-07 一种基于深度学习的大规模mimo信号检测方法

Country Status (1)

Country Link
CN (1) CN114337746A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170092263A1 (en) * 2013-12-06 2017-03-30 International Business Machines Corporation Systems and methods for accelerating hessian-free optimization for deep neural networks by implicit preconditioning and sampling
CN108523907A (zh) * 2018-01-22 2018-09-14 上海交通大学 基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统
JP2019030623A (ja) * 2016-11-15 2019-02-28 炭　親良 ビームフォーミング方法、計測イメージング装置、及び、通信装置
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
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法
CN111630787A (zh) * 2020-04-07 2020-09-04 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术
CN112054832A (zh) * 2020-09-08 2020-12-08 西安交通大学 一种深度学习多输入多输出检测方法
CN112821926A (zh) * 2021-01-18 2021-05-18 重庆邮电大学 一种基于模型驱动的深度信号检测方法
CN113037409A (zh) * 2019-12-09 2021-06-25 清华大学 基于深度学习的大规模mimo系统信号检测方法
CN113517941A (zh) * 2021-07-06 2021-10-19 西安电子科技大学广州研究院 一种大规模mimo系统信道估计与迭代检测仿真方法和系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170092263A1 (en) * 2013-12-06 2017-03-30 International Business Machines Corporation Systems and methods for accelerating hessian-free optimization for deep neural networks by implicit preconditioning and sampling
JP2019030623A (ja) * 2016-11-15 2019-02-28 炭　親良 ビームフォーミング方法、計測イメージング装置、及び、通信装置
CN108523907A (zh) * 2018-01-22 2018-09-14 上海交通大学 基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统
CN113037409A (zh) * 2019-12-09 2021-06-25 清华大学 基于深度学习的大规模mimo系统信号检测方法
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
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法
CN111630787A (zh) * 2020-04-07 2020-09-04 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术
WO2021203242A1 (zh) * 2020-04-07 2021-10-14 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术
CN112054832A (zh) * 2020-09-08 2020-12-08 西安交通大学 一种深度学习多输入多输出检测方法
CN112821926A (zh) * 2021-01-18 2021-05-18 重庆邮电大学 一种基于模型驱动的深度信号检测方法
CN113517941A (zh) * 2021-07-06 2021-10-19 西安电子科技大学广州研究院 一种大规模mimo系统信道估计与迭代检测仿真方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Y LEE: "《Decision-aided Jacobi iteration for signal detection in massive MIMO systems》", 《ELECTRONICS LETTERS》 *
ZHAO DAN: "《A Low-Complexing Hybrid Iterative Signal Detection Algorithm for Massive MIMO》", 《2020 IEEE 8TH INTERNATIONAL CONFERENCE ON INFORMATION,COMMUNICATION AND NETWORKS》 *
晏小琴: "《基于深度学习的大规模MIMO信号检测方法》", 《中国优秀硕士学位论文全文数据库》 *

Similar Documents

Publication Publication Date Title
CN111224906B (zh) 基于深度神经网络的近似消息传递大规模mimo信号检测算法
US20200145951A1 (en) Learning communication systems using channel approximation
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
CN114915523B (zh) 基于模型驱动的智能超表面信道估计方法及系统
CN114362855A (zh) 一种基于lstm的信道状态预测方法及系统
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
CN113438746B (zh) 一种基于能量调制的大规模随机接入方法
Kim et al. Massive data generation for deep learning-aided wireless systems using meta learning and generative adversarial network
CN114499601A (zh) 一种基于深度学习的大规模mimo信号检测方法
US11489560B2 (en) Method of parameter estimation for a multi-input multi-output system
CN114337745A (zh) 一种模型驱动深度学习的大规模mimo信号检测方法
CN114337746A (zh) 一种基于深度学习的大规模mimo信号检测方法
CN116132235A (zh) 一种基于深度学习的连续相位调制信号解调方法
CN115426077A (zh) 译码路径确定方法、装置、计算机设备和存储介质
CN113037409B (zh) 基于深度学习的大规模mimo系统信号检测方法
CN114640561A (zh) 一种通信信号传输方法和设备
CN108737298B (zh) 一种基于图像处理的scma盲检测方法
CN110912643B (zh) 一种基于机器学习的amp检测改进方法
CN116760494A (zh) 一种基于卷积神经网络的大规模mimo信号检测方法
US11817976B2 (en) Adaptive coding and modulation
US8447228B2 (en) Power distribution apparatus, power distribution method, and non-instant computer readable medium thereof
CN116781128B (zh) 基于迁移学习和自编码器模型的端到端中继合作通信方法
WO2023125424A1 (zh) 解码方法、设备及可读存储介质
CN114629592B (zh) 通信电子信号抗干扰优化方法、系统及装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220412

WD01 Invention patent application deemed withdrawn after publication