CN114614863A

CN114614863A - Mimo检测器选择

Info

Publication number: CN114614863A
Application number: CN202111388767.2A
Authority: CN
Inventors: P·科特什瓦·斯里纳斯; J·霍伊迪斯
Original assignee: Nokia Technologies Oy
Current assignee: Nokia Technologies Oy
Priority date: 2020-12-04
Filing date: 2021-11-22
Publication date: 2022-06-10
Anticipated expiration: 2041-11-22
Also published as: US20220182111A1; EP4012940A1; CN114614863B; US11387870B2

Abstract

描述了用于MIMO检测器选择的一种装置、方法和计算机程序，包括：在MIMO通信系统的接收器处通过信道接收传输，该传输从与接收器通信的多个发送器接收，其中每个通信是具有调制和编码方案的分开的通信；针对多个发送器中的每个发送器，将对信道的估计转换为对针对多个可用MIMO检测器中的每个可用MIMO检测器的比特度量解码率的估计；将针对可用MIMO检测器中的每个可用MIMO检测器的多个发送器中的每个发送器的估计的比特度量解码率转换为针对多个发送器中的每个发送器的多个可用MIMO检测器中的每个可用MIMO检测器的估计的比特错误率；以及选择所述可用MIMO检测器中的一个可用MIMO检测器以用在针对从所述多个发送器向所述接收器发送的比特生成对数似然比中，其中所述可用MIMO检测器中的所述一个可用MIMO检测器基于估计的比特错误率和目标块错误率被选择。

Description

MIMO检测器选择

技术领域

本说明书涉及多输入多输出(MIMO)系统中检测器的选择。

背景技术

MIMO系统的检测器可以用于对传输比特的估计的生成中。可以使用多种可能的检测器，每个检测器都有不同的优点和缺点。该领域仍需要进一步发展。

发明内容

在第一方面，本说明书描述了一种装置(例如，MIMO系统的接收器)，包括用于执行以下项的部件：在MIMO通信系统的接收器处通过信道接收传输，该传输从与接收器通信的多个发送器被接收，其中每个通信是具有调制和编码方案的分开的通信；针对多个发送器中的每个发送器，将对信道的估计转换为对针对多个可用 MIMO检测器中的每个可用MIMO检测器的比特度量解码率 (BMDR)的估计；将针对可用MIMO检测器中的每个可用MIMO检测器的多个发送器中的每个发送器的估计的比特度量解码率转换为针对多个发送器中的每个发送器的多个可用MIMO检测器中的每个可用MIMO检测器的估计的比特错误率；以及选择所述可用 MIMO检测器中的一个可用MIMO检测器以用在针对从所述多个发送器向所述接收器发送的比特生成对数似然比中，其中所述可用 MIMO检测器中的所述一个可用MIMO检测器基于估计的比特错误率和目标块错误率被选择。可用MIMO检测器例如可以包括以下中的一种或多种：MMSE、K-best检测器和球形检测器算法、或其变体。

接收器可以是MIMO通信系统的基站。备选地，例如，可以在具有多个天线的用户设备(例如，UE)处接收传输。发送器可以是多个用户设备(例如，UE)。备选地，例如，多个传输可以包括单个用户设备(可能具有多个天线)和/或基站(可能具有多个天线)。

一些示例实施例包括使用机器学习模型(诸如神经网络)来将对信道的估计转换为所述比特度量解码率估计。机器学习模型可以至少部分地基于估计的比特度量解码率和在多个系统模拟期间计算的对应的比特错误率值来训练。备选地，例如，可以使用来自真实系统的测量。

一些示例实施例包括：基于信道矩阵的QR分解获得上三角矩阵，其中信道矩阵是对信道的估计；以及使用所述机器学习模型将上三角矩阵转换为所述比特度量解码率估计。一些示例实施例包括执行信道估计的QR分解以生成所述上三角矩阵。存在这种布置的备选，诸如QL分解，并且可以在一些示例实施例中使用。

一些示例实施例包括针对多个可用MIMO检测器中的特定一个可用MIMO检测器，确定针对每个传输(例如每个用户)目标误块率是否被满足，并且如果是，则确定所述MIMO检测器满足所述目标。可以基于估计的比特度量解码率是否高于阈值来确定多个可用MIMO检测器中的特定一个可用MIMO检测器针对特定传输是否满足目标。在一些示例实施例中，用于选择所述可用MIMO检测器中的一个可用MIMO检测器的部件选择针对所述传输中的每个传输满足所述目标的所述可用MIMO检测器中的一个可用MIMO检测器。选择所述可用MIMO检测器中的一个可用MIMO检测器可以选择针对每个传输满足所述目标的所述可用MIMO检测器中的最简单的一个可用MIMO检测器，尽管其他选择标准也是可能的。

用于执行将比特度量解码率数据转换为比特错误率数据的部件可以包括查找表。一些示例实施例还包括：确定MIMO系统的配置；以及基于确定的所述配置从多个可用查找表中选择所述查找表。

一些示例实施例还包括接收或生成所述信道矩阵。

在一些示例实施例中，用于执行选择所述可用MIMO检测器中的所述一个可用MIMO检测器的部件在信道估计每次被更新时更新所述选择。

所述部件可以包括：至少一个处理器；以及至少一个存储器，包括计算机程序代码，该至少一个存储器和计算机程序被配置为与至少一个处理器一起引起该装置的执行。

在第二方面，本说明书描述了一种方法，包括：在MIMO通信系统的接收器处通过信道接收传输，该传输从与接收器通信的多个发送器被接收，其中每个通信是具有调制和编码方案的分开的通信；针对多个发送器中的每个发送器，将对信道的估计转换为对针对多个可用MIMO检测器中的每个可用MIMO检测器的比特度量解码率的估计；将针对可用MIMO检测器中的每个可用MIMO检测器的多个发送器中的每个发送器的估计的比特度量解码率转换为针对多个发送器中的每个发送器的多个可用MIMO检测器中的每个可用 MIMO检测器的估计的比特错误率；以及选择所述可用MIMO检测器中的一个可用MIMO检测器以用在针对从所述多个发送器向所述接收器发送的比特生成对数似然比中，其中所述可用MIMO检测器中的所述一个可用MIMO检测器基于估计的比特错误率和目标块错误率被选择。

该方法可以包括使用机器学习模型(诸如神经网络)来将对信道的估计转换为所述比特度量解码率估计。机器学习模型可以至少部分地基于估计的比特度量解码率和在多个系统模拟期间计算的对应的比特错误率值来训练。备选地，例如，可以使用来自真实系统的测量。

该方法可以包括：基于信道矩阵的QR分解获得上三角矩阵，其中信道矩阵是对信道的估计；以及使用所述机器学习模型将上三角矩阵转换为所述比特度量解码率估计。

该方法可以包括针对多个可用MIMO检测器中的特定一个可用 MIMO检测器，确定针对每个传输(例如每个用户)目标误块率是否被满足，并且如果是，则确定所述MIMO检测器满足所述目标。可以基于估计的比特度量解码率是否高于阈值来确定多个可用MIMO检测器中的特定一个可用MIMO检测器针对特定传输是否满足目标。在一些示例实施例中，用于选择所述可用MIMO检测器中的一个可用MIMO检测器的部件选择针对所述传输中的每个传输满足所述目标的所述可用MIMO检测器中的一个可用MIMO检测器。选择所述可用MIMO检测器中的一个可用MIMO检测器可以选择针对每个传输满足所述目标的所述可用MIMO检测器中的最简单的一个可用 MIMO检测器，尽管其他选择布置也是可能的。

将比特度量解码率数据转换为比特错误率数据可以包括使用查找表。一些示例实施例还包括：确定MIMO系统的配置；以及基于确定的所述配置从多个可用查找表中选择所述查找表。

在第三方面，本说明书描述了计算机可读指令，计算机可读指令在由计算装置执行时使计算装置(至少)执行如参考第二方面所描述的任何方法。

在第四方面，本说明书描述了一种计算机可读介质(诸如非瞬时性计算机可读介质)，包括存储在其上的程序指令，该程序指令用于(至少)执行如参考第二方面描述的任何方法。

在第五方面，本说明书描述了一种装置，包括：至少一个处理器；以及至少一个存储器，包括计算机程序代码，计算机程序代码在由至少一个处理器执行时使该装置(至少)执行如参考第二方面所描述的任何方法。

在第六方面，本说明书描述了一种计算机程序，该计算机程序包括用于使装置至少执行以下项的指令：在MIMO通信系统的接收器处通过信道接收传输，该传输从与接收器通信的多个发送器被接收，其中每个通信是具有调制和编码方案的分开的通信；针对多个发送器中的每个发送器，将对信道的估计转换为对针对多个可用 MIMO检测器中的每个可用MIMO检测器的比特度量解码率的估计；将针对可用MIMO检测器中的每个可用MIMO检测器的多个发送器中的每个发送器的估计的比特度量解码率转换为针对多个发送器中的每个发送器的多个可用MIMO检测器中的每个可用MIMO检测器的估计的比特错误率；以及选择所述可用MIMO检测器中的一个可用MIMO检测器以用在针对从所述多个发送器向所述接收器发送的比特生成对数似然比中，其中所述可用MIMO检测器中的所述一个可用MIMO检测器基于估计的比特错误率和目标块错误率被选择。

在第七方面，本说明书描述了一种装置，该装置包括用于在 MIMO通信系统的接收器处通过信道接收传输的部件(诸如基站的接收器)，该传输从与接收器通信的多个发送器被接收，其中每个通信是具有调制和编码方案的分开的通信；用于针对多个发送器中的每个发送器将对信道的估计转换为对针对多个可用MIMO检测器中的每个可用MIMO检测器的比特度量解码率的估计的部件(诸如机器学习模型)；用于将针对可用MIMO检测器中的每个可用 MIMO检测器的多个发送器中的每个发送器的估计的比特度量解码率转换为针对多个发送器中的每个发送器的多个可用MIMO检测器中的每个可用MIMO检测器的估计的比特错误率的部件(诸如查找表)；以及用于选择所述可用MIMO检测器中的一个可用MIMO 检测器以用在针对从所述多个发送器向所述接收器发送的比特生成对数似然比中，其中所述可用MIMO检测器中的所述一个可用 MIMO检测器基于估计的比特错误率和目标块错误率被选择的部件。该装置还可以包括用于(至少)执行如参考第二方面所描述的任何方法的部件。

附图说明

现在将参考以下示意图仅通过示例来描述示例实施例，在附图中：

图1是根据示例实施例的系统的框图；

图2是示出根据示例实施例的算法的流程图；

图3和图4是展示示例实施例的方面的曲线图；

图5是根据示例实施例的系统的框图；

图6至图8是示出根据示例实施例的算法的流程图；

图9A和9B是示出示例模拟的归一化绝对误差的曲线图；

图10A和10B是示出示例检测选择模拟的性能的曲线图；

图11A、11B、12A和12B显示了例如模拟的精确度和召回数据；

图13A和13B显示了例如模拟的检测器选择准确度；

图14A和14B比较了检测器选择精度与基线选择布置；

图15是根据示例实施例的系统的组件的框图；以及

图16A和16B分别显示了有形介质，分别为存储计算机可读代码的可移动非易失性存储器单元和光盘(CD)，计算机可读代码在由计算机运行时执行根据示例实施例的操作。

具体实施方式

本发明的各种实施例所寻求的保护范围由独立权利要求规定。说明书中描述的不属于独立权利要求的范围的实施例和特征(如果有)将被解释为对理解本发明的各种实施例有用的示例。

在描述和附图中，相同的附图标记始终指代相同的元素。

图1是根据示例实施例的系统的框图，总体上由附图标记1指示。系统1是无线多用户多输入多输出(MU-MIMO)系统。

系统1包括发送器部分2、信道3和接收器部分4。

发送器部分2包括第一信道编码模块10a、第一调制模块11a和第一传输12a。类似地，发送器部分包括第二信道编码模块10b、第二调制模块11b和第二发送器12b。此外，发送器部分2包括第三信道编码模块10c、第三调制模块11c和第三发送器12c。

从第一用户设备UE₁接收第一数据流，调制编码方案被第一信道编码模块10a和第一调制模块11a应用于第一数据流，编码的数据流由第一发送器12a通过信道3向接收器部分4发送。

类似地，从第二用户设备UE₂接收第二数据流，调制编码方案被第二信道编码模块10b和第二调制模块11b应用于第二数据流，编码的数据流由第二发送器UE2通过信道3向接收器部分4发送。

最后，从第k个用户设备UE_k接收第k个数据流，调制编码方案被第三信道编码模块10c和第三调制模块11c应用到第k个数据流，编码的数据流由第三发送器12c通过信道3向接收器部分4发送。

当然，系统1可以被提供任何数目的数据流。

如图1所示，接收器部分4包括MIMO接收器14、MIMO检测器15、信道估计器16和信道解码器17。MIMO接收器14可以采用传输系统1的基站的形式。MIMO接收器14向解码器15提供信号向量y_r。MIMO接收器14还从信道估计器16接收信道估计H_est。

基于信号向量y_r和信道估计H_est，MIMO检测器15为每个发送的比特生成对数似然比(LLR)。信道解码器17将生成的LLR转换为由用户设备UE₁、UE₂......UE_k发送的比特的估计。

有几个候选检测器可以用作MIMO解码器15，包括线性MMSE (LMMSE)检测器、K-最佳检测器和球体检测器(SD)。本领域技术人员将知道另外的候选检测器。

LMMSE检测器通常在三者中具有最小复杂度，但通常也是最不可靠的。球体检测器(SD)是最大似然检测器(MLD)，通常是最复杂但也是最可靠的检测器。κ-最佳检测器在复杂性和可靠性方面通常在两者之间。然而，取决于信道的实现，LMMSE检测器的性能几乎可以与MLD一样好，而κ-最佳检测器在实践中的大部分时间都可以与MLD一样好。此外，很多时候为了易于检测而权衡错误性能可能是有益的。例如，应用可能只满足于10^-3的块错误率 (BLER)，而MLD可能会为上下文中的信噪比(SNR)提供10^-6的 BLER。在这种情况下，如果LMMSE检测器提供10^-3的BLER，则谨慎使用它。每个检测器的性能取决于瞬时信道实现和SNR。

图2是示出了根据示例实施例的算法的流程图，总体上由附图标记20指示。

如下文进一步讨论的，算法20可用于从一组可用检测器中选择检测器，以便对来自多天线5G基站处的N_u个多个多天线用户(UE) 的数据进行解码。算法20的变体可用于其他情况。例如，尽管算法 20适用于上行链路传输场景，但类似的原理可以应用于下行链路传输。

算法20开始于操作21，其中在MIMO通信系统的接收器(诸如接收器14)处通过信道(诸如信道3)接收传输，传输从与接收器通信的多个发送器被接收，其中每个通信是具有调制和编码方案的分开的通信。接收器可以是MIMO通信系统的基站。备选地，例如，传输可以在具有多个天线的用户设备(例如，UE)处接收。类似地，尽管多个发送器可以是多个用户设备。备选地，例如，多个发送器可以包括单个用户设备(可能具有多个天线)和/或基站(可能具有多个天线)。因此，本文中描述的原理适用于传输系统1的许多变体。

在操作22，对信道的估计被获得。在示例系统1中，信道估计可以由信道估计器16生成，但是许多备选布置是可能的。实际上，如果信道估计已经可用，则可以省略操作22。

在操作23，针对多个发送器中的每个发送器，对信道的估计被转换为对针对多个可用MIMO检测器中的每个可用MIMO检测器的比特度量解码率(BMDR)的估计，如下文详细讨论的。

在操作24，针对可用MIMO检测器中的每个可用MIMO检测器的多个发送器中的每个发送器的估计比特度量解码率(BMDR) 被转换为针对多个发送器中的每个发送器的多个可用MIMO检测器中的每个可用MIMO检测器的估计比特错误率(BER)。

在操作25，所述可用MIMO检测器中的一个可用MIMO检测器被选择用在针对从所述多个发送器发送到所述接收器的比特生成对数似然比(LLR)中。MIMO检测器基于估计的错误率和目标块错误率被选择。如下文进一步讨论的，可用MIMO检测器中的最不复杂的检测器可以被选择(例如，满足多个要求的最不复杂的检测器)。

如下文进一步讨论的，算法20可以应用于上述系统1；然而，算法20的备选实现是可能的。

在系统1中，令

是在MU-MIMO模式中的上行链路中的给定小区中的给定传输时间间隔(TTI)中被调度的N_u个 UE(即，这些UE在相同的资源块上被调度)。令N_r为接收器/基站处的Rx输入的数目，并且

为UE_k，k＝1，2，…，N_u处的传输天线的数目。进一步，令

每个UE执行信息比特的信道编码，然后将编码比特映射到调制符号。这是根据用于上行链路传输的调制和编码方案(MCS)来完成的 (例如，使用上述编码模块10和调制模块11)。每个UE通过空间流传输调制符号块，并且该调制符号块在接收器14处被接收。下面描述的符号适用于代码块内的每个接收符号。

不失一般性，我们可以假设UE_k传输

个数目的调制数据流(我们也称之为“层”)。我们假设、N_r≥N。在本文档中，我们假设所有 UE采用相同的QAM星座

但是推广到每个星座大小不同的情况并不困难。

的大小是M并且其值在BS处是已知的。

是每个大小为

的两个PAM星座的笛卡尔积，表示为

令H_k为

信道矩阵，表示UE_k和BS之间的信道。令

y_r＝Hs+n_int+n_AWGN (1)

其中：

·

是在接收器/基站(BS)处从所有UE接收的信号

·

是级联信道矩阵

·n_AWGN是接收器处的加性高斯白噪声

·n_int是来自其他小区的同信道干扰，以及

·

是N_u个UE传输的累积信号向量。

信号与干扰噪声比(SINR)由下式给出：

预处理阶段可能包括：噪声白化；复实数转换和QR分解，如下文进一步讨论。

执行噪声白化以白化AWGN+同信道干扰。结果是

其中，由于白化，有效噪声和干扰项

现在近似转换为具有每复数维度方差σ²的白噪声。

有效SINR为：

其中P是QAM星座的平均能量，并且||H||_F是

的Frobenius范数。

将(2)中的模型转换为其实数(在复数到实数转换中)以获得：

其中

是真正的AWGN。

执行

的QR分解以获得

其中

是正交的且

是上三角矩阵(如下文进一步讨论)。接下来，我们获得

以得到

其中由于Q的正交性，

继续被白化。

如上所述，算法20为多个发送器中的每个发送器生成多个可用 MIMO检测器中的每个可用MIMO检测器的比特度量解码率(BMDR) 的估计。比特度量解码率将在下面进一步讨论。

由于用户k从M-QAM传输

个符号，因此它每传输编码

比特。令这些比特的向量表示为

然后，以信道H为条件，与ρ的SINR处的用户k的检测器

相关联的比特度量解码率(BMDR)定义为：

其中：

·

是使用检测器

的用户k的第i个比特的LLR

·σ(.)是sigmoid函数

·CE(.)是二元交叉熵函数，分别给出为：

在(6)中，

表示对噪声n和比特流b_k的期望。BMDR是一个在0和1之间的值，它取决于通过信道矩阵H的SINRρ和噪声n的方差。它也随着ρ单调递增。对于多用户MIMO系统，用户的BMDR取决于以下：

·检测器挑选：从(7)可以清楚地看出这一点，因为检测器会影响比率。

·信号与干扰噪声比：BMDR随SINR/SNR单调增加。

·信道的条件编号k：信道H的条件编号被给出如下：

其中

和

分别是H的最大和最小非零奇异值(假设全列秩为N)。

条件良好的信道有κ≤10dB，而具有κ≥20dB的信道被认为不适合MIMO传输。

R的非对角元素：由于R是上三角形，因此其上非对角元素捕获符号间干扰量，因此对每个用户的最终BMDR起着决定性作用。

星座大小M：星座大小会影响LLR，从而影响BMDR。

在算法20中，针对多个可用MIMO检测器中的每个可用MIMO 检测器的多个发送器中的每个发送器的估计的比特度量解码率 (BMDR)被转换为针对多个发送器中的每个发送器的多个可用 MIMO检测器中的每个可用MIMO检测器的估计的比特错误率 (BER)。下面进一步讨论BMDR和可实现的BER之间的关系。

图3是一般由参考数字30指示的图，展示了示例实施例的方面。该图显示了具有κ＝17.93dB的信道的LMMSE和MLD解码器的编码BER。

图4是一般由参考数字40指示的图，展示了示例实施例的方面。曲线40显示了与曲线30相同的信道的经验估计BMDR。

假设速率r^(k)的信道代码

用于用户k。对于某些x∈(0，1)，令

为

至少为x处的最小(下限)SNR(或 SINR)。也就是，

然后，实现在

下任意接近0的BER所需的最小SNR

的下限是

因此，

通常，对于每个

BMDR都存在一个余量

使得

对于具有无限块长度的理想外部代码

它遵循

很明显，BMDR是具有检测器的

的代码的性能的良好预测器，这在图3和图4中进一步示出。在这些图中，可以观察到，MLD的BER看到了大约0.4dB的瀑布斜率(waterfall slope)，而对于单用户4×16MIMO系统(N_r＝16，N＝4)，LMMSE 检测器的BER看到了大约1.2dB的瀑布斜率。长度为64800的 Rate-2/3dvbs2ldpc代码用于绘制编码BER。可以观察到与这些 SNR值对应的BMDR在0.69-0.72之间。所以，我们可以得出结论，对于这个特定的信道和信道代码，

图5是根据示例实施例的系统的框图，总体上由附图标记50指示。

系统50包括接收器模块51、BMDR生成器52和判决做出模块 53。判决做出模块53选择通常由参考数字54指示的多个检测器中的一个检测器。

多个检测器54包括具有不同复杂性和错误处理能力的N_d检测器

检测器可以按复杂性的递增顺序和/或可靠性的递减顺序排列。通常，接收器N_r的天线数目是固定的，因此在选择用于训练的信道实现时，只需要考虑N、n_u和

的不同组合。我们在下面详细介绍了N、n_u和

的挑选组合的训练过程。

接收器模块51接收在MIMO通信系统的信道上传输的信号向量 y，并且还获得与所使用的调制和编码方案(MCS)有关的信息。接收器模块51获得信道估计，执行信道估计的QR分解并将上三角R矩阵提供给BMDR生成器52。示例R矩阵55在图5中示出。

BMDR生成器52包括机器学习(ML)模块选择器56a和以训练卷积神经网络(CNN)56b的形式的选定机器学习模块。CNN 56b用于预测每个用户和每个可用检测器的比特度量解码率(BMDR)。训练 CNN 56b的机制将在下面进一步讨论。

ML模块选择器56a接收与相关MIMO系统的配置有关的数据。例如，如系统50中所示，ML模块选择器可以(从接收器模块51) 接收信息，诸如MCS的星座大小M、用户设备N_u的数目和正在使用的Tx-天线组合的细节。

基于MIMO系统配置，可以使用多个经训练的ML模块中的一个来实现CNN 56b。

CNN 56b使用机器学习模型针对多个发送器中的每个发送器将信道的估计转换为针对多个可用MIMO检测器中的每个可用MIMO 检测器的比特度量解码率(BMDR)的估计。具体地，如系统50中所示，CNN 56b将上三角矩阵55转换为所述比特度量解码率估计。使用信道估计的上三角R矩阵作为对CNN的输入捕获准确预测 BMDR所需的所有特征。但是，应该注意QR分解(诸如QL分解)的备选是可能的。

判决做出模块53包括查找表(LUT)57并接收BLER要求(例如目标BLER)。查找表57可以用于将针对可用MIMO检测器中的每个可用MIMO检测器的多个发送器中的每个发送器的估计比特度量解码率转换为针对多个发送器中的每个发送器的可用MIMO检测器中的每个可用MIMO检测器的估计比特错误率。

基于预测的BMDR，判决做出模块53利用查找表57从多个可用检测器54中选择检测器。例如，选定的检测器可以是满足BLER 要求的最不复杂的检测器。在存在信道代码的情况下，BMDR和检测算法的BLER之间存在很强的关系。因此，使用BMDR作为定义检测器选择的特征可能会引起更好的准确性。

如下文进一步讨论的，离线训练阶段可用于训练系统50的至少一些元件。

例如，可以根据预定的信道模型或从真实世界的数据来具有挑选条件数范围从0到25dB(均匀采样)的MIMO信道实现的集合

我们已经使用符号

来表示该集合由N、n_u和

参数化。

的每个元素都被归一化为单位Frobenius范数。接下来，我们考虑系统中使用的所有可能的QAM星座。例如，5G的星座大小M取值为4、16、64、256。对于每个星座，以dB为单位的有用SNR值的范围被确定为[ρ_min(M)，ρ_max(M)]。请注意，此范围取决于M，因为较低阶星座的SNR的有用范围可能低于较高阶星座的有用值范围。由P_M表示的SNR值的集合是通过以具有预定水平的粒度的均匀离散间隔从[ρ_min(M)，ρ_max(M)]中采样获得的。接下来，有效的信道实现的集合

被获得，其中P是M-QAM的平均能量。从(3)中，标量

确保在

是用于传输的有效信道且噪声方差为每复维的单位是ρdB时的SNR(dB)。

我们已经使用符号

来表示集合由N、n_u、

和M参数化。

对于每个集合

和每个

根据 (2)中给出的信道模型，通过对AWGN噪声(具有单位方差)和输入比特流的几种实现进行平均，为每个解码器

逼近每个用户的BMDR。我们将这个BMDR结果集表示为

为了清楚起见，每个BMDR(H_i)都是由

表示的N_D个元素的元组，并且元组的每个元素被给出为

我们省略了使用ρ来参数化

因为噪声方差是统一的并且ρ完全由||H_i||_F确定。

每个元素

都是一个大小为(N_r，N)的复矩阵，可以转换为实值矩阵

如

其中

和

分别生成H_i的入口实部和虚部。接下来，执行

的QR分解以获得

其中

是正交的且

是上三角。N、n_u、

M的组合的训练数据集的输入由以下给出：

标签是

其中当

与Q_i正交时，BMDR(R_i)＝BMDR(H_i)。每个训练样本都是(R_i，BMDR(R_i))对，并且整个标记数据集由以下给出

我们注意到BMDR(R_i)与BMDR(D₁，R_i，D₁)相同，其中D₁和D₂是具有±1条目的任意对角矩阵。由于D₂的不变性是因为PAM星座的对称性(其效果从(5)和(6)很明显)，并且由于D₁的不变性是因为如果Q_i正交，那么是Q_iD₁和

该属性可以在训练CNN 56b 的同时使用，以提高训练速度和提高做出预测的鲁棒性。

我们由f_θ表示要训练的CNN，其中θ表示CNN可训练参数的向量。同样，当其输入为_^R时，令f_θ(R)表示CNN的输出。CNN具有预测每个用户和每个检测器的BMDR的N_DN_u个输出，并令

表示与用户k和检测器

的BMDR预测相关联的输出。在每个训练时期的开始，

随机打乱并分成几个大小为B的小批量 (可能除了可能具有较小的大小的最后一个小批量)。然后使用每个小批量

来执行CNN的一个优化步骤。对于每个

我们还在CNN的相同优化步骤中考虑 (D_1，iR_i，BMDR(R_i))和(R_i，D_2，i，BMDR(R_i))，其可训练参数不变。具有随机±1条目的对角矩阵D_1，i和D_2，i是独立于其他样本随机挑选的。在小批量中标记对(R_i，BMDR(R_i))的训练损失(基于归一化平均绝对偏差)为

小批量的总损失为

对损失

执行优化步骤并更新CNN的参数θ，然后考虑下一个小批量进行训练。重复此操作，直到所有小批量都用完，并且随后下一个时期开始。

在一些示例实施例中，可以针对每个用户(并且可以选择供模块56a使用)以及针对N、N_u、

和M的每个组合来训练分开的 CNN。在这种情况下，N、N_u、

k和N的值决定使用哪个模型。在其他实施例中，可以使用整个数据集为所有用户训练单个CNN，整个数据集由N、N_u、

和M的每个组合的所有单独数据集组成。在这种情况下，模型的输入还将包括N、N_u、

和M 的值。前一种情况可能会引起更准确的预测。

图6是示出了根据示例实施例的算法的流程图，总体上由附图标记60指示。

算法60开始于操作62，其中关于针对多个可用MIMO检测器中的特定一个可用MIMO检测器，目标块错误率是否满足每个传输 (例如每个用户)做出确定，并且如果是，则确定所述MIMO检测器满足所述目标。

在操作64，关于多个候选MIMO检测器(诸如检测器54)中的哪个满足块错误率目标做出确定。

在操作66，选择已在操作64中确定满足块错误率目标的MIMO 检测器中的一个MIMO检测器。在具体示例算法60中，满足目标的最简单的MIMO检测器被选择使用。

检测器选择可以每几个符号N_s执行一次(实时)，并且相同的挑选的检测器用于几个连续的子载波N_f。这意味着相同的检测器可用于 OFDM子帧中的N_fN_s个资源元素的网格。N_f和N_s的挑选可以分别取决于延迟扩展和多普勒频移。可以使用神经网络来预测N_f和N_s的最佳值。或者备选地，可以估计延迟扩展和多普勒频移，并且可以使用查找表来确定这些的最佳值。

在接收如(1)中给出的信号向量y_r后，执行从(2)-(5)的步骤序列。估计噪声方差，并执行归一化以得到

y＝Rs+II,

由于归一化，其中在方差为0.5的情况下n是真实AWGN。这种归一化是必要的，因为CNN是在对噪声方差的这种假设下进行训练的。接下来，上三角矩阵R被输入到经训练的CNN中，该经训练的 CNN输出每个用户和每个检测器的BMDR估计，由

表示。特别地，

和以前一样，令r^(k)表示用于用户k的LDPC码的速率。r^(k)和M 都由MCS水平定义。查找表将具有

的存储值，该存储器使用在(12)中针对LDPC码率r^(k)给出的定义被先验估计。

图7是示出了根据示例实施例的算法的流程图，总体上由附图标记70指示。算法70示出了如何创建查找表的示例。

余量值是对应于所需BLER的值。如前所述，检测器按复杂度递增的顺序排列，因此如果i＜j，

不如

复杂(也较不可靠)。

如果至少存在一个k∈{1，2，…，N_u}使得对于某些

则挑选最多用户数满足

的最简单的复杂度

换句话说，挑选

其中

其中1_{A}表示事件A的指示符，并且如果A发生则等于1，否则等于 0。如果不存在这样的k，则有两种可能来挑选检测器。

挑选

这意味着挑选了最小复杂度的检测器，因为无论如何没有检测器是有用的。

挑选

这意味着为每个用户选择具有最佳BMDR的最复杂的解码器。这在HARQ重传的情况下可能很有用。

图8是示出根据示例实施例的算法的流程图，总体由参考数字 80指示。算法80示出了例如使用算法70生成的查找表可以如何用于在线检测器选择。

如下文进一步讨论的，许多模拟已被用于研究本文所述的原理。

出于仿真目的，我们考虑了4×16单用户MIMO系统(4Tx、 16Rx)。我们考虑了100000个信道实现的训练数据集，条件数均在0-25dB范围内。对于4-QAM和长度为64800的MATLAB 的Rate-2/3dvbs2ldpc代码，考虑了-4到1dB(以0.1dB为间隔) 的SNR范围。测试数据集包含25000个信道实现。

在我们用于模拟的CNN中，我们考虑了4个卷积层，然后是 4个密集层，全部使用ReLU激活。以下是该模型的摘要。

总参数:83,050

可训练的参数:83,050

不可训练的参数:0

图9A和9B是分别示出LMMSE和MLD检测器算法的示例模拟的归一化绝对误差的图。特别地，图9A和9B示出了预测BMDR 和实际BMDR(通过对超过两千个独立噪声实现和比特流进行平均计算的标签)之间的归一化平均绝对偏差的数值计算的累积密度函数(CDF)。虚线是针对数据集中每个SNR值将估计视为训练数据集的平均BMDR的情况。可以注意到，在超过95％的时间，预测的BMDR距离实际BMDR在5％以内。

接下来，我们模拟实时检测选择场景。出于我们的目的，我们使用以下规则：如果目标BLER未被任一检测器满足，或者如果被 LMMSE检测器满足，则默认挑选是LMMSE检测器(因为在前一种情况下复杂度较低)。否则，MLD检测器是最佳挑选。

图10A和10B是示出示例检测选择模拟的性能的图。

我们考虑条件数为17.92dB的特定信道，其BER曲线和 BMDR显示在上面讨论的图3和4中。对于该信道，图10A和10B 分别显示了每个检测器对于0.01和0.001的目标BLER是理想的实例的分数。标记为“无”的标签是两个检测器都不满足BLER目标的情况(但LMMSE检测器是默认挑选，因为它较不复杂)。

精度和召回率度量可用于衡量特定选择方法的性能。这些度量在文献中是众所周知的，如下所示。

图11A和11B示出了目标块错误率为0.01时检测器的精度和召回率数据。同样，图12A和12B示出了目标块错误率为0.001时检测器的精度和召回率数据。

图13A和13B示出了用于示例模拟的检测器选择准确度。

对于LMMSE检测器，在0.7和0.71之间达到1的精度，这意味着当MLD是理想的时，LMMSE从未被挑选。另一方面，对于MLD，达到了1的召回率(相当于LMMSE的精度为1)，但精度为0.82意味着在LMMSE应该被挑选时MLD被挑选时的实例。发现当LMMSE检测器确实足以满足目标BLER时，针对两个目标速率，在0.70-0.71之间的BMR阈值下，挑选LMMSE检测器的准确度为1，如图13A和13B所示。这意味着在LMMSE 检测器应该被挑选时MLD被挑选的实例是针对两个检测器都不足以满足BLER要求。

下面的表1提供了基于模拟数据的观察摘要。

表1

图14A和14B比较了检测器选择精度与基线选择布置。考虑了两种基线选择布置：仅LMMSE；和仅MLD。

图14A示出了这两个基线方案的BLER图。图14B右侧是在目标BLER为0.01和BMDR阈值为0.7时为模拟方案获得的 BLER图。对于这种MIMO配置，LMMSE检测器需要大约20％的MLD计算需求。从表1可以推断，如果只使用LMMSE检测器，在考虑的SNR的范围中，它仅将在24.4％的时间满足BLER要求。如果仅使用MLD，它将在64.4％的时间满足BLER要求，但与LMMSE相比，关于平均的计算的数目会增加5倍。如果采用所提议的方案，它将在64.4％的时间满足BLER目标，但与仅使用LMMSE的方案相比，只需要0.544+0.456*5＝2.82倍的计算的数目。这在表2中进行了总结。

表2

为完整起见，图15是先前描述的一个或多个示例实施例的组件的示意图，其在下文中统称为处理系统300。处理系统300例如可以是在以下权利要求中提及的装置。

处理系统300可以具有处理器302、与处理器紧密耦合并且包括 RAM 314和ROM312的存储器304，以及可选的用户输入310和显示器318。处理系统300可以包括一个或多个网络/装置接口308用于连接到网络/装置，例如可以是有线或无线的调制解调器。网络/装置接口308也可以作为与其他装置的连接来操作，诸如不是网络侧装置的设备/装置。因此，无需网络参与的设备/装置之间的直接连接是可能的。

处理器302连接到其他组件中的每个组件以控制其操作。

存储器304可以包括非易失性存储器，诸如硬盘驱动器(HDD) 或固态驱动器(SSD)。存储器304的ROM 312尤其存储操作系统 315并且可以存储软件应用316。处理器302使用存储器304的RAM 314来临时存储数据。操作系统315可以包含在被处理器执行时实现上述算法20、60、70和80的方面的代码。请注意，在小型设备/装置的情况下，存储器可以是最适合小尺寸使用的，即并不总是使用硬盘驱动器(HDD)或固态驱动器(SSD)。

处理器302可以采用任何合适的形式。例如，它可以是微控制器、多个微控制器、处理器或多个处理器。

处理系统300可以是独立的计算机、服务器、控制台或其网络。处理系统300和所需的结构部件可以全部在设备/装置的内部，诸如 IoT设备/装置，即嵌入到非常小的尺寸。

在一些示例实施例中，处理系统300还可以与外部软件应用相关联。这些可以是存储在远程服务器设备/装置上的应用，并且可以部分地或专门地在远程服务器设备/装置上运行。这些应用可以称为云托管应用。处理系统300可以与远程服务器设备/装置通信以便利用存储在那里的软件应用。

图16A和16B示出了有形介质，分别是可移动存储器单元365 和光盘(CD)368，存储计算机可读代码，计算机可读代码在由计算机运行时可以执行根据上述示例实施例的方法。可移除存储器单元365 可以是记忆棒，例如，USB存储器棒，具有存储计算机可读代码的内部存储器366。计算机系统可以经由连接器367接入内部存储器366。 CD 368可以是CD-ROM或DVD或类似物。可以使用其他形式的有形存储介质。有形介质可以是能够存储数据/信息的任何设备/装置，其中数据/信息可以在设备/装置/网络之间交换。

本发明的实施例可以以软件、硬件、应用逻辑或者软件、硬件和应用逻辑的组合来实现。软件、应用逻辑和/或硬件可以驻留在存储器或任何计算机介质上。在示例实施例中，应用逻辑、软件或指令集被维护在各种常规计算机可读介质中的任何一个上。在本文档的上下文中，“存储器”或“计算机可读介质”可以是任何非顺时性介质或部件，可以包含、存储、通信、传播或传送指令以供指令执行系统、装置或设备(诸如计算机)使用或与其结合使用。

在相关情况下，对“计算机可读介质”、“计算机程序产品”、 “有形体现的计算机程序”等或“处理器”或“处理电路系统”等的引用应理解为不仅包括具有不同架构(诸如单/多处理器架构和定序器/并行架构)，还包括专用电路(诸如现场可编程门阵列FPGA、应用指定电路ASIC、信号处理设备/装置和其他设备/装置。对计算机程序、指令、代码等的引用应被理解为表达用于可编程处理器固件的软件，诸如硬件设备/装置的可编程内容作为处理器的指令或固定功能设备/装置的配置或配置设置、门阵列、可编程逻辑设备/装置等。

如果需要，本文中讨论的不同功能可以以不同的顺序和/或相互并发地执行。此外，如果需要，上述功能中的一个或多个可以是可选的或者可以组合。类似地，还将理解，图2、6、7和8的流程图仅是示例并且其中描绘的各种操作可以被省略、重新排序和/或组合。

应当理解，上述示例实施例纯粹是说明性的，并不限制本发明的范围。通过阅读本说明书，本领域技术人员将明白其他变化和修改。

此外，本申请的公开应当被理解为包括本文中明确或隐含地公开的任何新颖特征或特征的任何新颖组合或其任何概括，并且在本申请或从其衍生的任何申请的实施期间，新的权利要求可以被制定以涵盖任何此类特征和/或此类特征的组合。

尽管在独立权利要求中阐述了本发明的各个方面，但本发明的其他方面包括来自所描述的示例实施例和/或从属权利要求的特征与独立权利要求的特征的其他组合，而不仅仅是权利要求中明确列出的组合。

本文中还应注意，虽然以上描述了各种示例，但这些描述不应被视为限制性意义的。相反，在不脱离如所附权利要求所限定的本发明的范围的情况下，可以进行多种变化和修改。

Claims

1.一种装置，包括用于执行以下项的部件：

在MIMO通信系统的接收器处通过信道接收传输，所述传输从与所述接收器通信的多个发送器被接收，其中每个通信是具有调制和编码方案的分开的通信；

针对多个发送器中的每个发送器，将对所述信道的估计转换为对针对多个可用MIMO检测器中的每个可用MIMO检测器的比特度量解码率的估计；

将针对所述可用MIMO检测器中的每个可用MIMO检测器的所述多个发送器中的每个发送器的估计的所述比特度量解码率转换为针对所述多个发送器中的每个发送器的所述多个可用MIMO检测器中的每个可用MIMO检测器的估计的比特错误率；以及

选择所述可用MIMO检测器中的一个可用MIMO检测器以用在针对从所述多个发送器向所述接收器发送的比特生成对数似然比中，其中所述可用MIMO检测器中的所述一个可用MIMO检测器基于估计的所述比特错误率和目标块错误率被选择。

2.根据权利要求1所述的装置，还包括用于执行以下项的部件：

使用机器学习模型将对所述信道的所述估计转换为所述比特度量解码率估计。

3.根据权利要求2所述的装置，还包括用于执行以下项的部件：

基于信道矩阵的QR分解获得上三角矩阵，其中所述信道矩阵是对所述信道的估计；以及

使用所述机器学习模型将所述上三角矩阵转换为所述比特度量解码率估计。

4.根据权利要求2或权利要求3所述的装置，还包括用于执行以下项的部件：

至少部分地基于估计的比特度量解码率和在多个系统模拟期间计算的对应的比特错误率值来训练所述机器学习模型。

5.根据前述权利要求中任一项所述的装置，还包括用于执行以下项的部件：

针对所述多个可用MIMO检测器中的特定一个可用MIMO检测器，确定针对每个传输所述目标块错误率是否被满足，并且如果是，则确定所述MIMO检测器满足所述目标。

6.根据权利要求5所述的装置，还包括用于执行以下项的部件：

基于估计的比特度量解码率是否高于阈值来确定所述多个可用MIMO检测器中的所述特定一个可用MIMO检测器针对特定传输是否满足所述目标。

7.根据权利要求5或权利要求6所述的装置，其中用于选择所述可用MIMO检测器中的一个可用MIMO检测器的所述部件选择针对所述传输中的每个传输满足所述目标的所述可用MIMO检测器中的一个可用MIMO检测器。

8.根据权利要求7所述的装置，其中用于执行选择所述可用MIMO检测器中的一个可用MIMO检测器的所述部件选择针对每个传输满足所述目标的所述可用MIMO检测器中的最简单的一个可用MIMO检测器。

9.根据前述权利要求中任一项所述的装置，其中用于执行将比特度量解码率数据转换为比特错误率数据的所述部件包括查找表。

10.根据权利要求9所述的装置，还包括用于执行以下项的部件：

确定所述MIMO系统的配置；以及

基于确定的所述配置从多个可用查找表中选择所述查找表。

11.根据前述权利要求中任一项所述的装置，还包括用于执行以下项的部件：接收或生成所述信道矩阵。

12.根据前述权利要求中任一项所述的装置，其中用于执行选择所述可用MIMO检测器中的所述一个可用MIMO检测器的部件在所述信道估计每次被更新时更新所述选择。

13.根据前述权利要求中任一项所述的装置，其中所述部件包括：

至少一个处理器；以及

至少一个存储器，包括计算机程序代码，所述至少一个存储器和所述计算机程序被配置为与所述至少一个处理器一起引起所述装置的所述执行。

14.一种方法，包括：

15.一种计算机程序，包括指令，所述指令用于使装置至少执行以下项：

选择所述可用MIMO检测器中的一个可用MIMO检测器以用在针对从所述多个发送器向所述接收器传输的比特生成对数似然比中，其中所述可用MIMO检测器中的所述一个可用MIMO检测器基于估计的所述比特错误率和目标块错误率被选择。