CN114726419A - 基于深度学习的共轭梯度大规模mimo检测方法 - Google Patents

基于深度学习的共轭梯度大规模mimo检测方法 Download PDF

Info

Publication number
CN114726419A
CN114726419A CN202210358183.9A CN202210358183A CN114726419A CN 114726419 A CN114726419 A CN 114726419A CN 202210358183 A CN202210358183 A CN 202210358183A CN 114726419 A CN114726419 A CN 114726419A
Authority
CN
China
Prior art keywords
training
algorithm
conjugate gradient
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
CN202210358183.9A
Other languages
English (en)
Inventor
龙恳
刘健
刘青
陈冀鹏
赵舒安
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 CN202210358183.9A priority Critical patent/CN114726419A/zh
Publication of CN114726419A publication Critical patent/CN114726419A/zh
Pending legal-status Critical Current

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
    • H04B7/0452—Multi-user MIMO systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3911—Fading models or fading generators
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本文针对发射天线数量大于接收天线数量的大规模多输入多输出系统，提出了一种基于深度学习的共轭梯度大规模MIMO检测方法用于信号检测。该方法通过选择合适的可训练参数，将带有可训练参数的CG迭代算法展开为深度神经网络，并通过网络训练，找到每一层的最优参数。并通过基于特征值估计的初始值迭代策略，提升算法的收敛性。这种方法可以保证在参数估计时的快速收敛。另外，该方法可训练参数的个数只和网络层数有关，与天线的数量无关。这些特点保证了该方法快速稳定的训练过程和对大型系统的合理的可扩展性。本发明实现了以较低复杂度，达到了更低的误码率。

Description

基于深度学习的共轭梯度大规模MIMO检测方法
技术领域
本发明涉及一种基于深度学习的共轭梯度大规模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
随着网络和信息技术的迅猛发展，大规模MIMO技术成为第五代移动通信系统的关键技术之一，大规模MIMO技术可在基站配置大量的天线，同时服务于多个用户，有效实现容量增益、空间复用增益以及较高的频谱效率，满足用户在无线数据传输速率方面的需求，成为通信领域研究的热点。
但是由于接收侧和用户侧天线数量的增加，用户传输的信号叠加在基站上，导致信号间存在干扰，接收侧信号处理的难度加大，信号检测算法复杂度增加，传统MIMO检测算法会产生较高的复杂度，不再适用于大规模MIMO系统。
在大规模MIMO系统中，当基站的天线数远大于用户天线数时，信道具有正交的特点。基于此，线性检测算法中最小均方误差(Minimum Mean-Square Error,MMSE)可以实现接近最优的检测性能，但由于涉及高维矩阵的求逆运算，复杂度随着天线数目的增加，呈指数增长。因此，为尽可能降低检测算法复杂度，必须有效处理检测算法中涉及的矩阵求逆运算。近似法如Neumann级数展开算法算法，能够避免对矩阵直接进行求逆运算，但是当级数展开项大于2时，算法复杂度大大增加；迭代算法如连续超松弛法，通过迭代能够很好地逼近MMSE算法性能，但是当接收端和发送端天线数目相近时，算法的性能欠佳。随着深度学习技术的发展，机器学习和深度学习已经被越来越广泛的应用在无线通信领域。因此，本发明设计了一种基于深度学习的共轭梯度迭代检测的方法用于MIMO信号检测，通过学习得到最优可训练的参数，提高了检测性能。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于深度学习的共轭梯度迭代算法的MIMO信号检测方法，该发明通过展开原算法得到网络结构，提出了新型模型驱动的深度学习网络CG-DNN，通过学习得到最优可训练的参数，提高了检测性能。
技术方案：为了实现上述发明目的，本发明提供了一种基于深度学习的共轭梯度迭代检测的方法用于MIMO信号检测，包括以下步骤。
S1：在上行大规模MIMO系统中，利用MMSE检测算法将大规模MIMO信号检测问题转化为线性方程组求解问题，根据信道响应矩阵H构造检测矩阵W；
S2：用共轭梯度迭代法来求解MMSE算法中的估计信号；
S3：设置基于特征值估计的初始值向量。
S4：为共轭梯度检测算法设置可训练参数，并将带有参数的CG迭代算法展开为深度神经网络。。
S5：使用贪心预训练算法逐次训练网络模型，得到最终模型并保存，最终模型根据输入的所述初始输入信号，得到最终检测信号。
进一步，所述步骤S1具体包括：在上行大规模MIMO系统中，根据MMSE检测算法得到发送信号矢量估计值为：
Figure BDA0003583812700000021
其中HH是信道响应矩阵H的对称转置矩阵，
Figure BDA0003583812700000022
是输入信号y的匹配滤波输出，W＝HHH+δ2I为MIMO检测的检测矩阵。
进一步，所述步骤S2具体包括以下步骤：
S21:设置初始值x0，初始残差r0，初始共轭迭代方向d0＝r0；
S22:通过迭代不断更新估计向量xi+1＝xi+αidi，迭代残差ri+1＝ri-αiAdi，共轭迭代方向di+1＝ri+βidi。
其中第i次迭代的步长
Figure BDA0003583812700000023
进一步，所述步骤S3具体包括：
S31：初始解x0可以自然地选择为x0＝D-1y，其中D是对角矩阵；
S32:用矩阵A的特征值来估计D,
Figure BDA0003583812700000024
其中，λmax和λmin表示的是A的最大特征值和最小特征值，可以采用以下公式来近似求解特征值；
Figure BDA0003583812700000025
S33:设置初始值为：
Figure BDA0003583812700000026
进一步，所述步骤S4具体包括：
将步骤二中的算法迭代过程展开为深度神经网络，称为CG-DNN，并从训练数据中学习网络参数的最优值。检测信号
Figure BDA0003583812700000031
直接受到步长αt的影响，共轭迭代方向dt的更新受到步长βt的影响；为了提升算法的性能，本方法将可学习参数λt和θt分别加到αt，βt处，目的是通过对可学习参数的训练，得到更加可靠的步长。可以表示为：
αt→λtαt,βt→θtβt
进一步，所述步骤S5具体包括：
S51:按步骤S3所述方法初始化目标向量，设置初始学习率为0.001。
S52:在不同的信噪比条件下生成训练集和测试集。并将数据集分为若干个小批量的数据集，随后进行批量训练；
S53:先用高信噪比的数据训练网络，然后用低信噪比的数据训练网络。依次来提高网络的鲁棒性；
S54:在训练的过程中通过阶梯式的方法来增加网络层数，在学习的过程中，学习率随着层数的增加逐渐减小，将已经训练好的参数固定，先训练当层网络，再减小学习率继续训练，然后将得到的参数固定用于下一层网络的训练；
S55：当归一化均方误差不再减小时停止训练，并用训练好的神经网络进行在线检测。
进一步，所述信道响应矩阵H为瑞丽衰落信道响应矩阵。
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，其中：
图1为本发明优选实施例所述的上行MIMO通信系统模型示意图；
图2为本发明所述基于深度学习的共轭梯度检测方法流程图；
图3为本发明所述基于深度学习的共轭梯度检测方法的网络结构图；
图4为本发明所述基于深度学习的共轭梯度检测方法的第t次迭代过程。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图4。
本发明的系统环境为大规模MIMO系统如图1所示，假设基站上配置N根天线，K个单天线用户同时与基站进行通信(N>>K)，并假设传输信号基于瑞利衰落信道模型进行传输，接收端的信号向量表示为y＝Hx+n，其中x＝[x1,x2,...,xK]T表示发送端的发送信号，y＝[y1,y2,...,yN]T表示接收端的接收信号,H为K个用户与基站间的瑞利衰落信道矩阵，是服从独立同分布的随机向量，n为服从CN(0,σ2)的加性噪声矢量，σ2为平均噪声功率。
基于该系统，结合图2至图4，本发明所述的基于深度学习的共轭梯度检测方法中的各个步骤做以下说明，
步骤S1：在上行大规模MIMO系统中，利用MMSE检测算法将大规模MIMO信号检测问题转化为线性方程组求解问题，根据信道响应矩阵H构造检测矩阵W；根据MMSE检测算法得到发送信号矢量估计值为：
Figure BDA0003583812700000041
其中HH是信道响应矩阵H的对称转置矩阵，
Figure BDA0003583812700000042
是输入信号y的匹配滤波输出，W＝HHH+δ2I为MIMO检测的检测矩阵。具体步骤如下：
S21:设置初始值x0，初始残差r0，初始共轭迭代方向d0＝r0；
S22:通过迭代不断更新估计向量xi+1＝xi+αidi，迭代残差ri+1＝ri-αiAdi，共轭迭代方向di+1＝ri+βidi。
其中第i次迭代的步长
Figure BDA0003583812700000043
步骤S2:用共轭梯度迭代法来求解MMSE算法中的估计信号；
步骤S3:为了计算简单，传统方法大多都会选择零向量来作为初始值，但是这样得出来的实验结果也会有较大的误差。所以需要选取性能更好的初始值，同时复杂度也不能过高。因此本发明采用基于特征值估计的初始化方法。具体步骤如下：
S31：初始解x0可以自然地选择为x(0)＝D-1y，其中D是对角矩阵；
S32:用矩阵A的特征值来估计D,
Figure BDA0003583812700000044
其中，λmax和λmin表示的是A的最大特征值和最小特征值，可以采用以下公式来近似求解特征值；
Figure BDA0003583812700000051
S33:设置初始值为：
Figure BDA0003583812700000052
步骤S4：为共轭梯度检测算法设置可训练参数，并将带有参数的CG迭代算法展开为深度神经网络。具体步骤如下：
将步骤二中的算法迭代过程展开为深度神经网络，称为CG-DNN，并从训练数据中学习网络参数的最优值。检测信号
Figure BDA0003583812700000053
直接受到步长αt的影响，共轭迭代方向dt的更新受到步长βt的影响；为了提升算法的性能，本方法将可学习参数λt和θt分别加到αt，βt处，目的是通过对可学习参数的训练，得到更加可靠的步长。可以表示为：
αt→λtαt,βt→θtβt
步骤S5：使用贪心预训练算法逐次训练卷积网络模型，得到最终模型并保存，最终模型根据输入的所述初始输入信号，得到最终检测信号。具体步骤如下：
S51:按步骤S3所述方法初始化目标向量，设置初始学习率为0.001。
S52:在不同的信噪比条件下生成训练集和测试集。并将数据集分为若干个小批量的数据集，随后进行批量训练；
S53:先用高信噪比的数据训练网络，然后用低信噪比的数据训练网络。依次来提高网络的鲁棒性；
S54:在训练的过程中通过阶梯式的方法来增加网络层数，在学习的过程中，学习率随着层数的增加逐渐减小，将已经训练好的参数固定，先训练当层网络，再减小学习率继续训练，然后将得到的参数固定用于下一层网络的训练；
S55：当归一化均方误差不再减小时停止训练，并用训练好的神经网络进行在线检测。
需要特别说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (7)

1.一种基于深度学习的共轭梯度大规模MIMO检测方法，其特征在于，包括：
S1：在上行大规模MIMO系统中，利用MMSE检测算法将大规模MIMO信号检测问题转化为线性方程组求解问题，根据信道响应矩阵H构造检测矩阵W；
S2：用共轭梯度迭代法来求解MMSE算法中的估计信号；
S3：设置基于特征值估计的初始值向量；
S4：为共轭梯度检测算法设置可训练参数，并将带有参数的CG迭代算法展开为深度神经网络。
S5：使用贪心预训练算法逐次训练网络模型，得到最终模型并保存，最终模型根据输入的所述初始输入信号，得到最终检测信号。
2.根据权利要求1所述的基于深度学习的共轭梯度大规模MIMO检测方法，其特征在于：所述步骤S1具体包括：在上行大规模MIMO系统中，根据MMSE检测算法得到发送信号矢量估计值为：
Figure FDA0003583812690000011
其中HH是信道响应矩阵H的对称转置矩阵，
Figure FDA0003583812690000012
是输入信号y的匹配滤波输出，W＝HHH+δ2I为MIMO检测的检测矩阵。
3.根据权利要求1所述的基于深度学习的共轭梯度大规模MIMO检测方法，其特征在于：所述步骤S2包括：
S21:设置初始值x0，初始残差r0，初始共轭迭代方向d0＝r0；
S22:通过迭代不断更新估计向量xi+1＝xi+αidi，迭代残差ri+1＝ri-αiAdi，共轭迭代方向di+1＝ri+βidi；
其中第i次迭代的步长
Figure FDA0003583812690000013
4.根据权利要求1所述的基于深度学习的共轭梯度大规模MIMO检测方法，其特征在于：所述步骤S3包括：
S31：初始解x0可以自然地选择为x0＝D-1y，其中D是对角矩阵；
S32:用矩阵A的特征值来估计D,
Figure FDA0003583812690000014
其中，λmax和λmin表示的是A的最大特征值和最小特征值，可以采用以下公式来近似求解特征值：
Figure FDA0003583812690000021
S33:设置初始值为：
Figure FDA0003583812690000022
5.根据权利要求1所述的基于深度学习的共轭梯度大规模MIMO检测方法，其特征在于：所述步骤S4包括：
将步骤二中的算法迭代过程展开为深度神经网络，称为CG-DNN，并从训练数据中学习网络参数的最优值。检测信号
Figure FDA0003583812690000023
直接受到步长αt的影响，共轭迭代方向dt的更新受到步长βt的影响；为了提升算法的性能，本方法将可学习参数λt和θt分别加到αt，βt处，目的是通过对可学习参数的训练，得到更加可靠的步长。可以表示为：
αt→λtαt,βt→θtβt
6.根据权利要求1所述的基于深度学习的共轭梯度大规模MIMO检测方法，其特征在于：所述步骤S5包括：
S51:按权利要求4所述方法初始化目标向量，设置初始学习率为0.001。
S52:在不同的信噪比条件下生成训练集和测试集。并将数据集分为若干个小批量的数据集，随后进行批量训练；
S53:先用高信噪比的数据训练网络，然后用低信噪比的数据训练网络。依次来提高网络的鲁棒性；
S54:在训练的过程中通过阶梯式的方法来增加网络层数，在学习的过程中，学习率随着层数的增加逐渐减小，将已经训练好的参数固定，先训练当层网络，再减小学习率继续训练，然后将得到的参数固定用于下一层网络的训练；
S55：当归一化均方误差不再减小时停止训练，并用训练好的神经网络进行在线检测。
7.根据权利要求1所述的基于深度学习的共轭梯度大规模MIMO检测方法，其特征在于：所述信道响应矩阵H为瑞丽衰落信道响应矩阵。
CN202210358183.9A 2022-04-07 2022-04-07 基于深度学习的共轭梯度大规模mimo检测方法 Pending CN114726419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210358183.9A CN114726419A (zh) 2022-04-07 2022-04-07 基于深度学习的共轭梯度大规模mimo检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210358183.9A CN114726419A (zh) 2022-04-07 2022-04-07 基于深度学习的共轭梯度大规模mimo检测方法

Publications (1)

Publication Number Publication Date
CN114726419A true CN114726419A (zh) 2022-07-08

Family

ID=82242358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210358183.9A Pending CN114726419A (zh) 2022-04-07 2022-04-07 基于深度学习的共轭梯度大规模mimo检测方法

Country Status (1)

Country Link
CN (1) CN114726419A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030190603A1 (en) * 2000-06-08 2003-10-09 Brendan Larder Method and system for predicting therapeutic agent resistance and for defining the genetic basis of drug resistance using neural networks
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
KR20200057850A (ko) * 2018-11-15 2020-05-27 국민대학교산학협력단 Visual-mimo 환경에서의 신경망 모델을 이용한 led 색상 예측 장치 및 그 방법
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
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
CN113676431A (zh) * 2021-07-08 2021-11-19 东南大学 一种基于模型驱动的无循环前缀mimo-ofdm接收方法
CN113794660A (zh) * 2021-09-10 2021-12-14 电子科技大学 面向多输入多输出检测的模型驱动的深度神经网络方法
US20220004875A1 (en) * 2020-07-02 2022-01-06 Mitsubishi Electric Research Laboratories, Inc. Automated Construction of Neural Network Architecture with Bayesian Graph Exploration

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030190603A1 (en) * 2000-06-08 2003-10-09 Brendan Larder Method and system for predicting therapeutic agent resistance and for defining the genetic basis of drug resistance using neural networks
KR20200057850A (ko) * 2018-11-15 2020-05-27 국민대학교산학협력단 Visual-mimo 환경에서의 신경망 모델을 이용한 led 색상 예측 장치 및 그 방법
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
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
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
US20220004875A1 (en) * 2020-07-02 2022-01-06 Mitsubishi Electric Research Laboratories, Inc. Automated Construction of Neural Network Architecture with Bayesian Graph Exploration
CN113676431A (zh) * 2021-07-08 2021-11-19 东南大学 一种基于模型驱动的无循环前缀mimo-ofdm接收方法
CN113794660A (zh) * 2021-09-10 2021-12-14 电子科技大学 面向多输入多输出检测的模型驱动的深度神经网络方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
J ZHOU: "biased mmse soft-output detection based on conjugate gradient in massive mimo", 《2015 IEEE 11TH INTERNATIONAL CONFERENCE ON ASIC》 *
YIN BEI: "conjugate gradient-based fost-output detection and precoding in massive mimo systems", 《IEEE GLOBAL COMMUNICATIONS CONFERENCE》 *
刘刚: "大规模mimo系统中的改进cg迭代算法", 《西安电子科技大学学报》, pages 2 *
王琦: "基于深度学习的mimo通信系统接收端性能研究与优化", 《中国优秀硕士论文全文数据库信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN111181619B (zh) 基于深度强化学习的毫米波混合波束成形设计方法
CN109104225B (zh) 一种能效最优的大规模mimo波束域多播传输方法
WO2020253691A1 (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN105071843B (zh) 大规模mimo系统低复杂度多项式展开矩阵求逆方法及应用
CN109951214B (zh) 一种适用于大规模mimo系统的信号检测方法
CN108964725B (zh) 时变大规模mimo网络中信道参数的稀疏估计方法
Basha et al. A constructive smart antenna beam-forming technique with spatial diversity
CN114124623B (zh) 一种无线通信信道估计方法和装置
CN113315560B (zh) 一种紧凑型平面阵列Massive MIMO系统的波束赋形方法
CN111162828B (zh) 一种大规模mimo系统的低复杂度信号检测方法
CN116192307A (zh) 非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质
Sery et al. A sequential gradient-based multiple access for distributed learning over fading channels
CN108736934B (zh) 一种大规模mimo系统信号检测方法
US20240089152A1 (en) Angular domain channel estimation method based on matrix reconstruction for symmetrical nonuniform array
CN117240331A (zh) 一种基于图神经网络的无蜂窝网络下行预编码设计方法
CN110190880B (zh) 一种广义空间调制递增发射天线组合选择方法
Wijaya et al. Neural network based transmit power control and interference cancellation for MIMO small cell networks
CN114726419A (zh) 基于深度学习的共轭梯度大规模mimo检测方法
Tamilselvan et al. Frequency domain learning scheme for massive MIMO using deep neural network
US11962436B2 (en) User detection technique, and method and apparatus for channel estimation in wireless communication system supporting massive multiple-input multiple-output
CN114337883A (zh) 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统
CN113328771B (zh) 一种基于共轭梯度算法的大规模mimo信号检测方法
CN112165347B (zh) 一种毫米波纯模拟波束成形用户调度方法
Zhu et al. Robust beamforming for RIS-aided communications: Gradient-based manifold meta learning
Liu et al. A distributed detection algorithm for uplink massive MIMO systems

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: 20220708

WD01 Invention patent application deemed withdrawn after publication