CN114759997B - 一种基于数据模型双驱动的mimo系统信号检测方法 - Google Patents

一种基于数据模型双驱动的mimo系统信号检测方法 Download PDF

Info

Publication number
CN114759997B
CN114759997B CN202210365707.7A CN202210365707A CN114759997B CN 114759997 B CN114759997 B CN 114759997B CN 202210365707 A CN202210365707 A CN 202210365707A CN 114759997 B CN114759997 B CN 114759997B
Authority
CN
China
Prior art keywords
dnn
training
network
signal detection
channel
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
CN202210365707.7A
Other languages
English (en)
Other versions
CN114759997A (zh
Inventor
何波
李军
李文鑫
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.)
Shandong University
Qilu University of Technology
Original Assignee
Shandong University
Qilu University of Technology
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 Shandong University, Qilu University of Technology filed Critical Shandong University
Priority to CN202210365707.7A priority Critical patent/CN114759997B/zh
Publication of CN114759997A publication Critical patent/CN114759997A/zh
Application granted granted Critical
Publication of CN114759997B publication Critical patent/CN114759997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明涉及是一种基于数据模型双驱动的MIMO系统信号检测方法。基于数据模型双驱动的MIMO系统信号检测方法Md‑DNN，采用现有通信系统中传统算法与深度学习相结合的方式，把MIMO系统接收端划分为信道估计和信号检测两个子网，保持了传统通信系统接收端模块化的信号处理方式，有利于减少耦合，便于网络优化和升级。使用最小二乘算法对信道估计子网络进行初始化，以进一步提高信号检测精度。信道估计子网DNN‑1提取预估计信道参数上的信道信息，再通过信号检测子网DNN‑2对接收信号进行信号检测。本发明提出的数据模型双驱动的深度学习信号检测算法所需训练数据量较少，训练速度快，误码率性能更好，从而提高部署效率，更适合对当下通信系统的要求。

Description

一种基于数据模型双驱动的MIMO系统信号检测方法
技术领域
本发明涉及智能通信领域，特别涉及一种基于数据模型双驱动的MIMO系统的信号检测方法。
背景技术
由于移动数据流量的高速增长，大规模MIMO被认为是第五代(5G)移动通信标准中的一项关键技术，通常发送端和接收端天线数量有数百个，可以在不改变系统带宽和信号传输功率的情况下，有效地提高系统的信道容量和信号频谱利用效率。然而MIMO接收端信号检测器的计算复杂度会随着天线数量的增加而升高，因此一种实用的MIMO检测算法不仅要有合适的误码率(Bit Error Rate，BER)性能，而且还要有低复杂度和低功耗的优点。将人工智能与无线通信技术有机融合的智能通信也被认为是5G之后的主流方向之一。
目前深度学习网络在无线通信系统上的应用通常将目标深度神经网络模型看作一个黑盒，依靠大量数据对其进行训练，把训练好的网络模型替代原有通信系统的某个功能模块。基于数据模型双驱动的深度学习网络与无线通信领域现有算法相结合，可以显著减少训练时间以及所需样本数据量，同时可以继承现有算法的环境适应性和泛化性，使得深度学习网络模型有了一定的可预测性。
发明内容
本发明解决现有多输入多输出系统(MIMO)接收端中传统信号检测算法测精度低，计算复杂度高的问题，提出了一种数据模型双驱动的MIMO系统信号检测方法分来实现MIMO系统的信号检测。
本发明具体是通过以下技术方案实现的：一种基于数据模型双驱动的MIMO系统信号检测方法，包括以下步骤：
步骤1：基于MIMO系统框架生成深度学习模型所需的数据集，通过仿真适用于城市环境的瑞利衰落信道生成训练数据集，瑞利衰落信道是时变的，训练数据集按照典型的独立分布高斯随机变量随机生成，由于每个训练数据集都是使用不同的信道信息获得的，因此训练后的模型适用于时变信道；训练数据集的特征信息来自于在接收端的接收信号yD、接收导频yP、信道估计
Figure BDA0003586878000000021
和导频数据xP，训练数据集标签分别为传输的数据符号xD、真实信道状态信息H。
步骤2：将步骤1的训练数据集样本利用线性判别分析LDA算法对特征信息进行线性降维，并进行归一化处理，随机打乱并重新分为10000组训练集用于离线训练，3000组验证集用于训练后的网络模型的在线测试；
步骤3：基于步骤1和步骤2中的训练数据集样本，分别对DNN模型的信道估计子网DNN-1和信号检测子网DNN-2进行线下训练；线下训练等同离线训练；
步骤4：信道估计模块通过基于LS算法的估计器和深度神经网络DNN-1网络组合实现，信道估计子网即是深度神经网络DNN-1。LS信道估计器的输入由接收到的导频信号和接收机已知的导频组成，生成预估计导频处信道参数
Figure BDA0003586878000000022
DNN-1网络由输入层、隐藏层、输出层构成，隐藏层有3层，神经元数量分别为1024、800和400，采用线性整流函数ReLU作为所有隐藏层的激活函数，以缓解梯度消失问题，初估计信道矩阵/>
Figure BDA0003586878000000023
作为DNN-1的输入，以获得更准确的信道估计矩阵/>
Figure BDA0003586878000000024
步骤5：信号检测子网的DNN-2也是深度神经网络，由输入层、隐藏层、输出层构成，隐藏层有4层，激活函数采用ReLU，考虑到最终输出二进制序列，选择Sigmoid函数作为输出层的激活函数，其输入由频域接收信号yD和DNN-1输出的信道估计矩阵
Figure BDA0003586878000000031
组成，输出是最终得到的传输符号/>
Figure BDA0003586878000000032
步骤6：将步骤3所述的深度学习网络线下训练阶段完成后，对训练好的深度学习网络模型Md-DNN进行在线测试，然后部署于MIMO系统接收端，用于信号检测，恢复原始信号。
所述步骤2中对数据集的处理，利用LDA算法对特征信息进行线性降维，并进行归一化处理，信道数据将实部虚部独立拆分存储，使用时将数据实部和虚部取出串联作为网络输入；
LDA算法通过以下步骤实现：
步骤2.1：计算数据集中每个类别样本的均值向量以及总体均值向量。
步骤2.2：计算内散度矩阵Sw，全局散度矩阵St，然后计算类间散度矩阵Sb＝St-Sw。
步骤2.3：对矩阵
Figure BDA0003586878000000033
进行特征值分解，将特征值从大到小排列。
步骤2.4：将特征值从大到小排列前n个特征向量{w1,w2,…,wn}，通过以下映射把N维样本映射到n维：
Figure BDA0003586878000000034
信道估计子网DNN-1的损失函数为输出
Figure BDA0003586878000000035
与标签H的均方误差(MSE)：
Figure BDA0003586878000000036
Figure BDA0003586878000000037
表示仿真采集的训练数据集，/>
Figure BDA0003586878000000038
表示该数据集的大小；信号检测子网DNN-2的损失函数定义为输出/>
Figure BDA0003586878000000039
与标签传输信号xD之间的MSE：
Figure BDA00035868780000000310
Figure BDA00035868780000000311
和/>
Figure BDA00035868780000000312
分别表示第i个预测数据符号和标签，N是目标检测的符号数目；
所述步骤3中对信道估计子网DNN-1和信号检测子网DNN-2进行训练，采用顺序训练方式，DNN-1先进行训练，训练完成后固定DNN-1网络参数，然后对子网DNN-2训练，其中DNN-2的训练过程采用增量训练的模式，即首先训练DNN-1的第一层网络，每轮增加训练层数，然后保存上次网络训练结果作为下一次轮训练的初始值。
所述步骤4中LS信道估计器的输入由接收到的导频信号和接收机已知的导频组成，通过LS算法预处理生成导频处信道频域响应，其输出可表示为：
Figure BDA0003586878000000041
其中/>
Figure BDA0003586878000000042
表示LS信道估计，yP和xP分别是接收到的导频数据与发送的导频信号，(xP)H表示共轭转置。
所述步骤3中DNN-1和DNN-2均在TensorFlow框架中按顺序训练，其中子网DNN-1训练2000个时期epoch，固定训练数据，然后对子网DNN-2训练5000个时期，顺序训练可以保证每个块的最优性，并以较少的网络参数要求加快训练过程，每次训练都会更新神经网络的权重，以减少模型的损失函数，使网络的输出值更接近标签，为了使模型训练得更好，我们使用阶梯学习率，初始学习率为λ＝0.001训练过程中，学习率λ每500个时期降低5倍。采用自适应矩估计优化器Adam优化获得最佳权值和偏置。当模型训练阶段完成后，我们将不再需要训练标签，训练好的DNN模型可以部署用于信号检测。
信号检测子网DNN-2的输出层数目与目标检测符号数相等，并且输出值大于等于0.5时判决为符号“1”，输出值小于0.5时判决为符号“0”。
信道估计子网DNN-1和DNN-2的数据集是基于MIMO系统分别针对城市环境的瑞利衰落信道生成训练数据集，该系统中导频的插入采用自适应导频分配方法。
自适应导频插入方法如下：
(1)K＝1，选择第K帧数据采用导频占子载波最小比例传输；
(2)在接收端根据第K帧数据得到估计的信道参数确定要下一帧所采取的导频与数据占比MK；
(3)K＝K+1，发送端根据导频与数据占比数MK，在第K帧数据插入导频；
(4)跳转至步骤(2)估计信道参数判断下一帧导频占比。
本发明所述一种基于数据模型双驱动的MIMO系统的信号检测方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明涉及一种基于数据模型双驱动的MIMO系统信号检测方法，所提网络模型Md-DNN，可分为信道估计模块和信号检测模块，保持了传统MIMO通信系统接收端模块化的信号处理方式，有利于减少耦合，便于网络优化和升级。不同于依赖大量数据的数据驱动深度学习处理方案，所提网络模型利用传统的最小二乘(LS)信道估计算法对子网络中的深度学习网络进行初始化，既大大提高了子网络的训练速度，又继承了现有算法的泛化特性。无论在MIMO天线数量较少还是天线数较多的情况下，Md-DNN误码率性能均优于传统算法，尤其是在MIMO系统天线数增多的情况下克服了使用单一DNN网络的数据驱动信号检测网络高信噪比下误码率曲线平缓、鲁棒性差的问题。
附图说明
图1为本发明的数据模型双驱动MIMO系统图
图2为本发明的数据模型双驱动MIMO接收端信号检测模型图
图3为本发明的信道估计子网DNN-1网络架构图
图4为本发明的信号检测子网DNN-2网络架构图
图5为本发明的4×4MIMO系统误比特率曲线图
具体实施方式
下面结合附图和实施方式对本发明做进一步的详细描述。
图1-图4为本发明具体实施附图，涉及一种基于数据模型双驱动的MIMO系统信号检测方法，模型如图2所示，所述方法包括以下步骤。
步骤1：基于MIMO系统框架生成深度学习模型所需的数据集，通过仿真适用于城市环境的瑞利衰落信道生成训练数据，该信道H是时变的，并按照典型的独立分布高斯随机变量随机生成。由于每个训练数据集都是使用不同的信道信息获得的，因此训练后的模型可以应用于时变信道。数据集的特征信息来自于在接收端的接收信号yD、接收导频yP、信道估计
Figure BDA0003586878000000061
和导频数据xP，信号检测模型的训练标签分别为传输的数据符号xD、真实信道状态信息H。
所述步骤中，MIMO系统的具体实现过程如下：
MIMO系统在发射端和接收端均设置多个天线来获得额外的自由度，通过空间复用技术提高通信系统的信道容量，如图1所示。图中有N个发射天线和M个接收天线，发送端的发送信号
Figure BDA0003586878000000062
通过瑞利衰落信道/>
Figure BDA0003586878000000063
到达接收端,/>
Figure BDA0003586878000000064
表示复数域。假设信道在符号块传输期间是静态的，其中信道噪声是功率为/>
Figure BDA0003586878000000065
的加性高斯白噪声，第(p,q)条信道建模为均值为0，方差为1/N的独立同分布的复高斯随机变量，那么接收信号为：y＝Hx+n，y为接收信号矩阵，x为发送信号矩阵，n为接收到的噪声。
步骤2：基于步骤1所述的训练数据集，利用线性判别分析(LDA)算法对特征信息进行降维处理，通过以下步骤：
步骤2.1：计算数据集中每个类别样本的均值向量以及总体均值向量。
步骤2.2：计算内散度矩阵Sw，全局散度矩阵St，然后计算类间散度矩阵Sb＝St-Sw。
步骤2.3：对矩阵
Figure BDA0003586878000000071
进行特征值分解，将特征值从大到小排列。
步骤2.4：将特征值从大到小排列前n个特征向量{w1,w2,…,wn}，通过以下映射把N维样本映射到n维：
Figure BDA0003586878000000072
步骤3：基于步骤1和步骤2所述的数据集，分别对信道估计子网DNN-1和DNN-2用监督学习的方法进行线下训练。如图2所示信道估计模块通过基于LS算法的估计器和DNN-1网络组合实现。LS信道估计器的输入由接收到的导频信号和接收机已知的导频组成。通过LS方法预处理生成导频处信道频域响应，其输出可表示为：
Figure BDA0003586878000000073
其中
Figure BDA0003586878000000074
表示LS信道估计，yP和xP分别是接收到的导频数据与发送的导频信号，(xP)H表示共轭转置。
为了获取信道信息，我们认为在一个信道相干时间内该信道可视为准静态的，即一帧中的信道参数几乎不变。因此，初估计信道矩阵
Figure BDA0003586878000000075
作为信道估计子网DNN-1的输入，以获得更准确的信道估计。然后再由DNN-1(见附图3)进行生成初步信道估计/>
Figure BDA0003586878000000076
作为信号检测子网的DNN-2(见附图4)也是深度神经网络，其输入由频域接收信号yD和DNN-1输出的信道估计矩阵/>
Figure BDA0003586878000000077
组成，输出是最终得到的传输符号/>
Figure BDA0003586878000000078
步骤4：如图3所示，DNN-1网络模型结构由输入层、隐藏层、输出层构成，采用ReLU作为所有隐藏层的激活函数，以缓解梯度消失问题，损失函数是均方误差损失：
Figure BDA0003586878000000081
Figure BDA0003586878000000082
表示仿真采集的训练数据集，/>
Figure BDA0003586878000000083
表示该数据集的大小，H为真实信道标签；
如图4所示，DNN-2网络模型结构由输入层、隐藏层、输出层构成，隐藏层的激活函数采用ReLU，考虑到最终输出二进制序列，选择Sigmoid函数作为输出层的激活函数，损失函数是均方误差损失：
Figure BDA0003586878000000084
Figure BDA0003586878000000085
和/>
Figure BDA0003586878000000086
分别表示第i个预测数据符号和标签，N是目标检测的比特数目；
上述两个子网DNN-1和DNN-2均在TensorFlow框架中按顺序训练，其中子网DNN-1训练2000个时期(epoch)，固定训练数据，然后对子网DNN-2训练5000个时期，顺序训练可以保证每个块的最优性，并以较少的网络参数要求加快训练过程。每次训练都会更新神经网络的权重，以减少模型的损失函数，使网络的输出值更接近标签。为了使模型训练得更好，我们使用阶梯学习率，初始学习率为λ＝0.001训练过程中，学习率λ每500个时期降低5倍。损失函数通过均方根传递(Root Mean Square Prop，RMSProp)算法进行了优化。当模型训练阶段完成后，我们将不再需要训练标签，训练好的DNN模型可以部署用于信号检测。
步骤5：根据由步骤1、步骤2、步骤3、和步骤4所建立的模型分别替代MIMO系统的接收端进行在线测试，并得到系统的误码率性能，如图5所示。对比了不同方法的误比特率性能，为了方便讨论使用的缩写说明如下：Md-DNN表示本发明提出的MIMO信号检测模型；LS-MMSE表示采用LS信道估计结合最小均方误差(MMSE)信号检测的传统算法；FC-DNN表示一种采用单一全连接深度神经网络代替MIMO信号检测模块的方法。所有方案的误比特率均随着信噪比的增加而降低，其中本发明所提方法Md-DNN在高信噪比下误码率性能最优，实用效果最好。
以上技术方案的设计基于一种基于数据模型双驱动的MIMO系统信号检测方法，利用深度学习网络与传统通信专业技术结合，模块化设计以减少耦合，以信道估计模块和信号检测模块分别替代MIMO系统的接收端部分。其中信道估计子网DNN-1利用传统的最小二乘(LS)信道估计算法进行初始化，大大加快了训练速度又继承了现有算法的泛化特性。所提出的Md-DNN模型无论在MIMO天线数量较少还是天线数较多的情况下，误码率性能均优于传统算法，尤其是在MIMO系统天线数增多的情况下获得最佳的BER性能，该模型架构可以扩展到大规模MIMO系统中。此方案可有效恢复具有线性和非线性失真的MIMO系统中的发送数据，并且神经网络部署更快，符合当下5G通信的要求。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.一种基于数据模型双驱动的MIMO系统信号检测方法，其特征在于，包括以下步骤：
步骤1：基于MIMO系统框架生成深度学习模型所需的数据集，通过仿真适用于城市环境的瑞利衰落信道生成训练数据集，瑞利衰落信道是时变的，训练数据集按照典型的独立分布高斯随机变量随机生成，由于每个训练数据集都是使用不同的信道信息获得的，因此训练后的模型适用于时变信道；训练数据集的特征信息来自于在接收端的接收信号yD、接收导频yP、信道估计
Figure FDA0004230795890000011
和导频数据xP，信号检测模型的训练标签分别为传输的数据符号xD、真实信道状态信息H，
步骤2：将步骤1的训练数据集样本利用线性判别分析LDA算法对特征信息进行线性降维，并进行归一化处理，随机打乱并重新分为10000组训练集用于离线训练，3000组验证集用于训练后的网络模型的在线测试；
步骤3：基于步骤1和步骤2中的训练数据集样本，分别对DNN模型的信道估计子网DNN-1和信号检测子网DNN-2进行线下训练,即离线训练；
步骤4：信道估计模块通过基于LS算法的估计器和全连接深度神经网络DNN网络组合实现，信道估计子网即是深度神经网络DNN-1，LS信道估计器的输入由接收到的导频信号和接收机已知的导频组成,生成预估计导频处信道参数
Figure FDA0004230795890000012
DNN-1网络由输入层、隐藏层、输出层构成，隐藏层有3层，神经元数量分别为1024,800,400，采用线性整流函数ReLU作为所有隐藏层的激活函数，以缓解梯度消失问题，预估计导频处信道参数/>
Figure FDA0004230795890000013
作为DNN-1的输入，以获得更准确的信道估计/>
Figure FDA0004230795890000014
步骤5：信号检测子网的DNN-2也是深度神经网络，由输入层、隐藏层、输出层构成，隐藏层有4层，激活函数采用ReLU，考虑到最终输出二进制序列，选择Sigmoid函数作为输出层的激活函数，其输入由接收信号yD和DNN-1输出的信道估计
Figure FDA0004230795890000021
组成，输出是最终得到的传输符号/>
Figure FDA0004230795890000022
步骤6：将步骤3的深度学习网络线下训练阶段完成后，训练好的Md-DNN模型进行在线测试，然后部署于MIMO系统接收端用于信号检测，恢复原始信号；
信道估计子网DNN-1的损失函数为输出的信道估计
Figure FDA0004230795890000023
与真实信道状态信息H的均方误差MSE：/>
Figure FDA0004230795890000024
Figure FDA0004230795890000025
表示仿真采集的训练数据集，/>
Figure FDA0004230795890000026
表示该数据集的大小；信号检测子网DNN-2的损失函数定义为输出的传输符号/>
Figure FDA0004230795890000027
与数据符号xD之间的MSE：/>
Figure FDA0004230795890000028
Figure FDA0004230795890000029
和/>
Figure FDA00042307958900000210
分别表示第i个的传输符号和数据符号，N是目标检测的符号数目；
所述步骤3中对信道估计子网DNN-1和信号检测子网DNN-2进行训练，采用顺序训练方式，DNN-1先进行训练，训练完成后固定DNN-1网络参数，然后对子网DNN-2训练，其中DNN-2的训练过程采用增量训练的模式，即首先训练DNN-1的第一层网络，每轮增加训练层数，然后保存上次网络训练结果作为下一次轮训练的初始值。
2.根据权利要求1所述的一种基于数据模型双驱动的MIMO系统信号检测方法，其特征在于：所述步骤2中对数据集的处理，利用LDA算法对特征信息进行线性降维，并进行归一化处理，信道数据将实部虚部独立拆分存储，使用时将数据实部和虚部取出串联作为网络输入；
LDA算法通过以下步骤实现：
步骤2.1：计算数据集中每个类别样本的均值向量以及总体均值向量，
步骤2.2：计算内散度矩阵Sw，全局散度矩阵St，然后计算类间散度矩阵Sb＝St-Sw，
步骤2.3：对矩阵
Figure FDA0004230795890000031
进行特征值分解，将特征值从大到小排列，
步骤2.4：将特征值从大到小排列前n个特征向量{w1,w2,…,wn},通过以下映射把N维样本映射到n维：
Figure FDA0004230795890000032
3.根据权利要求1中所述的一种基于数据模型双驱动的MIMO系统信号检测方法，其特征在于：所述步骤4中LS信道估计器的输入由接收到的导频信号和接收机已知的导频组成，通过LS算法预处理生成导频处信道频域响应，其输出可表示为：
Figure FDA0004230795890000033
其中/>
Figure FDA0004230795890000034
表示LS信道估计，yP和xP分别是接收导频与导频数据，(xP)H表示共轭转置。
4.根据权利要求1中所述的一种基于数据模型双驱动的MIMO系统信号检测方法，其特征在于：所述步骤3中DNN-1和DNN-2均在TensorFlow框架中按顺序训练，其中子网DNN-1训练2000个时期epoch，固定训练数据，然后对子网DNN-2训练5000个时期，顺序训练可以保证每个块的最优性，并以较少的网络参数要求加快训练过程，每次训练都会更新神经网络的权重，以减少模型的损失函数，使网络的输出值更接近标签，为了使模型训练得更好，我们使用阶梯学习率，初始学习率为λ＝0.001，训练过程中，学习率λ每500个时期降低5倍，采用自适应矩估计优化器Adam优化获得最佳权值和偏置，当模型训练阶段完成后，我们将不再需要训练标签，训练好的DNN模型可以部署用于信号检测。
5.根据权利要求1中所述的一种基于数据模型双驱动的MIMO系统信号检测方法，其特征在于：信号检测子网DNN-2的输出层神经元数目与目标检测符号数相等，并且输出值大于等于0.5时判决为符号“1”，输出值小于0.5时判决为符号“0”。
CN202210365707.7A 2022-04-08 2022-04-08 一种基于数据模型双驱动的mimo系统信号检测方法 Active CN114759997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210365707.7A CN114759997B (zh) 2022-04-08 2022-04-08 一种基于数据模型双驱动的mimo系统信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210365707.7A CN114759997B (zh) 2022-04-08 2022-04-08 一种基于数据模型双驱动的mimo系统信号检测方法

Publications (2)

Publication Number Publication Date
CN114759997A CN114759997A (zh) 2022-07-15
CN114759997B true CN114759997B (zh) 2023-06-20

Family

ID=82329464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210365707.7A Active CN114759997B (zh) 2022-04-08 2022-04-08 一种基于数据模型双驱动的mimo系统信号检测方法

Country Status (1)

Country Link
CN (1) CN114759997B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115694571B (zh) * 2022-10-31 2024-08-06 西安科技大学 一种大规模mimo系统中基于深度学习的信号检测方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253690A1 (zh) * 2019-06-17 2020-12-24 浙江大学 一种基于近似消息传递算法的深度学习波束域信道估计方法
CN112600772A (zh) * 2020-12-09 2021-04-02 齐鲁工业大学 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11575544B2 (en) * 2018-10-29 2023-02-07 Board Of Regents, The University Of Texas System Low resolution OFDM receivers via deep learning
US20220108466A1 (en) * 2019-01-30 2022-04-07 Technology Innovation Momentum Fund (Israel) Limited Partnership System and method for reconstruction of compressed signal data using artificial neural networking
CN110719239B (zh) * 2019-09-29 2022-03-11 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
CN112637093B (zh) * 2020-12-09 2022-05-17 齐鲁工业大学 一种基于模型驱动深度学习的信号检测方法
CN112637094A (zh) * 2020-12-17 2021-04-09 南京爱而赢科技有限公司 一种基于模型驱动深度学习的多用户mimo接收方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253690A1 (zh) * 2019-06-17 2020-12-24 浙江大学 一种基于近似消息传递算法的深度学习波束域信道估计方法
CN112600772A (zh) * 2020-12-09 2021-04-02 齐鲁工业大学 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法

Also Published As

Publication number Publication date
CN114759997A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN111630787B (zh) 基于深度学习的mimo多天线信号传输与检测技术
CN112600772B (zh) 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法
CN112637093B (zh) 一种基于模型驱动深度学习的信号检测方法
CN113472706B (zh) 一种基于深度神经网络的mimo-ofdm系统信道估计方法
CN114584448B (zh) 基于深度神经网络的sm-ofdm信号分组检测方法
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN109246038A (zh) 一种数据模型双驱动的gfdm接收机及方法
CN111669344B (zh) 一种基于深度学习的时变ofdm系统信号检测方法
CN113381828B (zh) 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法
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
CN111713035A (zh) 基于人工智能的mimo多天线信号传输与检测技术
CN114759997B (zh) 一种基于数据模型双驱动的mimo系统信号检测方法
CN114650199A (zh) 一种基于数据驱动的深度神经网络信道估计方法及系统
Zhang et al. On the performance of deep neural network aided channel estimation for underwater acoustic OFDM communications
CN114513394B (zh) 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
Hua et al. Signal detection in uplink pilot-assisted multi-user MIMO systems with deep learning
Ye et al. Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems
Zou et al. Generative adversarial network for wireless communication: Principle, application, and trends
Wang et al. Deep Transfer Learning for Model-Driven Signal Detection in MIMO-NOMA Systems
CN117176517A (zh) 采用遗传算法和深度学习对mimo-ofdm可见光通信实施信道估计的方法及系统
CN113541726B (zh) 一种基于循环神经网络的码索引扩频水声通信方法
CN114866120B (zh) 一种mimo-noma系统信号检测方法
CN114938250B (zh) 基于自编码网络的端到端水声fbmc通信方法及系统
CN113300788B (zh) 一种基于CapsNet胶囊网络的盲接收机方法及装置
CN113852434A (zh) 一种LSTM与ResNets辅助的深度学习端到端智能通信方法与系统

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
CP03 Change of name, title or address

Address after: 250061 No. 17922, Jingshi Road, Lixia District, Jinan City, Shandong Province

Patentee after: SHANDONG University

Country or region after: China

Patentee after: Qilu University of Technology (Shandong Academy of Sciences)

Address before: 250061 No. 17922, Jingshi Road, Lixia District, Jinan City, Shandong Province

Patentee before: SHANDONG University

Country or region before: China

Patentee before: Qilu University of Technology