CN114915321B - 一种mimo系统中信号的动态检测方法及装置 - Google Patents
一种mimo系统中信号的动态检测方法及装置 Download PDFInfo
- Publication number
- CN114915321B CN114915321B CN202210476305.4A CN202210476305A CN114915321B CN 114915321 B CN114915321 B CN 114915321B CN 202210476305 A CN202210476305 A CN 202210476305A CN 114915321 B CN114915321 B CN 114915321B
- Authority
- CN
- China
- Prior art keywords
- detected
- baseline
- signal
- input signal
- detector
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000005540 biological transmission Effects 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 27
- 230000008569 process Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 11
- 238000010606 normalization Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- 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)
- Radio Transmission System (AREA)
Abstract
本发明提供一种MIMO系统中信号的动态检测方法及装置，其中的动态检测方法包括：获取待检测输入信号；基于基线检测器，通过设置策略网络或置信度判决门，对待检测输入信号的推断路径进行动态控制，获取与待检测输入信号相对应的预测原始发送信号。该方法能够实现对样本信号推断路径的动态生成，使不同的样本信号按需执行或跳过某些网络层或迭代计算，避免了样本信号参与冗余计算，在保持信号检测精度无损的情况下，有效地降低了信号检测过程的计算复杂度，通过调节计算方法参数，可进一步实现检测算法精度和复杂度的折中。
Description
技术领域
本发明涉及网络通信技术领域，尤其涉及一种MIMO系统中信号的动态检测方法及装置。
背景技术
MIMO(Multiple-Input Multiple-Output)技术通过在发送端和接收端分别配备多根发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接收，产生多条无线传输路径来对抗无线信道的大小衰落，在不增加频谱资源和天线发射功率的情况下，可以成倍地提升系统容量和链路可靠性。信号检测，是对所接收到的含干扰噪声的信号进行提取的过程，即从有无线干扰的接收信号中恢复原始发送信号，是无线系统整体设计中极为关键的一步。
目前，理论上最优的用于信号检测的方法为最大似然检测算法(MaximumLikelihood，ML)，具体地，计算接收信号向量与所有可能的后处理向量之间的欧氏距离，并找到一个最小距离。该检测方法虽具有最佳性能，但其复杂度极高，难以在实际系统中应用。
随后，各式各样的复杂度较低的信号检测算法被提出，例如传统迭代类信号检测算法，主要包括OAMP(Orthogonal Approximate Message Passing)、EP(ExpectationPropagation，期望传播算法)以及SIC(Successive Interference Cancellation，连续干扰消除)等算法。
而随着深度学习在无线通信领域的兴起，各种基于深度神经网络的检测算法也不断被提出，简单的线性检测算法包括迫零(ZeroForing，ZF)技术和最小均方误差(MinimumMean Squared Error，MMSE)技术。
上述传统迭代类信号检测算法和线性化检测算法的复杂度远低于最优的最大似然检测算法，但它们的性能明显不如最大似然检测算法，亦限制了其在实际系统中的应用。
因此，现有技术中信号检测算法在保持良好性能的基础上，检测过程复杂度高的问题，是网络通信技术领域亟待解决的问题。
发明内容
本发明提供一种MIMO系统中信号的动态检测方法及装置，用以克服现有技术中信号检测算法在保持良好性能的基础上，检测过程复杂度高的缺陷，降低了信号检测的复杂度。
一方面，本发明提供一种MIMO系统中信号的动态检测方法，包括：获取待检测输入信号；基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，获取与所述待检测输入信号相对应的预测原始发送信号。
进一步地，所述待检测输入信号包括天线接收信号、信道数据和噪声功率；所述获取待检测输入信号，之后还包括：对所述待检测输入信号进行预处理，得到预处理待检测输入信号，具体包括：对所述天线接收信号和所述信道数据进行实数化映射展开处理；对所述噪声功率进行标准化处理；所述预处理待检测输入信号包括实数化映射展开处理后的天线接收信号和信道数据，以及标准化处理后的噪声功率。
进一步地，所述获取与所述待检测输入信号相对应的预测原始发送信号，包括：将所述待检测输入信号或所述预处理待检测输入信号输入至所述基线检测器中，得到预测发送信号；根据所述策略网络或所述置信度判决门，确定输出所述预测发送信号；获取离散星座图符号集；提取所述离散星座图符号集中与所述预测发送信号距离最近的星座点，所述星座点为所述预测原始发送信号。
进一步地，所述基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，包括：将所述基线检测器划分为多个基线检测子块；每一个基线检测子块后连接一个置信度判决门；根据所述置信度判决门输出的置信度分数与预设置信度阈值的比较结果，确定是否继续执行后续基线检测子块。
进一步地，所述基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，包括：将所述基线检测器划分为多个基线检测子块；所述基线检测子块上设置有策略网络；根据所述策略网络的输出结果，确定执行或跳过当前基线检测子块。
进一步地，所述置信度分数通过以下公式获取：
其中，为所述基线检测器的第k个子块输出的信号预测输出，b为样本标号。
进一步地，所述MIMO系统中信号的动态检测方法还包括：通过预设损失函数对所述基线检测器进行训练，所述预设损失函数的公式如下：
其中，ΩID为所述基线检测器的网络参数，B为批次大小，b为样本标号，L为所述基线检测器的网络层数，l为所述基线检测器的网络层标号，为第b个样本在所述基线检测器第l层的信号预测输出，x(b)为第b个样本的原始发送信号，/>为向量的L2范数。
进一步地，所述MIMO系统中信号的动态检测方法还包括：通过预设奖励函数对所述策略网络进行训练，所述预设奖励函数的公式如下：
其中，||g||1为向量g的L1范数，g为所述基线检测子块的执行状态，K为基线检测子块的总数量，为所述基线检测器的信号预测输出，x为原始发送信号，γσ为超参数系数，为向量的L2范数，/>为向量的L1范数。
第二方面，本发明还提供一种MIMO系统中信号的动态检测装置，包括：输入信号获取模块，用于获取待检测输入信号；信号动态检测模块，用于基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，获取与所述待检测输入信号相对应的预测原始发送信号。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的MIMO系统中信号的动态检测X方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的MIMO系统中信号的动态检测方法的步骤。
第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的MIMO系统中信号的动态检测方法的步骤。
本发明提供的MIMO系统中信号的动态检测方法，通过获取待检测输入信号，在基线检测器的基础上设置策略网络或置信度判决门，对待检测输入信号的推断路径进行动态控制，从而获取与待检测输入信号相对应的预测原始发送信号，将预测原始发送信号作为原始发送信号，在接收端恢复离散的发送信号，以完成MIMO系统中信号的动态检测，这一过程能够实现对样本信号推断路径的动态生成，使不同的样本信号按需执行或跳过某些网络层或迭代计算，避免了样本信号参与冗余计算，在保持信号检测精度无损的情况下，有效地降低了信号检测过程的计算复杂度，通过调节计算方法参数，可进一步实现检测算法精度和复杂度的折中。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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为本发明提供的MIMO系统中信号的动态检测方法的流程示意图；
图2为本发明提供的基于置信度判决门的信号动态控制示意图；
图3为本发明提供的基于策略网络的信号动态控制示意图；
图4为本发明提供的MIMO系统中信号的动态检测装置的结构示意图；
图5为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
图1示出了本发明所提供的MIMO系统中信号的动态检测方法的流程示意图。如图1所示，该动态检测方法包括：
S101，获取待检测输入信号；
在本步骤中，可以理解的是，原始发送信号经过MIMO系统中MIMO信道传输，得到一个输出信号，该输出信号即为待检测输入信号，待检测输入信号可以包括天线接收信号、信道数据以及噪声功率。
S102，基于基线检测器，通过设置策略网络或置信度判决门，对待检测输入信号的推断路径进行动态控制，获取与待检测输入信号相对应的预测原始发送信号。
可以理解的是，在基线检测器的基础上，设置策略网络或者置信度判决门，对待检测输入信号的推断路径进行动态控制，从而获取与待检测输入信号相对应的预测原始发送信号。
需要说明的是，基线检测器可以为具有多迭代过程的传统检测器，也可以为具有多层网络结构的深度学习检测器。其中，传统检测器，例如采用OAMP算法或EP算法等传统算法的检测器，深度学习检测器，例如采用基于神经网络的算法IDetNet的检测器。
对待检测输入信号的推断路径进行动态控制的为动态信号检测器，动态信号检测由基线检测器和策略网络动态控制器构成，或者由基线检测器和阈值开关动态控制器构成，其中，策略网络动态控制器即通过设置策略网络实现，阈值开关动态控制器即通过设置置信度判决门实现。
对待检测输入信号的推断路径进行动态控制，是指可以通过动态信号检测器实现对样本信号推断路径的动态生成，使不同的样本信号根据实际情况或需求执行或跳过某些网络层或某些迭代计算，从而可以避免样本信号参与冗余计算。
获取与待检测输入信号相对应的预测原始发送信号，具体地，将待检测输入信号输入至预先设置的动态信号检测器中，可以输出一个原始发送信号的初始预测结果，根据该初始预测结果，可以进一步得到与待检测输入信号相对应的预测原始发送信号，从而将预测原始发送信号作为原始发送信号，在接收端恢复离散的发送信号，以完成MIMO系统中信号的动态检测。
在本实施例中，通过获取待检测输入信号，在基线检测器的基础上设置策略网络或置信度判决门，对待检测输入信号的推断路径进行动态控制，从而获取与待检测输入信号相对应的预测原始发送信号，将预测原始发送信号作为原始发送信号，在接收端恢复离散的发送信号，以完成MIMO系统中信号的动态检测，这一过程能够实现对样本信号推断路径的动态生成，使不同的样本信号按需执行或跳过某些网络层或迭代计算，避免了样本信号参与冗余计算，在保持信号检测精度无损的情况下，有效地降低了信号检测过程的计算复杂度，通过调节计算方法参数，可进一步实现检测算法精度和复杂度的折中。
在上述实施例的基础上，待检测输入信号包括天线接收信号、信道数据和噪声功率，获取待检测输入信号，之后还包括：对待检测输入信号进行预处理，得到预处理待检测输入信号，具体包括：对天线接收信号和信道数据进行实数化映射展开处理；对噪声功率进行标准化处理；预处理待检测输入信号包括实数化映射展开处理后的天线接收信号和信道数据，以及标准化处理后的噪声功率。
可以理解的是，在步骤S101获取待检测输入信号的基础上，根据需要，还可以对待检测输入信号进行预处理，以得到相应的预处理待检测输入信号。具体地，待检测输入信号包括天线接收信号、信道数据以及噪声功率，对待检测输入信号进行预处理，具体包括对天线接收线号、信道数据以及噪声功率的预处理。预处理待检测输入信号包括实数化映射展开处理后的天线接收信号和信道数据，以及标准化处理后的噪声功率。
待检测输入信号包括天线接收信号、信道数据和噪声功率，其中，天线接收信号为原始发送信号经过MIMO系统中MIMO信道传输后，接收到的信号。信道数据为MIMO信道的基本参数，例如带宽和波特率，带宽为信道上、下限截止频率的差值，波特率表示每秒钟传送二进制代码的有效位数。噪声功率为噪声的强度，即天线接收信号的能量，在信号连续的情况下，噪声功率通过对天线接收信号平方后求积分得到，在信号离散的情况下，噪声功率通过对天线接收信号平方后求和得到。
其中，对天线接收信号和信道数据的预处理，可以为对天线接收信号和信道数据进行实数化映射展开处理，具体地，给定两个模型，在模型之间建立起天线接收信号和信道数据到实数的对应关系，从而实现天线接收信号和信道数据的实数化映射展开。
具体而言，首先给出MIMO通信系统模型：
其中，为维度Nr×1的接收信号，/>为维度Nt×1的发送信号，/>为Nr×Nt维的信道矩阵，/>为噪声。
上述MIMO通信系统模型可以实数化为y＝Hx+n，，其中，
上述过程即实现了将发送信号、接收信号和信号矩阵的实数化。
对噪声功率进行预处理，可以对噪声功率进行标准化处理，具体地，通过标准化函数对噪声功率进行处理，其中，标准化函数的公式如下：
其中，Smean和Sstd分别为向量S在数据集中噪声功率的平均值和方差，向量S是标准化函数的输入，即为噪声功率。标准化处理是为了使噪声变成均值为0、方差为1的数据流。
需要说明的是，只有当基线检测器由具有多层网络结构的深度学习检测器时，才需要对待输入检测信号中的天线接收信号和信道数据进行预处理，反之，若基线检测器为具有多迭代过程的传统检测器，则不需要对天线接收信号和信道数据进行预处理。
同样地，只有当在基线检测器的基础上设置策略网络时，才需要对噪声功率进行标准化处理，反之，当在基线检测器的基础上设置置信度判决门时，则不需要对噪声功率进行标准化处理。
在本实施例中，通过在获取待检测输入信号之后，对待检测输入信号所包括的天线接收信号、信道数据以及噪声功率进行预处理，具体地，当基线检测器为深度学习检测器时，对天线接收线号和信道数据进行实数化映射展开处理，当在基线检测器的基础上设置策略网络时，对噪声功率进行标准化处理，通过对待检测输入信号进行相应的预处理，可以有效提高MIMO系统中信号检测的精度。
获取与待检测输入信号相对应的预测原始发送信号，包括：将待检测输入信号或预处理待检测输入信号输入至基线检测器中，得到与待检测输入信号相对应的预测发送信号；根据策略网络或置信度判决门，确定输出预测发送信号；获取离散星座图符号集；提取离散星座图符号集中与预测发送信号距离最近的星座点，星座点为预测原始发送信号。
可以理解的是，将待检测输入信号或预处理待检测输入信号输入至基线检测器中，即可得到与待检测输入信号相对应的预测发送信号，这里的预测发送信号对应于基线检测器的每一个基线检测子块的输出。
当基线检测器为具有多迭代过程的传统检测器时，无需对待检测输入信号进行预处理，即直接将待检测输入信号输入至基线检测器中；当基线检测器为具有多层网络结构的深度学习检测器时，可以对待检测输入信号进行预处理，得到预处理待检测输入信号，从而将预处理待检测输入信号输入至基线检测器中，以得到相应的预测发送信号。
需要说明的是，在基线检测器为深度学习检测器的情况下，对待检测输入信号进行预处理后再行输入，可在一定程度上提升基线检测器输出的预测发送信号的精度。
在得到每一个基线检测子块输出的预测发送信号后，通过设置的策略网络，确认是否执行该基线检测子块，或通过设置的置信度判决门，确定是否继续执行后续基线检测子块，当策略网络确定执行当前基线检测子块，或置信度判决门确定不再继续执行后续基线检测子块时，即确定输出当前基线检测子块输出的预测发送信号。
获取离散星座图符号集，离散星座图符号集指的是离散星座图中各个星座点的有机组合。其中的离散星座图是预先制作好的，具体可以通过离散星座图的重要参数进行制作，离散星座图的重要参数包括最小欧几里德距离和最小相位偏移。
其中，最小欧几里德距离是离散星座图中星座点之间的最小距离，该参数反映了MIMO系统中信号抗高斯白噪声的能力，最小欧几里德距离越大，信号抗高斯白噪声的能力越强，可以通过优化星座图的分布来获得最大值。
最小相位偏移是离散星座图中星座点相位的最小偏移，该参数反映了MIMO系统中信号抗相对抖动能力和对时钟恢复精确度的敏感性，同样地，可以通过优化星座点的分布来获得最大值，以获得更优的传输性能。
离散星座图可以为矩形星座图或圆形星座图，矩形星座图有3个幅值和12个相位值，最小相位偏移为18°，而圆形星座图有2个幅值和8个相位值，最小相位偏移为45°，由于圆形星座图的最小相位偏移比矩形星座图大，其抗相位抖动的能力更强。
在获取离散星座图符号集和预测发送信号的基础上，从离散星座图符号集中提取出与预测发送信号距离最近的星座点，该星座点即为预测原始发送信号，将该预测原始发送信号作为原始发送信号，在接收端恢复离散的发送信号，以完成MIMO系统中信号的动态检测。
在本实施例中，通过将待检测输入信号或预处理待检测输入信号输入至基线检测器中，得到预测发送信号，根据设置的策略网络或置信度判决门，确定输出预测发送信号，从离散星座图符号集中提取出与预测发送信号距离最近的星座点，该星座点即为预测原始发送信号，将预测原始发送信号作为原始发送信号，在接收端恢复离散的发送信号，以完成MIMO系统中信号的动态检测，这一过程能够实现对样本信号推断路径的动态生成，使不同的样本信号按需执行或跳过某些迭代计算，避免了样本信号参与冗余计算，在保持信号检测精度无损的情况下，有效地降低了信号检测过程的计算复杂度，通过调节计算方法参数，可进一步实现检测算法精度和复杂度的折中。
基于基线检测器，通过设置策略网络或置信度判决门，对待检测输入信号的推断路径进行动态控制，包括：将基线检测器划分为多个基线检测子块；每一个基线检测子块后连接一个置信度判决门；根据置信度判决门输出的置信度分数与预设置信度阈值的比较结果，确定是否继续执行后续基线检测子块。
可以理解的是，基于基线检测器，通过设置置信度判决门，对待检测输入信号的推断路径进行动态控制，具体地，将基线检测器划分为多个基线检测子块，每一个基线检测子块后连接有一个置信度判决门，该置信度判决门以基线检测器的中间输出作为输入，以相应的置信度分数作为输出，通过将输出的置信度分数与预设置信度阈值进行比较，确定是否继续执行后续基线检测子块。
若某一置信度判决门的置信度分数未达到预设置信度阈值，则继续执行后续基线检测子块计算，若该置信度判决门的置信度分数已达到预设置信度阈值，则可由该置信度判决门直接输出。
其中，预设置信度阈值可根据实际情况具体设置，可在(0,1)之间取值。具体地，在一个具体的实施例中，设置一个预设置信度阈值，为所预测信号矢量中各个符号点距离最近离散星座图点的最大距离的相反数。符号点距离最近离散星座图点的距离越大，则说明该符号点被映射到该离散星座图点的可靠性高，而置信度分数则是用所预测信号矢量中最不可靠符号点的可靠性衡量整个预测信号矢量的可靠性。
在一个具体的实施例中，选择深度神经网络检测器IDetNet作为基线检测器，可以表达为：/>
其中，zl和vl为中间变量，为第l层，/>为非线性激活函数，/>为平滑函数，为软符号函数，αl，i和βl为中间变量且均为可训练的参数。
此外，为深度神经检测器IDetNet第l层结构中第i个全连接子层，wl，i和bl，i分别为权重和偏置系数。
将基线检测器IDetNet的L层网络层等分成K个子块，即每个子块包含U＝L/K层计算，若基线检测器采用其他迭代类检测算法，可类似IDetNet将多次迭代过程切分为K个子块。
图2示出了本发明所提供的基于置信度判决门的信号动态控制示意图。如图2所示，最上面一行是基线检测器的输入和输出，第二行是置信度判决门的输入和输出，第三行则是根据置信度判决门的输出结果，获取得到的预测原始发送信号。
可以看出，基线检测器每个基线检测子块的后面都连接有一个置信度判决门，但需要注意的是，最后一个基线检测子块后的置信度判决门是省略的，这是因为已经到最后一个基线检测子块了，表示前面的所有置信度判决门输出的置信度分数都未达到预设置信度阈值，无论最后一个基线检测子块的置信度分数为何，都会执行该基线检测子块，以获取相应的预测原始发送信号。
定义第k个子块的输出为和/>以QPSK(QuadraturePhase Shift Keying，正交相移键控)调制为例，则第b个样本的在第k个判决门的置信度分数为
若第b个样本在第k个判决门处的置信度分数未达到预设置信度阈值ε，则继续执行后续基线检测子块计算，若样本在该判决门处的置信度分数已达到预设置信度阈值ε，则可由该判决门直接输出，然后经解调映射得到恢复的离散信号。
在本实施例中，通过在基线检测器的基础上，设置置信度判决门，以对待检测输入信号的推断路径进行动态控制，具体地，将基线检测器划分为多个基线检测子块，在每一个基线检测子块后连接一个置信度判决门，根据置信度判决门输出的置信度分数与预设置信度阈值的比较结果，判断是否继续执行后续基线检测子块，这一过程能够实现对样本信号推断路径的动态生成，使不同的样本信号按需执行或跳过某些迭代计算，避免了样本信号参与冗余计算，在保持信号检测精度无损的情况下，有效地降低了信号检测过程的计算复杂度，通过调节计算方法参数，可进一步实现检测算法精度和复杂度的折中。
基于基线检测器，通过设置策略网络或置信度判决门，对待检测输入信号的推断路径进行动态控制，包括：将基线检测器划分为多个基线检测子块；基线检测子块上设置有策略网络；根据策略网络的输出结果，确定执行或跳过当前基线检测子块。
可以理解的是，基于基线检测器，通过设置策略网络，对待检测输入信号的推断路径进行动态控制，具体地，将基线检测器划分为多个基线检测子块，每一个基线检测子块上设置有策略网络，该置信度判决门以基线检测器的中间输出作为输入，以每个基线检测子块被执行的概率作为输出，根据策略网络的输出，确定执行或跳过当前基线检测子块。其中，策略网络可以由全连接网络和激活函数构成.
图3示出了本发明所提供的基于策略网络的信号动态控制示意图。如图3所示，在每一个基线检测子块上增加一个策略网络来控制当前基线检测子块是否被执行，其中，上面一行是基线检测器的输入和输出，下面一行是策略网络的输出结果，根据策略网络的输出结果，判断是否闭合开关，即跳过或执行当前基线检测子块，以获取相应的预测原始发送信号。
在一个具体的实施例中，考虑到其中部分基线检测子块可能被跳过，定义第k个子块的实际输出为和/>策略网络的输入是/>其中，是标准化函数，将噪声功率/>通过线性变换使其均值为0，第k个策略网络的输出为相对应基线检测子块被执行的概率pk。需要说明的是，噪声功率/>在标准化后扩展至更高的维度，在该具体实施例中，将其扩展为长度Nt/2的向量。
根据策略网络的输出结果，判断是否执行当前基线检测子块，具体地，定义第b个样本在第k个基线检测子块的执行状态为gk∈{0，1}，gk服从伯努利分布：
其中，gk＝1代表第b个样本执行第k个基线检测子块的计算，而gk＝0代表第b个样本跳过第k个基线检测子块的计算。
还需要说明的是，图3中展示的是K个独立的策略网络，而在实际应用中，可以只采用一个策略网络同时控制K个子块的执行状态。与设置K个独立的策略网络的情形不同的是，这一个策略网络会同时输出所有基线检测子块被执行的概率。
在本实施例中，通过在基线检测器的基础上，设置策略网络，以对待检测输入信号的推断路径进行动态控制，具体地，将基线检测器划分为多个基线检测子块，在每一个基线检测子块上设置一个策略网络，根据策略网络的输出结果，判断是否执行当前基线检测子块，这一过程能够实现对样本信号推断路径的动态生成，使不同的样本信号按需执行或跳过某些迭代计算，避免了样本信号参与冗余计算，在保持信号检测精度无损的情况下，有效地降低了信号检测过程的计算复杂度，通过调节计算方法参数，可进一步实现检测算法精度和复杂度的折中。
在上述实施例的基础上，进一步地，本发明所提供的MIMO系统中信号的动态检测方法，还包括：通过预设损失函数对基线检测器进行训练，以及通过预设奖励函数对策略网络进行训练。
具体地，一方面，仍以基线检测器采用基于神经网络的算法IDetNet为例，对基线检测器进行训练的过程中，所使用预设损失函数的公式如下：
其中，ΩID为基线检测器的网络参数，B为批次大小，b为样本标号，L为基线检测器的网络层数，l为基线检测器的网络层标号，为第b个样本在基线检测器第l层的信号预测输出，x(b)为第b个样本的原始发送信号，/>为向量的L2范数。通过采用梯度优化的相关算法更新IDetNet的网络参数至收敛，常见的梯度优化算法包括梯度下降法、动量法、共轭梯度法以及自然梯度法。
需要说明的是，对基线检测器进行训练，还包括：获取训练样本数据集；利用训练样本数据集，训练基线检测器至收敛。具体地，训练样本数据集包括训练天线接收信号、训练信道数据、训练噪声功率以及训练原始发送信号，具体训练过程为，以训练天线接收信号、训练信道数以及训练噪声功率作为基线检测器的输入，以与训练天线接收信号相对应的训练预测原始发送信号作为输出，基于训练原始发送信号与训练预测原始发送信号的比对，对基线检测器的网络参数进行调整，并固定训练好的基线检测器的网络参数。
还需要说明的是，当基线检测器为具有多迭代过程的传统检测器，则无需创建训练样本数据集，并对基线检测器进行训练。
另一方面，若以在基线检测器的基础上设置策略网络的方式，实现MIMO系统中信号的动态检测，则可以采用强化学习对策略网络进行训练，具体地，通过预设奖励函数对策略网络机械能训练，其中，预设奖励函数的公式如下：
其中，||g||1为向量g的L1范数，g为基线检测子块的执行状态，K为基线检测子块的总数量，为基线检测器的信号预测输出，x为原始发送信号，γσ为超参数系数，为向量的L2范数，/>为向量的L1范数，/>表示将/>离散映射到星座图从而恢复出原始发送信号。通过强化学习最大化预设奖励函数R(g)至收敛，则可更新训练策略网络的参数。
在本实施例中，通过预设损失函数对基线检测器进行训练，以及通过预设奖励函数对策略网络进行训练，有效保证了MIMO系统中信号检测的精度。
图4示出了本发明所提供的MIMO系统中信号的动态检测装置的结构示意图。如图4所示，该动态检测装置包括：输入信号获取模块401，用于获取待检测输入信号；信号动态检测模块402，用于基于基线检测器，通过设置策略网络或置信度判决门，对待检测输入信号的推断路径进行动态控制，获取与待检测输入信号相对应的预测原始发送信号。
本发明提供的MIMO系统中信号的动态检测装置，与上文描述的MIMO系统中信号的动态检测方法可相互对应参照，在此不再赘述。
在本实施例中，通过输入信号获取模块401获取待检测输入信号，信号动态检测模块402在基线检测器的基础上设置策略网络或置信度判决门，对待检测输入信号的推断路径进行动态控制，从而获取与待检测输入信号相对应的预测原始发送信号，将预测原始发送信号作为原始发送信号，在接收端恢复离散的发送信号，以完成MIMO系统中信号的动态检测，这一过程能够实现对样本信号推断路径的动态生成，使不同的样本信号按需执行或跳过某些网络层或迭代计算，避免了样本信号参与冗余计算，在保持信号检测精度无损的情况下，有效地降低了信号检测过程的计算复杂度，通过调节计算方法参数，可进一步实现检测算法精度和复杂度的折中。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行MIMO系统中信号的动态检测方法，该方法包括：获取待检测输入信号；基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，获取与所述待检测输入信号相对应的预测原始发送信号。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的MIMO系统中信号的动态检测方法，该方法包括：获取待检测输入信号；基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，获取与所述待检测输入信号相对应的预测原始发送信号。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的MIMO系统中信号的动态检测方法，该方法包括：获取待检测输入信号；基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，获取与所述待检测输入信号相对应的预测原始发送信号。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种MIMO系统中信号的动态检测方法，其特征在于，包括：
获取待检测输入信号；
基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，获取与所述待检测输入信号相对应的预测原始发送信号；
所述基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，包括：
将所述基线检测器划分为多个基线检测子块；
所述基线检测子块上设置有策略网络；
根据所述策略网络的输出结果，确定执行或跳过当前基线检测子块；
或者，
所述基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，包括：
将所述基线检测器划分为多个基线检测子块；
每一个基线检测子块后连接一个置信度判决门；
根据所述置信度判决门输出的置信度分数与预设置信度阈值的比较结果，确定是否继续执行后续基线检测子块。
2.根据权利要求1所述的MIMO系统中信号的动态检测方法，其特征在于，所述待检测输入信号包括天线接收信号、信道数据和噪声功率；
所述获取待检测输入信号，之后还包括：
对所述待检测输入信号进行预处理，得到预处理待检测输入信号，具体包括：
对所述天线接收信号和所述信道数据进行实数化映射展开处理；
对所述噪声功率进行标准化处理；
所述预处理待检测输入信号包括实数化映射展开处理后的天线接收信号和信道数据，以及标准化处理后的噪声功率。
3.根据权利要求2所述的MIMO系统中信号的动态检测方法，其特征在于，所述获取与所述待检测输入信号相对应的预测原始发送信号，包括：
将所述待检测输入信号或所述预处理待检测输入信号输入至所述基线检测器中，得到预测发送信号；
根据所述策略网络或所述置信度判决门，确定输出所述预测发送信号；
获取离散星座图符号集；
提取所述离散星座图符号集中与所述预测发送信号距离最近的星座点，所述星座点为所述预测原始发送信号。
4.根据权利要求1所述的MIMO系统中信号的动态检测方法，其特征在于，所述置信度分数通过以下公式获取：
其中，为所述基线检测器的第k个子块输出的信号预测输出，b为样本标号。
5.根据权利要求1所述的MIMO系统中信号的动态检测方法，其特征在于，还包括：
通过预设损失函数对所述基线检测器进行训练，所述预设损失函数的公式如下：
其中，ΩID为所述基线检测器的网络参数，B为批次大小，b为样本标号，L为所述基线检测器的网络层数，l为所述基线检测器的网络层标号，为第b个样本在所述基线检测器第l层的信号预测输出，x(b)为第b个样本的原始发送信号，/>为向量的L2范数。
6.根据权利要求1所述的MIMO系统中信号的动态检测方法，其特征在于，还包括：
通过预设奖励函数对所述策略网络进行训练，所述预设奖励函数的公式如下：
其中，||g||1为向量g的L1范数，g为所述基线检测子块的执行状态，K为基线检测子块的总数量，为所述基线检测器的信号预测输出，x为原始发送信号，γσ为超参数系数，为向量的L2范数，/>为向量的L1范数。
7.一种MIMO系统中信号的动态检测装置，其特征在于，包括：
输入信号获取模块，用于获取待检测输入信号；
信号动态检测模块，用于基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，获取与所述待检测输入信号相对应的预测原始发送信号；
所述基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，包括：
将所述基线检测器划分为多个基线检测子块；
所述基线检测子块上设置有策略网络；
根据所述策略网络的输出结果，确定执行或跳过当前基线检测子块；
或者，
所述基于基线检测器，通过设置策略网络或置信度判决门，对所述待检测输入信号的推断路径进行动态控制，包括：
将所述基线检测器划分为多个基线检测子块；
每一个基线检测子块后连接一个置信度判决门；
根据所述置信度判决门输出的置信度分数与预设置信度阈值的比较结果，确定是否继续执行后续基线检测子块。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的MIMO系统中信号的动态检测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的MIMO系统中信号的动态检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210476305.4A CN114915321B (zh) | 2022-04-29 | 2022-04-29 | 一种mimo系统中信号的动态检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210476305.4A CN114915321B (zh) | 2022-04-29 | 2022-04-29 | 一种mimo系统中信号的动态检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114915321A CN114915321A (zh) | 2022-08-16 |
| CN114915321B true CN114915321B (zh) | 2024-05-07 |
Family
ID=82765687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210476305.4A Active CN114915321B (zh) | 2022-04-29 | 2022-04-29 | 一种mimo系统中信号的动态检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114915321B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104301267A (zh) * | 2014-11-11 | 2015-01-21 | 山东大学 | 一种mimo无线通信接收机的多阶段迭代检测方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111628952B (zh) * | 2019-02-28 | 2021-06-15 | 乐鑫信息科技（上海）股份有限公司 | 带有检测中信道矩阵预处理的mimo-ofdm无线信号检测方法和系统 |
-
2022
- 2022-04-29 CN CN202210476305.4A patent/CN114915321B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104301267A (zh) * | 2014-11-11 | 2015-01-21 | 山东大学 | 一种mimo无线通信接收机的多阶段迭代检测方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| MIMO-OFDM系统中一种局域化最大似然检测算法;周健;曹雪虹;;广东通信技术(第03期);全文 * |
| Signal detection technology research of MIMO-OFDM system;Xiuyan Zhang等;《2010 3rd International Congress on Image and Signal Processing》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114915321A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Samuel et al. | Learning to detect | |
| Wang et al. | Deep learning for wireless physical layer: Opportunities and challenges | |
| Shlezinger et al. | DeepSIC: Deep soft interference cancellation for multiuser MIMO detection | |
| Shlezinger et al. | ViterbiNet: A deep learning based Viterbi algorithm for symbol detection | |
| CN114051701B (zh) | 用于机器学习辅助预编码的设备和方法 | |
| CN112887239B (zh) | 基于深度混合神经网络的快速准确水声信号调制方式识别方法 | |
| Zheng et al. | Deep learning based trainable approximate message passing for massive MIMO detection | |
| Hua et al. | Signal detection in uplink pilot-assisted multi-user MIMO systems with deep learning | |
| CN114301545B (zh) | 信号检测方法、装置、电子设备及存储介质 | |
| Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
| Cao et al. | Learning to denoise and decode: A novel residual neural network decoder for polar codes | |
| CN114915321B (zh) | 一种mimo系统中信号的动态检测方法及装置 | |
| CN109818891B (zh) | 一种格基约减辅助的低复杂度贪心球形译码检测方法 | |
| Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns | |
| CN112261685B (zh) | 一种基于卷积神经网络的mimo信号检测方法 | |
| Xiang et al. | Polar coded integrated data and energy networking: A deep neural network assisted end-to-end design | |
| US12040857B2 (en) | Receiver for a communication system | |
| 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 | |
| Njoku et al. | BLER performance evaluation of an enhanced channel autoencoder | |
| Kwon et al. | MIMO-OFDM detector selection using reinforcement learning | |
| Zhu et al. | Blind modulation classification via accelerated deep learning | |
| Luo et al. | Deep learning based antenna selection aided space-time shift keying systems | |
| Li et al. | Soft Decision Signal Detection of MIMO System Based on Deep Neural Network | |
| CN115941002A (zh) | 一种人工智能辅助的mimo检测方法 |
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 |