CN115023902A - 用于通信系统的接收器 - Google Patents
用于通信系统的接收器 Download PDFInfo
- Publication number
- CN115023902A CN115023902A CN202080094904.9A CN202080094904A CN115023902A CN 115023902 A CN115023902 A CN 115023902A CN 202080094904 A CN202080094904 A CN 202080094904A CN 115023902 A CN115023902 A CN 115023902A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- detector
- receiver
- parameters
- transmitter
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 25
- 238000011084 recovery Methods 0.000 claims description 25
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/06—Receivers
-
- 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
-
- 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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
-
- 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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- 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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L2025/0335—Arrangements for removing intersymbol interference characterised by the type of transmission
- H04L2025/03426—Arrangements for removing intersymbol interference characterised by the type of transmission transmission using multiple-input and multiple-output channels
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radio Transmission System (AREA)
Abstract
本主题涉及一种接收器,该接收器包括用于从传输器接收信号的检测器。检测器包括一组一个或多个可设置参数、以及用于实施具有可训练参数的算法的部件。该算法被配置为接收指示传输器与接收器之间的通信信道的状况的信息作为输入,并且输出检测器的一组可设置参数的值。检测器被配置为接收与由传输器发送的消息相对应的信号,并且基于所接收的信号和检测器的该组可设置参数的输出值提供指示该消息的输出。
Description
技术领域
各种示例实施例涉及计算机网络,并且更具体地涉及用于通信系统的接收器。
背景技术
诸如多输入/多输出(MIMO)系统等通信系统是已知系统,该系统在传输器和接收器处使用多个天线以及先进的数字信号处理以提高链路质量和容量。在有更多天线元件的情况下可以接收和发送更多数据。然而,需要进一步提高这种通信系统中数据通信的性能。
发明内容
示例实施例提供了一种接收器,该接收器包括用于从至少一个传输器接收信号的检测器。检测器包括一组一个或多个可设置参数、以及用于实施具有可训练参数的算法的部件。该算法被配置为接收指示至少一个传输器与接收器之间的通信信道的状况的信息作为输入,并且输出检测器的该组可设置参数的值。检测器被配置为接收与由至少一个传输器发送的消息相对应的信号,并且基于所接收的信号和检测器的该组可设置参数的输出值提供指示该消息的输出。
根据另外的示例实施例,一种方法包括:提供具有可训练参数的算法,该算法被配置为接收指示至少一个传输器与接收器之间的通信信道的状况的信息作为输入,并且输出检测器的一组一个或多个可设置参数的值,在接收器处接收信号,响应于向算法输入信息,从算法接收该组可设置参数的值,将所接收的信号和该组可设置参数的值输入到检测器以用于接收指示向接收器传输的消息的输出。
根据另外的示例实施例,一种计算机程序产品包括存储在其上的指令,该指令用于引起装置至少执行以下各项:提供具有可训练参数的算法,该算法被配置为接收指示至少一个传输器与该装置之间的通信信道的状况的信息作为输入,并且输出该装置的检测器的一组一个或多个可设置参数的值,在该装置处接收信号,响应于向该算法输入该信息,从该算法接收该组可设置参数的值,将所接收的信号和该组可设置参数的值输入到检测器以用于接收指示向该装置传输的消息的输出。
根据另外的示例实施例,一种系统包括接收器和至少一个传输器。接收器包括用于从至少一个传输器接收信号的检测器。检测器包括一组一个或多个可设置参数、以及用于实施具有可训练参数的算法的部件。该算法被配置为接收指示至少一个传输器与接收器之间的通信信道的状况的信息作为输入,并且输出检测器的该组可设置参数的值。检测器被配置为接收与由至少一个传输器发送的消息相对应的信号,并且基于所接收的信号和检测器的该组可设置参数的输出值来提供指示该消息的输出。
附图说明
包括附图以提供对示例的进一步理解,并且附图被并入且构成本说明书的一部分。在附图中:
图1描绘了根据本主题的示例的通信系统的示图;
图2描绘了根据本主题的示例的通信系统的示图;
图3是根据本主题的示例的用于数据通信的方法的流程图;
图4是根据本主题的示例的用于训练算法的方法的流程图;
图5是根据本主题的示例的用于数据通信的方法的流程图;
图6是根据本主题的示例的用于训练算法的方法的流程图;
图7是根据本主题的示例的用于训练算法的方法的流程图;
图8A是参考图2描述的解调器的示例实现的框图;
图8B是分别参考图1和图2描述的算法或机器学习模型的示例实现的框图;
图9示出了对于不同信噪比(SNR)值的符号错误率(SER)的变化;
图10是示出根据本主题的示例的装置的示例的框图。
具体实施方式
在以下描述中,出于解释而非限制的目的,阐述了诸如特定架构、接口、技术等具体细节,以便提供对示例的透彻理解。然而,对于本领域技术人员来说很清楚的是,所公开的主题可以在背离这些具体细节的其他说明性示例中实践。在一些情况下,省略了对众所周知的设备和/或方法的详细描述,以免不必要的细节混淆本描述。
可训练参数是算法的参数。术语“具有可训练参数的算法”或“带有可训练参数的算法”可以是已训练算法,该已训练算法的参数具有值,其中该值是通过对算法进行训练而获得的。
至少一个传输器与接收器之间的通信信道可以具有状况或状态。通信信道的状况可以随时间而变化。通信信道的状况可以通过通信信道的一个或多个特性来描述。例如,通信信道的特性中的特性可以包括信道增益、信道相位、SNR、接收信号强度指示(RSSI)或传输矩阵等。通信信道可以经由单输入单输出(SISO)、多输入单输出(MISO)或多输入多输出(MIMO)系统来建立。
指示通信信道的状况的信息例如可以是通信信道的信道状态信息(CSI)。该信息描述了信号如何从至少一个传输器传播到接收器,并且表示例如随距离的散射、衰落和功率衰减的组合效应。该信息可以包括一个或多个属性的值,其中每个属性具有指示通信信道的相应特性的属性值。
检测器可以是从接收信号中提取信息的设备或电路。提取的信息可以指示传输的消息或符号。接收信号可以是调制射频(RF)电流或电压。调制可以使用预定义调制方案来执行。例如,接收信号可以对应于由至少一个传输器传输的消息。该消息可以是包含比特序列的数据单元。比特序列的每个比特可以具有二进制值(例如,1或0)。例如,检测器对信息的提取可以根据上述调制方案来执行。
检测器的可设置参数是参数。可设置参数中的可设置参数可以是矩阵、向量或标量。可设置参数可以设置为值。检测器的可设置参数可以具有针对通信信道的给定状况而优化或生成的值。在通信信道的状况改变的情况下,可设置参数可以被分配表示通信信道的新状况的不同值。本主题可以被配置为使可设置参数的值自动适应通信信道条件。
在一个示例中,至少一个传输器可以是单个传输器。例如,传输器可以包括至少一个传输天线,并且接收器可以包括至少一个接收天线。在一个示例中,传输器可以包括多个传输天线并且接收器可以包括多个接收天线,其中通信信道可以是MIMO信道。
在一个示例中,至少一个传输器可以是多个传输器,其中消息从多个传输器接收。多个传输器中的每个传输器可以具有传输天线。
接收信号可以包括由接收器的每个接收天线接收的样本,例如,接收信号可以包括样本向量。
本主题可以实现由至少一个传输器对传输消息的准确恢复。本主题可以使消息恢复过程自动适应通信信道的变化条件。这可以使得能够实现可靠通信。
根据一个示例,检测器被配置为实现迭代消息恢复算法或神经网络。迭代消息恢复算法可以是迭代信号恢复算法。该实施例可以实现本主题与现有系统的无缝集成。例如,具有各种复杂性和可靠性的检测器可以被配置为接收它们的可设置参数的值并且根据本主题提供它们的输出。
根据一个示例,一组一个或多个可设置参数的值在迭代消息恢复算法的迭代之间共享。通过在迭代之间共享该组参数,接收器可以计算该组参数的单组值,这可以显著降低其复杂性并且提高接收器的效率。这也可以节省处理资源,同时仍然实现传输消息的准确恢复。特别地,可以节省为剩余迭代提供该组参数所需要的资源。
根据一个示例,检测器的该组可设置参数被划分为多个第一维j的向量,其中具有可训练参数的算法被配置为输出相等数目的第二维r的嵌入向量。第二维小于第一维,其中算法被配置为使用维数为jxr的可训练矩阵从多个嵌入向量生成可设置参数的值。例如,维数r与j之间的差(j-r)可以高于预定义阈值。阈值例如可以是用户定义的。
例如,该组可设置参数θ可以被划分为等维j的D个向量θ′d,d∈{1,...,D}。θ′d,d∈{1,...,D}将是迭代消息恢复算法的D次迭代的可设置参数。与权重共享一样,可以通过实现算法来进一步降低复杂性,该算法输出相同维数r的D个嵌入向量γd,d∈{1,...,D},维数r远小于θ′d的维数。每个θ′d,d∈{1,...,D}可以通过乘积θ′d=Ωγd生成,其中Ω是维数为jxr的可训练矩阵。使用单个矩阵Ω可以是有利的,因为所有向量θ′d具有相同维数j。
根据一个示例,迭代消息恢复算法是以下中的任何一项:正交近似消息传递网络(OAMPNet)或深度学习多输入多输出检测方案(MMNet)。与简单地向检测器馈送诸如信道矩阵H等信息并且不适配可设置参数的值相比,根据该实施例的检测器的操作可以实现最佳性能。该实施例可以进一步是有利的,因为它可以防止针对信道矩阵H的每个实现重新训练例如MMNet。
根据一个示例,具有可训练参数的算法是已训练机器学习模型。这可以实现可设置参数的自动和准确生成。可设置参数的准确生成可以进一步提高传输消息的恢复的准确性。
根据一个示例,接收器包括多个接收天线,其中信息是MIMO信道矩阵的估计。该消息包括多个比特向量,每个比特向量是利用至少一个传输器的相应传输天线传输的,其中接收信号例如可以是接收样本的向量其中N是接收天线的数目。MIMO检测可以是NP困难的,并且解调的复杂性可能随着传输器的数目和每个信道使用的比特数而呈指数增加。由本实施例实现的解调可以提供低复杂性的解决方案,因为解调可以由具有可训练参数的算法自动辅助。
根据一个示例,检测器包括解调器和解映射器。解调器被配置为在给定接收信号的情况下提供消息的调制符号由多个传输天线中的特定传输天线传输的概率。解映射器被配置为提供调制符号的每个比特被设置为1并且由多个传输天线中的特定传输天线传输的概率,其中所提供的指示消息的输出包括两个概率中的任何一个。与对符号进行硬决策的方法相比,该实施例可以实现高效的消息恢复。对符号进行硬决策的方法可能效率较低,因为随后应用解映射来生成比特之上的概率在使用硬决策时可能是不实际的。
根据一个示例,该方法还包括接收包括三元组样本的训练集。每个三元组样本包括信道状态信息、传输消息和接收信号。该方法包括使用训练集和检测器训练算法,从而生成具有可训练参数的值的算法。
例如,训练可以按照以下步骤执行。该组可设置参数的值可以首先由算法使用三元组样本的信道状态信息来预测,检测器可以基于上述三元组样本的接收信号和预测值来提供指示恢复消息的输出,并且所提供的输出可以与所述三元组样本的传输消息进行比较。基于比较结果,算法的可训练参数的值可以被改变,并且这些步骤可以针对另一个三元组样本重复。重复可以被执行直到停止标准满足为止。例如,停止标准可能要求训练集被完全处理。
根据一个示例,传输器包括多个传输天线并且接收器包括多个接收天线。该消息包括多个比特向量(U个向量),每个比特向量具有相应大小ku并且每个比特向量由多个传输天线中的相应传输天线传输。训练被执行以通过优化预定义损失函数来获得可训练参数ψ的值。损失函数是针对传输比特的二进制交叉熵、或针对符号的分类交叉熵。
根据一个示例,至少一个传输器可以是多个传输器,其中消息从多个传输器接收。多个传输器中的每个传输器可以具有传输天线。该消息包括多个比特向量(U个向量),每个比特向量具有相应大小ku并且每个比特向量由多个传输器中的相应传输器传输。训练被执行以通过优化预定义损失函数来获得可训练参数ψ的值。损失函数是针对传输比特的二进制交叉熵、或针对符号的分类交叉熵。
在一个示例中,损失函数可以定义如下:其中ψl是向量ψ中的第l个元素,是由多个传输天线中的第u个传输天线发送的第j个比特对于训练集的第i个训练样本被设置为1的概率,bu,j (i)是由第u个传输天线传输的比特向量的第j个比特,B是训练集的采样训练样本的数目。
在另一示例中,损失函数可以如下定义:其中λ是调节参数。这种损失函数可能是有利的,因为它可以通过在训练处使用L1正则化来强制权重稀疏性来降低算法的复杂性。L1正则化对上述损失函数添加惩罚项,惩罚项将参数推向零并且由调节参数λ控制。
根据一个示例,训练还提供表示至少一个传输器的星座的可训练矩阵的值,从而启用接收器和至少一个传输器的联合优化。该实施例可以实现包括通信系统的传输器端和接收器端两者的端到端训练。这可以进一步提高所提供的可设置参数的值的准确性。
图1是根据本主题的示例的通信系统100的框图。
通信系统100包括传输器101和接收器102。传输器101和接收器102中的每一个可以是无线通信设备的示例。接收器102可以称为和/或可以包括用户设备(UE)、移动台(MS)、终端、接入终端、订户单元、站等的功能中的一些或全部功能。接收器100的示例包括蜂窝电话、智能电话、个人数字助理(PDA)、无线设备、电子汽车控制台、传感器、膝上型计算机等。
传输器101可以接收比特序列或比特串或比特向量111。比特序列111的每个比特可以具有二进制值(例如,0或1)。比特序列111可以表示要传输的数据。例如,比特序列111可以表示消息m。该消息可以包括从语音呼叫、互联网流量、控制信息、文本消息、请求等获得的信息。比特序列111可以具有可以表示为每秒比特的速率(R)。传输器101可以根据调制方案从所接收的比特序列111生成调制符号x。例如,每个符号x可以表示预定义比特数。例如,调制方案可以是正交幅度调制(QAM)方案。所生成的调制符号可以转换成RF信号,RF信号然后经由一个或多个传输天线122通过通信信道108来传输。通信信道108可以根据SISO、MISO或MIMO协议建立。
接收器102可以从一个或多个接收天线107接收与消息m相对应的信号y。接收信号y可以是根据调制方案的调制信号。接收器102可以被配置为从接收信号y恢复传输消息m。为此,接收器102可以包括如图1所示的组件。例如,接收器可以包括检测器103和人工智能(AI)模块104。每个组件可以用硬件或硬件和软件的组合来实现。例如,检测器103和AI模块104可以以硬件(例如,电路)或以硬件和软件的组合(例如,带有指令的处理器)来实现。
检测器103包括一组可设置参数θ(θ1,θ2...θK)。该组可设置参数λ例如可以是检测器103用来恢复传输符号x的恢复模型的一个或多个等式的项或一组规则的项。恢复模型可以被配置为根据通信信道108的状态来执行恢复。也就是说,该组可设置参数θ可以取决于通信信道108的状态,例如,该组可设置参数对于通信信道108的不同CSI可以具有不同值。除了可设置参数θ,恢复模型可以具有其他参数,诸如通信信道108的CSI。例如,恢复模型可以是深度前馈神经网络(参见图8A)。
可设置参数θ的值可以由AI模块104确定或预测。例如,AI模块104可以实现具有可训练参数的算法110,以便针对通信信道108的当前状态预测可设置参数θ的值。通信信道108的当前状态例如可以是在接收信号y时通信信道108的状态。例如,算法110可以是已训练算法。该算法可以被训练以根据通信信道108的CSI估计或预测该组可设置参数θ的值。算法110被配置为接收通信信道108的CSI作为输入,并且输出该组可设置参数θ的值。该组可设置参数θ可以设置为由AI模块104预测的值。
因此,至少基于接收信号y和该组可设置参数θ的预测值,检测器103可以提供指示消息m的输出。
在将可设置参数设置为预测值之前,该组可设置参数θ可能具有或可能没有指定值。在一个示例中,该组可设置参数θ可以具有初始值。例如,初始值可以是例如对于在接收器102处先前接收的信号根据本主题而获得的值。在另一示例中,初始值可以是用户定义的值。例如,初始值可以与可以不同于当前状态的通信信道108的给定状态相关联。通过将该组参数θ设置为表示当前状态的预测值,可以防止恢复模型的重新优化或重新训练。
图2是根据本主题的示例的通信系统200的框图。通信系统200可以利用MIMO通信方法使用多个传输和接收天线来交换数据。
例如,通信系统200可以包括多个传输器201.1-U和接收器202。多个传输器例如可以是相应终端或用户设备的传输器,其中每个传输器具有传输天线。例如,接收器可以是基站的接收器。传输器中的每个传输器201.i(其中i=1、2……或U)可以接收传入比特向量该比特向量被转换为其独热(one-hot)表示si。独热表示可以是长度为的向量,除了索引具有bi作为二进制表示的元素被设置为1,该向量的所有元素都被设置为0。调制符号xi可以通过从星座Ci(例如,QAM星座)和标记方案(例如,格雷标记方案)中选择星座点来获得。该选择可以通过独热表示si和星座Ci的乘积来执行,如图2所示。星座Ci可以通过被归一化后的可训练矩阵来获得,以保证一定的能量约束,例如E{|x|2}=1。每个传输器201.i可以被配置为经由U个传输天线中的相应传输天线(未示出)传输如参考传输器101而描述的相应符号xi。例如,调制符号x=[x1,...,xU]T通过MIMO信道208来传输。
来自每个传输天线的信号然后由接收器202处的接收天线接收。每个传输天线与每个接收天线之间的路径可以由传递函数建模,并且系统200的整体信道传递函数可以由这些传递函数的组合来形成以定义如下函数:y=Hx+n,其中是接收样本(接收信号)的向量,N是接收器处的接收天线(未示出)的数目,是MIMO信道208的信道矩阵,并且是接收器噪声。
在接收器202处,提取来自每个接收天线的信号,并且接收器使用AI模块204和检测器203来提取指示原始传输信号的数据。例如,接收器202可以被配置为执行MIMO检测以恢复该组U个比特向量b1,...,bU(其中),其中i∈{1,...,U},并且ki是第i个传输器使用的每个信道的比特数。为此,检测器203包括解调器205和解映射器206。解调器205包括具有可设置参数的算法(例如,神经网络或迭代信号恢复算法),该算法实现映射其中是维数为K的可设置参数的向量。该组可设置参数θ的值可以从AI模块204中获得。例如,AI模块204可以实现已训练机器学习(ML)模型210。已训练ML模型210可以是具有图1的可训练参数的算法110的示例。已训练ML模型210实现映射其中是已训练ML模型的可训练参数的向量。已训练ML模型210可以被配置为使用信道矩阵H作为输入来预测该组可设置参数θ的值。然而,为了应用信道矩阵H,接收器202可以首先估计信道矩阵H。例如,这可以通过发送在接收器处已知的训练信号或通过使用基于描述通信系统200的模型的模拟数据来进行。在另一示例中,ML模型210可以被训练为使用信噪比(SNR)或接收信号强度指示(RSSI)的估计作为输入以执行预测。
在将该组可设置参数θ设置为预测值之后,解调器205可以对接收样本y执行解调以计算传输符号pi(xj)之上的概率,该概率对应于第i个传输器传输符号xj∈Ci的概率。传输符号之上的所有概率可以写成如下:S={pi(xj)}(i,j)。此外,逐符号概率pi(xj)被馈送到解映射器206,解映射器206计算传输比特之上的逐比特概率pi,j。pi,j表示由第i个传输器传输的第j个比特被设置为1的概率,并且P={pi,j}(i,j)。从逐符号概率pi(xj)计算逐比特概率可以如下进行:其中是第j个比特设置为1的比特向量被传输器映射到的所有符号x∈Ci的集合。这些逐比特概率随后可以被馈送到信道解码器(例如,置信传播)以产生传输的比特向量的估计。在另一示例中,解映射器206可以计算传输比特之上的逐比特对数似然比(LLRs)li,j,其中这些LLR随后可以被馈送到信道解码器。
接收天线的数目N和传输天线的数目U可以相同,也可以不同。例如,在接收天线的数目N大于或等于传输天线的数目(N≥U)的情况下,由接收器202进行的信号恢复可以通过利用信道矩阵H的QR分解来改善。例如,大小为N×N的矩阵Q和大小为U×U的R(使得)使用Gram-Schmidt算法来计算,其中Q是酉矩阵,R是上三角矩阵。矩阵R的系数被馈送到已训练ML模型210以预测该组可设置参数的值。乘积Q*y的值被馈送到解调器205,而不是接收样本y,其中Q*是Q的共轭转置,以便计算逐符号概率。除了产生更好的性能,这种方法可以具有显著减少已训练ML模型210的输入数目的好处。此外,馈送到已训练ML模型210的矩阵R的非零系数的数目可以仅取决于传输器的数目U,并且与接收器处的接收天线数目无关。由于ML模型210可以使用与矩阵H相比尺寸减小的矩阵R来训练,因此该方法可能进一步是有利的。
尽管示出为单独组件,但解调器205和解映射器206可以实现为单个组件,例如实现解调器205和解映射器206两者的单个神经网络。使用这种方法,函数fθ将输出比特之上的概率而不是符号之上的概率。
图2的系统是出于示例目的而提供的,并且其他示例实现可以被使用。例如,系统可以设置有多天线传输器而不是单天线传输器201.1-U和/或设置有多个信道而不是单个信道208。
图3是根据本主题的示例的用于数据通信的方法的流程图。出于示例目的,图3所示的方法将关于图1所示的部署场景来讨论。然而,示例实施例不应当限于该示例。
在步骤301中,可以在接收器102处接收信号。信号可以经由通信信道108接收,其中通信信道108具有给定状况。接收信号可以对应于由传输器101传输的消息。接收信号可以被处理以便恢复消息的传输符号。为此,AI模块104可以在步骤303中将指示通信信道的给定状况的信息输入给算法110。输入步骤3030可以响应于接收到该信号而被执行。
响应于将关于通信信道的给定状况的信息输入给算法110,AI模块104可以在步骤305中从算法110接收该组可设置参数θ的预测值。在步骤307,可以向该组可设置参数分配预测值。
使用接收信号和该组可设置参数的预测值,检测器103可以在步骤309中提供指示向接收器传输的消息的输出。该输出例如可以包括恢复符号。
可以针对另外的接收信号重复方法步骤303至309。例如,方法步骤303-309可以在接收器102处接收到信号时自动执行。
图4是根据本主题的示例的用于优化算法110的可训练参数的值的方法的流程图。出于示例目的,图4所示的方法将关于图1所示的部署场景来讨论。然而,示例实施例不应当限于该示例。
在步骤401中,可以接收训练集。训练集包括多个条目,其中每个条目包括元组。每个元组(H,m,y)包括信道状态信息,诸如通信信道108的信道矩阵H、由传输器101传输的消息m和由接收器102接收的信号y。
在步骤403中,可以使用接收的训练集来训练算法110。例如,训练可以按照以下步骤执行。该组可设置参数的值可以首先由算法110使用元组(H1,m1,y1)的信道状态信息H1来预测,检测器可以基于元组(H1,m1,y1)的接收信号y1和预测值提供指示恢复消息的输出,并且所提供的输出可以与元组(H1,m1,y1)的传输消息m1进行比较。基于比较结果,可以改变算法110的可训练参数的值,并且可以为例如(H2,m2,y2)的另一元组重复这些步骤。可以执行重复直到停止标准满足为止。例如,停止标准可以要求训练集被完全处理。参考图6和图7描述训练的更多细节。
例如,可以周期性地(例如,一旦训练集被更新)重复步骤403。并且,例如在图3的方法中,可以例如使用重新训练的算法来代替已训练算法,以用于根据本主题进行信号恢复。
图5是根据本主题的示例的用于MIMO系统中的数据通信的方法的流程图。出于示例目的,将关于图2所示的部署场景来讨论图5。然而,示例实施例不应当限于该示例。
在步骤501中,可以估计信道矩阵H。信道矩阵H的估计可以例如使用线性最小均方误差(LMMSE)估计器或最小二乘(LSQ)法来执行。可以向已训练ML模型210馈送H的估计,以在步骤503中计算或预测解调器205的该组可设置参数θ的值。在步骤505中,解调器205的该组可设置参数可以设置为该组可设置参数θ的预测值。在步骤507中,可以向解调器205馈送接收样本y以计算符号之上的概率pi(xj),该概率对应于第i个传输器传输符号xj∈Ci的概率。传输符号之上的所有概率可以写成{pi(xj)}(i,j),如图5所示。
图6是根据本主题的示例的用于训练诸如ML模型210之类带有可训练参数的算法的方法的流程图。出于示例目的,将关于图2所示的部署场景来讨论图6。然而,示例实施例不应当限于该示例。
为了训练ML模型210,由解调器205和AI模块204构成的系统可以被视为单个组件:h=fgψ,其中ψ是ML模型210的可训练参数。训练集可以包括大小为D的条目其中训练示例(或训练样本)由信道矩阵H、接收样本向量y和传输比特向量b1,…,bU组成。
在步骤601中,可以初始化可训练参数ψ。例如,初始化可以随机执行。在步骤603中,可以从训练集中采样B个训练示例。在步骤605中,可以通过对以下损失函数应用随机梯度下降(SGD)的一步来更新可训练参数ψ:
其中pu,j (i)是由第u个传输器发送的第j个比特针对第i个训练示例被设置为1的概率。损失函数L对比特进行操作。因此,本方法的训练可以用于训练解调器和解映射器都由单个组件实现或由单独组件实现的系统。诸如分类交叉熵之类的其他损失函数可以在步骤605中用于启用对符号的检测。
响应于确定(查询步骤607)预定义停止标准不满足,可以重复步骤603到607,否则可以提供可训练ψ参数的最后值。停止标准可以例如要求达到预定义迭代次数。在另一示例中,停止标准可以要求损失函数在预定义迭代次数内没有减小。
图6的方法的训练可以使用优化参数进行优化。优化参数可以例如包括学习速率、批量大小和SGD变体的其他参数(例如,Adam或RMSProp)。此外,可以使用其他训练方法来训练ML模型210。这些其他训练方法可以例如包括基于进化的方法并且可以使用相同的损失函数L(ψ)。
图7是根据本主题的示例的用于训练诸如ML模型210之类的带有可训练参数的算法的方法的流程图。出于示例目的,将关于图2所示的部署场景来讨论图7。然而,示例实施例不应当限于该示例。
例如,假定信道208的可微分模型是可用的,例如,由传输器、信道模型和接收器组成的端到端系统200可以使用以下过程来训练。
训练集可以包括大小为D的条目{(H(i),b1 (i),…,bU (i))}i=1,…,D,其中训练示例由信道矩阵H和传输比特向量b1,…,bU组成。
在步骤701中,可以初始化可训练参数ψ和可训练矩阵(其中i∈{1,...,U})。初始化可以例如随机执行。在步骤703中,可以从训练集中采样B个训练示例。在步骤705中,可以通过对以下损失函数应用SGD的一步来更新可训练参数ψ和(其中i∈{1,...,U}):
其中pu,j (i)是由第u个传输器发送的第j个比特针对第i个训练示例被设置为1的概率。响应于确定(查询步骤707)预定义停止标准不满足,可以重复步骤703到707,否则可以提供可训练参数Ψ和(其中i∈{1,...,U})的最后值。诸如分类交叉熵之类的其他损失函数可以在步骤705中用于启用对符号的检测。
图8A是参考图2描述的解调器205的示例实现的框图。在图8A所示的示例实现中,解调器205使用包括多个密集层802A和输入层801A的深度前馈神经网络800A来实现。输入层801A是将N个复数转换为2N个实数的层。密集层数可以是该组可设置参数θ中的参数的数目,例如该组可设置参数θ中的每个参数可以与深度前馈神经网络800A的相应密集层相关联。三个密集层在图8A中仅作为示例示出。
该组可设置参数θ可以是深度前馈神经网络800A的密集层的权重。深度前馈神经网络800A实现映射其中是维数为K=3的该组可设置参数。例如,深度前馈神经网络800A将形成接收符号的N维复值向量y映射到传输符号x之上的概率S。深度前馈神经网络800A出于示例目的而被提供,并且解调器205的其他实现(包括其他神经网络实现)也是可能的。
图8B是分别参考图1和图2描述的算法110或ML模型210的示例实现的框图。在图8B所示的示例实现中,算法100使用包括多个密集层802B和输入层801B的深度前馈神经网络800B实现。输入层801B是将N个复数转换为2N个实数的层。例如,密集层的数目可以是用户定义的。三个密集层在图8B中仅作为示例示出。深度前馈神经网络800B实现映射其中是深度前馈神经网络800B的该组可训练参数。例如,深度前馈神经网络800B将信道矩阵H映射到该组可设置参数θ的值。深度前馈神经网络800B出于示例目的而被提供,并且算法110的其他实现(包括其他神经网络实现)也是可能的。
图9是示出使用本主题901和使用LMMSE估计器903以及使用最大似然检测器905的不同SNR值的符号错误率(SER)的变化的图。该图是使用模拟数据获得的。模拟数据是使用诸如图2的系统之类的通信系统生成的,其中传输天线的数目U=6并且接收天线的数目N=12。解调器205由MMNet实现。MMNet可能只需要100个可设置参数。如此少数目的可设置参数导致低复杂性的ML模型210。代替为信道矩阵H的每个实现重新训练MMNet以实现良好性能,本主题可以使用已训练ML模型210为每个实现生成可设置参数的值。如图9所示,利用当前主题实现的SER可以优于LMMSE基线。所实现的SER表明,本主题可以显著减小与最大似然检测器的差距,同时与最大似然检测器相比不太复杂。最大似然检测器可能过于复杂而无法在大多数系统上实用。
在图10中,示出了说明装置1070的配置的电路框图,该装置1070被配置为实现本主题的至少一部分。需要注意的是,除了下面描述的那些之外,图10所示的装置1070可以包括若干另外的元件或功能,为了简单起见,这里省略了它们,因为它们对于理解不是必需的。此外,该装置还可以是具有类似功能的另一设备,诸如芯片组、芯片、模块等,其也可以是装置的一部分或作为单独元件附接到该装置等。装置1070可以包括处理功能或处理器1071,诸如CPU等,处理功能或处理器1071执行由程序等给出的与流控制机制相关的指令。处理器1071可以包括专用于如下所述的特定处理的一个或多个处理部分,或者处理可以在单个处理器中运行。例如,用于执行这种特定处理的部分也可以作为离散元件或在一个或多个另外的处理器或处理部分中提供,诸如在一个物理处理器(如CPU)或若干物理实体中。参考符号1072表示连接到处理器1071的收发器或输入/输出(I/O)单元(接口)。I/O单元1072可以用于与一个或多个其他网络元件、实体、终端等通信。I/O单元1072可以是组合单元,包括面向若干网络元件的通信设备,或者可以包括具有用于不同网络元件的多个不同接口的分布式结构。附图标记1073表示例如可以用于存储要由处理器1071执行的程序和数据和/或作为处理器1071的工作存储装置的存储器。
处理器1071被配置为执行与上述主题相关的处理。特别地,装置1070可以被配置为执行结合图3、图4、图5、图6和图7描述的方法的至少一部分。
例如,处理器1071被配置用于将指示通信信道的状态的信息输入给算法,例如110,并且从算法接收检测器的一组可设置参数的值。处理器1071还被配置用于将接收信号和该组可设置参数的值输入到检测器以用于从检测器接收指示向接收器传输的消息的输出。
Claims (18)
1.一种接收器,包括
检测器,用于从至少一个传输器接收信号,所述检测器包括一组一个或多个可设置参数,以及
用于实施具有可训练参数的算法的部件,所述算法被配置为接收指示所述至少一个传输器与所述接收器之间的通信信道的状况的信息作为输入,并且输出所述检测器的一组可设置参数的值,所述检测器被配置为接收与由所述至少一个传输器发送的消息相对应的信号,并且基于所接收的信号和所述检测器的所述一组可设置参数的输出值、提供指示所述消息的输出。
2.根据权利要求1所述的接收器,其中所述检测器被配置为实现迭代消息恢复算法或神经网络。
3.根据权利要求2所述的接收器,其中所述一组一个或多个可设置参数的所述值在所述迭代消息恢复算法的迭代之间共享。
4.根据前述权利要求中任一项所述的接收器,其中所述检测器的所述一组可设置参数被划分为多个第一维j的向量,其中所述具有可训练参数的算法被配置为输出相等数目的第二维r的嵌入向量,所述第二维小于所述第一维,其中所述算法被配置为使用维数为jxr的可训练矩阵从所述嵌入向量生成所述可设置参数的所述值。
5.根据前述权利要求2至4中任一项所述的接收器,所述迭代消息恢复算法是以下中的任一项:正交近似消息传递网络OAMPNet、或深度学习多输入多输出检测方案MMNet。
6.根据前述权利要求中任一项所述的接收器,所述具有可训练参数的算法是已训练机器学习模型。
7.根据前述权利要求中任一项所述的接收器,所述接收器包括多个接收天线,其中指示所述通信信道的状况的所述信息是多输入多输出MIMO信道矩阵的估计。
8.根据权利要求7所述的接收器,所述检测器包括解调器和解映射器,所述解调器被配置为在给定所述接收信号的情况下,提供所述消息的调制符号从多个传输天线中的特定传输天线被传输的概率;所述解映射器被配置为提供所述调制符号的每个比特被所述多个传输天线中的特定传输天线设置为1的概率,其中所提供的输出包括两个概率中的任何一个。
9.根据前述权利要求中任一项所述的接收器,所述具有可训练参数的算法是神经网络。
10.一种方法,包括
提供具有可训练参数的算法,所述算法被配置为接收指示至少一个传输器与接收器之间的通信信道的状况的信息作为输入,并且输出检测器的一组一个或多个可设置参数的值,
在所述接收器处接收信号,
响应于向所述算法输入所述信息,从所述算法接收一组可设置参数的值,
将所接收的信号和所述一组可设置参数的所述值输入到所述检测器,以用于接收指示向所述接收器传输的消息的输出。
11.根据权利要求10所述的方法,还包括
接收包括三元组样本的训练集,每个三元组样本包括信道状态信息、传输消息和接收信号;
使用所述训练集和所述检测器训练所述算法,从而生成具有所述可训练参数的值的所述算法。
12.根据权利要求11所述的方法,所述至少一个传输器包括多个传输天线,并且所述接收器包括多个接收天线,所述消息包括多个比特向量,每个比特向量由所述多个传输天线中的相应传输天线传输,所述训练被执行,以通过优化预定义损失函数来获得所述可训练参数的值,所述损失函数是针对传输比特的二进制交叉熵、或针对符号的分类交叉熵。
14.根据前述权利要求10至13中任一项所述的方法,所述检测器被配置为实现迭代消息恢复算法,所述一组可设置参数的所述值在所述算法的迭代之间共享。
15.根据前述权利要求10至14中任一项所述的方法,其中所述检测器的所述一组可设置参数被划分为多个第一维j的向量,其中所述具有可训练参数的算法被配置为输出相等数目的第二维r的嵌入向量,所述第二维小于所述第一维,其中所述算法被配置为使用维数为jxr的可训练矩阵从所述嵌入向量生成所述可设置参数的所述值。
16.一种计算机程序产品,包括存储在其上的指令,所述指令用于使装置执行至少以下各项:
提供具有可训练参数的算法,所述算法被配置为接收指示至少一个传输器与所述装置之间的通信信道的状况的信息作为输入,并且输出所述装置的检测器的一组一个或多个可设置参数的值,
在所述装置处接收信号,
响应于向所述算法输入所述信息,从所述算法接收一组可设置参数的值,
将所接收的信号和所述一组可设置参数的所述值输入到所述检测器,以用于接收指示向所述装置传输的消息的输出。
17.一种系统,包括接收器和至少一个传输器,所述接收器包括:
检测器,用于从所述至少一个传输器接收信号,所述检测器包括一组一个或多个可设置参数,以及
用于实施具有可训练参数的算法的部件,所述算法被配置为接收指示所述至少一个传输器与所述接收器之间的通信信道的状况的信息作为输入,并且输出所述检测器的一组可设置参数的值,所述检测器被配置为接收与由所述至少一个传输器发送的消息相对应的信号,并且基于所接收的信号和所述检测器的所述一组可设置参数的输出值、提供指示所述消息的输出。
18.根据权利要求17所述的系统,所述接收器包括多个接收天线,所述至少一个传输器是以下中的一项:具有多个传输天线的一个传输器、或均具有传输天线的多个传输器,其中所述信息指示所述通信信道的所述状况是多输入多输出MIMO信道矩阵。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2020/052103 WO2021151477A1 (en) | 2020-01-29 | 2020-01-29 | A receiver for a communication system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115023902A true CN115023902A (zh) | 2022-09-06 |
Family
ID=69400550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080094904.9A Pending CN115023902A (zh) | 2020-01-29 | 2020-01-29 | 用于通信系统的接收器 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230078979A1 (zh) |
EP (1) | EP4097846A1 (zh) |
CN (1) | CN115023902A (zh) |
WO (1) | WO2021151477A1 (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030800A (zh) * | 2001-05-11 | 2007-09-05 | 高通股份有限公司 | 多输入多输出(mimo)通信系统中用信道状态信息处理数据的方法和装置 |
US20150358055A1 (en) * | 2014-06-06 | 2015-12-10 | Andreas F. Molisch | Transceivers and methods for use in transmitting information in a massive mimo system |
CN108462517A (zh) * | 2018-03-06 | 2018-08-28 | 东南大学 | 一种基于机器学习的mimo链路自适应传输方法 |
US20180367192A1 (en) * | 2017-06-19 | 2018-12-20 | Virginia Tech Intellectual Properties, Inc. | Encoding and decoding of information for wireless transmission using multi-antenna transceivers |
WO2018233932A1 (en) * | 2017-06-19 | 2018-12-27 | Nokia Technologies Oy | CONFIGURATION OF DATA TRANSMISSION NETWORK |
WO2019080988A1 (en) * | 2017-10-23 | 2019-05-02 | Nokia Technologies Oy | END-TO-END LEARNING IN COMMUNICATION SYSTEMS |
US10305766B1 (en) * | 2017-11-07 | 2019-05-28 | Amazon Technologies, Inc. | Coexistence-insensitive presence detection |
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 |
WO2020015840A1 (en) * | 2018-07-20 | 2020-01-23 | Nokia Technologies Oy | Learning in communication systems by updating of parameters in a receiving algorithm |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8184726B2 (en) * | 2007-09-10 | 2012-05-22 | Industrial Technology Research Institute | Method and apparatus for multi-rate control in a multi-channel communication system |
US8451951B2 (en) * | 2008-08-15 | 2013-05-28 | Ntt Docomo, Inc. | Channel classification and rate adaptation for SU-MIMO systems |
US10192327B1 (en) * | 2016-02-04 | 2019-01-29 | Google Llc | Image compression with recurrent neural networks |
WO2019100332A1 (en) * | 2017-11-24 | 2019-05-31 | Nokia Shanghai Bell Co., Ltd. | Method and apparatus for signal detection in a wireless communication system |
WO2019169400A1 (en) * | 2018-03-02 | 2019-09-06 | Deepsig Inc | Learning communication systems using channel approximation |
US10498486B1 (en) * | 2018-08-23 | 2019-12-03 | Avago Technologies General Ip (Singapore) Pte. Ltd. | Maximum a posteriori iterative demapper for multi antenna communication system |
EP3633944B1 (en) * | 2018-10-04 | 2021-07-28 | Nokia Solutions and Networks Oy | Method and apparatus for signal processing with neural networks |
EP3959848A4 (en) * | 2019-04-23 | 2022-06-22 | Deepsig Inc. | COMMUNICATION SIGNAL PROCESSING BY MEANS OF A MACHINE LEARNING NETWORK |
US10771122B1 (en) * | 2019-05-04 | 2020-09-08 | Marvell World Trade Ltd. | Methods and apparatus for discovering codeword decoding order in a serial interference cancellation (SIC) receiver using reinforcement learning |
US11750436B2 (en) * | 2019-05-30 | 2023-09-05 | Nokia Technologies Oy | Learning in communication systems |
-
2020
- 2020-01-29 EP EP20702769.9A patent/EP4097846A1/en active Pending
- 2020-01-29 US US17/795,620 patent/US20230078979A1/en active Pending
- 2020-01-29 WO PCT/EP2020/052103 patent/WO2021151477A1/en unknown
- 2020-01-29 CN CN202080094904.9A patent/CN115023902A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030800A (zh) * | 2001-05-11 | 2007-09-05 | 高通股份有限公司 | 多输入多输出(mimo)通信系统中用信道状态信息处理数据的方法和装置 |
US20150358055A1 (en) * | 2014-06-06 | 2015-12-10 | Andreas F. Molisch | Transceivers and methods for use in transmitting information in a massive mimo system |
US20180367192A1 (en) * | 2017-06-19 | 2018-12-20 | Virginia Tech Intellectual Properties, Inc. | Encoding and decoding of information for wireless transmission using multi-antenna transceivers |
WO2018233932A1 (en) * | 2017-06-19 | 2018-12-27 | Nokia Technologies Oy | CONFIGURATION OF DATA TRANSMISSION NETWORK |
WO2019080988A1 (en) * | 2017-10-23 | 2019-05-02 | Nokia Technologies Oy | END-TO-END LEARNING IN COMMUNICATION SYSTEMS |
US10305766B1 (en) * | 2017-11-07 | 2019-05-28 | Amazon Technologies, Inc. | Coexistence-insensitive presence detection |
CN108462517A (zh) * | 2018-03-06 | 2018-08-28 | 东南大学 | 一种基于机器学习的mimo链路自适应传输方法 |
WO2020015840A1 (en) * | 2018-07-20 | 2020-01-23 | Nokia Technologies Oy | Learning in communication systems by updating of parameters in a receiving algorithm |
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 |
Also Published As
Publication number | Publication date |
---|---|
US20230078979A1 (en) | 2023-03-16 |
EP4097846A1 (en) | 2022-12-07 |
WO2021151477A1 (en) | 2021-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110719239B (zh) | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 | |
Ma et al. | Learning assisted estimation for time-varying channels | |
CN101499840B (zh) | 多入多出系统的迭代检测方法 | |
CN105356921A (zh) | 复杂性降低的波束受控mimo ofdm 系统 | |
CN114051701A (zh) | 用于机器学习辅助预编码的设备和方法 | |
Marseet et al. | Application of complex-valued convolutional neural network for next generation wireless networks | |
Khadr et al. | Machine learning-based massive augmented spatial modulation (ASM) for IoT VLC systems | |
Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
Ponnaluru et al. | RETRACTED ARTICLE: Deep learning for estimating the channel in orthogonal frequency division multiplexing systems | |
CN109391315B (zh) | 一种数据模型双驱动的mimo接收机 | |
Zhang et al. | Noncoherent energy-modulated massive SIMO in multipath channels: A machine learning approach | |
CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
CN109981151A (zh) | 大规模mimo系统中改进的高斯树近似消息传递检测算法 | |
US20230186079A1 (en) | Learning an optimal precoding policy for multi-antenna communications | |
KR102064301B1 (ko) | Mimo 시스템 기반의 앙상블 기계 학습을 이용한 신호 검출 장치 및 그 방법 | |
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 | |
CN115023902A (zh) | 用于通信系统的接收器 | |
CN113630160B (zh) | 一种大规模mimo检测方法、装置、设备和存储介质 | |
US11848735B2 (en) | Method and apparatus for optimization of signal shaping for a multi-user multiple input multiple output (MU-MIMO) communication system | |
Mousavi et al. | Low computational complexity joint iterative detection and decoding without ARQ in massive MIMO systems with UAVs | |
CN109167648B (zh) | 候选星座点集合生成方法及mimo空间复用检测方法 | |
Feng et al. | An enhanced MMSE detection with constellation distance correction for the Internet of things with multiple antennas | |
Tu et al. | Sparse detection for spatial modulation in multiple access channels | |
CN104734756A (zh) | 一种mimo系统检测方法和装置 | |
US20230275785A1 (en) | Systems, apparatus, and methods for channel estimation and data detection |
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 |