CN116032332A - 一种基于icgan网络的大规模mimo系统检测模型构建方法 - Google Patents
一种基于icgan网络的大规模mimo系统检测模型构建方法 Download PDFInfo
- Publication number
- CN116032332A CN116032332A CN202211720567.7A CN202211720567A CN116032332A CN 116032332 A CN116032332 A CN 116032332A CN 202211720567 A CN202211720567 A CN 202211720567A CN 116032332 A CN116032332 A CN 116032332A
- Authority
- CN
- China
- Prior art keywords
- communication signal
- icgan
- layer
- generator
- detection model
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 238000010276 construction Methods 0.000 title description 4
- 238000004891 communication Methods 0.000 claims abstract description 112
- 238000000034 method Methods 0.000 claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000004913 activation Effects 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 86
- 230000006870 function Effects 0.000 description 35
- 239000002356 single layer Substances 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- Radio Transmission System (AREA)
Abstract
一种基于ICGAN网络的大规模MIMO系统检测模型构建方法,本发明涉及基于ICGAN网络的大规模MIMO系统检测模型构建方法。本发明的目的是为了解决现有大规模MIMO系统检测网络具有在线训练计算量大,并且信道状态信息复杂多变时采用离线训练方式难以获得理想检测效果的问题。过程为:构建训练集和测试集;构建ICGAN网络检测模型;将YH输入生成器中,得到生成器输出通信信号Gψ(YH);将X输入判别器得到Dθ(X)并判定为真标签,Gψ(YΗ)输入判别器得到Dθ(Gψ(YH))并判定为假标签;训练网络并得到训练好的网络检测模型;将接收端接收通信信号输入训练好的网络检测模型,解码出接收通信信号对应的发射通信信号。本发明属于无线通信技术领域。
Description
技术领域
本发明涉及基于ICGAN网络的大规模MIMO系统检测模型构建方法,特别是信道条件复杂多变的大规模MIMO通信系统检测模型构建方法,属于无线通信技术领域。
背景技术
目前无线传输技术持续发展,移动通信设备爆炸式增长,传统MIMO(Multiple-Input Multiple-Output)系统的信道容量已经无法满足要求,大规模MIMO技术成为无线通信的热点问题。大规模MIMO技术是传统MIMO技术的增强版,设备天线数可达上百根,能够大幅度提高系统的吞吐量。
大规模MIMO系统的天线数目大幅增加给检测带来挑战,传统检测方法不再适用于大规模MIMO,如迫零检测(Zero Forcing,ZF)方法的检测精度下降、最小均方误差检测(MinimumMean-square Error Detector,MMSE)方法中对矩阵求逆操作变得更加复杂。目前,深度学习在无线通信领域获得了应用,如DetNet(Detection Network)网络、LcgNet(Learned Conjugate Gradient Descent Network)网络、OAMPNet(OrthogonalApproximate Message Passing Network)网络都在大规模MIMO系统检测中表现出优秀性能。但这些检测网络具有在线训练计算量大的缺点,并且信道状态信息复杂多变时采用离线训练方式难以获得理想检测效果。
发明内容
本发明的目的是为了解决现有大规模MIMO系统检测网络具有在线训练计算量大的问题,并且信道状态信息复杂多变时采用离线训练方式难以获得理想检测效果的问题,而提出一种基于ICGAN网络的大规模MIMO系统检测模型构建方法。
一种基于ICGAN网络的大规模MIMO系统检测模型构建方法具体过程为:
步骤1:基于生成的原始通信信号X0得到发送通信信号X,将信道状态信息H作为条件隐含入接收通信信号Y,得到隐含信道状态信息H的接收通信信号YH;以X和YH构建训练集和测试集;
步骤2:构建ICGAN网络检测模型,ICGAN网络检测模型包括生成器和判别器;
步骤3:将YH输入生成器中,生成器学习X的数据分布,得到生成器输出通信信号Gψ(YH);
其中ψ为生成器的权重参数;
步骤4:将X输入判别器得到Dθ(X)并判定为真标签,Gψ(YΗ)输入判别器得到Dθ(Gψ(YH))并判定为假标签;
其中θ为判别器的权重参数;
步骤5:计算判别器损失函数LD,向最小化LD方向优化判别器梯度▽(LD),更新判别器;
由判别器输出Dθ(Gψ(YH))计算生成器损失函数LG,向着最小化LG方向优化生成器梯度▽(LG),更新生成器;
重复执行A次步骤3到步骤5,得到预训练好的ICGAN网络检测模型;
本发明的有益效果为:
本发明提供了一种基于ICGAN网络的大规模MIMO系统检测模型构建方法,该检测模型适用于需要在线训练且信道状态信息复杂多变的大规模MIMO通信系统,具有计算复杂度低,检测精度高且鲁棒性好的特点。
本发明将发送信号X和隐含信道状态信息的接收信号YH输入ICGAN网络,利用ICGAN网络学习信号数据分布的方法实现信号检测,相比于从接收信号中计算出发送信号的检测方法,本发明能够有效抵抗复杂通信环境对检测精度的影响。
本发明将信道状态信息H作为条件隐含在接收信号中,得到隐含信道状态信息的接收信号YH并输入ICGAN网络进行检测,相比于OAMPNet、DetNet、LcgNet等网络,本发明的ICGAN网络检测过程中信道状态信息H作为条件隐含在YH中输入网络,不再作为独立的输入变量,极大程度降低检测复杂度,构建成适用于需要在线训练且信道状态信息复杂多变场景下的大规模MIMO通信系统检测模型。
本发明ICGAN网络的生成器为一种改进的U-Net网络结构,交替使用单层卷积和双层卷积,加快特征提取和恢复,避免过拟合。设置跳跃连接进行特征融合,加快检测模型收敛速度,提高检测精度。隐含信道状态信息的接收信号YH、发送信号X和生成器输出Gψ(YH)的灰度图见图4a、4b、4c,可以看出本发明设计的ICGAN网络生成器输出Gψ(YH)与发送信号X的数据分布极为相似。由图5可得出,在线训练下本发明设计的ICGAN网络比ZF、MMSE检测算法,OAMPNet、DetNet及LcgNet检测网络有更好的检测性能。
附图说明
图1为本发明ICGAN网络结构图;
图2为本发明ICGAN网络生成器结构图;
图3为本发明ICGAN网络判别器结构图;
图4a为隐含信道状态信息的接收信号YH的灰度图;
图4b为发送信号X的灰度图;
图4c为生成器输出Gψ(YH)的灰度图;
图5为QPSK调制场景下不同检测方式的误码率曲线。
具体实施方式
具体实施方式一:本实施方式一种基于ICGAN网络的大规模MIMO系统检测模型构建方法具体过程为:
本发明提供一种基于CGAN(Conditional Generative Adversarial Networks)网络的大规模MIMO系统检测模型构建方法,信道状态信息H不作为网络的输入变量,而以隐含形式输入网络。构建一种适用于信道状态信息复杂多变的大规模MIMO通信系统检测模型,将其命名为ICGAN(Implied Condition Generative Adversarial Network)网络。
步骤1:基于生成的原始通信信号X0(软件生成)得到发送通信信号X,将信道状态信息H作为条件隐含入接收通信信号Y,得到隐含信道状态信息H的接收通信信号YH;以X和YH构建训练集和测试集;
步骤2:构建ICGAN网络检测模型,ICGAN网络检测模型包括生成器和判别器;
ICGAN网络由改进U-Net结构的生成器和全卷积结构的判别器两部分组成;
步骤3:将YH输入生成器中,生成器学习X的数据分布,得到生成器输出通信信号Gψ(YH);
其中ψ为生成器的权重参数;
步骤4:将X输入判别器得到Dθ(X)并判定为真标签,Gψ(YΗ)输入判别器得到Dθ(Gψ(YH))并判定为假标签;
其中θ为判别器的权重参数;
步骤5:计算判别器损失函数LD,向最小化LD方向优化判别器梯度▽(LD),更新判别器;
由判别器输出Dθ(Gψ(YH))计算生成器损失函数LG,向着最小化LG方向优化生成器梯度▽(LG),更新生成器;
重复执行A次步骤3到步骤5,得到预训练好的ICGAN网络检测模型;
所述15≤A≤20;
如图1所示,将YH和X分别输入ICGAN网络的生成器和判别器,在线训练检测模型,训练过程中生成器输出与X数据分布相似的Gψ(YH),判别器判决生成信号的真假,通过生成器与判别器的相互博弈获得最优结果,检测性能不断提高。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤1中基于生成的原始通信信号X0得到发送信号X,将信道状态信息H作为条件隐含入接收通信信号Y,得到隐含信道状态信息H的接收通信信号YH;以X和YH构建训练集和测试集;具体过程为:
步骤1-1:对M×1维的原始通信信号向量X0进行数据预处理,得到发送通信信号X;过程为:
对M×1维的原始通信信号向量X0做上采样(通信信号上采样)处理得到通信信号Xc;
对通信信号Xc进行载波处理,得到发送通信信号X,过程为:
X=Xccoswt
其中wt为载波频率;
步骤1-2:利用MIMO系统模型,将信道状态信息H作为条件隐含入接收通信信号Y,得到隐含信道状态信息H的接收通信信号YH;表达式为:
对于M根发射天线,N根接收天线的大规模MIMO系统,MIMO系统模型可简写为:
YH=HX+n (1)
上式中,X为M×P维的发送通信信号,YH为N×P维隐含信道状态信息的接收通信信号,P为上采样点数,n为N×P维的加性高斯白噪声,H为信道状态信息,维度为N×M。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述步骤2中构建ICGAN网络检测模型,ICGAN网络检测模型包括生成器和判别器;
ICGAN网络由改进U-Net结构的生成器和全卷积结构的判别器两部分组成;
具体过程为:
生成器为一种改进的U-Net网络结构,如图2所示。
生成器包括第一卷积单元、第一编码单元、第二编码单元、第三编码单元、缓冲单元、第一解码单元、第二解码单元、第三解码单元、第二卷积单元;
第一卷积单元包括第一卷积层;
第一编码单元依次包括第一批量标准化BN层、编码块1、第一ReLU激活函数层;
第二编码单元依次包括第二批量标准化BN层、编码块2、第二ReLU激活函数层;
第三编码单元依次包括第三批量标准化BN层、编码块3、第三ReLU激活函数层;
缓冲单元依次包括第四批量标准化BN层、缓冲块、第四ReLU激活函数层;
第一解码单元依次包括第五批量标准化BN层、解码块1、第五ReLU激活函数层;
第二解码单元依次包括第六批量标准化BN层、解码块2、第六ReLU激活函数层;
第三解码单元依次包括第七批量标准化BN层、解码块3、第七ReLU激活函数层;
第二卷积单元包括第二卷积层;
编码块1包括第三卷积层;
编码块2依次包括第四卷积层、映射层、第五卷积层;
所述映射层为ReLU激活函数层;
编码块3包括第六卷积层;
缓冲块依次包括第七卷积层、映射层、第一反卷积层;
解码块1包括第二反卷积层;
解码块2依次包括第三反卷积层、映射层、第四反卷积层;
解码块3包括第五反卷积层;
该结构交替使用单层卷积和双层卷积,加快特征提取和恢复,避免过拟合。单层编码块即卷积,单层解码块即反卷积;
双层编码块包含卷积层、映射层、卷积层;
双层解码块包含反卷积层、映射层、反卷积层;
设置卷积加反卷积的缓冲块,避免特征提取太深导致收敛困难;
信号通过每个模块前进行批量标准化保证了梯度更好回传,信号通过每个模块后进行ReLU激活函数映射避免梯度衰减。反卷积过程设置跳跃连接融合来自编码块的多尺度特征与卷积特征。
判别器依次包括第八卷积层、第八ReLU激活函数层、第八批量标准化BN层、第九卷积层、第九ReLU激活函数层、第九批量标准化BN层、第十卷积层、第十ReLU激活函数层、第十批量标准化BN层、全连接层。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述将步骤3中将YH输入生成器中,生成器学习X的数据分布,得到生成器输出信号Gψ(YH);其中ψ为生成器的权重参数;具体过程为:
生成器的生成过程如下:
步骤3-1:将N×P的隐含信道状态信息的接收信号YH输入第一卷积单元,得到M×P的接收信号Yin,将Yin依次经过第一编码单元、第二编码单元、第三编码单元,提取数据分布特征,学习隐含条件关系,得到输出特征;
步骤3-2:步骤3-1中输出特征作为缓冲单元输入,缓冲单元输出特征;
步骤3-3:缓冲单元输出特征与第三编码单元输出特征融合后作为第一解码单元的输入,第一解码单元输出特征;
步骤3-4:将第一解码单元输出特征与第二编码单元输出特征融合后作为第二解码单元的输入,第二解码单元输出特征;
步骤3-5:将第二解码单元输出特征与第一编码单元输出特征融合后作为第三解码单元的输入,第三解码单元输出特征;
步骤3-6:第三解码单元输出特征输入第二卷积单元,得到生成器输出信号Gψ(YH)。
解码块进行反卷积操作恢复隐含条件关系。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤4中将X输入判别器得到Dθ(X)并判定为真标签,Gψ(YΗ)输入判别器得到Dθ(Gψ(YH))并判定为假标签;其中θ为判别器的权重参数;具体过程为:
将X依次输入第八卷积层、第八ReLU激活函数层、第八批量标准化BN层、第九卷积层、第九ReLU激活函数层、第九批量标准化BN层、第十卷积层、第十ReLU激活函数层、第十批量标准化BN层、全连接层,得到真标签Dθ(X);
将Gψ(YΗ)依次输入第八卷积层、第八ReLU激活函数层、第八批量标准化BN层、第九卷积层、第九ReLU激活函数层、第九批量标准化BN层、第十卷积层、第十ReLU激活函数层、第十批量标准化BN层、全连接层,得到假标签Dθ(Gψ(YH))。
如图3所示,判别器由3个卷积层和1个全连接层构成,每个卷积层后通过ReLU激活函数映射和批量标准化,判别器的主要任务是判决输入信号的真假并反馈给生成器。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述步骤5中损失函数计算公式如下:
判别器:LD=E[logDθ(X)]+E[log(1-Dθ(Gψ(YΗ)))] (2)
生成器:LG=E[log(Dθ(Gψ(YH)))]+kL1 (3)
生成器损失函数中加入L1范数损失函数L1=E[||X-Gψ(YH)||]确保生成器优化的正确方向,k为L1范数损失函数的权值,E[·]为数学期望,||·||为矩阵范数。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述步骤6中测试时将接收端接收的通信信号YH输入到预训练好的ICGAN网络检测模型的生成器,获得Gψ(YH),对Gψ(YH)进行载波剥离和下采样(通信信号下采样)后得到检测通信信号具体过程为:
测试时将接收端接收的通信信号YH输入到预训练好的ICGAN网络检测模型的生成器,获得Gψ(YH),对Gψ(YH)除以coswt(除以coswt就是载波剥离)后进行下采样(通信信号下采样),得到检测通信信号
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是,所述步骤6中将与生成的原始通信信号X0比对分析,若满足要求,得到最终训练好的ICGAN网络检测模型;若不满足要求,则执行步骤3,直至得到最终训练好的ICGAN网络检测模型;具体过程为:
其它步骤及参数与具体实施方式一至七之一相同。
实施例:
本发明针对信道状态信息复杂多变的通信场景,设计了一种基于ICGAN网络的大规模MIMO系统检测模型。实施过程中发射天线设置为32根,接收天线设置为64根,上采样点数设为60。
本发明技术方案具体为:
步骤1:基于生成的原始通信信号X0得到发送通信信号X,将信道状态信息H作为条件隐含入接收通信信号Y,得到隐含信道状态信息H的接收通信信号YH;以X和YH构建训练集和测试集;
步骤2:构建ICGAN网络检测模型,ICGAN网络检测模型包括生成器和判别器;
步骤3:将YH输入生成器中,生成器学习X的数据分布,得到生成器输出通信信号Gψ(YH);其中ψ为生成器的权重参数;
步骤4:将X输入判别器得到Dθ(X)并判定为真标签,Gψ(YΗ)输入判别器得到Dθ(Gψ(YH))并判定为假标签;其中θ为判别器的权重参数;
步骤5:计算判别器损失函数LD,向最小化LD方向优化判别器梯度▽(LD),更新判别器;
由判别器输出Dθ(Gψ(YH))计算生成器损失函数LG,向着最小化LG方向优化生成器梯度▽(LG),更新生成器;
重复执行A次步骤3到步骤5,得到预训练好的ICGAN网络检测模型;
本发明构建训练集和测试集的具体过程如下:
步骤1-1:对32×1维的原始通信信号向量X0进行数据预处理,得到发送通信信号X;过程为:
对32×1维的原始通信信号向量X0做上采样处理得到通信信号Xc;
对通信信号Xc进行载波处理,得到发送通信信号X;过程为:
X=Xccoswt
其中wt为载波频率;
步骤1-2:利用MIMO系统模型,将信道状态信息H作为条件隐含入接收通信信号Y,得到隐含信道状态信息H的接收通信信号YH;表达式为:
对于32根发射天线,64根接收天线的大规模MIMO系统,系统模型可简写为:
YH=HX+n (4)
式(4)中,当上采样点数为60时,X为32×60维的发送信号,YH为64×60维隐含信道状态信息的接收信号,n为64×60维的加性高斯白噪声,H为信道状态信息,维度为64×32。
结合图1进一步说明ICGAN网络的结构:
ICGAN网络由改进U-Net结构的生成器和全卷积结构的判别器两部分组成;
结合图2进一步说明生成器生成信号过程:
生成器为一种改进的U-Net网络结构,如图2所示。该结构在过程中交替使用单层卷积和双层卷积,加快特征提取和恢复,避免过拟合。单层编码块即卷积,单层解码块即反卷积。双层编码块包含卷积层、映射层、卷积层。双层解码块包含反卷积层、映射层、反卷积层,设置卷积加反卷积的缓冲块,避免特征提取太深导致收敛困难。信号通过每个模块前进行批量标准化保证了梯度更好回传,信号通过每个模块后进行ReLU激活函数映射避免梯度衰减。反卷积过程设置跳跃连接融合来自编码块的多尺度特征与卷积特征。
生成器的生成过程如下:
步骤3-1:将64×60的YH进行卷积,得到32×60的Yin,Yin先后通过编码块1,编码块2,编码块3提取数据分布特征,学习隐含条件关系,编码块3输出作为缓冲块输入。
步骤3-2:缓冲块输出与编码块3输出特征融合后通过解码块1,解码块1输出与编码块2输出特征融合后通过解码块2,解码块2输出与编码块1输出特征融合后通过解码块3,解码后卷积。解码块进行卷积操作恢复隐含条件关系,生成器输出信号Gψ(YH)。
结合图3进一步说明判别器判决过程:
判别器由3个卷积层和1个全连接层构成,每个卷积层后通过ReLU激活函数映射和批量标准化,判别器的主要任务是判别输入信号的真假并反馈给生成器。
进一步说明图1网络训练过程:
将YH和X分别输入ICGAN网络的生成器和判别器,在线训练检测模型,训练过程中生成器输出与X数据分布相似的Gψ(YH),判别器判决生成信号的真假,通过生成器与判别器的相互博弈获得最优结果,检测性能不断提高。
步骤5中损失函数计算公式如下:
判别器:LD=E[logDθ(X)]+E[log(1-Dθ(Gψ(YΗ)))] (5)
生成器:LG=E[log(Dθ(Gψ(YH)))]+kL1 (6)
生成器损失函数中加入L1范数损失函数L1=E[||X-Gψ(YH)||]确保生成器优化的正确方向,k为L1范数损失函数的权值,E[·]为数学期望,||·||为矩阵范数。
结合图1对网络的性能进行进一步的仿真验证:
1.实验场景:
本实验采用matlab语言生成发送信号X和隐含信道状态信息的接收信号YH并构建数据集,数据集考虑了从0dB-10dB的信噪比。本实验基于pycharm仿真平台,基于tensorflow2.0版本对模型进行训练和测试。ICGAN网络训练集大小为2000,迭代次数为15,网络的批次大小为8,训练方式为遍历训练集,测试集大小为50000,测试方式为批次大小为1,迭代次数为1。其它网络训练和测试的数据集采用python语言实时生成,批次大小为500,训练过程的迭代次数为40000,测试时的迭代次数为2000。
所有网络均在QPSK调制场景下在线训练,信道状态信息H为相关系数0.5的空间相关信道,n为加性高斯白噪声,发射天线M为32,接收天线N为64。
2.实验内容分析:
图4a为隐含信道状态信息的接收信号YH的灰度图;图4b为发送信号X的灰度图;图4c为生成器输出Gψ(YH)的灰度图;可以看出本发明设计的ICGAN网络生成器输出Gψ(YH)与发送信号X的数据分布极为相似。
图5为ZF、MMSE、DetNet、OAMPNet、LcgNet及本发明设计的ICGAN网络在上述实验条件下的误码率SER曲线,从图中可以看出,ICGAN网络的检测精度远超ZF、MMSE、DetNet网络和LcgNet网络。在误码率SER为1×10-3时,ICGAN网络相比于OAMPNet检测算法有2dB的增益。由此得出,本发明设计的网络模型在信道状态信息复杂多变的大规模MIMO场景下表现出极大优势。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于ICGAN网络的大规模MIMO系统检测模型构建方法,其特征在于:所述方法具体过程为:
步骤1:基于生成的原始通信信号X0得到发送通信信号X,将信道状态信息H作为条件隐含入接收通信信号Y,得到隐含信道状态信息H的接收通信信号YH;以X和YH构建训练集和测试集;
步骤2:构建ICGAN网络检测模型,ICGAN网络检测模型包括生成器和判别器;
步骤3:将YH输入生成器中,生成器学习X的数据分布,得到生成器输出通信信号Gψ(YH);
其中ψ为生成器的权重参数;
步骤4:将X输入判别器得到Dθ(X)并判定为真标签,Gψ(YΗ)输入判别器得到Dθ(Gψ(YH))并判定为假标签;
其中θ为判别器的权重参数;
步骤5:计算判别器损失函数LD,向最小化LD方向优化判别器梯度▽(LD),更新判别器;
由判别器输出Dθ(Gψ(YH))计算生成器损失函数LG,向着最小化LG方向优化生成器梯度▽(LG),更新生成器;
重复执行A次步骤3到步骤5,得到预训练好的ICGAN网络检测模型;
2.根据权利要求1所述的一种基于ICGAN网络的大规模MIMO系统检测模型构建方法,其特征在于:所述步骤1中基于生成的原始通信信号X0得到发送信号X,将信道状态信息H作为条件隐含入接收通信信号Y,得到隐含信道状态信息H的接收通信信号YH;以X和YH构建训练集和测试集;具体过程为:
步骤1-1:对M×1维的原始通信信号向量X0进行数据预处理,得到发送通信信号X;过程为:
对M×1维的原始通信信号向量X0做上采样处理得到通信信号Xc;
对通信信号Xc进行载波处理,得到发送通信信号X;过程为:
X=Xc cos wt
其中wt为载波频率;
步骤1-2:利用MIMO系统模型,将信道状态信息H作为条件隐含入接收通信信号Y,得到隐含信道状态信息H的接收通信信号YH;表达式为:
对于M根发射天线,N根接收天线的大规模MIMO系统,MIMO系统模型可简写为:
YH=HX+n (1)
上式中,X为M×P维的发送通信信号,YH为N×P维隐含信道状态信息的接收通信信号,P为上采样点数,n为N×P维的加性高斯白噪声,H为信道状态信息,维度为N×M。
3.根据权利要求2所述的一种基于ICGAN网络的大规模MIMO系统检测模型构建方法,其特征在于:所述步骤2中构建ICGAN网络检测模型,ICGAN网络检测模型包括生成器和判别器;具体过程为:
生成器包括第一卷积单元、第一编码单元、第二编码单元、第三编码单元、缓冲单元、第一解码单元、第二解码单元、第三解码单元、第二卷积单元;
第一卷积单元包括第一卷积层;
第一编码单元依次包括第一批量标准化BN层、编码块1、第一ReLU激活函数层;
第二编码单元依次包括第二批量标准化BN层、编码块2、第二ReLU激活函数层;
第三编码单元依次包括第三批量标准化BN层、编码块3、第三ReLU激活函数层;
缓冲单元依次包括第四批量标准化BN层、缓冲块、第四ReLU激活函数层;
第一解码单元依次包括第五批量标准化BN层、解码块1、第五ReLU激活函数层;
第二解码单元依次包括第六批量标准化BN层、解码块2、第六ReLU激活函数层;
第三解码单元依次包括第七批量标准化BN层、解码块3、第七ReLU激活函数层;
第二卷积单元包括第二卷积层;
编码块1包括第三卷积层;
编码块2依次包括第四卷积层、映射层、第五卷积层;
所述映射层为ReLU激活函数层;
编码块3包括第六卷积层;
缓冲块依次包括第七卷积层、映射层、第一反卷积层;
解码块1包括第二反卷积层;
解码块2依次包括第三反卷积层、映射层、第四反卷积层;
解码块3包括第五反卷积层;
判别器依次包括第八卷积层、第八ReLU激活函数层、第八批量标准化BN层、第九卷积层、第九ReLU激活函数层、第九批量标准化BN层、第十卷积层、第十ReLU激活函数层、第十批量标准化BN层、全连接层。
4.根据权利要求3所述的一种基于ICGAN网络的大规模MIMO系统检测模型构建方法,其特征在于:所述将步骤3中将YH输入生成器中,生成器学习X的数据分布,得到生成器输出信号Gψ(YH);其中ψ为生成器的权重参数;具体过程为:
生成器的生成过程如下:
步骤3-1:将N×P的隐含信道状态信息的接收信号YH输入第一卷积单元,得到M×P的接收信号Yin,将Yin依次经过第一编码单元、第二编码单元、第三编码单元,得到输出特征;
步骤3-2:步骤3-1中输出特征作为缓冲单元输入,缓冲单元输出特征;
步骤3-3:缓冲单元输出特征与第三编码单元输出特征融合后作为第一解码单元的输入,第一解码单元输出特征;
步骤3-4:将第一解码单元输出特征与第二编码单元输出特征融合后作为第二解码单元的输入,第二解码单元输出特征;
步骤3-5:将第二解码单元输出特征与第一编码单元输出特征融合后作为第三解码单元的输入,第三解码单元输出特征;
步骤3-6:第三解码单元输出特征输入第二卷积单元,得到生成器输出信号Gψ(YH)。
5.根据权利要求4所述的一种基于ICGAN网络的大规模MIMO系统检测模型构建方法,其特征在于:所述步骤4中将X输入判别器得到Dθ(X)并判定为真标签,Gψ(YΗ)输入判别器得到Dθ(Gψ(YH))并判定为假标签;其中θ为判别器的权重参数;具体过程为:
将X依次输入第八卷积层、第八ReLU激活函数层、第八批量标准化BN层、第九卷积层、第九ReLU激活函数层、第九批量标准化BN层、第十卷积层、第十ReLU激活函数层、第十批量标准化BN层、全连接层,得到真标签Dθ(X);
将Gψ(YΗ)依次输入第八卷积层、第八ReLU激活函数层、第八批量标准化BN层、第九卷积层、第九ReLU激活函数层、第九批量标准化BN层、第十卷积层、第十ReLU激活函数层、第十批量标准化BN层、全连接层,得到假标签Dθ(Gψ(YH))。
6.根据权利要求5所述的一种基于ICGAN网络的大规模MIMO系统检测模型构建方法,其特征在于:所述步骤5中损失函数计算公式如下:
判别器:LD=E[logDθ(X)]+E[log(1-Dθ(Gψ(YΗ)))] (2)
生成器:LG=E[log(Dθ(Gψ(YH)))]+kL1 (3)
生成器损失函数中加入L1范数损失函数L1=E[||X-Gψ(YH)||]确保生成器优化的正确方向;
k为L1范数损失函数的权值,E[·]为数学期望,||·||为矩阵范数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720567.7A CN116032332B (zh) | 2022-12-30 | 2022-12-30 | 一种适用于信道状态信息多变的大规模mimo系统检测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720567.7A CN116032332B (zh) | 2022-12-30 | 2022-12-30 | 一种适用于信道状态信息多变的大规模mimo系统检测模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116032332A true CN116032332A (zh) | 2023-04-28 |
CN116032332B CN116032332B (zh) | 2024-04-12 |
Family
ID=86080702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211720567.7A Active CN116032332B (zh) | 2022-12-30 | 2022-12-30 | 一种适用于信道状态信息多变的大规模mimo系统检测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116032332B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112217545A (zh) * | 2020-10-09 | 2021-01-12 | 哈尔滨工程大学 | 一种大规模mimo系统检测模型构建方法 |
WO2021203242A1 (zh) * | 2020-04-07 | 2021-10-14 | 东莞理工学院 | 基于深度学习的mimo多天线信号传输与检测技术 |
CN114844537A (zh) * | 2022-04-29 | 2022-08-02 | 东南大学 | 深度学习辅助鲁棒大规模mimo收发联合方法 |
CN115412134A (zh) * | 2022-08-31 | 2022-11-29 | 东南大学 | 基于离线强化学习的以用户为中心的无蜂窝大规模mimo功率分配方法 |
-
2022
- 2022-12-30 CN CN202211720567.7A patent/CN116032332B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021203242A1 (zh) * | 2020-04-07 | 2021-10-14 | 东莞理工学院 | 基于深度学习的mimo多天线信号传输与检测技术 |
CN112217545A (zh) * | 2020-10-09 | 2021-01-12 | 哈尔滨工程大学 | 一种大规模mimo系统检测模型构建方法 |
CN114844537A (zh) * | 2022-04-29 | 2022-08-02 | 东南大学 | 深度学习辅助鲁棒大规模mimo收发联合方法 |
CN115412134A (zh) * | 2022-08-31 | 2022-11-29 | 东南大学 | 基于离线强化学习的以用户为中心的无蜂窝大规模mimo功率分配方法 |
Non-Patent Citations (2)
Title |
---|
YONGZHI YU: ""A Relaying Scheme Based on Diagonalization for Multi-Relay Symmetric MIMO Communication Networks"", 《IEEE COMMUNICATIONS LETTERS》, 12 April 2017 (2017-04-12) * |
禹永植等: ""一种基于CLSNN网络的通信信号自动调制识别算法"", 《应用科技》, 3 March 2022 (2022-03-03) * |
Also Published As
Publication number | Publication date |
---|---|
CN116032332B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108566257B (zh) | 一种基于反向传播神经网络的信号恢复方法 | |
CN106059972B (zh) | 一种基于机器学习算法的mimo相关信道下的调制识别方法 | |
CN113269077B (zh) | 基于改进门控网络和残差网络的水声通信信号调制方式识别方法 | |
CN114268388B (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN112115821B (zh) | 一种基于小波近似系数熵的多信号智能调制模式识别方法 | |
CN109728824A (zh) | 一种基于深度学习的ldpc码迭代译码方法 | |
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 | |
CN106130615A (zh) | 广义空间调制系统的激活天线与调制符号联合估计方法 | |
CN114915523B (zh) | 基于模型驱动的智能超表面信道估计方法及系统 | |
CN110460359A (zh) | 一种基于神经网络的mimo系统信号接收方法 | |
Yan et al. | [Retracted] 5G Massive MIMO Signal Detection Algorithm Based on Deep Learning | |
Zou et al. | Generative adversarial network for wireless communication: Principle, application, and trends | |
CN116032332B (zh) | 一种适用于信道状态信息多变的大规模mimo系统检测模型构建方法 | |
CN113489545B (zh) | 基于k均值聚类的光空间脉冲位置调制分步分类检测方法 | |
CN113037409B (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
Wang et al. | Blind recognition method for non-cooperative communication signals based on aerial computing | |
Omondi et al. | Variational autoencoder-enhanced deep neural network-based detection for MIMO systems | |
CN114915321B (zh) | 一种mimo系统中信号的动态检测方法及装置 | |
CN112202510B (zh) | 基于正则化流神经网络的信号检测方法 | |
CN115664893A (zh) | 一种mimo通信系统中基于深度学习的符号检测方法 | |
KR102441253B1 (ko) | 무선 통신 시스템에서 신호를 수신하기 위한 장치 및 방법 | |
CN113037411B (zh) | 一种基于深度学习的多用户信号检测方法及装置 | |
KR101047023B1 (ko) | 다중입출력 시스템을 위한 스피어 디코딩 알고리즘을 이용한 수신신호 검파방법 | |
CN112350791B (zh) | 一种基于深度学习的太赫兹信号检测方法 | |
Monsefi et al. | Investigation of the performance of multi-input multi-output detectors based on deep learning in non-Gaussian environments. |
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 |