CN117081631A - 一种基于深度学习的迭代顺序检测方法及装置 - Google Patents
一种基于深度学习的迭代顺序检测方法及装置 Download PDFInfo
- Publication number
- CN117081631A CN117081631A CN202311176408.XA CN202311176408A CN117081631A CN 117081631 A CN117081631 A CN 117081631A CN 202311176408 A CN202311176408 A CN 202311176408A CN 117081631 A CN117081631 A CN 117081631A
- Authority
- CN
- China
- Prior art keywords
- signal
- iteration
- tuning parameter
- intermediate variable
- mimo system
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 100
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 51
- 230000005540 biological transmission Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 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
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
-
- 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
- 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
-
- 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
Abstract
本发明公开了一种基于深度学习的迭代顺序检测方法及装置,其包括:通过深度学习得到接收信号对应的第一调优参数和第二调优参数;基于第一调优参数和第二调优参数,通过改进型迭代顺序检测器进行迭代检测,得到MIMO系统的发射信号估计值;改进型迭代顺序检测器每一次迭代的检测操作为:根据接收信号、信道矩阵、上一次迭代的发射信号估计值和第一调优参数,通过线性变换得到当前迭代的中间变量;根据信道噪声方差和第二调优参数计算中间变量的噪声方差;根据中间变量和中间变量的噪声方差进行非线性去噪,得到当前迭代的发射信号估计值。本发明能够在大规模MIMO系统收发天线数量比例较小时实现更好的检测性能。
Description
技术领域
本发明涉及一种基于深度学习的迭代顺序检测方法及装置,属于信号检测技术领域。
背景技术
多输入多输出(MIMO)技术被认为是第五代无线通信系统中的关键技术之一,可以支持未来一代无线系统的高数据速率需求。由于MIMO系统的发射机和接收机都有大量天线,因此其信号检测难度较大,而信号检测的关键在于如何分离传输的符号。目前很多经典方法都可以用于MIMO系统的信号检测问题,如迫零检测、最小均方误差,最大似然检测等,但是这些方法只适应于小型MIMO系统,大规模MIMO系统的复杂性过高,上述经典方法难以应对。
迭代顺序检测器作为一种新的可扩展到大系统维度的低复杂度符号检测方案在近年来被提出,迭代顺序检测器通过基于近似矩阵反演的方法迭代改进初始解,以顺序方式检测和更新每个用户对应的符号,同时消除来自所有其他用户的干扰,能够满足大规模MIMO系统的信号检测需求。但是进一步的研究表明,迭代顺序检测器在收发天线数量比例较大(即接收天线数量远大于发送天线数量)时能够展现出良好的性能,但是在收发天线数量比例较小(即收发天线数量接近)时,迭代顺序检测器几乎失去检测性能,误符号率接近0.5。如何提高收发天线数量接近时大规模MIMO系统的信号检测性能,成为接下来的研究重点。
发明内容
为了解决现有的迭代顺序检测器在收发天线数量比例较小时检测性能不佳的问题,本发明提出了一种基于深度学习的迭代顺序检测方法及装置,通过神经网络的架构在每次迭代中添加两个调优参数来调整检测结果,在信号检测性能和复杂度两个方面取得平衡,在大规模MIMO系统收发天线数量比例较小时实现更好的检测性能。
为解决上述技术问题,本发明采用了如下技术手段:
第一方面,本发明提供一种基于深度学习的迭代顺序检测方法,包括如下步骤:
获取MIMO系统的接收信号、接收信号的信道矩阵和信道噪声;
通过深度学习得到所述接收信号对应的第一调优参数和第二调优参数;
将所述接收信号、接收信号的信道矩阵和信道噪声输入改进型迭代顺序检测器;
基于所述第一调优参数和第二调优参数,通过所述改进型迭代顺序检测器进行迭代检测,得到MIMO系统的发射信号估计值;
其中,所述改进型迭代顺序检测器每一次迭代的检测操作为:
根据所述接收信号、信道矩阵、上一次迭代的发射信号估计值和第一调优参数,通过线性变换得到当前迭代的中间变量;
根据信道噪声方差和第二调优参数计算所述中间变量的噪声方差;
根据所述中间变量和中间变量的噪声方差进行非线性去噪,得到MIMO系统在当前迭代的发射信号估计值。
结合第一方面,进一步的,在改进型迭代顺序检测器的每一次迭代过程中,按照预先确定的发射信号检测顺序依次获取每个天线发射机在当前迭代的发射信号估计值;利用所有天线发射机的发射信号估计值组成MIMO系统在当前迭代的发射信号估计值;所述发射信号检测顺序的确定,包括:对MIMO系统中所有天线发射机进行排序,得到发射信号检测顺序;
在改进型迭代顺序检测器的第t次迭代过程中,获取第t-1次迭代的发射信号估计值;令/>;根据X计算第j个天线发射机第t次迭代的发射信号估计值/>,利用该发射信号估计值/>更新X,并利用更新后的X继续计算第j+1个天线发射机在第t次迭代的发射信号估计值/>。
结合第一方面,进一步的,所述通过深度学习得到所述接收信号对应的第一调优参数和第二调优参数,包括:
利用不同信噪比下的发射信号样本、接收信号样本、信道矩阵样本和信道噪声样本组成不同信噪比的训练数据;
根据所述不同信噪比的训练数据,通过深度学习进行网络训练,得到不同信噪比对应的第一调优参数和第二调优参数;
根据所述接收信号和接收信号的信道矩阵,计算所述接收信号的信噪比;
根据所述接收信号的信噪比,从调优参数表中查找出所述接收信号对应的第一调优参数和第二调优参数。
结合第一方面,进一步的,所述根据所述不同信噪比的训练数据,通过深度学习进行网络训练,得到不同信噪比对应的第一调优参数和第二调优参数,包括:
(1)初始化信噪比R的第一调优参数和第二调优参数;
(2)将信噪比R的训练数据中接收信号样本输入到改进型迭代顺序检测器中,基于当前迭代的第一调优参数和第二调优参数,得到当前迭代的发射信号估计值;
(3)通过损失函数计算当前迭代的发射信号估计值与信噪比R的训练数据中发射信号样本之间的距离,作为当前迭代的损失值;
(4)如果不满足迭代终止条件,通过优化器更新第一调优参数和第二调优参数,返回步骤(2),如果满足迭代终止条件,进入步骤(5);
(5)获取最后一轮迭代对应的第一调优参数和第二调优参数,作为信噪比R对应的第一调优参数和第二调优参数。
结合第一方面,进一步的,所述中间变量的计算公式如下:
;
其中,z t 为第t次迭代的中间变量,为第j个天线发射机在第t-1次迭代的发射信号估计值,/>为第一调优参数,D为对角矩阵,/>,H为接收信号的信道矩阵,/>为H的共轭转置,y为MIMO系统的接收信号,/>为第t-1次迭代的发射信号估计值,,N o 为MIMO系统中天线发射机的总数。
结合第一方面,进一步的,所述中间变量的噪声方差的计算公式如下:
;
其中,为第t次迭代的中间变量的噪声方差,/>为第二调优参数,N o 为MIMO系统中天线发射机的总数,/>为中间量一,/> ,I为单位矩阵,D为对角矩阵,H为接收信号的信道矩阵,/>为发射信号估计值偏离真实值的方差,/>,y为MIMO系统的接收信号,/>为第t-1次迭代的发射信号估计值,N r 为MIMO系统中天线接收机的总数,/>为接收信号的信道噪声方差,/>为中间量二,/>,tr( )为矩阵的迹。
结合第一方面,进一步的,根据所述中间变量和中间变量的噪声方差进行非线性去噪,得到当前迭代的发射信号估计值:
;
其中,为第t次迭代的发射信号估计值,z t 为第t次迭代的中间变量,/>为第t次迭代的中间变量的噪声方差,/>为非线性去噪函数。
第二方面,本发明提供一种基于深度学习的迭代顺序检测装置,包括:
数据采集模块,用于获取MIMO系统的接收信号、接收信号的信道矩阵和信道噪声;
深度学习模块,用于通过深度学习得到所述接收信号对应的第一调优参数和第二调优参数;
迭代顺序检测模块,用于将所述接收信号、接收信号的信道矩阵和信道噪声输入改进型迭代顺序检测器;基于所述第一调优参数和第二调优参数,通过所述改进型迭代顺序检测器进行迭代检测,得到MIMO系统的发射信号估计值;
在迭代顺序检测模块中,所述改进型迭代顺序检测器每一次迭代的检测操作为:
根据所述接收信号、信道矩阵、上一次迭代的发射信号估计值和第一调优参数,通过线性变换得到当前迭代的中间变量;
根据信道噪声方差和第二调优参数计算所述中间变量的噪声方差;
根据所述中间变量和中间变量的噪声方差进行非线性去噪,得到当前迭代的发射信号估计值。
结合第二方面,进一步的,在迭代顺序检测模块中,在改进型迭代顺序检测器的每一次迭代过程中,按照预先确定的发射信号检测顺序依次获取每个天线发射机在当前迭代的发射信号估计值;利用所有天线发射机的发射信号估计值组成MIMO系统在当前迭代的发射信号估计值;所述发射信号检测顺序的确定,包括:对MIMO系统中所有天线发射机进行排序,得到发射信号检测顺序;
在改进型迭代顺序检测器的第t次迭代过程中,获取第t-1次迭代的发射信号估计值;令/>;根据X计算第j个天线发射机第t次迭代的发射信号估计值/>,利用该发射信号估计值/>更新X,并利用更新后的X继续计算第j+1个天线发射机在第t次迭代的发射信号估计值/>。
结合第二方面,进一步的,所述中间变量的计算公式如下:
;
其中,z t 为第t次迭代的中间变量,为第j个天线发射机在第t-1次迭代的发射信号估计值,/>为第一调优参数,D为对角矩阵,/>,H为接收信号的信道矩阵,/>为H的共轭转置,y为MIMO系统的接收信号,/>为第t-1次迭代的发射信号估计值,,N o 为MIMO系统中天线发射机的总数;
所述中间变量的噪声方差的计算公式如下:
;
其中,为第t次迭代的中间变量的噪声方差,/>为第二调优参数,N o 为MIMO系统中天线发射机的总数,/>为中间量一,/> ,I为单位矩阵,/>为发射信号估计值偏离真实值的方差,/>,N r 为MIMO系统中天线接收机的总数,/>为接收信号的信道噪声方差,/>为中间量二,/>,tr( )为矩阵的迹;
当前迭代的发射信号估计值为:
;
其中,为第t次迭代的发射信号估计值,/>为非线性去噪函数。
采用以上技术手段后可以获得以下优势:
本发明提出了一种基于深度学习的迭代顺序检测方法及装置,将迭代检测分为线性变换和非线性去噪两个步骤,在线性变换过程中添加第一调优参数,提升中间变量的表达范围,在非线性去噪过程中添加第二调优参数,提升其对数据的估计准确度,从而大大提升MIMO系统信号检测效果。本发明保持了迭代顺序检测器对收发天线数量比例较大时优越的性能,同时在收发天线数量比例较小时也能通过调优参数优化检测结果,在大规模MIMO系统收发天线数量比例较小时实现更好的检测性能,得到更准确的发射型号估计值。
本发明通过深度学习确定第一调优参数和第二调优参数,能够确保调优参数的合理性和准确性,使得调优参数对迭代过程产生良好的效果,实现了神经网络与迭代顺序检测的良好融合。本发明需要调节的参数数量较少,训练网络的时间也大大减少,可以轻松地调节网络,灵活性较强,在复杂度上也没有太大的增加,可以适用于大规模MIMO系统的检测。
附图说明
图1为本发明一种基于深度学习的迭代顺序检测方法的步骤示意图;
图2为本发明一种基于深度学习的迭代顺序检测方法的操作流程示意图;
图3为本发明实施例中改进型迭代顺序检测器一轮迭代的示意图;
图4为ISDNet与LMMSE、OAMPNet、DetNet检测方法在天线配置为16发、32收条件下误符号率结果比较示意图;
图5为ISDNet与LMMSE、OAMPNet、DetNet检测方法在天线配置为16发、64收条件下误符号率结果比较示意图。
实施方式
需要说明的是: MIMO系统中,信号在传播过程中会遇到不同途径的衰落损耗,严重影响信号传播质量,需要通过特定的信号检测方法对信号进行恢复。本发明旨在对现有的迭代顺序检测器进行改进,提供一种新的迭代顺序检测方法(Iterative SequentialDetection Net,简称ISD Net),在MIMO系统的接收信号已知的情况下,对MIMO系统的发射信号进行恢复,得到发射信号估计值。本发明通过深度学习来训练调优参数,在迭代过程中使用了线性估计器和可训练的调优参数辅助进行信号检测,能够有效提高检测的准确性,尤其是能够在大规模MIMO收发天线数量接近时实现良好的信号恢复性能。
下面结合附图对本发明的技术方案作进一步说明:
实施例1
本实施例介绍一种基于深度学习的迭代顺序检测方法,如图1、2所示,具体包括如下步骤:
步骤A、获取MIMO系统的接收信号、接收信号的信道矩阵和信道噪声。
步骤B、通过深度学习得到接收信号对应最佳的第一调优参数和第二调优参数。
步骤C、将接收信号、接收信号的信道矩阵和信道噪声输入改进型迭代顺序检测器。
步骤D、基于第一调优参数和第二调优参数,通过改进型迭代顺序检测器进行迭代检测,得到MIMO系统的发射信号估计值。
MIMO系统可以同时传输多个符号,显著提高了系统吞吐量和频谱效率。由于MIMO信道矩阵的作用,接收端接收到的信号是不同发射天线发射的信号的混叠,本发明旨在在已知接收信号向量y和MIMO信道矩阵H的情况下,将混叠在一起的发射信号分离开,恢复出发射向量x。
设本发明实施例中的MIMO系统包括N o 个天线发射机和N r 个天线接收机,则平坦衰落信道下MIMO系统的接收信号数学表示为:
(1)
其中,为信道矩阵,/>为接收信号向量,/>为噪声向量,/>为发射信号向量,/>为复数域。
由于深度学习一般是在实值域进行,因此本发明考虑一个等价的实值表示,将MIMO系统模型重写为:
(2)
其中,,/>,/>,/>,/>,/>,/>和分别表示/>的实部和虚部。
为了提升本发明ISD Net方法的检测性能,本发明通过深度学习配合大量样本数据对调优参数进行迭代训练,每次迭代过程中神经网络不断地生成合适的调优参数值来调整每层的中间向量和去噪函数,进而调整改进型迭代顺序检测器的检测结果。经过训练,本发明方法可在不同的环境下(不同的信噪比、收发天线比例、迭代次数)获取最佳调优参数来提高对检测信号的估计准确性,以降低误符号率,提高方法性能。
本发明实施例中,步骤B的具体操作如下:
步骤B01、初始化参数:初始化第一调优参数、第二调优参数/>的值;初始化发射信号估计值,即赋零矩阵;设置迭代次数、学习率等,在本发明实施例中,学习率为0.0001,batch_size为500,batch_count为1000,迭代训练次数nRounds为50次,用于更新调优参数的优化器为Adam,网络层数设置为10。
步骤B02、利用不同信噪比下的发射信号样本、接收信号样本、信道矩阵样本和信道噪声样本组成不同信噪比的训练数据。由于不同信噪比下调优参数的最优值不一样,所以本发明选取了不同信噪比下的已知信号数据作为训练数据。
步骤B03、根据不同信噪比的训练数据,通过深度学习进行网络训练,得到不同信噪比对应的第一调优参数和第二调优参数,生成调优参数表。
由于发射信号估计值与两个调优参数有关,因此,本发明以最小化每次迭代时发射信号估计值与真实发射信号x间的距离为目的,当距离最小时对应的调优参数值即为最佳值。
假设需要计算信噪比R对应的调优参数值,具体操作为:(1)获取初始的第一调优参数和第二调优参数;(2)将信噪比R的训练数据中接收信号样本输入到改进型迭代顺序检测器中,基于当前迭代的第一调优参数和第二调优参数,得到当前迭代的发射信号估计值;(3)通过损失函数计算当前迭代的发射信号估计值与信噪比R的训练数据中发射信号样本之间的距离,作为当前迭代的损失值;(4)判断是否满足迭代终止条件(是否达到最大迭代训练次数nRounds),如果不满足迭代终止条件,通过优化器更新第一调优参数和第二调优参数,返回步骤(2),如果满足迭代终止条件,进入步骤(5);(5)获取最后一轮迭代对应的第一调优参数和第二调优参数,作为信噪比R对应的第一调优参数和第二调优参数。
在本发明实施例中,深度学习的损失函数为,其中,L为改进型迭代顺序检测器网络的总层数,x为输入的接收信号样本对应的发射信号样本,/>为改进型迭代顺序检测器第l层对发射信号矢量x的估计值。本实施例的损失函数考虑了改进型迭代顺序检测器检测过程中所有层的损失值,可以很好地应对梯度消失、对初始化敏感性等问题,有效地衡量调优参数对该方法的改善效果。
通过重复上述操作可以得到不同信噪比对应的第一调优参数和第二调优参数,进而生成调优参数表。
步骤B04、根据实时获取的接收信号和接收信号的信道矩阵,估计接收信号的信噪比,估计方法采用现有技术。
步骤B05、根据接收信号的信噪比,从调优参数表中查找出接收信号对应的第一调优参数和第二调优参数,代入到步骤D中,进行迭代顺序检测。
本实施例中的迭代检测方法,可根据大量迭代方法的特性将其分为线性变换和非线性去噪两个过程,这样做可以提高从一次迭代到下一次迭代的估计质量。如图3所示,本发明改进型迭代顺序检测器在线性变换和非线性去噪过程中分别添加第一调优参数和第二调优参数/>,第一调优参数/>可以扩大线性迭代部分中间变量z t 的表达范围,第二调优参数/>可以使模型能够处理不同传输符号具有不同程度噪声的情况,使得每次迭代过程的噪声估计增加额外的自由度,即第二调优参数/>可以对每个符号的噪声方差按不同的量进行缩放。
本实施例步骤D的具体操作如下:
骤D01、获取MIMO系统的天线发射机、天线接收机数量,对MIMO系统中所有天线发射机进行排序,得到发射信号检测顺序;对初始发射信号估计值赋零矩阵;设置最大迭代检测次数L。
步骤D02、在改进型迭代顺序检测器的每一次迭代过程中,按照发射信号检测顺序依次获取每个天线发射机在当前迭代的发射信号估计值,利用所有天线发射机的发射信号估计值组成MIMO系统在当前迭代的发射信号估计值。改进型迭代顺序检测器会将每一次迭代后的输出(发射信号估计值)作为下一次迭代的输入。
本发明实施例以第t次迭代为例,在第t次迭代过程中,首先需要获取第t-1次迭代的发射信号估计值,令/>;根据X计算第j个天线发射机第t次迭代的发射信号估计值/>;利用该发射信号估计值/>更新X,即利用发射信号估计值/>替换掉X中第j个天线发射机的发射信号估计值;利用更新后的X继续计算第j+1个天线发射机在第t次迭代的发射信号估计值/>;重复上述操作,直至计算完所有天线发射机的发射信号估计值,利用所有天线发射机的发射信号估计值组成第t次迭代MIMO系统的发射信号估计值/>。
步骤D03、判断是否到达最大迭代次数,如果到达最大迭代次数,将最后一轮迭代的调优参数所对应的发射信号估计值作为最终结果输出,如果没有到达最大迭代次数,则返回步骤D02,继续迭代。
在步骤D02中,每一次迭代的发射信号估计值的估计过程包括:根据接收信号、信道矩阵、上一次迭代的发射信号估计值和第一调优参数,通过线性变换得到当前迭代的中间变量;根据信道噪声方差和第二调优参数计算中间变量的噪声方差;根据中间变量和中间变量的噪声方差进行非线性去噪,得到MIMO系统在当前迭代的发射信号估计值。
MIMO系统的发射信号其实由多个天线发射机发射的信号混叠而成,发射信号估计值的向量形式为:,在去除了其他天线发射机干扰的情况下,第j个天线发射机发出的信号与接收信号的关系可以表示为:
(3)
其中,为第j个天线发射机发出的信号被接收端接收后的估计值,y为MIMO系统接收端接收到的接收信号,/>为第k个天线发射机的信道矩阵,/>为第k个天线发射机在第t次迭代的发射信号估计值,/>为第j个天线发射机的信道矩阵,/>为第j个天线发射机在第t+1次迭代的发射信号估计值。
根据公式(3)可以推导出发射信号估计值的表达式:
(4)
令对角矩阵 ,H为接收信号的信道矩阵,/>为H的共轭转置,可见/>,因此公式(4)可以化简为:
(5)
以向量形式表示公式(5),可得:
(6)
由于公式(6)满足迭代检测框架,所以本发明在公式(6)的基础上进行改进,在线性变换过程中添加第一调优参数,得到中间变量,中间变量的计算公式如下:
(7)
其中,z t 为第t次迭代的中间变量,为第j个天线发射机在第t-1次迭代的发射信号估计值。
在非线性去噪过程中,需要准确地对中间变量的噪声方差进行估计,为此,本实施例对/>进行分析:
(8)
根据公式(8)可知,在第t次迭代过程中,中间变量的噪声方差主要由两部分组成,分别为第t次迭代输入的发射信号估计值/>偏离真实值x引起的误差残差与信道噪声n的贡献。本发明将发射信号估计值/>偏离真实值x的方差表示为/>;信道噪声的方差表示为/>;忽略第一调优参数/>的影响,添加第二调优参数/>,对每个符号的噪声方差按不同的量进行缩放,得到中间变量的噪声方差的计算公式:
(9)
其中,为中间量一,/> ,I为单位矩阵,/>,为/>为中间量二,/>,tr( )为矩阵的迹。
在本实施例的方法中,非线性去噪过程采用的去噪函数可以是任意的非线性函数,但是一般它对中间变量中每个元素使用相同的阈值函数。
一个常见的去噪函数的选择是使最小化,非线性估计器是对x的最小均方误差(Minimum Mean Squared Error,MMSE)估计,由于x的值取自一个个符号星座,且估计是基于MMSE的,因此去噪函数可以表示为:
(10)
其中,发射信号x来自字母集,/>表示正态分布,/>表示为/>的先验分布。
在算法的每次迭代中更新发射信号估计值,第t次迭代的发射信号估计值可以表达为:
(11)
其中,为非线性去噪函数。
为了验证本发明的效果,本发明实施例将本发明方法(ISD Net)与现有的LMMSE(线性最小均方误差)、OAMPNet(正交近似消息传递网络)、DetNet(深度学习网络)检测方法对比,在天线发射机数量为16、天线接收机数量为32的MIMO系统中使用上述方法检测发射信号的结果如图4所示,图4中的实验数据是在3dB到9dB下随机产生的,根据图4中的曲线可以看出,相同的信噪比下,ISDNet的误符号率更小,当误符号率=10-2时,ISDNet相比于LMMSE有接近2.1dB的信噪比增益;当符号率=10-3时,ISDNet相比于DetNet有接近0.5dB的信噪比增益,相比于OAMPNet有接近0.1dB的信噪比增益;因此ISDNet的性能最佳,相比于表现优异的OAMPNet也略有提升。在天线发射机数量为16、天线接收机数量为64的MIMO系统中使用上述方法检测发射信号的结果如图5所示,图5中的实验数据是在1dB到6dB下随机产生的,根据图5中的曲线可以看出,相同的信噪比下,ISDNet的误符号率同样更小,当误符号率=10-3时,ISDNet相比于LMMSE有接近1.2dB的信噪比增益,ISDNet相比于DetNet有接近0.6dB的信噪比增益,ISDNet相比于OAMPNet有接近0.1dB的信噪比增益;因此,相比于现有的检测方法,ISDNet在收发天线数量比例较小时能够实现更好的检测性能。
实施例2
本实施例与实施例1基于相同的发明构思,本实施例介绍一种基于深度学习的迭代顺序检测装置,包括数据采集模块、深度学习模块和迭代顺序检测模块。数据采集模块用于获取MIMO系统的接收信号、接收信号的信道矩阵和信道噪声;深度学习模块用于通过深度学习得到接收信号对应的第一调优参数和第二调优参数;迭代顺序检测模块用于将接收信号、接收信号的信道矩阵和信道噪声输入改进型迭代顺序检测器;基于第一调优参数和第二调优参数,通过改进型迭代顺序检测器进行迭代检测,得到与MIMO系统的发射信号估计值;
上述各模块的具体功能实现参考实施例1方法中的相关内容,不予赘述,特别指出的是:
在迭代顺序检测模块中,对MIMO系统中所有天线发射机进行排序,得到发射信号检测顺序;在改进型迭代顺序检测器的每一次迭代过程中,按照发射信号检测顺序依次获取每个天线发射机在当前迭代的发射信号估计值;利用所有天线发射机的发射信号估计值组成MIMO系统在当前迭代的发射信号估计值。
在改进型迭代顺序检测器的第t次迭代过程中,获取第t-1次迭代的发射信号估计值;令/>;根据X计算第j个天线发射机第t次迭代的发射信号估计值/>,利用该发射信号估计值/>更新X,并利用更新后的X继续计算第j+1个天线发射机在第t次迭代的发射信号估计值/>。
改进型迭代顺序检测器每一次迭代的检测操作为:
根据接收信号、信道矩阵、上一次迭代的发射信号估计值和第一调优参数,通过线性变换得到当前迭代的中间变量,计算公式如下:
;
其中,z t 为第t次迭代的中间变量,为第j个天线发射机在第t-1次迭代的发射信号估计值,/>为第一调优参数,D为对角矩阵,/>,H为接收信号的信道矩阵,/>为H的共轭转置,y为MIMO系统的接收信号,/>为第t-1次迭代的发射信号估计值,,N o 为MIMO系统中天线发射机的总数;
所述中间变量的噪声方差的计算公式如下:
;
其中,为第t次迭代的中间变量的噪声方差,/>为第二调优参数,N o 为MIMO系统中天线发射机的总数,/>为中间量一,/> ,I为单位矩阵,/>为发射信号估计值偏离真实值的方差,/>,N r 为MIMO系统中天线接收机的总数,为接收信号的信道噪声方差,/>为中间量二,/>,tr( )为矩阵的迹;
当前迭代的发射信号估计值为:
;
其中,为第t次迭代的发射信号估计值,/>为非线性去噪函数。
综上,本发明在迭代顺序检测器中引入了2个调优参数,并通过深度学习确定调优参数的最佳取值,在线性变换过程中第一调优参数能够提升中间变量的表达范围,在非线性去噪过程中第二调优参数能够提升信号估计的准确度,通过2个调优参数能够进一步优化迭代顺序检测器的检测性能,实现更好的检测效果。通过实验分析,本发明不仅保持了迭代顺序检测器对收发天线数量比例较大时优越的性能,还能在大规模MIMO系统收发天线数量比例较小时实现更好的检测性能,解决了现有迭代顺序检测器在收发天线数量比例较小时检测性能不佳的问题。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于深度学习的迭代顺序检测方法,其特征在于,包括如下步骤:
获取MIMO系统的接收信号、接收信号的信道矩阵和信道噪声;
通过深度学习得到所述接收信号对应的第一调优参数和第二调优参数;
将所述接收信号、接收信号的信道矩阵和信道噪声输入改进型迭代顺序检测器;
基于所述第一调优参数和第二调优参数,通过所述改进型迭代顺序检测器进行迭代检测,得到MIMO系统的发射信号估计值;
其中,所述改进型迭代顺序检测器每一次迭代的检测操作为:
根据所述接收信号、信道矩阵、上一次迭代的发射信号估计值和第一调优参数,通过线性变换得到当前迭代的中间变量;
根据信道噪声方差和第二调优参数计算所述中间变量的噪声方差;
根据所述中间变量和中间变量的噪声方差进行非线性去噪,得到MIMO系统在当前迭代的发射信号估计值。
2.根据权利要求1所述的迭代顺序检测方法,其特征在于,
在改进型迭代顺序检测器的每一次迭代过程中,按照预先确定的发射信号检测顺序依次获取每个天线发射机在当前迭代的发射信号估计值;利用所有天线发射机的发射信号估计值组成MIMO系统在当前迭代的发射信号估计值;所述发射信号检测顺序的确定,包括:对MIMO系统中所有天线发射机进行排序,得到发射信号检测顺序;
在改进型迭代顺序检测器的第t次迭代过程中,获取第t-1次迭代的发射信号估计值;令/>;根据X计算第j个天线发射机第t次迭代的发射信号估计值/>,利用该发射信号估计值/>更新X,并利用更新后的X继续计算第j+1个天线发射机在第t次迭代的发射信号估计值/>。
3.根据权利要求1所述的迭代顺序检测方法,其特征在于,所述通过深度学习得到所述接收信号对应的第一调优参数和第二调优参数,包括:
利用不同信噪比下的发射信号样本、接收信号样本、信道矩阵样本和信道噪声样本组成不同信噪比的训练数据;
根据所述不同信噪比的训练数据,通过深度学习进行网络训练,得到不同信噪比对应的第一调优参数和第二调优参数;
根据所述接收信号和接收信号的信道矩阵,计算所述接收信号的信噪比;
根据所述接收信号的信噪比,从调优参数表中查找出所述接收信号对应的第一调优参数和第二调优参数。
4.根据权利要求3所述的迭代顺序检测方法,其特征在于,所述根据所述不同信噪比的训练数据,通过深度学习进行网络训练,得到不同信噪比对应的第一调优参数和第二调优参数,包括:
(1)初始化信噪比R的第一调优参数和第二调优参数;
(2)将信噪比R的训练数据中接收信号样本输入到改进型迭代顺序检测器中,基于当前迭代的第一调优参数和第二调优参数,得到当前迭代的发射信号估计值;
(3)通过损失函数计算当前迭代的发射信号估计值与信噪比R的训练数据中发射信号样本之间的距离,作为当前迭代的损失值;
(4)如果不满足迭代终止条件,通过优化器更新第一调优参数和第二调优参数,返回步骤(2),如果满足迭代终止条件,进入步骤(5);
(5)获取最后一轮迭代对应的第一调优参数和第二调优参数,作为信噪比R对应的第一调优参数和第二调优参数。
5.根据权利要求1所述的迭代顺序检测方法,其特征在于,所述中间变量的计算公式如下:
;
其中,z t 为第t次迭代的中间变量,为第j个天线发射机在第t-1次迭代的发射信号估计值,/>为第一调优参数,D为对角矩阵,/>,H为接收信号的信道矩阵,/>为H的共轭转置,y为MIMO系统的接收信号,/>为第t-1次迭代的发射信号估计值,,N o 为MIMO系统中天线发射机的总数。
6.根据权利要求1所述的迭代顺序检测方法,其特征在于,所述中间变量的噪声方差的计算公式如下:
;
其中,为第t次迭代的中间变量的噪声方差,/>为第二调优参数,N o 为MIMO系统中天线发射机的总数,/>为中间量一,/> ,I为单位矩阵,D为对角矩阵,H为接收信号的信道矩阵,/>为发射信号估计值偏离真实值的方差,/>,y为MIMO系统的接收信号,/>为第t-1次迭代的发射信号估计值,N r 为MIMO系统中天线接收机的总数,/>为接收信号的信道噪声方差,/>为中间量二,/>,tr( )为矩阵的迹。
7.根据权利要求1所述的迭代顺序检测方法,其特征在于,根据所述中间变量和中间变量的噪声方差进行非线性去噪,得到当前迭代的发射信号估计值:
;
其中,为第t次迭代的发射信号估计值,z t 为第t次迭代的中间变量,/>为第t次迭代的中间变量的噪声方差,/>为非线性去噪函数。
8.一种基于深度学习的迭代顺序检测装置,其特征在于,包括:
数据采集模块,用于获取MIMO系统的接收信号、接收信号的信道矩阵和信道噪声;
深度学习模块,用于通过深度学习得到所述接收信号对应的第一调优参数和第二调优参数;
迭代顺序检测模块,用于将所述接收信号、接收信号的信道矩阵和信道噪声输入改进型迭代顺序检测器;基于所述第一调优参数和第二调优参数,通过所述改进型迭代顺序检测器进行迭代检测,得到MIMO系统的发射信号估计值;
在迭代顺序检测模块中,所述改进型迭代顺序检测器每一次迭代的检测操作为:
根据所述接收信号、信道矩阵、上一次迭代的发射信号估计值和第一调优参数,通过线性变换得到当前迭代的中间变量;
根据信道噪声方差和第二调优参数计算所述中间变量的噪声方差;
根据所述中间变量和中间变量的噪声方差进行非线性去噪,得到当前迭代的发射信号估计值。
9.根据权利要求8所述的迭代顺序检测装置,其特征在于,在迭代顺序检测模块中,在改进型迭代顺序检测器的每一次迭代过程中,按照预先确定的发射信号检测顺序依次获取每个天线发射机在当前迭代的发射信号估计值;利用所有天线发射机的发射信号估计值组成MIMO系统在当前迭代的发射信号估计值;所述发射信号检测顺序的确定,包括:对MIMO系统中所有天线发射机进行排序,得到发射信号检测顺序;
在改进型迭代顺序检测器的第t次迭代过程中,获取第t-1次迭代的发射信号估计值;令/>;根据X计算第j个天线发射机第t次迭代的发射信号估计值/>,利用该发射信号估计值/>更新X,并利用更新后的X继续计算第j+1个天线发射机在第t次迭代的发射信号估计值/>。
10.根据权利要求8所述的迭代顺序检测装置,其特征在于,所述中间变量的计算公式如下:
;
其中,z t 为第t次迭代的中间变量,为第j个天线发射机在第t-1次迭代的发射信号估计值,/>为第一调优参数,D为对角矩阵,/>,H为接收信号的信道矩阵,为H的共轭转置,y为MIMO系统的接收信号,/>为第t-1次迭代的发射信号估计值,,N o 为MIMO系统中天线发射机的总数;
所述中间变量的噪声方差的计算公式如下:
;
其中,为第t次迭代的中间变量的噪声方差,/>为第二调优参数,N o 为MIMO系统中天线发射机的总数,/>为中间量一,/> ,I为单位矩阵,/>为发射信号估计值偏离真实值的方差,/>,N r 为MIMO系统中天线接收机的总数,/>为接收信号的信道噪声方差,/>为中间量二,/>,tr( )为矩阵的迹;
当前迭代的发射信号估计值为:
;
其中,为第t次迭代的发射信号估计值,/>为非线性去噪函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311176408.XA CN117081631A (zh) | 2023-09-13 | 2023-09-13 | 一种基于深度学习的迭代顺序检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311176408.XA CN117081631A (zh) | 2023-09-13 | 2023-09-13 | 一种基于深度学习的迭代顺序检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117081631A true CN117081631A (zh) | 2023-11-17 |
Family
ID=88711657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311176408.XA Pending CN117081631A (zh) | 2023-09-13 | 2023-09-13 | 一种基于深度学习的迭代顺序检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117081631A (zh) |
-
2023
- 2023-09-13 CN CN202311176408.XA patent/CN117081631A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108650056B (zh) | 一种大规模mimo系统上行链路中的混合迭代检测方法 | |
CN102144377B (zh) | 用于硬限信号的信道估计与均衡 | |
US8831149B2 (en) | Symbol estimation methods and apparatuses | |
CN107431538A (zh) | 对光信号进行解码的方法和接收器 | |
CN101499840B (zh) | 多入多出系统的迭代检测方法 | |
CN107070514B (zh) | 一种优化的大规模mimo信号检测方法 | |
US7203257B2 (en) | Best linear unbiased channel estimation for frequency selective multipath channels with long delay spreads | |
CN111030952A (zh) | 一种毫米波系统的波束空间信道估计方法及系统 | |
Zhao et al. | Deep Learning-Based channel estimation with SRGAN in OFDM Systems | |
CN106130936B (zh) | 一种Alpha稳定分布噪声环境下的非线性信道均衡方法 | |
CN109391315B (zh) | 一种数据模型双驱动的mimo接收机 | |
CN113541747B (zh) | 一种大规模mimo检测方法、装置和存储介质 | |
US6760374B1 (en) | Block decision feedback equalization method and apparatus | |
US8149960B2 (en) | Channel estimation for frequency selective multipath channels with long delay spreads based on an assumed physical channel | |
CN109379116B (zh) | 基于切比雪夫加速法与sor算法的大规模mimo线性检测算法 | |
CN117081631A (zh) | 一种基于深度学习的迭代顺序检测方法及装置 | |
CN106230754A (zh) | 一种大规模mimo系统的干扰消除‑匹配滤波信道估计方法 | |
CN114301742B (zh) | 信道估计方法及装置 | |
Yin | The CPDA detector for the MIMO OCDM system | |
Kishore et al. | Deep Convolutional Spiking Neural Network Optimized with Coyote Chimp Optimization Algorithm for Imperfect Channel Estimation in MIMO-fOFDM/FQAM Based 5G Network. | |
CN111769975A (zh) | Mimo系统信号检测方法及系统 | |
Shen et al. | Learning the wireless channel: A deep neural network approach | |
CN110753012A (zh) | 一种时间反演多址系统的多用户检测算法 | |
CN114528925B (zh) | 一种基于深层分类网络的时变信道ofdm信号均衡方法 | |
CN108521311A (zh) | 一种基于格雷序列的信噪比估计方法 |
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 |