CN111769975A - Mimo***信号检测方法及*** - Google Patents
Mimo***信号检测方法及*** Download PDFInfo
- Publication number
- CN111769975A CN111769975A CN202010530489.9A CN202010530489A CN111769975A CN 111769975 A CN111769975 A CN 111769975A CN 202010530489 A CN202010530489 A CN 202010530489A CN 111769975 A CN111769975 A CN 111769975A
- Authority
- CN
- China
- Prior art keywords
- network
- detection
- signal
- mimo system
- training
- 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 115
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000013016 damping Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 238000012546 transfer Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 125000004122 cyclic group Chemical group 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- 239000004677 Nylon Substances 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0256—Channel estimation using minimum mean square error criteria
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了MIMO***信号检测方法及***。涉及通信领域，其中，方法通过对接收信号和信道矩阵进行实数化，然后将实数化后的接收信号和信道矩阵输入到训练好的检测网络，得到估计信号，其中，检测网络为包含阻尼机制的近似消息传递算法网络。本发明实施例提出的近似消息传递算法检测网络，相较于全连接神经网络、卷积神经网络、循环神经网络，具有数据依赖性低、网络结构可解释、过拟合风险低、准确度高、复杂度低等优势，通过在近似消息传递算法中加入阻尼机制，设置可学习的阻尼参数进一步加速检测算法的收敛速度，降低了检测网络复杂度，同时提高检测性能。
Description
技术领域
本发明涉及通信领域，尤其是涉及一种MIMO***信号检测方法及***。
背景技术
随着无线通信技术的飞速发展，人们对高通信速率和可靠服务质量的通信需求不断增 长。现有的频带资源越来越难以满足无线通信的需求。MIMO技术通过在发送端与接收端配 备多根天线，产生多条传输路径以对抗无线信道衰落，并利用传输信道所提供的空间自由度， 从而提升***容量和链路可靠性，其主要特征为：在基站端部署大量的低成本、低功率的放 大器以及成百上千根天线，增加***的空间自由度，基站可同时与众多用户在同一时频资源 上通信，大幅提升频谱效率。其中信号检测是信号传输的逆过程，具体指在干扰环境下从接 收信号中准确地恢复出原始发送信号，它是MIMO***设计和性能优化的一个重要环节。
通常MIMO***的信号检测方法可以分为两类：线性检测算法和非线性检测算法。以 最小均方误差为首的线性检测算法在检测过程中会引入信道矩阵求逆运算，对于大规模 MIMO***来说，该检测技术复杂度很高，且检测性能一般。非线性检测算法以及次优的检 测虽然相较于线性检测算法来说，检测性能好而且避免了信道矩阵求逆的过程，但在检测过 程中仍然需要大量的运算，复杂度依旧很高，不适合应用在大规模MIMO***中，而基于 全连接神经网络、卷积神经网络、循环神经网络的信号检测网络训练过程训练需要大量的标 记数据，积累和标记大量信息的过程不但费时而且成本高昂，而且上述网络的泛化性和自适 应性较弱，当信道发生变化时，会导致网络的检测准确性大大降低。因此需要提出一种复杂 度低、检测性能良好的MIMO***信号检测方法，降低数据量，提高泛化能力。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种MIMO ***信号检测方法，能够降低检测过程复杂度，降低数据量，提高检测性能和泛化能力。
第一方面，本发明的一个实施例提供了：一种MIMO***信号检测方法，包括：
对接收信号和信道矩阵进行实数化；
将实数化后的接收信号和信道矩阵输入到训练好的检测网络，得到估计信号；
所述检测网络为包含阻尼机制的近似消息传递算法网络。
进一步地，还包括：通过判决函数将所述估计信号进行解调，根据不同的映射函数将所 述估计信号映射回信号空间。
进一步地，将每一次迭代过程都作为所述检测网络的一层，依次连接每一层，并在每一 层网络中加入学习参数实现所述阻尼机制，所述学习参数包括：可训练阻尼系数、均值参数、 均值训练参数。
进一步地，训练所述检测网络的过程包括：
根据估计信号与训练集中发送信号计算均方误差损失；
如果未满足训练终止条件，则对所述检测网络的网络参数进行优化，缩小均方误差损失。
进一步地，利用随机梯度下降算法结合最小均方误差对所述检测网络的网络参数进行优 化。
第二方面，本发明的一个实施例提供了：一种MIMO***信号检测***，包括：
实数化单元：用于对接收信号和信道矩阵进行实数化；
检测单元：用于将实数化后的接收信号和信道矩阵输入到训练好的检测网络，得到估计 信号，所述检测网络为包含阻尼机制的近似消息传递算法网络。
进一步地，还包括：
解调单元：用于通过判决函数将所述估计信号进行解调，根据不同的映射函数将所述估 计信号映射回信号空间。
第三方面，本发明的一个实施例提供了：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：
如第一方面中任一项所述的MIMO***信号检测方法；
第四方面，本发明的一个实施例提供了：一种计算机可读存储介质，存储有计算机可执 行指令，所述计算机可执行指令用于所述计算机执行如第一方面中任一项所述的方法。
本发明实施例的有益效果是：
本发明实施例通过对接收信号和信道矩阵进行实数化，然后将实数化后的接收信号和信 道矩阵输入到训练好的检测网络，得到估计信号，其中，检测网络为包含阻尼机制的近似消 息传递算法网络。本发明实施例提出的近似消息传递算法检测网络，相较于全连接神经网络、 卷积神经网络、循环神经网络，具有数据依赖性低、网络结构可解释、过拟合风险低、准确 度高、复杂度低等优势，通过在近似消息传递算法中加入阻尼机制，设置可学习的阻尼参数 进一步加速检测算法的收敛速度，降低了检测网络复杂度，同时提高检测性能。
可广泛应用于MIMO***进行信号检测。
附图说明
图1是本发明实施例中MIMO***信号检测方法的一具体实施例流程示意图；
图2是本发明实施例中MIMO***信号检测方法的一具体实施例检测网络训练过程示 意图；
图3是本发明实施例中MIMO***信号检测方法的一具体实施例检测网络结构示意图；
图4是本发明实施例中MIMO***信号检测方法的一具体实施例检测网络第t层的具体 结构示意图；
图5是本发明实施例中MIMO***信号检测方法的一具体实施例不同阻尼系数的误码 率比较曲线示意图；
图6～图7是本发明实施例中MIMO***信号检测方法的一具体实施例两种天线数的三 种网络检测误码率性能比较示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明 的具体实施方式。显而易见地，下面描述中的附图仅仅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， 并获得其他的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人 员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施 例的目的，不是旨在于限制本发明。
实施例一：
本发明实施例一提供一种MIMO***信号检测方法，图1为本发明实施例提供的一种 MIMO***信号检测方法的流程示意图，如图1所示，该方法包括以下步骤：
S1：对接收信号和信道矩阵进行实数化。
S2：将实数化后的接收信号和信道矩阵输入到训练好的检测网络，得到估计信号，其中 检测网络为包含阻尼机制的近似消息传递算法网络。
近似消息传递算法(Approximate message passing,下面简称AMP算法)将大规模MIMO 信号检测的多重积分问题转换成了一个线性估计问题，大大降低了信号检测算法的复杂度。
其中，本实施例中检测网络的构建过程包括：由于AMP算法是一种迭代式算法，由于 每次迭代过程中都是相同的计算结构，因此可以将每一次迭代过程都作为检测网络的一层， 并依次连接每一层，将迭代式AMP算法展开成层与层之间串联网络结构，利用这个网络结 构实现原本迭代式的近似消息传递的信号检测算法。并且通过在每一层网络相同位置中加入 学习参数实现阻尼机制，构建一个层层连接的检测网络，再通过深度学习中的网络参数优化 方法，优化检测网络中的学习参数，从而得到一个有学习能力的检测网络。
进一步次，学习参数包括：可训练阻尼系数β、均值参数θ、均值训练参数γ。β是可训练的阻尼系数，θ是用于调整最小均方误差估计所需均值参数，γ是用于调整最小均方误差估计所需均值参数的均值训练参数。
S3：通过判决函数将估计信号进行解调，根据不同的映射函数将估计信号映射回信号空 间。
可以理解的是，由于本实施例中用到的检测网络是一种深度神经网络，因此整个过程分 为两个步骤：一是训练网络，二是利用训练好的网络进行信号检测。
下面描述本实施例的一种***模型，该模型面向大规模MIMO通信***，考虑大规模 MIMO上行链路，该***包含一个大规模MIMO基站和多个单天线用户，其中假设基站配备的天线数为N，在同一时频资源内服务的单天线用户数为M，因此，在同一时频资源上， 基站端接收的信号
可表示为：
y＝Hx+n#(1) (1)
其中，
表示基站和用户之间的信道矩阵，
表示不同用户在同一时频资 源上内向基站发送的信号，
表示加性高斯白噪声。
如图2所示，为本实施例的检测网络训练过程示意图。训练集中包含接收信号y、信道 矩阵H和发送信号x，其训练过程为：
1)对接收信号y、信道矩阵H和发送信号x进行实数化，这是因为通信***通常是在复数域进行操作，而深度学习网络在实数域进行操作，因此需要利用实数化模块进行复数到 实数的转变，实数化分别表示为：
其中，Re代表取实部，Im代表取虚部。
2)将实数化的接收信号
信道矩阵
输入到构建的检测网络中，得到估计信号
3)根据估计信号与训练集中发送信号计算均方误差损失，即根据实数化的发送信号
和 估计信号
计算均方误差损失，其中损失函数表示为：
其中，K表示训练集中批数量(batch size)的大小，M表示发送信号的向量维度。
4)如果未满足训练终止条件，则对检测网络的网络参数进行参数优化，缩小均方误差 损失。具体的，例如可选的，利用随机梯度下降算法结合最小均方误差对检测网络的网络参 数进行优化，进一步缩小均方误差损失，如果满足条件则终止训练过程，得到训练后的检测 网络。
步骤S3中，本实施例可选的通过硬判决或软判决的方式通过判决函数对估计信号进行 判断，根据判断结果选择不同调制方式对应的映射函数。
其中，硬判决是指解调器根据其判决函数(例如判决门限)对接收到的估计信号的波形 直接进行判决后输出0或1，以序列之间的汉明距离作为度量进行译码。而软判决的解调器 不进行判决，直接输出模拟量或是将解调器输出波形进行多电平量化，然后送往译码器，软 判决译码器以欧几里德距离作为度量进行译码，软判决译码算法的路径度量采用“软距离”而 不是汉明距离，最常采用的是欧几里德距离，也就是接收波形与可能的发送波形之间的几何 距离。本实施例优选的是硬判决方式。
进一步地，不同的调制方式对应不同的映射函数，可以根据判断结果将估计信号映射回 信号空间，例如以IQ编码为例，信号相位、对应的IQ信号与输入的信号幅值之间的映射关 系如下表1所示：
表1IQ信号编码示意图
下面详细描述AMP算法检测过程。
首先设定输入信号为：接收信号y，信道矩阵H(即信道状态信息)，高斯白噪声的功率 σ2，算法的迭代次数T，可训练阻尼系数β。
首先进行初始化：
进行迭代过程：
其中，
和
分别表示最小均方误差估计先验均值和方差，
和
分别表示算法 每轮迭代估计出的发送信号x(即估计信号)的均值和方差，其他变量都是用于求
和
的中间变量，无特殊涵义。
本实施例中在上述AMP算法的模型中加入学习参数实现阻尼机制，学习参数包括：可 训练阻尼系数β、均值参数θ、均值训练参数γ。β是可训练的阻尼系数，θ是用于调整最小均方误差估计所需均值参数，γ是用于调整最小均方误差估计所需均值参数的均值训练参 数。
例如在第t次迭代的时候(即第t层)，在公式(10)、公式(11)、公式(14)、公式(15)中加入学习参数，并将相应的学习参数(βt,θt,γt)初始化为(0,1,1)，将每一层的学习参数设置 为(0,1,1)是为了保证在还没开始对学习参数进行优化前，保证网络能得到一个较好的初始解， 从而进一步加速后续训练过程。
进一步地，由于在AMP算法中引入了阻尼机制，阻尼机制可以加快AMP算法的收敛，通常阻尼系数往往是凭经验进行调试的，如果可训练阻尼系数β设置不合适将会起到反作用，阻尼系数过大最导致收敛速度减慢，阻尼系数设置太小将无法发挥阻尼的作用。
本实施例中将阻尼系数设置为可训练阻尼系数，即把可训练阻尼系数β添加至AMP算 法的公式(10)、公式(11)中，让检测网络通过训练找到一个恰当的阻尼系数，例如可将阻尼系数的范围设置在[0,1]，进一步加速检测算法的收敛速度。
另外根据AMP算法的公式(14)、公式(15)可知，每一轮的迭代的估计信号
直接受到
和
这两个系数的影响，为了提升每一轮迭代的检测准确度，本实施将可学习的均 值参数θ、均值训练参数分别加到了
处，从而得到一个包含阻尼机制的近似消息传 递算法网络。
下述是加入阻尼机制的AMP算法检测过程中第t次的迭代过程：
V＝σ2+Vi t (19)
参数含义参见前面的描述。
如图3所示，为本实施例的检测网络结构示意图，假设该检测网络为T+1层，从第0层到第T层，中间层以第t层为例说明。如图4所示，为第t层的具体结构示意图，可见输 入
vt、y，经过包含阻尼机制的近似消息传递算法网络得到
vt+1、y。
为了让AMP检测网络获得更好的检测性能，需要通过训练调整每一层中的学习参数(βt,θt,γt)。训练该检测网络时，可选的利用随机梯度下降算法结合最小均方误差对所述检 测网络的网络参数进行优化，利用增量式学习的训练方式可以得到使网络检测性能最佳的参 数值，可理解的是批量梯度下降、随机梯度下降与小批量梯度下降算法都可以用在本实施例 中。
具体来说，在增量式学习的第t轮训练中，参数
通过使用随机梯度下降算 法的小批量训练来调整参数
以最小化损失函数
在完成第t轮训练后， 在下一轮训练中，损失函数变为
并且在上一轮训练好的参数充当
的 初始值，然后继续利用随机梯度下降算法的小批量训练方式训练
重复上述步 骤，直到网络中的所有参数都被训练完。
这种增量式的参数训练方法相较于一次性训练网络中的所有参数可以较好的克服训练过 程中梯度消失的问题，由于AMP网络的构架是基于AMP检测算法，而AMP检测算法有较 好的检测性能，因此AMP网络在训练初就能得到比较好的检测性能，同时通过增量式的参 数训练方法就能够比较好的解决梯度消失问题。
下面通过一个具体场景说明本实施例的仿真实现过程。
假设使用QPSK调制方法生成发送信号x，其中信号x中的每个元素从有限离散集 S＝{1+j,-1+j,-1-j,1-j}中随机均匀地采样。信道矩阵H考虑了两种情况，一是随时间变 化的独立同分布瑞利衰落信道,其中H的每个元素从零均值，方差为
的复高斯分布中采样。此外数据集中考虑了从0dB到20dB的十种不同信噪比情况，其中，每个信噪比包含了5x106对数据，记为(x,y)。
仿真中，可选的设置网络层数T的数量为20，并使用Adam优化器，将学习率设置为1.0×10-4，由于检测网络的构架是基于AMP检测算法，通过把学习率设置为1.0×10-4可以有 效避免在训练过程中的梯度消失的问题。进一步地，在数据集中随机选择3.5×106对数据作 为训练集，剩余的1.5×106对数据作为测试集，数据批量大小设置为500，使用Pytorch深度 学习框架完成网络训练。
首先，为了验证阻尼系数对AMP-Net的影响，如图5所示，为不同阻尼系数的误码率比较曲线示意图，图中比较了三种阻尼系数的选择方式，分别是：一是将网络中每一层的βt视为可学习参数，利用深度学习的方法调整该参数，表示为AMP-learnable-β；二是将网络中 每一层的βt固定为0.3，示意为AMP-(β＝0.3)；三是将网络中每一层的βt固定为0，固定为0 意味着没有引入阻尼机制，示意为AMP-(β＝0)。
为了进一步验证检测网络的检测性能，将本实施例检测网络(记为AMP-Net网络)与 不包含阻尼机制的AMP算法网络、正交近似消息传递检测网络(Orthogonalapproximate message passing，OAMP-Net)进行比较，OAMP-Net是基于OAMP迭代式算法构建的，在 OAMP检测算法中每次迭代过程中由于存在矩阵求逆的计算，所以计算复杂度为O(N3)。
如图6～图7所示，分别为两种天线数的三种网络检测误码率性能比较示意图，天线数 分别为32×32和64×64，通信信道为瑞利衰落的MIMO通信***。从图中可知，通过在AMP算法中加入阻尼机制后，本实施例的检测网络误码率低于原始的AMP检测算法，这是 因为本实施例中引入了学习参数(βt,θt,γt)，学习参数一方面弥补了由于AMP检测算法推导过程中存在着一些条件简化所导致的检测性能下降问题，另一方面学习参数可以从数据中学 习到信息，进一步提升检测性能。同时，AMP-Net的检测性能也稍微优于OAMP-Net的检测性能。从计算复杂度方面比较，AMP-Net每层网络的计算复杂度为O(NM)，而OAMP-Net 的每层网络的计算复杂度为O(N3)。
本实施例通过对接收信号和信道矩阵进行实数化，然后将实数化后的接收信号和信道矩 阵输入到训练好的检测网络，得到估计信号，其中，检测网络为包含阻尼机制的近似消息传 递算法网络，通过在近似消息传递算法中加入阻尼机制，设置可学习的阻尼参数进一步加速 检测算法的收敛速度，降低了检测网络复杂度，同时提高检测性能。
实施例二：
本实施例提供一种MIMO***信号检测***，用于执行如实施例一所述的方法，如图7 所示，为本实施例的MIMO***信号检测***结构框图，包括：
实数化单元100：用于对接收信号和信道矩阵进行实数化。
检测单元200：用于将实数化后的接收信号和信道矩阵输入到训练好的检测网络，得到 估计信号，检测网络为包含阻尼机制的近似消息传递算法网络。
解调单元300：用于通过判决函数将估计信号进行解调，根据不同的映射函数将估计信 号映射回信号空间。
上述中MIMO***信号检测***模块的具体细节已经在实施例一对应的MIMO***信 号检测方法中进行了详细的描述，因此此处不再赘述。
另外，本发明还提供MIMO***信号检测设备，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：如实施例一中任一项所述的MIMO***信号检测方法。
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如实施例一所述 的方法。计算机程序即程序代码，当程序代码在MIMO***信号检测设备上运行时，程序 代码用于使MIMO***信号检测设备执行本说明书上述实施例一部分描述的MIMO***信 号检测方法中的步骤。
另外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执 行指令，其中计算机可执行指令用于使计算机执行如实施例一所述的方法。
本发明实施例提出的近似消息传递算法检测网络，相较于全连接神经网络、卷积神经网 络、循环神经网络，具有数据依赖性低、网络结构可解释、过拟合风险低、准确度高、复杂 度低等优势，通过在近似消息传递算法中加入阻尼机制，设置可学习的阻尼参数进一步加速 检测算法的收敛速度，降低了检测网络复杂度，同时提高检测性能。可广泛应用于MIMO ***进行信号检测。
以上各实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述各实施例对 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，或者对其中部分或者全部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范围，其均应涵盖在本 发明的权利要求和说明书的范围当中。
Claims (9)
1.一种MIMO***信号检测方法，其特征在于，包括：
对接收信号和信道矩阵进行实数化；
将实数化后的接收信号和信道矩阵输入到训练好的检测网络，得到估计信号；
所述检测网络为包含阻尼机制的近似消息传递算法网络。
2.根据权利要求1所述的一种MIMO***信号检测方法，其特征在于，还包括：通过判决函数将所述估计信号进行解调，根据不同的映射函数将所述估计信号映射回信号空间。
3.根据权利要求1所述的一种MIMO***信号检测方法，其特征在于，将每一次迭代过程都作为所述检测网络的一层，依次连接每一层，并在每一层网络中加入学习参数实现所述阻尼机制，所述学习参数包括：可训练阻尼系数、均值参数、均值训练参数。
4.根据权利要求1所述的一种MIMO***信号检测方法，其特征在于，训练所述检测网络的过程包括：
根据估计信号与训练集中发送信号计算均方误差损失；
如果未满足训练终止条件，则对所述检测网络的网络参数进行优化，缩小均方误差损失。
5.根据权利要求4所述的一种MIMO***信号检测方法，其特征在于，利用随机梯度下降算法结合最小均方误差对所述检测网络的网络参数进行优化。
6.一种MIMO***信号检测***，其特征在于，包括：
实数化单元：用于对接收信号和信道矩阵进行实数化；
检测单元：用于将实数化后的接收信号和信道矩阵输入到训练好的检测网络，得到估计信号，所述检测网络为包含阻尼机制的近似消息传递算法网络。
7.根据权利要求6所述的一种MIMO***信号检测***，其特征在于，还包括：
解调单元：用于通过判决函数将所述估计信号进行解调，根据不同的映射函数将所述估计信号映射回信号空间。
8.一种电子设备，其特征在于，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：
如权利要求1至5中任一项所述的MIMO***信号检测方法。
9.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于所述计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010530489.9A CN111769975A (zh) | 2020-06-11 | 2020-06-11 | Mimo***信号检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010530489.9A CN111769975A (zh) | 2020-06-11 | 2020-06-11 | Mimo***信号检测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111769975A true CN111769975A (zh) | 2020-10-13 |
Family
ID=72720633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010530489.9A Pending CN111769975A (zh) | 2020-06-11 | 2020-06-11 | Mimo***信号检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111769975A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114362795A (zh) * | 2021-11-23 | 2022-04-15 | 西安电子科技大学杭州研究院 | 一种非线性毫米波mimo通讯***的信号检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109246038A (zh) * | 2018-09-10 | 2019-01-18 | 东南大学 | 一种数据模型双驱动的gfdm接收机及方法 |
| CN111224906A (zh) * | 2020-02-21 | 2020-06-02 | 重庆邮电大学 | 基于深度神经网络的近似消息传递大规模mimo信号检测算法 |
-
2020
- 2020-06-11 CN CN202010530489.9A patent/CN111769975A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109246038A (zh) * | 2018-09-10 | 2019-01-18 | 东南大学 | 一种数据模型双驱动的gfdm接收机及方法 |
| CN111224906A (zh) * | 2020-02-21 | 2020-06-02 | 重庆邮电大学 | 基于深度神经网络的近似消息传递大规模mimo信号检测算法 |
Non-Patent Citations (2)
| Title |
|---|
| 任茜源等: "大规模MIMO***中低复杂度信号检测算法", 《光通信研究》 * |
| 郑沛聪: "基于深度学习的MIMO信号检测算法优化研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114362795A (zh) * | 2021-11-23 | 2022-04-15 | 西安电子科技大学杭州研究院 | 一种非线性毫米波mimo通讯***的信号检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105814855B (zh) | 超Nyquist发送***中的预编码 | |
| CN113906719A (zh) | 使用机器学习网络处理通信信号 | |
| RU2303330C1 (ru) | Способ приема сигнала в системе связи с несколькими каналами передачи и приема | |
| US9634879B2 (en) | Demodulator apparatus and demodulation method | |
| CN112713966B (zh) | 基于似然估计修正信噪比的编码调制切换方法 | |
| CN112215335B (zh) | 一种基于深度学习的***检测方法 | |
| CN104301267A (zh) | 一种mimo无线通信接收机的多阶段迭代检测方法和装置 | |
| Wang et al. | Online LSTM-based channel estimation for HF MIMO SC-FDE system | |
| CN115250216A (zh) | 一种基于深度学习的水声ofdm联合信道估计和信号检测方法 | |
| KR20220143130A (ko) | Csi 오류를 갖는 잡음이 있는 과부하된 무선 통신 시스템에서의 이산 디지털 신호의 추정 방법 | |
| CN101582742A (zh) | 多入多出***迭代检测方法、***及设备 | |
| Zheng et al. | DemodNet: Learning soft demodulation from hard information using convolutional neural network | |
| CN110417515B (zh) | 一种基于离散迭代估计的大规模mimo信号检测方法 | |
| Azari et al. | Automated deep learning-based wide-band receiver | |
| JP5235932B2 (ja) | 信号検出方法、信号検出プログラム、信号検出回路、及び無線局 | |
| CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
| CN114124168A (zh) | 一种基于深度学习的mimo-noma***信号检测方法及*** | |
| JP2022163465A (ja) | 受信装置および復調のためのパラメータ生成方法 | |
| CN111769975A (zh) | Mimo***信号检测方法及*** | |
| 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 | |
| CN104135455B (zh) | 一种通信***迭代接收方法 | |
| CN114614863B (zh) | Mimo检测器选择 | |
| Cammerer et al. | A neural receiver for 5G NR multi-user MIMO | |
| CN113595680B (zh) | 一种基于广义Jaccard系数的稀疏度和步长自适应匹配追踪方法 | |
| JP6587745B2 (ja) | 無線通信装置及び無線通信方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201013 |