CN114337745A - 一种模型驱动深度学习的大规模mimo信号检测方法 - Google Patents
一种模型驱动深度学习的大规模mimo信号检测方法 Download PDFInfo
- Publication number
- CN114337745A CN114337745A CN202210021952.6A CN202210021952A CN114337745A CN 114337745 A CN114337745 A CN 114337745A CN 202210021952 A CN202210021952 A CN 202210021952A CN 114337745 A CN114337745 A CN 114337745A
- Authority
- CN
- China
- Prior art keywords
- detection
- network
- algorithm
- deep learning
- richardson
- 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 177
- 238000013135 deep learning Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 16
- 238000004891 communication Methods 0.000 abstract description 7
- 239000010410 layer Substances 0.000 description 25
- 238000005516 engineering process Methods 0.000 description 10
- 238000007476 Maximum Likelihood Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000007246 mechanism Effects 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
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Landscapes
- Radio Transmission System (AREA)
Abstract
Description
技术领域
本发明属于无线通信领域,尤其涉及一种模型驱动深度学习的大规模MIMO信号检测方法。
背景技术
与传统MIMO技术相比,大规模MIMO技术能够实现更高的传输速率和频率效率,是目前无线通信***的关键技术之一。然而由于大规模MIMO技术的主要是在发送端和接收端配备大量的天线,这也为信号检测器带来了极大的计算压力,因此设计出具有低计算复杂度和高检测精度的检测算法具有极大的意义。
最大似然(ML)检测算法理论上能够达到最高的检测精度,然而由于ML检测器在检测的过程中需要穷举搜索所有可能的发送信号的组合,其计算复杂度随调制模式以及发送天线数呈指数式增加,因此并不适用于大规模MIMO***。对于次优的检测算法,如球解码算法(SD),该算法在一个固定半径的超球面内进行搜索,降低了ML检测的计算复杂度,然而在大规模MIMO***中计算复杂度仍然极高。在大规模MIMO***中由于信道硬化现象的存在,简单的线性检测算法,如MMSE线性检测算法能够达到接近最优的检测性能,但算法中仍然存在计算复杂度较高的矩阵求逆操作。为进一步降低计算复杂度,现有的大规模MIMO检测技术多以迭代检测的方式来避免对高维矩阵进行直接求逆的操作。Richardson算法为迭代检测算法之一,由于信道硬化线性的存在,该算法在大规模MIMO***中能够获得次优的检测性能。但由于该算法中松弛因子的值确定,且近似计算会造成精度丢失。
近年来,深度学***衡MIMO检测算法的检测性能和计算复杂度。与数据驱动的检测算法相比,模型驱动的神经网络由于是在传统的检测算法的基础上改进的,因此与基于数据驱动的方法相比,模型驱动展开的网络通常是可解释的,而且往往具有更少的参数,因此可以更快的训练。
针对大规模MIMO***中Richardson检测算法存在的问题,本发明在Richardson算法的基础上对其进行改进,并结合深度学习技术,提出一种大规模MIMO信号检测算法,通过训练,找到网络的最优参数,可以补偿Richardson算法因松弛因子计算误差带来的精度丢失。因此,在网络训练完成后,能够有效提升原Richardson算法的检测性能和鲁棒性并降低计算复杂度。
发明内容
针对现有技术存在的问题,本发明提供了一种模型驱动深度学习的大规模MIMO信号检测算法,能够有效提升原Richardson算法的检测性能和鲁棒性并降低计算复杂度。
第一方面,提供一种基于深度学习的大规模MIMO信号检测方法,所述方法包括:根据***模型,获得接收信号信道矩阵和用户端传输的调制信号结合最陡梯度下降检测算法,获得改进的Richardson迭代检测算法;展开所诉改进的Richardson迭代检测算法,修改网络结构并设置可学习参数,获得深度学习检测网络;设置所述深度学习检测网络的损失函数;利用所述所述和所述对所述深度学习检测网络设置训练计划,获得训练好的检测网络。
进一步地,结合最陡梯度下降检测算法,获得改进的Richardson迭代检测算法,包括:将最陡梯度下降检测算法用于检测获得中间检测结果将上诉中间结果带入Richardson算法中,作为Richardson算法的输入,得到改进的Richardson算法。。
进一步的,展开所诉改进的Richardson迭代检测算法并设置可学习参数,获得深度学习检测网络包括:展开所诉改进Richardson迭代检测算法的迭代检测过程,将其一次迭代看作为深度神经网络的一层,并修改网络结构,使其考虑前层检测网络的影响;移除所诉展开的算法中步长参数μi的计算公式,将μi替换为可训练参数和
进一步地,在利用所述所述和所述对所述深度学习检测网络进行训练之前,包括:将所诉信号通过预处理层,在预处理层中:首先所诉信号进行等价的实数域转换操作,得到所诉信号的等价实数域信号y、H和x;然后生成迭代检测网络的第一层的输入信号在训练过程中,所述训练参数Θ为
第二方面,提供一种基于深度学习的大规模MIMO信号检测装置,包括:
设置单元,用于改进Richardson迭代检测算法;
获得单元,还用于利用所诉改进的Richardson迭代检测算法,获得学习检测网络;
设置单元,还用于设置所述深度学习检测网络的损失函数;
第三方面,本申请提供一种电子设备,该电子设备包括:处理器和存储器,所述存储器与所述处理器耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器从所述存储器中读取所述计算机指令,以使得所述电子设备执行如第一方面所述的大规模MIMO信号检测方法。
第四方面,本申请提供一种计算机存储介质,包括计算机指令,当所述计算机指令在终端上运行时,使得所述终端执行如第一方面所述的大规模MIMO信号检测方法。
第五方面,本申请提供一种计算机程序产品,当所述计算机程序产品在计算上运行时,使得所述计算机执行如第一方面所述的大规模MIMO信号检测方法。
通过上述技术方案,将Richardson迭代检测算法进行改进,并设置为深度学习检测网络,在所诉检测网络的离线过程中,可训练参数通过反向传播进行更新,得到步长参数最优值。这样可以使最陡梯度下降检测算法更精确的弥补Richardson算法松弛参数的计算误差,进而在检测网络训练完成后,能够有效提升原Richardson算法的检测性能和鲁棒性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,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为本申请实施例应用的通信场景图;
图2为本申请实施例提供的一种大规模MIMO***的信号检测方法的流程图;
图3为所提出的检测网络标准的一层网络结构;
图4为所提出的检测网络的一次训练过程;
图5为所提出的检测网络在大规模MIMO中的具体检测流程;
图6为实施例中所涉及的一种基于深度学习的大规模MIMO信号检测装置的结构示意图;
图7为本申请实例的一种电子设备的结构示意图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例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的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。
需要说明的是,如图1所示,本发明的应用场景可以为Nt个单天线用户和配置有Nr根天线的基站。
还需要说明的是,本申请考虑的是大规模MIMO***的上行链路,本申请提供的信号检测方法应用于基站侧。
图2为本申请一个实施例提供的一种基于深度学习的大规模MIMO信号检测方法的流程图,如图2所示,该方法为:
需要说明的是,所诉***模型公式如下:
S202:结合最陡梯度下降算法,获得改进的Richardson迭代检测算法。
需要说明的是,结合最陡梯度下降算法,获得改进的Richardson迭代检测算法,包括:
最陡梯度下降检测算法的一次迭代检测过程如下:
pi=Ari
S203:展开所诉改进的Richardson迭代检测算法,修改网络结构并设置可学习参数,获得深度学习检测网络。
需要说明的是,如图3所示,展开所诉改进的Richardson迭代检测算法,修改网络结构并设置可学习参数,获得深度学习检测网络,包括:
S401:展开所诉改进Richardson迭代检测算法的迭代检测过程,将其一次迭代看作为深度神经网络的一层,并修改网络结构,使其考虑前层检测网络的影响。
需要说明的是,所诉的改进Richardson迭代检测算法为一种有效的大规模MIMO信号检测算法。该算法中Richardson算法中的由于计算误差带来的精度丢失被最陡梯度下降算法补偿,从而在大规模MIMO***中能够达到次优的检测性能。所诉改进Richardson迭代检测算法的第i次迭代过程如下:
上式中为主要的残余误差向量,主要包含ri和pi两部分。实际上的检测值不仅与ri,pi有关,还与迭代中前层的ri-1,ri-2,...,r0以及pi-1,pi-2,...,p0有关。因此在当前层的ri和pi的计算中考虑加入迭代中前面各层的影响::
其中αi;αi-1;...;α0和βi;βi-1;...;β0是可以通过深度学习进行优化的可训练参数。由于相邻层的残差向量造成的影响最大,因此为了简化网络,只考虑相邻层的影响,同时引入阻尼机制,进一步增加网络的收敛性能,简化后的公式如下:
pi=(1-βi)Ari+βipi-1
其中αi和βi是可训练的参数。
所诉最陡梯度下降算法中计算步长参数μi的表达式中涉及到两次高阶向量之间的乘法以及一次除法操作。由于每一次迭代中都需要进行一次计算,因此这在大规模的MIMO***的检测算法中是一个较大的计算开销。在所诉基于模型驱动深度学习的检测网络中将所诉步长参数μi设置为可学习参数,并通过标准的深度学习技术去训练网络从而得到最优的步长参数,从而完成检测任务,如下所示:
S204:设置所述深度学习检测网络的损失函数。
需要说明的是,由于在所诉基于深度学习的接检测网络中越靠后的层的输出值越接近真实的检测结果,因此在损失函数为各层的输出值加上权重log(i),i为网络中各层的下标。在越靠后的层可以获得更大的权重:
其中Θ为网络中可学习的参数集,如下所示:
还需要说明的是,如图4所示,为所诉深度学习检测网络的一次训练过程。所述深度学习检测网络中的可训练参数为其中L为所述网络的层数。在所述网络的训练过程,由于其需要工作在不同的信噪比环境中,因此通过大规模MIMO***生成批量大小的训练数据的信噪比SNR是随机从均匀分布u(SNRmin;SNRmax)中选取的。在生成好训练数据之后,再将训练数据输入所诉网络进行训练。在训练过程中所诉网络采用Adam优化器来最小化损失函数,学习率μ设置0.001,并且该学习率在每经过1000次训练后,变为之前的0.9倍。还应当注意在所诉网络中采用的是增量学习的训练方式,即开始训练单层的网络,然后逐层添加网络层数进行训练,直到整个L层的网络训练完成。
如图5所示,在获得到训练好的检测网络后,所述方法还包括:
由于使用深度学习技术,通过离线训练获得所诉检测网络可训练参数的具体值。通过训练而得的步长参数值比中通过传统最陡梯度下降算法中计算的步长参数值更加准确,因此能更好地补偿Richardson算法中由于近似计算松弛因子带来的误差,从而达到更好的检测性能。
在采用集成的单元的情况下,图6示出了上述实施例中所涉及的一种基于深度学习的大规模MIMO信号检测装置的结构示意图。该装置包括:获得单元601、设置单元602。
设置单元602,用于改进Richardson迭代检测算法;
获得单元601,还用于利用所诉改进的Richardson迭代检测算法,获得学习检测网络;
设置单元602,还用于设置所述深度学习检测网络的损失函数;
还需要说明的是,为描述的方便和简洁,上述描述的大规模MIMO信号检测装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图7为本申请实施例提供的一种电子设备的结构示意图,如图7所示,该装置可以包括处理器701和存储器702,所述存储器702与所述处理器701耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器从所述存储器中读取所述计算机指令,以使得所述电子设备执行实施例一所提供的大规模MIMO信号检测方法。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质可以包括计算机程序或指令,当该计算机程序或指令在计算机上运行时,使得该计算机执行上述实施例所述的大规模MIMO信号检测方法。
本申请实施例提供一种计算机程序产品,包括计算机程序或指令,当该计算机程序或指令在计算机上运行时,使得该计算机执行上述实施例所述的大规模MIMO信号检测方法。
上述实施例可以全部或部分通过软件、硬件、固件或者任意组合实现。当使用软件程序实现时,上述实施例可以全部或部分地以计算机程序产品的形式出现,计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。
应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
8.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器与所述处理器耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器从所述存储器中读取所述计算机指令,以使得所述电子设备执行如权利要求1~6中任一项所述的大规模MIMO信号检测方法。
9.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在终端上运行时,使得所述终端执行如权利要求1~6中任一项所述的大规模MIMO信号检测方法。
10.一种计算机程序产品,其特征在于,当所述计算机程序产品在计算上运行时,使得所述计算机执行如权利要求1~6中任一项所述的大规模MIMO信号检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210021952.6A CN114337745A (zh) | 2022-01-10 | 2022-01-10 | 一种模型驱动深度学习的大规模mimo信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210021952.6A CN114337745A (zh) | 2022-01-10 | 2022-01-10 | 一种模型驱动深度学习的大规模mimo信号检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114337745A true CN114337745A (zh) | 2022-04-12 |
Family
ID=81027011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210021952.6A Pending CN114337745A (zh) | 2022-01-10 | 2022-01-10 | 一种模型驱动深度学习的大规模mimo信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114337745A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115173899A (zh) * | 2022-06-30 | 2022-10-11 | 东南大学 | 基于Richardson迭代法的自适应分段矩阵逆跟踪MIMO检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070253505A1 (en) * | 2006-04-27 | 2007-11-01 | Interdigital Technology Corporation | Method and apparatus for performing blind signal separation in an ofdm mimo system |
CN106233641A (zh) * | 2014-04-27 | 2016-12-14 | Lg电子株式会社 | 使用mimo接收机的预处理滤波器处理接收信号的方法 |
US20170041061A1 (en) * | 2014-05-06 | 2017-02-09 | Lg Electronics Inc. | Method for reducing complexity of mimo receiver which shares preprocessing filter in a group unit by adaptively using covariance matrix |
CN108736934A (zh) * | 2018-05-18 | 2018-11-02 | 东南大学 | 一种高效的大规模mimo***信号检测方法 |
CN110336594A (zh) * | 2019-06-17 | 2019-10-15 | 浙江大学 | 一种基于共轭梯度下降法的深度学习信号检测方法 |
WO2020188316A1 (en) * | 2019-03-15 | 2020-09-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Artificial neutral network precoding for massive mimo systems |
CN112637094A (zh) * | 2020-12-17 | 2021-04-09 | 南京爱而赢科技有限公司 | 一种基于模型驱动深度学习的多用户mimo接收方法 |
-
2022
- 2022-01-10 CN CN202210021952.6A patent/CN114337745A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070253505A1 (en) * | 2006-04-27 | 2007-11-01 | Interdigital Technology Corporation | Method and apparatus for performing blind signal separation in an ofdm mimo system |
CN106233641A (zh) * | 2014-04-27 | 2016-12-14 | Lg电子株式会社 | 使用mimo接收机的预处理滤波器处理接收信号的方法 |
US20170041061A1 (en) * | 2014-05-06 | 2017-02-09 | Lg Electronics Inc. | Method for reducing complexity of mimo receiver which shares preprocessing filter in a group unit by adaptively using covariance matrix |
CN108736934A (zh) * | 2018-05-18 | 2018-11-02 | 东南大学 | 一种高效的大规模mimo***信号检测方法 |
WO2020188316A1 (en) * | 2019-03-15 | 2020-09-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Artificial neutral network precoding for massive mimo systems |
CN110336594A (zh) * | 2019-06-17 | 2019-10-15 | 浙江大学 | 一种基于共轭梯度下降法的深度学习信号检测方法 |
CN112637094A (zh) * | 2020-12-17 | 2021-04-09 | 南京爱而赢科技有限公司 | 一种基于模型驱动深度学习的多用户mimo接收方法 |
Non-Patent Citations (3)
Title |
---|
MENGDAN LOU 等: "A Deeply Fused Detection Algorithm Based on Steepest Descent and Non-Stationary Richardson Iteration for Massive MIMO Systems", 《IEEE COMMUNICATIONS LETTERS ( VOLUME: 24, ISSUE: 12, DECEMBER 2020)》 * |
申滨 等: "基于迭代并行干扰消除的低复杂度大规模MIMO信号检测算法", 《电子与信息学报》 * |
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》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115173899A (zh) * | 2022-06-30 | 2022-10-11 | 东南大学 | 基于Richardson迭代法的自适应分段矩阵逆跟踪MIMO检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Lightweight convolutional neural networks for CSI feedback in massive MIMO | |
CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN111628946B (zh) | 一种信道估计的方法以及接收设备 | |
CN109995449B (zh) | 一种基于深度学习的毫米波信号检测方法 | |
CN111901258A (zh) | 上下行信道互易的实现方法、通信节点和存储介质 | |
CN114338301B (zh) | 一种基于压缩感知的ris辅助毫米波***的信道估计方法 | |
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 | |
CN114915523B (zh) | 基于模型驱动的智能超表面信道估计方法及*** | |
CN114268388A (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN113572708A (zh) | 一种dft信道估计改进方法 | |
CN114337745A (zh) | 一种模型驱动深度学习的大规模mimo信号检测方法 | |
Kim et al. | Massive data generation for deep learning-aided wireless systems using meta learning and generative adversarial network | |
CN114624646A (zh) | 一种基于模型驱动复数神经网络的doa估计方法 | |
CN118018367A (zh) | 面向大规模mimo的模型驱动s-csi估计方法、设备及基站 | |
CN114938232B (zh) | 基于lstm的同时同频全双工数字域自干扰抑制方法 | |
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 | |
CN114866120B (zh) | 一种mimo-noma***信号检测方法 | |
CN116418633A (zh) | 基于稀疏与低秩特征的深度展开水声信道估计方法 | |
CN115390113A (zh) | 一种面向电力***的bd3高精度定位方法及*** | |
CN115426077A (zh) | 译码路径确定方法、装置、计算机设备和存储介质 | |
CN114337746A (zh) | 一种基于深度学习的大规模mimo信号检测方法 | |
CN114070415A (zh) | 一种光纤非线性均衡方法及*** | |
CN113037409B (zh) | 基于深度学习的大规模mimo***信号检测方法 | |
Yao et al. | Low-complexity signal detection networks based on Gauss-Seidel iterative method for massive MIMO systems | |
CN110912643B (zh) | 一种基于机器学习的amp检测改进方法 |
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: 20220412 |