CN116707670A - 一种多输入多输出发射信号检测方法、装置、设备及介质 - Google Patents
一种多输入多输出发射信号检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116707670A CN116707670A CN202310753083.0A CN202310753083A CN116707670A CN 116707670 A CN116707670 A CN 116707670A CN 202310753083 A CN202310753083 A CN 202310753083A CN 116707670 A CN116707670 A CN 116707670A
- Authority
- CN
- China
- Prior art keywords
- dimension reduction
- parameters
- message transmission
- network
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000005540 biological transmission Effects 0.000 claims abstract description 102
- 230000009467 reduction Effects 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 77
- 238000013136 deep learning model Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000001514 detection method Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 11
- 238000011946 reduction process Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 35
- 238000004891 communication Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 38
- 239000013598 vector Substances 0.000 description 35
- 238000010586 diagram Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 6
- 238000013016 damping Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 206010063344 microscopic polyangiitis Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
- H04B17/15—Performance testing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/29—Performance testing
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种多输入多输出发射信号检测方法、装置、设备及介质,应用于通信技术领域,包括:获取输入参数;利用预先训练的简化广义近似消息传递网络处理输入参数,得到目标发射信号估计值;简化广义近似消息传递网络为对预设多维度参数进行降维处理,以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。本发明利用预先训练的简化广义近似消息传递网络对输入参数进行计算时,由于可以对多维度参数进行降维处理,使得减少参数运算的步骤,并且利用深度学习模型对降维处理后的参数进行修正,从而保证了模型的误码性能。因此,本发明可以在提升误码性能的情况下,降低了计算目标发射信号估计值的复杂度,提高了计算效率。
Description
技术领域
本发明涉及通信技术领域,特别涉及一种多输入多输出发射信号检测方法、装置、设备及介质。
背景技术
作为第五代移动通信***物理层的上行链路技术之一,单载波频分多址(singlecarrier frequency divisionmultiple access,SC-FDMA)能减少功率受限的移动终端的立方度量。同时,多输入多输出(multiple-inputmultiple,MIMO)技术因其大幅提高了信道容量和频谱效率被广泛应用在实际无线通信***中,现有技术的多输入多输出信号检测方法,计算的复杂度过高,极大地影响了MIMO检测的性能。
发明内容
有鉴于此,本发明的目的在于提供一种多输入多输出发射信号检测方法、装置、设备及介质,解决了现有技术中信号检测方法计算复杂度过高的技术问题。
为解决上述技术问题,本发明提供了一种多输入多输出发射信号检测方法,包括:
获取输入参数;
利用预先训练的简化广义近似消息传递网络处理所述输入参数,得到目标发射信号估计值;其中,所述简化广义近似消息传递网络为对预设多维度参数进行降维处理,以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。
可选的,所述对预设多维度参数进行降维处理,包括:
对所述广义近似消息传递网络中的频域能量矩阵进行降维处理。
可选的,所述对所述广义近似消息传递网络中的频域能量矩阵进行降维处理,包括:
利用均值法对所述广义近似消息传递网络中的所述频域能量矩阵进行降维处理。
可选的,所述对预设多维度参数进行降维处理,包括:
对所述广义近似消息传递网络中的所有星座点进行降维处理,得到预设个数的目标星座点。
可选的,所述对所述广义近似消息传递网络中的所有星座点进行降维处理,得到预设个数的目标星座点,包括:
根据所述所有星座点对应的概率值获取所述预设个数的所述目标星座点。
可选的,所述简化广义近似消息传递网络的训练过程,包括:
为所述深度学习模型中的每个网络层添加可学习参数,得到可学习深度学习模型;
利用所述可学习深度学习模型训练所述简化广义近似消息传递网络。
可选的,所述利用所述可学习深度学习模型训练所述简化广义近似消息传递网络,包括:
根据不同配置环境生成训练数据和测试数据;
根据所述训练数据和所述测试数据结合所述可学***均。
本发明还提供了一种多输入多输出发射信号检测装置,包括:
输入参数获取模块,用于获取输入参数;
目标发射信号估计值确定模块,用于利用预先训练的简化广义近似消息传递网络处理所述输入参数,得到目标发射信号估计值;其中,所述简化广义近似消息传递网络为对预设多维度参数进行降维处理,以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。
本发明还提供了一种多输入多输出发射信号检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述的多输入多输出发射信号检测方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现上述的多输入多输出发射信号检测方法。
可见,本发明通过获取输入参数;利用预先训练的简化广义近似消息传递网络处理输入参数,得到目标发射信号估计值;其中,简化广义近似消息传递网络为对预设多维度参数进行降维处理,以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。本发明为了降低已有技术广义近似消息传递网络的计算复杂度,提出了简化后的算法。因为简化广义近似消息传递网络引入了近似降维处理,其误码性能有所下降,故进一步地通过深度学习模型对近似后的变量进行修正,保证了简化广义近似消息传递网络的误码性能。因此,利用本申请记载的技术方案可以解决现有技术中计算复杂度过高的技术问题,即本发明可以降低计算复杂度,提高目标发射信号估计值计算的效率,并且由于引入深度学习模型对应降维处理后的参数进行及时修正,使得该简化广义近似消息传递网络的误码率得到极大的提升。
此外,本发明还提供了一种多输入多输出发射信号检测装置、设备及介质,同样具有上述有益效果。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种多输入多输出发射信号检测方法的流程图;
图2为本发明实施例提供的一种多输入多输出发射信号检测方法的流程示例图;
图3为本发明实施例提供的一种T层DL-GAMP的结构框图;
图4为本发明实施例提供的一种不同天线配置下误码性能曲线;
图5为本发明实施例提供的一种不同调制方案的误码性能曲线;
图6为本发明实施例提供的一种不同天线配置下计算复杂度-信噪比权衡图;
图7为本发明实施例提供的一种多输入多输出发射信号检测装置的结构示意图;
图8为本发明实施例提供的一种多输入多输出发射信号检测设备的结构示意图。
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,所描述的实施例仅仅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做出创造性劳动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。
作为第五代移动通信***物理层的上行链路技术之一,单载波频分多址(singlecarrier frequency divisionmultiple access,SC-FDMA)能减少功率受限的移动终端的立方度量。同时,多输入多输出(multiple-input multiple,MIMO)技术因其大幅提高了信道容量和频谱效率被广泛应用在实际无线通信***中。最大似然(maximum likelihood,ML)算法虽然拥有着最佳的误码性能,但其性能随天线数呈指数增长,无法应用于实际***中。其它传统线性MIMO检测算法如最小均方误差(minimum mean-squared error,MMSE)检测算法、迫零(zero-forcing,ZF)检测算法,虽然复杂度方面有所下降,但难以达到SC-FDMA场景下误码性能要求。
基于贝叶斯理论的消息传递算法(message passing algorithms,MPAs)实现了误码性能和计算复杂度的良好折中,获得了近年来国内外学者的广泛关注。2014年,Zhang基于置信传播(belief propagation,BP)和平均场(mean filed,MF),实现了单载波频域均衡(single carrier frequency domain equalization,SC-FDE)***的联合均衡和译码,并以复杂度为代价实现了误码性能的提升。于2018年将期望传播(expectationpropagation,EP)算法应用于多用户的MIMO SC-FDMA***,取得了不错的误码性能。Zhao提出了具有低复杂度的广义近似消息传递(low-complexity generalize approximatemessage passing,LC-GAMP)辅助的频域均衡器,相比于传统的频域均衡器,该算法能够提供额外的增益。然而,上述算法的计算复杂度较高,不易于实际的硬件实现。因此,在MIMOSC-FDMA(single carrier frequency divisionmultiple access,单载波频分多址)场景中,如何保证相关信道下的检测算法误码性能,并同时降低检测算法的计算复杂度亟待解决。
请参考图1,图1为本发明实施例提供的一种多输入多输出发射信号检测方法的流程图。该方法可以包括:
S100,获取输入参数。
该实施例并不限定具体的输入参数,只要可以将该输入参数输入简化广义近似消息传递网络,得到目标发射信号估计值即可。例如,输入参数可以是接收信号、信道信息和噪声信息;或者输入参数也可以直接是计算得到的接收信号矢量、信道矩阵和噪声方差。
S101,利用预先训练的简化广义近似消息传递网络处理所述输入参数,得到目标发射信号估计值;其中,简化广义近似消息传递网络为对预设多维度参数进行降维处理,以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。
该实施例中的广义近似消息传递网络相比于传统的频域均衡器,该算法能够提供额外的增益。然而,上述算法并未考虑MIMO(multiple-input multiple,多输入多输出)***中天线间的相关性,并且算法的计算复杂度较高,不易于实际的硬件实现。该实施例并不限定对预设多维度参数进行降维处理的具体方式。例如,可以对广义近似消息传递网络中的频域能量矩阵进行降维处理;或者,可以对广义近似消息传递网络中的多个星座点进行选取,减少参与计算的星座点从而实现降维处理;或者还可以是对广义近似消息传递网络中的时域发射信号向量的个数进行选取进行降维处理。该实施例并不限定利用深度学习模型对降维处理后的参数进行修正的具体方式。例如,对降维处理的部分参数进行修正;或者对降维处理后的全部参数进行修正。可以理解的是,利用简化广义近似消息传递网络处理输入参数过程中,会对多维度参数进行近似降维处理,会导致与本身的参数有误差,故需要进行修正处理。
进一步地,为了对频域能量矩阵进行降维处理,提高降维处理的效率,上述对预设多维度参数进行降维处理,可以包括:
对广义近似消息传递网络中的频域能量矩阵进行降维处理。
该实施例并不限定对频域能量矩阵进行降维处理的具体方式。例如,可以通过利用均值法对频域能量矩阵进行降维处理;或者通过利用中位数的方法对频域能量矩阵进行降维处理;或者通过利用众数的方法对频域能量矩阵进行降维处理。可以理解的是,频域能量矩阵的步骤较多,计算复杂性较强,故通过对频域能量矩阵进行降维处理,可以提高降低计算复杂度的效率。
进一步地,为了提高降维处理的效率,上述对广义近似消息传递网络中的频域能量矩阵进行降维处理,可以包括:
利用均值法对广义近似消息传递网络中的所述频域能量矩阵进行降维处理。
该实施例利用均值法对广义近似消息传递网络中的频域能量矩阵进行降维处理,得到简化广义近似消息传递网络。可以理解的是,通过利用均值法对广义近似消息传递网络中的频域能量矩阵进行降维处理,可以将多维度频域能量矩阵,变为单维度频域能量矩阵,从而降低计算的复杂度。可以理解的是,通过利用均值法进行降维处理,可以在保证提高降维处理后计算的准确性。
进一步地,为了进一步降低计算复杂度,上述对预设多维度参数进行降维处理,可以包括:
对广义近似消息传递网络中的所有星座点进行降维处理,得到预设个数的目标星座点。
该实施例并不限定预设个数的具体个数。例如,预设个数可以是1个;或者预设个数可以是2个;或者预设个数可以是3个。该实施例并不限定预设个数的目标星座点的获取方式。例如,预设个数的目标星座点的获取方式可以是随机选取;或者预设个数的目标星座点的获取方式可以是根据各个星座点对应的概率值进行选取。该实施例通过从所有星座点中获取预设个数的目标星座点,减少参与计算的目标星座点,进一步降低计算复杂度。
进一步地,为了在降低计算复杂度的情况下保证计算的准确性,上述对广义近似消息传递网络中的所有星座点进行降维处理,得到预设个数的目标星座点,可以包括:
根据所有星座点对应的概率值获取预设个数的目标星座点。
该实施例并不限定根据所有星座点对应的概率值获取预设个数的目标星座点的具体方式。例如,根据所有星座点对应的概率值的最大值获取预设个数的目标星座点;或者根据所有星座点对应的概率值,获取概率值排名前几的星座点,作为目标星座点。该实施例通过星座点的概率值来获取预设个数的目标星座点,可以提高目标星座点选取的准确性,从而提高降维处理的效率。
进一步地,为了提高简化广义近似消息传递网络计算的准确性,上述简化广义近似消息传递网络的训练过程,可以包括:
为深度学习模型中的每个网络层添加可学习参数,得到可学习深度学习模型;
利用可学习深度学习模型训练简化广义近似消息传递网络。
需要说明的是,为了消除Sim-GAMP(广义近似消息传递网络)中近似带来的误差,本发明提出了机器学习辅助训练得到的简化广义近似消息传递(DL-GAMP)。基于深度学习构建得到简化广义消息传递网络(DL-GAMP),DL-GAMP的每一层对应于Sim-GAMP算法的每个迭代过程。本发明在D-GAMP中的每个网络层中添加可学习参数来纠正Sim-GAMP算法中每次迭代时由近似带来的性能损失,最后网络的最后一层的输出值作为发送信号的最终估计值;可以理解的是,经过近似降维处理的参数会与原本的参数存在一定的误差,故需要进行修正,而在每个网络层中添加可学习参数,可实现对参数的修正,提升误码性能。
进一步地,为了提高修正的准确性,上述简化广义近似消息传递网络的训练过程,可以包括:
根据不同配置环境生成训练数据和测试数据;
根据训练数据和测试数据结合所述可学***均。
进一步地,为了提高修正的准确性,上述利用可学习深度学习模型训练简化广义近似消息传递网络,可以包括:
根据不同配置环境生成训练数据和测试数据;
根据训练数据和测试数据结合可学***均。
需要说明的是,可学习深度学习辅助的广义近似消息传递网络模型的训练方法,包括以下步骤:
步骤1:训练数据和测试数据在不同配置下随机生成,每个数据样本由时域发射信号向量、频域信道矩阵、噪声方差和频域接收信号向量四者组成。根据这四者可以计算得到:Gram矩阵(格拉姆矩阵)、匹配滤波后的接收信号矢量,残差项系数以及噪声方差,用来进行后续的步骤。每层的部分损失函数定义为每层网络的输出和实际发送信号的最小均方差,而总的损失函数位每一层损失函数的加权平均,从而提高算法的收敛性能,具体表达式如下:
其中,ωt为第t层的权重,l为总的损失函数,T为网络的总的层数,K为子载波数目,Nt为发射天线数目,表示第t层网络输出的第k个子载波的发射信号估计值向量中的第n个元素,xk,n表示第k个子载波的发射信号向量中的第n元素。
步骤2:设置学***台上,选择特定的优化器进行迭代训练,优化设置的可学习参数,直到达到最大迭代次数。
该实施例中的损失函数为每层网络的输出和实际发送信号的最小均方差,总的损失函数为每一层损失函数的加权平均。由于该可学***均,提高了损失函数的性能,从而进一步提升误码性能。
本发明实施例提供的多输入多输出发射信号检测方法,包括:获取输入参数;利用预先训练的简化广义近似消息传递网络处理所述输入参数,得到目标发射信号估计值;其中,其中,简化广义近似消息传递网络为对预设多维度参数进行降维处理,以及利用深度学***均,提高了损失函数的性能,从而进一步提升误码性能。
为了使本发明更便于理解,具体请参考图2,图2为本发明实施例提供的一种多输入多输出发射信号检测方法的流程示例图,具体可以包括:
S200,获取接收信号、信道信息和噪声信息。
该实施例中的接收信号、信道信息和噪声信息与广义近似消息传递(generalizeapproximate message passing,GAMP)相对应。为便于理解,本实施例给出广义近似消息传递确定发射信号的过程。以上行链路为例,考虑一个用户端配置Nt根发射天线、基站端配置Nr根接收天线的MIMO SC-FDMA(多输入多输出单载波频分地址)***。该***采用Q-QAM(Quadrature Amplitude Modulation,数字调制器)调制技术,且星座集合表示为假设发射端拥有K个子载波,则调制后的时域发射信号向量可以表示为
其中,表示转置操作,/>表示第k个子载波的时域发射信号向量。经K点的离散傅里叶变换(discrete Fourier transformation,DFT)后,频域发射信号向量可以表示为
其中,表示第k个子载波的频域发射信号向量,/>为归一化的K点DFT矩阵,/>为单位矩阵,/>为块对角的K点DFT矩阵,/>表示复数集合。接收端处的频域接收信号向量可表示为:
其中,表示第k个子载波的频域接收信号向量,/>表示频域MIMO信道矩阵,/>表示第k个子载波对应的频域MIMO信道矩阵,n为频域加性高斯白噪声,服从零均值、方差为/>的复高斯分布,σ2为噪声方差,/>是大小为KNt×KNt的单位矩阵,公式(3)中的Hx表示两者相乘。对应的时域信道矩阵可表示为
其中,且(·)H表示共轭转置操作。
本发明考虑Kronecker相关信道模型(发射端相关矩阵与接收端相关矩阵的封闭表达式),第l个信道的冲激响应矩阵可表示为
其中,表示Cholesky分解(一个对称正定的矩阵表示成一个下三角矩阵L和其转置的乘积的分解),/>表示发射端相关系数为ρt的复相关矩阵,/>表示接收端相关系数为ρr的复相关矩阵,Hi.i.d.表示独立同分布(independent identically distributed,i.d.d.)的瑞利衰落信道矩阵。
给定频域接收信号y、频域信道矩阵H和噪声方差σ2,现有技术中的LC-GAMP(lowcomplexity generalize approximate message passing,低复杂度广义近似消息传递)检测算法通过T次迭代,最终输出时域发射信号的估计值即该实施例中的广义近似消息传递。
在迭代开始前,LC-GAMP先将时域发射信号估计值及其方差κ、频域无干扰信号d中的元素都初始化为0。需要说明的是,本发明中,加粗后的字母或希腊符号表示矢量,对应的未加粗的字母或者希腊符号表示该矢量中的元素,为标量。为便于区分,本文中带下划线的变量表示频域中的变量,不带下划线的变量则为时域变量。例如,y为频域接收信号,H为频域信道矩阵,H则为时域信道矩阵。
然后,开始T次的迭代工作,其中第t次的具体计算过程可以表示为(该实施例中的字母含义与上文一致,本发明中加粗后的字母或希腊符号表示矢量,对应的未加粗的字母或者希腊符号表示该矢量中的元素,为标量。):
(1)利用离散傅里叶变换,将时域发射信号估计值变换为频域发射信号估计值/>并令方差κt-1的所有元素拥有相同值/>
(2)更新频域能量矩阵λt,其第k个子载波的能量向量中的第m个元素 h k,mn为第k个子载波的频域信道矩阵H k中第m行、第n列的元素;
(3)重构频域干扰δ t,其中第k个子载波上的频域干扰向量中第m个元素为其中,/>为频域能量矩阵中的元素,/>为频域无干扰信号中的元素;
(4)更新频域无干扰信号d t,其中第k个子载波上的频域无干扰信号向量中第m个元素为其中,y k,m为第k个子载波上的频域接收信号向量中的第m个元素;为重构的频域干扰中的元素;/>为频域能量矩阵中的元素;σ2为噪声方差;
(5)计算外部方差外部方差中第n个元素为/>
(6)更新频域残差项r t,第k个子载波的频域残差项向量的第n个元素为(其中/>为元素h k,mn的共轭),并利用傅里叶逆变换得到对应的时域残差项rt,且第k个子载波的时域残差项向量的第n个元素表示为/>
(7)计算外部均值zt,第k的子载波的外部均值向量的第n个元素为
(8)根据外部均值和方差更新估计值和方差κt,第k个子载波的估计值和方差向量的第n个元素分别为/>和/>
其中,xi为星座点集合中的星座点,P(·)表示概率函数, 是发射符号xk,n=xi的概率的归一化系数,且有/>
(9)对估计值和对应的方差/>进行阻尼操作,α为阻尼因子:
最后,当完成T次迭代后,LC-GAMP输出作为发射信号的估计值,完成信号检测。
然而,上述LC-GAMP检测算法虽然能够避免矩阵求逆计算,仍涉及大量运算,硬件实现开销巨大。因此,提出本发明的方案,用更低复杂度得到发送信号的估计值并保证误码性能无损失,完成信号检测。
S201,根据获取的接收信号、信道信息和噪声信息得到接收信号矢量、信道矩阵和噪声方差。
S202,将接收信号矢量、信道矩阵和噪声方差输入到基于机器学习辅助的简化广义消息传递网络中,得到目标发射信号估计值。
该实施例中的广义消息传递网络,与原有的LC-GAMP检测算法相比,首先本发明根据中心极限定理,对算法中涉及到的变量∑n|h k,mn|2进行近似(字母含义与上文一致),令所有∑n|h k,mn|2的值都等于它们均值由此,LC-GAMP中部分变量的维度降低,且将进一步导致其他变量的计算公式得到化简,从而大幅降低计算复杂度。此外,由于在高阶调制***中检测过程中的星座匹配涉及到大量的指数运算,本发明进一步地在星座匹配中引入近似。本发明只取/>对应的概率最大的两个星座点β1、β2参与计算(近似后的星座集表示为/>),从而将Q个星座点缩减到2个,降低了指数运算的次数,节省了复杂度开销。简化后的广义消息传递算法表示如下:
将时域发射信号估计值及其方差κ,能量均值/>及新的频域残差项ξ中的所有元素初始化为0。并且在迭代前,计算时域残差项系数ζ(其中残差项系数中的第n个元素为),匹配滤波后的频率接收信号b=H H y以及块对角的频域Gram矩阵G=H H H作为输入;
开始进行T次迭代,其中第t次迭代的具体计算步骤为:
(1)对时域发射信号估计值进行离散傅里叶变换,转为频域发射信号估计值并对方差κt-1在发射天线和接收天线两个维度求平均,得到均值
(2)由于引入了近似,计算能量均值
(3)由于能量系数由一个KNr×1的向量转为一个1×1的标量,第n根发射天线的外部方差可更新为避免了计算调和平均值;
(4)计算频域残差项ξ t,其中第k个子载波的频域残差向量中的第n个元素为(b k,n为第k个子载波的匹配滤波后的频域接收信号向量中的第n个的元素,G k,nj为第k个子载波的Gram矩阵中的第n行第j列的元素,/>表示第k个子载波的频域发射信号估计值向量中的第j个元素),并对频域残差项ξ t进行离散傅里叶逆变换得到时域残差项ξt,且第k个子载波的时域残差项向量的第n个元素表示为/>
(5)计算外部均值zt,其中第k个子载波的外部均值向量中的第n个元素为其中,ζn为时域残差项系数;
(6)更新估计值和方差κt,第k个子载波的估计值和方差向量的第n个元素分别为/>和/>
其中,xi为星座点集合中的星座点,P(·)表示概率函数,/> 是发射符号xk,n=xi的概率的归一化系数,且有值得注意的是计算过程中的每个发射信号估计值对应的星座点已由Q个星座点缩减到2个,其对应的星座点集合由/>变为/>
(7)对估计值和对应的方差/>进行阻尼操作,α为阻尼因子:
最后,重复步骤(1)~(7)直到达到T次迭代后,输出发射信号估计值
该实施例中的基于机器学习辅助的简化广义消息传递网络可以理解为,
为了消除Sim-GAMP中近似带来的误差,本发明提出了机器学习辅助的简化广义近似消息传递(DL-GAMP)。基于深度学习构建得到广义消息传递网络(DL-GAMP),该网络模型如图3所示,DL-GAMP的每一层对应于Sim-GAMP算法的每个迭代过程。本发明在D-GAMP中的每个网络层中添加可学习参数来纠正Sim-GAMP算法中每次迭代时由近似带来的性能损失,最后网络的最后一层的输出值作为发送信号的最终估计值;
可学习参数θt和分别用以修正Sim-GAMP中因变量∑近似导致的/>和/>的误差,即
由于Sim-GAMP采用了近似星座匹配方案,近似的星座匹配只考虑了可能性最大的两个星座点,与实际的星座分布存在误差,因此本发明利用可学习参数和/>修正估计值/>和估计方差/>即
由此,本发明提出的T层的DL-GAMP的结构框图如图3所示,图3为本发明实施例提供的一种T层DL-GAMP的结构框图,算法将噪声方差σ2,以及利用接收信号向量y、频域信道矩阵H计算得到的时域残差项系数ζ、匹配滤波后的频率接收信号b和块对角的频域Gram矩阵G作为输入,最终第T层输出发射信号估计值可以理解的是,DL-GAMP的总的层数和迭代算法的迭代次数一致,都为T。DL-GAMP的第t层也对应着Sim-GAMP算法的第t次迭代。图3中,Avg.表示算术平均,IDFT(inverse discrete Fouriertransform,傅里叶逆变换)表示傅里叶逆变换;FDE(frequency domain equalizer)表示频域均衡,对应着Sim-GAMP算法迭代过程中的步骤(2)~(3),并添加了可学习参数θt;TDE(time domain equalizer)表示时域均衡,对应着Sim-GAMP算法迭代过程中的步骤(5)~(6),并添加了相应的可学习参数/>和/>Damping表示阻尼操作,对应着Sim-GAMP算法迭代过程中步骤(7)。其中,b、G、ζ、σ2是整个网络的输入,阴影部分的变量为算法迭代过程中涉及的中间变量和深度学习引入的可学习参数。
为了验证该方案的可行性,本实施例给出对比实验:
(1)不同天线配置下误码性能对比
图4给出了不同天线配置下误码性能随信噪比变化的曲线。从图中可知,LC-GAMP比EP存在着较为明显的性能差距。而相比于LC-GAMP,Sim-GAMP由于引入了近似,在给出的天线配置中都表现出了明显的性能损失。而通过引入可学习参数,DL-GAMP有效地补偿了Sim-GAMP带来的性能损失,并且在给出的配置下误码性能都低于LC-GAMP。当误码率为10-3时,在Nt=16,Nr=24和Nt=16,Nr=32两个天线比下,DL-GAMP分别为Sim-GAMP提供了3.3dB和1.04dB的增益,相比于LC-GAMP实现了0.39dB和0.34dB信噪比优势,即在误码率相同的情况下,DL-GAMP所需的信噪比Sim-GAMP和LC-GAMP更低。此外,DL-GAMP有着与EP相当的误码性能。
(2)Nt=16,Nr=32时不同调制方案下误码性能对比
图5给出了当Nt=16,Nr=32时,不同调制方案下的误码性能曲线。在16-QAM、64-QAM、256-QAM情况下,GAMP类算法的迭代次数分别设置为30、40、50次,EP类算法的迭代次数固定为10次。由于Sim-GAMP在星座匹配过程中引入了近似,随着调制阶数的增加,Sim-GAMP与LC-GAMP间的性能差距逐渐拉大。从图3可知,通过采用深度学习算法辅助Sim-GAMP,DL-GAMP能够明显补偿Sim-GAMP中由于近似造成的性能损失,并且其优于LC-GAMP和EP。即DL-GAMP通过深度学习的方式能够弥补Sim-GAMP的误码性能缺陷,并且DL-GAMP还能够比LC-GAMP和EP算法的误码性能更好(相同信噪比时,有更低的误码率)。
(3)不同天线配置下计算复杂度和信噪比权衡对比
图6给出了不同天线配置下计算复杂度-信噪比权衡图,其中横坐标表示不同算法误码率为10-3时的信噪比,纵坐标表示各算法在当前配置下的计算复杂度,曲线旁的数字表示对应算法的迭代次数。由图可知,DL-GAMP实现了大幅的计算复杂度的下降,并同时保持着优异的误码性能。
下面对本发明实施例提供的一种多输入多输出发射信号检测装置进行介绍,下文描述的一种多输入多输出发射信号检测装置与上文描述的一种多输入多输出发射信号检测方法可相互对应参照。
具体请参考图7,图7为本发明实施例提供的一种多输入多输出发射信号检测装置的结构示意图,可以包括:
输入参数获取模块100,用于获取输入参数;
目标发射信号估计值确定模块200,用于利用预先训练的简化广义近似消息传递网络处理所述输入参数,得到目标发射信号估计值;其中,所述简化广义近似消息传递网络为对预设多维度参数进行降维处理,以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。
进一步地,基于上述实施例,上述目标发射信号估计值确定模块200,可以包括:
频域能量矩阵降维处理单元,用于对所述广义近似消息传递网络中的频域能量矩阵进行降维处理。
进一步地,基于上述实施例,上述频域能量矩阵降维处理模块,可以包括:
均值降维处理子单元,用于利用均值法对所述广义近似消息传递网络中的所述频域能量矩阵进行降维处理。
进一步地,基于上述实施例,上述目标发射信号估计值确定模块300,可以包括:
目标星座点降维处理单元,用于对所述广义近似消息传递网络中的所有星座点进行降维处理,得到预设个数的目标星座点。
进一步地,基于上述实施例,上述目标星座点降维处理单元,可以包括:
目标星座点降维处理子单元,用于根据所述所有星座点对应的概率值获取所述预设个数的所述目标星座点。
进一步地,基于上述任意实施例,上述多输入多输出发射信号检测装置,还可以包括:
可学习参数添加模块,用于为所述深度学习模型中的每个网络层添加可学习参数,得到可学习深度学习模型;
训练单元,用于利用所述可学习深度学习模型训练所述简化广义近似消息传递网络。
进一步地,基于上述任意实施例,上述训练单元,可以包括:
训练数据获取子单元,用于根据不同配置环境生成训练数据和测试数据;
训练子单元,用于根据所述训练数据和所述测试数据结合所述深度学***均。
需要说明的是,上述一种多输入多输出发射信号检测装置中的模块以及单元在不影响逻辑的情况下,其顺序可以前后进行更改。
本发明实施例提供的一种多输入多输出发射信号检测装置,包括:输入参数获取模块100,用于获取输入参数;目标发射信号估计值确定模块200,用于利用预先训练的简化广义近似消息传递网络处理所述输入参数,得到目标发射信号估计值;其中,所述简化广义近似消息传递网络为对预设多维度参数进行降维处理,以及利用深度学***均,提高了损失函数的性能,从而进一步提升误码性能。
下面对本发明实施例提供的一种多输入多输出发射信号检测设备进行介绍,下文描述的一种多输入多输出发射信号检测设备与上文描述的一种多输入多输出发射信号检测方法可相互对应参照。
请参考图8,图8为本发明实施例提供的一种多输入多输出发射信号检测设备的结构示意图,可以包括:
存储器10,用于存储计算机程序;
处理器20,用于执行计算机程序,以实现上述的一种多输入多输出发射信号检测方法。
存储器10、处理器20、通信接口30均通过通信总线40完成相互间的通信。
在本发明实施例中,存储器10中用于存放一个或者一个以上程序,程序可以包括程序代码,程序代码包括计算机操作指令,在本发明实施例中,存储器10中可以存储有用于实现以下功能的程序:
获取输入参数;
利用预先训练的简化广义近似消息传递网络处理所述输入参数,得到目标发射信号估计值;其中,简化广义近似消息传递网络为对预设多维度参数进行降维处理,以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。
在一种可能的实现方式中,存储器10可包括存储程序区和存储数据区,其中,存储程序区可存储操作***,以及至少一个功能所需的应用程序等;存储数据区可存储使用过程中所创建的数据。
此外,存储器10可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作***和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。操作***可以包括各种***程序,用于实现各种基础任务以及处理基于硬件的任务。
处理器20可以为中央处理器(Central Processing Unit,CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件,处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。
通信接口30可以为通信模块的接口,用于与其他设备或者***连接。
当然,需要说明的是,图7所示的结构并不构成对本发明实施例中一种多输入多输出发射信号检测设备的限定,在实际应用中一种多输入多输出发射信号检测设备可以包括比图7所示的更多或更少的部件,或者组合某些部件。
下面对本发明实施例提供的计算机可读存储介质进行介绍,下文描述的计算机可读存储介质与上文描述的一种多输入多输出发射信号检测方法可相互对应参照。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的一种多输入多输出发射信号检测方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应该认为超出本发明的范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其他任何变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上对本发明所提供的一种多输入多输出发射信号检测方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种多输入多输出发射信号检测方法,其特征在于,包括:
获取输入参数;
利用预先训练的简化广义近似消息传递网络处理所述输入参数,得到目标发射信号估计值;其中,所述简化广义近似消息传递网络为对预设多维度参数进行降维处理,以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。
2.根据权利要求1所述的多输入多输出发射信号检测方法,其特征在于,所述对预设多维度参数进行降维处理,包括:
对所述广义近似消息传递网络中的频域能量矩阵进行降维处理。
3.根据权利要求2所述的多输入多输出发射信号检测方法,其特征在于,所述对所述广义近似消息传递网络中的频域能量矩阵进行降维处理,包括:
利用均值法对所述广义近似消息传递网络中的所述频域能量矩阵进行降维处理。
4.根据权利要求1至3任一项所述的多输入多输出发射信号检测方法,其特征在于,所述对预设多维度参数进行降维处理,包括:
对所述广义近似消息传递网络中的所有星座点进行降维处理,得到预设个数的目标星座点。
5.根据权利要求4所述的多输入多输出发射信号检测方法,其特征在于,所述对所述广义近似消息传递网络中的所有星座点进行降维处理,得到预设个数的目标星座点,包括:
根据所述所有星座点对应的概率值获取所述预设个数的所述目标星座点。
6.根据权利要求1所述的多输入多输出发射信号检测方法,其特征在于,所述简化广义近似消息传递网络的训练过程,包括:
为所述深度学习模型中的每个网络层添加可学习参数,得到可学习深度学习模型;
利用所述可学习深度学习模型训练所述简化广义近似消息传递网络。
7.根据权利要求6所述的多输入多输出发射信号检测方法,其特征在于,所述利用所述可学习深度学习模型训练所述简化广义近似消息传递网络,包括:
根据不同配置环境生成训练数据和测试数据;
根据所述训练数据和所述测试数据结合所述可学***均。
8.一种多输入多输出发射信号检测装置,其特征在于,包括:
输入参数获取模块,用于获取输入参数;
目标发射信号估计值确定模块,用于利用预先训练的简化广义近似消息传递网络处理所述输入参数,得到目标发射信号估计值;其中,所述简化广义近似消息传递网络为对预设多维度参数进行降维处理,以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。
9.一种多输入多输出发射信号检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的多输入多输出发射信号检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至7任一项所述的多输入多输出发射信号检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753083.0A CN116707670A (zh) | 2023-06-25 | 2023-06-25 | 一种多输入多输出发射信号检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753083.0A CN116707670A (zh) | 2023-06-25 | 2023-06-25 | 一种多输入多输出发射信号检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116707670A true CN116707670A (zh) | 2023-09-05 |
Family
ID=87833815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310753083.0A Pending CN116707670A (zh) | 2023-06-25 | 2023-06-25 | 一种多输入多输出发射信号检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116707670A (zh) |
-
2023
- 2023-06-25 CN CN202310753083.0A patent/CN116707670A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8867649B2 (en) | Antenna layer selection and soft demapping for MIMO decoder | |
Wang et al. | Multiuser detection for uplink large-scale MIMO under one-bit quantization | |
EP2293504B1 (en) | Method and apparatus for interference mitigation in a baseband OFDM receiver | |
JP2003501971A (ja) | 変化する干渉環境におけるビーム形成のための装置および方法 | |
CN106549888B (zh) | 一种基于gamp的联合双选信道估计与ftns检测方法 | |
CN107046433B (zh) | 一种大规模mimo***上行链路低复杂度迭代检测算法 | |
Thoota et al. | Massive MIMO-OFDM systems with low resolution ADCs: Cramér-Rao bound, sparse channel estimation, and soft symbol decoding | |
Üçüncü et al. | Performance analysis of quantized uplink massive MIMO-OFDM with oversampling under adjacent channel interference | |
CN113541747A (zh) | 一种大规模mimo检测方法、装置和存储介质 | |
US11595153B2 (en) | Receiver apparatus, and method for producing parameters for demodulation | |
CN114301545B (zh) | 信号检测方法、装置、电子设备及存储介质 | |
CN113691353B (zh) | 一种低复杂度的信号检测方法及*** | |
Gao et al. | Massive MIMO as an extreme learning machine | |
CN109150260B (zh) | 带有双端相位噪声的大规模mimo***上行链路数据估计方法 | |
CN105610484B (zh) | 大规模mimo低复杂度迭代接收方法 | |
US10819468B2 (en) | Stochastic linear detection | |
CN113630160B (zh) | 一种大规模mimo检测方法、装置、设备和存储介质 | |
US20230075680A1 (en) | Wireless receiving apparatus and method thereof | |
CN116707670A (zh) | 一种多输入多输出发射信号检测方法、装置、设备及介质 | |
CN117060952A (zh) | 多输入多输出***中的信号检测方法及装置 | |
CN110868244B (zh) | 一种基于信道穿刺的低复杂度通信信号检测方法 | |
Zhang et al. | Iterative channel estimation for large scale mimo with highly quantized measurements in 5g | |
CN111769975A (zh) | Mimo***信号检测方法及*** | |
Turhan et al. | Deep learning aided generalized frequency division multiplexing | |
Cao et al. | Adaptive signal detection method based on model-driven for massive MIMO systems |
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 |