一种基于深度学习的MIMO解码方法、装置及存储介质制造方法及图纸

本发明专利技术实施例公开了一种基于深度学习的MIMO解码方法、装置及存储介质，通过构建MIMO解码的训练数据集合，训练数据集合中包括多个训练数据；然后基于训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；在接收到待解码MIMO信号时，将待解码MIMO信号输入至神经网络模型进行MIMO解码，然后得到神经网络模型所输出的MIMO解码结果。通过本发明专利技术的实施，基于深度学习来设计用于联合MIMO检测和信道解码的神经网络模型，将MIMO检测和信道解码视为联合解码过程，并且通过训练来改善神经网络模型所输出结果的近似性，保证了MIMO解码的整体性能，具有更高的解码准确性以及更快的解码速度。

【技术实现步骤摘要】
一种基于深度学习的MIMO解码方法、装置及存储介质
本专利技术涉及通信
，尤其涉及一种基于深度学习的MIMO解码方法、装置及存储介质。
技术介绍
多天线技术，也称为多输入多输出(MIMO，Multiple-InputMultiple-Output)，是高级无线通信系统最重要的技术之一，理论上已经证实，MIMO可以随着发射和接收天线数量的增加而线性增加其频谱效率。在实际应用中，MIMO已经被合并到许多无线通信标准中，例如802.11n/ac和LTE4G。为了实现接近信道容量，相关技术中提出了例如低密度校验码和极化码等高级信道编码方案，这些信道码能保护数据流免受信道衰落、干扰和噪声的影响。而在接收端对信道码进行MIMO解码时，相关技术中通常所采用的两种MIMO接收器分别为线性MIMO接收器和迭代MIMO接收器，其中，线性MIMO接收器的MIMO检测和信道解码以顺序方式操作，也即消除多天线干扰之后，再执行信道解码，而由于线性MIMO检测引入了噪声放大和噪声相关，从而这种顺序线性MIMO检测和信道解码方案通常由于MIMO检测器的输出处的噪声模型与信道解码器的输入之间的不匹配导致较大的性本文档来自技高网...

【技术保护点】
1.一种基于深度学习的MIMO解码方法，其特征在于，包括：构建多输入多输出MIMO解码的训练数据集合，所述训练数据集合中包括多个训练数据；基于所述训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；在接收到待解码MIMO信号时，将所述待解码MIMO信号输入至所述神经网络模型进行MIMO解码，然后得到所述神经网络模型所输出的MIMO解码结果。

【技术特征摘要】
1.一种基于深度学习的MIMO解码方法，其特征在于，包括：构建多输入多输出MIMO解码的训练数据集合，所述训练数据集合中包括多个训练数据；基于所述训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；在接收到待解码MIMO信号时，将所述待解码MIMO信号输入至所述神经网络模型进行MIMO解码，然后得到所述神经网络模型所输出的MIMO解码结果。2.如权利要求1所述的基于深度学习的MIMO解码方法，其特征在于，所述神经网络包括深度神经网络DNN、卷积神经网络CNN、循环神经网络RNN中任意一种。3.如权利要求2所述的基于深度学习的MIMO解码方法，其特征在于，所述DNN包括：一个输入层、六个隐藏层以及一个输出层；其中，所述输入层以及隐藏层的激活函数为线性整流单元ReLu函数，所述输出层的激活函数为Sigmoid函数，所述隐藏层的所述ReLu函数之前还具有批标准化层。4.如权利要求1至3中任意一项所述的基于深度学习的MIMO解码方法，其特征在于，所述构建多输入多输出MIMO解码的训练数据集合包括：对接收到的导频信号进行信道估计而得到信道矩阵估计值并基于所模拟的MIMO发射器功能模块对源比特随机生成器所生成的多个二进制矢量b(i)，i＝1,2,…,Z，分别进行处理而变换为数据矩阵对各所述以及预设的加性高斯白噪声矩阵AWGN进行函数计算，得到对应的训练数据；所述函数描述如下：其中，MT为所模拟的MIMO发射器功能模块中天线的数量，为所述AWGN；将所有的所述训练数据构建为MIMO解...

【专利技术属性】
技术研发人员：王滔滔，张立豪，张胜利，汪炜，岳力，
申请(专利权)人：深圳市宝链人工智能科技有限公司，
类型：发明
国别省市：广东,44