基于图神经网络的多输入多输出检测方法技术

本发明专利技术公开了一种基于图神经网络的多输入多输出检测方法。本发明专利技术将多输入多输出系统的接收数据转换为图型结构数据，构建成一个全连接的无向图，其中每个实数域的发送符号映射为图中的一个节点，再将其输入到构建的图神经网络中，输出发送比特的对数似然比的估计值，完成信号检测任务。本发明专利技术所设计的神经网络在突发噪声信道和不完美信道估计场景中获得了接近最优的性能，且基于图神经网络的多输入多输出检测方法对信噪比表现出了良好的鲁棒性。

【技术实现步骤摘要】
基于图神经网络的多输入多输出检测方法
本专利技术涉及多输入多输出信号检测领域，特别涉及一种基于图神经网络的多输入多输出检测方法。
技术介绍
多输入多输出技术(MIMO,Multiple-InputMultiple-Output)可以提高频谱效率和功率效率，所以在当今的无线通信系统中得到广泛使用。尽管MIMO技术可以在相同的时频资源上同时支持多个用户与基站进行通信，但是基站侧的干扰也大大地增加了，这使得对接收信号进行检测变得困难。最大似然(ML,MaximumLikelihood)检测可以通过穷举搜索发送符号集合来同时检测所有符号，从而获得最佳的检测性能，但是ML的复杂度随着发射信号的维度呈指数增长，这在实际系统中很难实现。但是，某些线性检测器，例如迫零(ZF,Zero-Forcing)检测器和最小均方误差(MMSE,MinimumMean-SquaredError)检测器，虽然具有较低的复杂度，但是与ML相比，性能差距过大，并且大型矩阵乘法和求逆运算也给硬件实现带来很大的困难。为了实现性能和复杂度之间的平衡，一些次优的检测算法被提出，例本文档来自技高网...

【技术保护点】
1.基于图神经网络的多输入多输出检测方法，其特征在于：包括以下步骤：/n(1)构建多输入多输出的无线通信系统，发送比特经调制后从发射端发出，接收端获得接收信号和信道矩阵并利用最大似然准则计算出所有发送比特的对数似然比，将接收信号矢量和信道矩阵转换为图型结构数据；/n(2)构建图神经网络，使用所述图型结构数据作为网络的输入，网络的输出为所有发送比特的对数似然比的估计值，网络的结构包括消息产生函数、边性质更新函数、顶点更新函数和输出函数；/n(3)构建网络训练集，使用所述图型结构数据作为训练集的数据，发送比特对数似然比作为训练标签，在不同的通信场景中离线训练出信号检测网络模型并加以保存；/n(4)...

【技术特征摘要】
1.基于图神经网络的多输入多输出检测方法，其特征在于：包括以下步骤：
(1)构建多输入多输出的无线通信系统，发送比特经调制后从发射端发出，接收端获得接收信号和信道矩阵并利用最大似然准则计算出所有发送比特的对数似然比，将接收信号矢量和信道矩阵转换为图型结构数据；
(2)构建图神经网络，使用所述图型结构数据作为网络的输入，网络的输出为所有发送比特的对数似然比的估计值，网络的结构包括消息产生函数、边性质更新函数、顶点更新函数和输出函数；
(3)构建网络训练集，使用所述图型结构数据作为训练集的数据，发送比特对数似然比作为训练标签，在不同的通信场景中离线训练出信号检测网络模型并加以保存；
(4)在在线检测阶段，接收端将接收信号和信道矩阵转换为图型结构数据，随后输入到训练好的信号检测网络模型中，网络输出发送比特的估计对数似然比。


2.根据权利要求1所述的基于图神经网络的多输入多输出检测方法，其特征在于：所述步骤(1)中的系统模型由复数域转换到实数域，将复数值拆分为实部和虚部，重建接收信号模型，使神经网络不涉及复数运算。


3.根据权利要求1所述的基于图神经网络的多输入多输出检测方法，其特征在于：所述步骤(1)中的接收信号矢量和信道矩阵被转换为图型结构数据，构建成一个全连接的无向图，其中每个实数域的发送符号映射为图中的一个节点，具体方法为将信道矩阵的转置与信道矩阵相乘得到一个对称矩阵，该矩阵的非对角线元素为无向图中的边特征，将接收信号的转置与信道矩阵相乘得到一个矢量，该矢量的元素为无向图中的节点特征。


4.根据权利要求1所述的基于图神经网络的多输入多输出检测方法，其特征在于：所述步骤(2)中的构建图神经网络具体包括以下步骤：
(2.1)将所有节点的隐藏状态矢量初始化为零向量；每条边的边性质初始化为边特征和相连的两个节点特征的并列；
(2.2)在每个时间步，每个节点都通过消息产生函数传递一...

【专利技术属性】
技术研发人员：王闻今，杨长蓉，李子箫，方家琪，吴驰，尤力，高西奇，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32