一种大规模MIMO系统检测模型构建方法技术方案

本发明专利技术公开了一种大规模MIMO系统检测模型的构建方法，模型由K层相同的网络迭代而成，每层网络分线性和非线性两个模块，线性模块结合已知信息的线性组合，并加入训练参数，对发送信号x进行线性估计。非线性模块对线性估计值进行多段映射，得到非线性估计值

【技术实现步骤摘要】
一种大规模MIMO系统检测模型构建方法
本专利技术涉及一种大规模MIMO系统检测模型构建方法，特别是一种基于深度学习大规模MIMO系统检测模型构建方法，属于无线通信

技术介绍
近几年来，随着智能手机等移动终端的数量呈爆发式增长，终端应用和移动业务日益多样化,传统小规模MIMO系统已经无法满足各种移动业务对通信速率和信道容量的要求，因此MIMO技术也逐步朝着大规模化方向发展。与传统的MIMO系统相比，大规模MIMO系统将设备天线数从原本最多八根，扩展到数十根甚至百根，进一步提升通信系统性能。深度学习因其具有解决复杂任务的强大能力而受到全世界的关注。特别是随着大数据、硬件计算能力的提升和优化算法的提出，深度学习被应用各种行业。最近，深度学习中的某些方法也被引入到通信领域，利用深度学习来解决无线通信领域的问题，如DetNet网络以及基于此网络改进的ScNet网络，相比于传统的检测方法如ZF(迫零)、MMSE(最小均方误差)以及OAMP(正交近似消息传递)算法等，具有算法通用性强、支持并行处理等优势。但DetNet及ScNet网络的设计只针对BPSK调制的场景，并不适用于高阶调制的通信场景，使得采用深度学习进行高阶调制的大规模MIMO检测变得困难。
技术实现思路
针对上述现有技术，本专利技术要解决的技术问题是提供一种适用于高阶调制的通信场景的大规模MIMO系统检测模型构建方法。为解决上述技术问题，本专利技术的一种大规模MIMO系统检测模型的构建方法，MIMO系统包括M根发射天线和N根接收天线，系统模型满足：y＝Hx+n其中，y为N×1维接收信号向量，x为M×1维的发送信号向量，n为N×1维的加性高斯白噪声，H是矩阵维度为N×M的瑞利衰落信道矩阵，且服从N(0,1/2N)的独立同分布，包括以下步骤：步骤一：采用迭代法结合深度学习近似目标信号，得到由K层相同的网络迭代而成的目标信号检测模型，具体为：其中，sigSum(·)为设计的激活函数，αk、βk为可训练变量，wk为权重矩阵，表示网络第k层的输出值，k＝1,…,K，的初始值设为0，HT为信道矩阵H的转置矩阵；步骤二：将目标信号检测模型分为线性模块和非线性模块；步骤三：线性模块对已知信息进行线性组合，并加入可训练变量βk、αk以调节步长，再与权重矩阵wk相乘构造全连接网络结构，得到网络的线性估计值sk；步骤四：非线性模块设计一个阶梯型激活函数，将线性估计值sk进行多段映射，得到检测模型的输出其中sigSum(·)为设计的激活函数；步骤五：在每层网络中加入残差系数可变的残差结构；步骤六：对构建的目标信号检测模型进行训练，得到训练后的检测模型。本专利技术还包括：1.步骤三中线性估计值sk具体为：式中，加入可训练变量βk、αk以调节步长，wk为权重矩阵。2.步骤四中设计的激活函数sigSum(·)具体为：Bt＝5+(-1)t(10t-5)其中，f为此激活函数的斜率，L为不同调制方式中IQ分量集合的最小值，E为相邻星座点间的符号间隔，IQ分量集合总数为2l，为一组可训练变量，gt、ht初始值为1，以保证不改变激活函数的初始结构，可训练变量gt使函数映射曲线对应的每个阶梯块可以上下调节，ht使函数映射曲线对应的每个阶梯块能够水平调节，sigmoid(·)满足：3.步骤五中残差结构具体为：其中，γk是第k层网络的残差系数，且为可训练变量，其初始值为1。4.步骤六中对构建的目标信号检测模型进行训练具体为：训练参数包括k为网络层数，且k＝1,…,K，其中wk为权重矩阵，其他为可训练变量，训练过程中的输入信息为接收信号y及信道矩阵H，发送信号x作为网络的真实标签值，采用梯度下降法优化网络，损失函数为：其中，k为网络层数，为第k层网络输出的估计值，k＝1,…,K，优化器采用随机梯度优化器，给定学习率初始值，采用指数衰减的自动调节学习率方式。本专利技术的有益效果：本专利技术提供了一种大规模MIMO系统检测模型构建方法，此模型是用于大规模MIMO检测问题所设计的网络结构，将其命名为ImNet(Iterativemappingnetwork)，该网络专门针对高阶调制的通信场景，并且具有结构简单复杂度低且检测性能高的优势。1.本专利技术专门针对大规模MIMO系统下的高阶调制场景，与主要用于解决二分类问题的DetNet网络相比，应用场景更加广泛。2.本专利技术的网络结构简单，由于不存在矩阵求逆及级联操作，因此相比于OAMP、DetNet及ScNet网络，网络的复杂度更低。3.本专利技术设计的ImNet网络采用全连接网络及可训练变量作为网络的可训练参数，相比于存在级联操作的DetNet及ScNet网络，训练参数更少，使得网络的训练时间减少。4.由图3可得出，本专利技术设计的ImNet网络相比于ZF、MMSE、OAMP、DetNet及ScNet网络，在高阶调制场景中有更好的检测性能。附图说明图1为本专利技术ImNet网络结构图。图2为sigSum激活函数在不同调制方式下的输出函数映射曲线。图3为16QAM调制场景下不同检测方式的误码率曲线。具体实施方式下面结合附图对本专利技术具体实施方式做进一步说明。本专利技术针对高阶调制场景的大规模MIMO系统，设计了一种基于深度学习的ImNet网络，该网络将迭代法与深度学习相结合，构造一个全连接网络结构，并设计了sigSum激活函数，以适用于高阶调制的通信场景。本专利技术技术方案具体为：步骤一：采用迭代法结合深度学习来近似目标信号，将检测模型分为线性及非线性两个模块，构造一个层层迭代的网络结构；步骤二：线性模块结合已知信息的线性组合，对发送信号x进行线性估计，并在线性部分引入可训练变量及权重矩阵，构造一个全连接网络；步骤三：非线性模块设计一个阶梯型激活函数，将线性估计值进行多段映射，得到网络的输出；步骤四：在每层网络中加入残差系数可变的残差结构，加速网络收敛速度；步骤五：将构建好的神经网络进行训练，生成网络模型，再将训练模型进行测试。结合图1，本专利技术具体包括以下步骤：步骤一：对于M根发射天线，N根接收天线的大规模MIMO系统，其模型可简写为：y＝Hx+n(1)式(1)中的y为N×1维接收信号向量，x为M×1维的发送信号向量，n为N×1维的加性高斯白噪声。H是矩阵维度为N×M的瑞利衰落信道矩阵，且服从N(0,1/2N)的独立同分布。可以将(1)中的实数域模型用复数域形式等效表示为：其中Re(·)和Im(·)分别表示取实部和虚部操作。本专利技术设计的检测模型的目的是在已知接收信号向量y及信道矩阵H的条件下，将迭代法与深度学习相结合恢复出原始信号x。该模型由K层相同的网络迭代而成，其迭代公式如下：中s本文档来自技高网...

【技术保护点】
1.一种大规模MIMO系统检测模型的构建方法，MIMO系统包括M根发射天线和N根接收天线，系统模型满足：/ny＝Hx+n/n其中，y为N×1维接收信号向量，x为M×1维的发送信号向量，n为N×1维的加性高斯白噪声，H是矩阵维度为N×M的瑞利衰落信道矩阵，且服从N(0,1/2N)的独立同分布，其特征在于，包括以下步骤：/n步骤一：采用迭代法结合深度学习近似目标信号，得到由K层相同的网络迭代而成的目标信号检测模型，具体为：/n

【技术特征摘要】
1.一种大规模MIMO系统检测模型的构建方法，MIMO系统包括M根发射天线和N根接收天线，系统模型满足：
y＝Hx+n
其中，y为N×1维接收信号向量，x为M×1维的发送信号向量，n为N×1维的加性高斯白噪声，H是矩阵维度为N×M的瑞利衰落信道矩阵，且服从N(0,1/2N)的独立同分布，其特征在于，包括以下步骤：
步骤一：采用迭代法结合深度学习近似目标信号，得到由K层相同的网络迭代而成的目标信号检测模型，具体为：



其中，sigSum(·)为设计的激活函数，αk、βk为可训练变量，wk为权重矩阵，表示网络第k层的输出值，的初始值设为0，HT为信道矩阵H的转置矩阵；
步骤二：将目标信号检测模型分为线性模块和非线性模块；
步骤三：线性模块对已知信息进行线性组合，并加入可训练变量βk、αk以调节步长，再与权重矩阵wk相乘构造全连接网络结构，得到网络的线性估计值sk；
步骤四：非线性模块设计一个阶梯型激活函数，将线性估计值sk进行多段映射，得到检测模型的输出其中sigSum(·)为设计的激活函数；
步骤五：在每层网络中加入残差系数可变的残差结构；
步骤六：对构建的目标信号检测模型进行训练，得到训练后的检测模型。


2.根据权利要求1所述的一种大规模MIMO系统检测模型构建方法，其特征在于：步骤三所述线性估计值sk具体为：



式中，加入可训练变量βk、αk以调节步长，wk为权重矩阵。

【专利技术属性】
技术研发人员：禹永植，王建明，郭立民，张春红，陈艳，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23