一种车联网中基于机器学习优化的MIMO信息检测方法技术

本发明专利技术提出一种车联网中基于机器学习优化的MIMO信息检测方法，针对车联网中路侧单元与车载单元之间进行无线通信的低延时高可靠要求与计算任务均衡问题，采用深度强化学习模型优化计算迁移策略，使用迫零算法和最小均方误差算法作为基本检测方法，LLL格基规约对信道矩阵做正交化处理，利用信号的正向传播与误差的反向传播，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，从而逼近期望输出。本发明专利技术使用机器学习BP神经网络算法，可以有效改善LLL格基规约预处理后的MIMO信息传输与检测，并且具有较高的检测稳定性和较低的计算复杂度。

【技术实现步骤摘要】
一种车联网中基于机器学习优化的MIMO信息检测方法
本专利技术涉及一种多输入多输出（MultipleInputandMultipleOutput,MIMO）传输与检测技术，尤其涉及一种MIMO线性检测的优化方法，更具体地说，涉及一种基于机器学习反向传播神经网络（BackPropagation,BP）算法优化的MIMO信息传输检测方法。
技术介绍
大规模MIMO是第五代通信系统（fifth-generation,5G）的关键技术，可以在可用无线电频谱中实现非常高的性能。大规模MIMO技术是传统小规模MIMO的延伸，它利用基站（Basestation,BS）中的大量天线为大量用户提供服务，从而实现高数据吞吐量和频谱效率。当基站部署大规模天线阵列时，随着天线数量的增加，用户的信道维度会变大，因此用户信道的差异会更加明显，从而带来更大的空间自由度和空间复用基站增益。因此，部署大规模MIMO系统的基站可以使用相同的时频资源服务更多的用户，系统的频谱效率将大大提高。然而，在MIMO检测过程中，发射机和接收机上的大量天线会导致计算复杂度高和能耗高，这已成为实际MIMO系统中最关键的问题之一。因此，在实际的MIMO检测系统中，应该权衡误码率和计算复杂度之间的关系，使它们接近理想的效果。由于基站中有大量天线，一些用于矩阵求逆的经典线性检测器具有很大的计算复杂度，例如迫零（ZeroForcing,ZF）算法和最小均方误差（MinimumMeanSquareError,MMSE）算法。因此，一些学者提出了几种低复杂度的方法，如诺依曼级数展开（NeumannSeriesExpansion,NSE）、高斯-赛德尔迭代（Gauss-SeidelIteration,GSI）、雅可比迭代（JacobiIteration,JC）。但是，随着用户数量的增加，它们都出现了严重的性能损失。为了解决这个问题，学界提出了一种基于格基规约（LatticeReduction,LR）的误差恢复检测器初始化方法。其定义了对角线优势指数，以测量一个矩阵的对角线优势度。研究表明，LR预处理可以在提高正交性的基础上使矩阵具有更好的对角优势，从而为上行大规模MIMO系统提供良好的性能。但由于其在信号传输与检测的过程中仍未形成逻辑上的闭环，故系统稳定性较差。本专利技术提出的MIMO检测方法基于ZF/MMSE准则和LLL预处理，将MIMO技术应用于车联网领域，采用机器学习BP神经网络算法对其进行修正与优化。利用信号的前向传播和误差的反向传播，动态调整车载接收端的检测信号，使车路协同检测系统具有自学习功能，以计算复杂度与误码率的均衡为优化目标，使系统可靠性在传统线性检测的基础上得到提升。
技术实现思路
针对现有技术存在的上述问题，本专利技术提出车联网中一种基于机器学习优化的MIMO传输检测方法，采用LLL格基规约预处理技术和ZF/MMSE线性检测技术，通过构建BP神经网络，采用L2正则化训练BP神经网络，针对线性检测的估计值进行修正。该方法能以较低的计算复杂度实现更低的比特传输误码率。本专利技术为解决上述技术问题采用以下技术方案：在考虑无线信道大尺度衰落及小尺度衰落的情况下，以实现检测过程中计算复杂度与误码率的均衡为目的。我们针对大规模MIMO系统上行链路，采用LLL格基规约预处理技术，将信道矩阵约减到一个更加正交化的等效信道矩阵，使其更适合符号译码。采用ZF/MMSE线性检测技术，使传输检测系统在最低计算复杂度的情况下，得到比较接近原发送数据的估计值。通过建立BP神经网络学习模型，将基于LLL格基规约预处理和ZF/MMSE准则检测后的估计值矩阵作为输入集，即训练样本。将原信号矩阵作为准确样本，利用信号的正向传播与误差的反向传播，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，从而逼近期望输出。完成上述专利技术通过以下技术方案实现：车联网中一种基于机器学习优化的MIMO传输检测方法，包括步骤如下：S1：构建基于车路协同的车联网模型，该模型包括具备移动边缘计算能力的路边单元RBU和搭载车载单元OBU的车辆；S2：建立计算迁移模型，以系统时延最小化作为优化目标，通过深度强化学习模型，优化计算迁移策略，最终决定是在车辆端还是在边缘服务器进行计算检测，其中包括如下具体步骤：S21，建立包括N个用户迁移J个任务的计算迁移模型；S22：优化计算迁移策略，通过时延的计算，决定在车端计算检测还是边缘服务器计算检测，以系统时延最小化为计算迁移的目标，构建深度强化学习模型；S23：利用深度Q学习算法优化深度强化学习模型；S24：根据优化后的深度强化学习模型，得到最优的计算位置；S3：在RSU和车辆之间建立MIMO无线信道传输模型，设置环境参数，随机生成发送矩阵X，信道状态矩阵H，以及高斯白噪声n；S4：采用QPSK调制方法，将传输比特按调制规则映射到星座点上；S5：对信道状态矩阵进行LLL格基规约预处理，使其约减为一个更加正交化的等效信道矩阵，从而更适合符号译码；S6：采用线性检测中的ZF或MMSE准则，利用接收信号矩阵Y和信道状态矩阵H，得到发射信号矩阵X的估计值；S7：对估计值进行BP神经网络训练，根据信号的正向传播和误差的反向传播，利用梯度下降的方法不断逼近理想结果。进一步的，所述S7包括如下具体步骤：S71：构建含有多层隐含层的BP神经网络，采用trainlm训练函数，预设训练精度、学习精度为和最大循环次数；S72：将基于LLL格基规约预处理和ZF/MMSE准则检测后的估计值矩阵作为输入集，即训练样本。将原信号矩阵作为准确样本，并将二者的误差和正则化项作为训练导师以监督神经网络的学习，计算各层神经元的输入和输出：其中，为输入变量，为隐含层输入变量，为隐含层输出变量，为输出层输入变量，为输出层输出变量，表示权重向量。（6b）利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数。e表示误差函数。采用L2正则化，L2正则化属于正则化技术的一类，称为参数范数惩罚。在这类技术中，特定参数的范数(主要是权重)被添加到被优化的目标函数中。在L2范数中，在网络损失函数中加入一个额外的项，通常称为正则化项。正则化项为：是正则化参数，与应用的正则化量成正比。如果，则不应用正则化，当时，对网络应用最大正则化。是一个超参数，不是在训练期间学习的，而是由手动调整或使用一些超参数调整技术，如随机搜索。；S74：利用隐含层到输出层的连接权值、输出层的和隐含层的输出计算误差函数与正则化项之和对隐含层各神经元的偏导数，S75：利用输出层各神经元的和隐含层各神经元的输出来修正连接权值。其中，为设置的学习率；S76：利用隐含层各神经元的和输入层各神经元的输入修正连接权。S77：计算全局误差：S78：判断网络误差是否满足要求。当误差达到预本文档来自技高网...

【技术保护点】
1.一种车联网中基于机器学习优化的MIMO信息检测方法，其特征在于，包括步骤如下：/nS1：构建基于车路协同的车联网模型，该模型包括具备移动边缘计算能力的路边单元RBU和搭载车载单元OBU的车辆；/nS2：建立计算迁移模型，以系统时延最小化作为优化目标，通过深度强化学习模型，优化计算迁移策略，最终决定是在车辆端还是在边缘服务器进行计算检测，其中包括如下具体步骤：/nS21，建立包括N个用户迁移J个任务的计算迁移模型；/nS22：优化计算迁移策略，通过时延的计算，决定在车端计算检测还是边缘服务器计算检测，以系统时延最小化为计算迁移的目标，构建深度强化学习模型；/nS23：利用深度Q学习算法优化深度强化学习模型；/nS24：根据优化后的深度强化学习模型，得到最优的计算位置；/nS3：在RSU和车辆之间建立MIMO无线信道传输模型，设置环境参数，随机生成发送矩阵X，信道状态矩阵H，以及高斯白噪声n；/nS4：采用QPSK调制方法，将传输比特按调制规则映射到星座点上；/nS5：对信道状态矩阵进行LLL格基规约预处理，使其约减为一个更加正交化的等效信道矩阵，从而更适合符号译码；/nS6：采用线性检测中的ZF或MMSE准则，利用接收信号矩阵Y和信道状态矩阵H，得到发射信号矩阵X的估计值；/nS7：对估计值进行BP神经网络训练，根据信号的正向传播和误差的反向传播，利用梯度下降的方法不断逼近理想结果。/n...

【技术特征摘要】
1.一种车联网中基于机器学习优化的MIMO信息检测方法，其特征在于，包括步骤如下：
S1：构建基于车路协同的车联网模型，该模型包括具备移动边缘计算能力的路边单元RBU和搭载车载单元OBU的车辆；
S2：建立计算迁移模型，以系统时延最小化作为优化目标，通过深度强化学习模型，优化计算迁移策略，最终决定是在车辆端还是在边缘服务器进行计算检测，其中包括如下具体步骤：
S21，建立包括N个用户迁移J个任务的计算迁移模型；
S22：优化计算迁移策略，通过时延的计算，决定在车端计算检测还是边缘服务器计算检测，以系统时延最小化为计算迁移的目标，构建深度强化学习模型；
S23：利用深度Q学习算法优化深度强化学习模型；
S24：根据优化后的深度强化学习模型，得到最优的计算位置；
S3：在RSU和车辆之间建立MIMO无线信道传输模型，设置环境参数，随机生成发送矩阵X，信道状态矩阵H，以及高斯白噪声n；
S4：采用QPSK调制方法，将传输比特按调制规则映射到星座点上；
S5：对信道状态矩阵进行LLL格基规约预处理，使其约减为一个更加正交化的等效信道矩阵，从而更适合符号译码；
S6：采用线性检测中的ZF或MMSE准则，利用接收信号矩阵Y和信道状态矩阵H，得到发射信号矩阵X的估计值；
S7：对估计值进行BP神经网络训练，根据信号的正向传播和误差的反向传播，利用梯度下降的方法不断逼近理想结果。


2.根据权利要求1所述的一种车联网中基于机器学习优化的MIMO信息检测方法，其特征在于，所述S7中，包括如下具体步骤：
S71：构建含有多层隐含层的BP神经网络，采用trainlm训练函数，预设训练精度、学习精度为和最大循环次数；
S72：将基于LLL格基规约预处理和Z...

【专利技术属性】
技术研发人员：彭昱捷，龚蓓蕾，宋晓勤，王合伟，茹赛颖，张寒冰，华雨晴，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32