本文针对发射天线数量大于接收天线数量的大规模多输入多输出系统，提出了一种基于深度学习的共轭梯度大规模MIMO检测方法用于信号检测。该方法通过选择合适的可训练参数，将带有可训练参数的CG迭代算法展开为深度神经网络，并通过网络训练，找到每一层的最优参数。并通过基于特征值估计的初始值迭代策略，提升算法的收敛性。这种方法可以保证在参数估计时的快速收敛。另外，该方法可训练参数的个数只和网络层数有关，与天线的数量无关。这些特点保证了该方法快速稳定的训练过程和对大型系统的合理的可扩展性。本发明专利技术实现了以较低复杂度，达到了更低的误码率。达到了更低的误码率。达到了更低的误码率。
【技术实现步骤摘要】
基于深度学习的共轭梯度大规模MIMO检测方法
[0001]本专利技术涉及一种基于深度学习的共轭梯度大规模MIMO信号检测方法，属于机器学习和MIMO信号检测的交叉领域。
技术介绍
[0002]随着网络和信息技术的迅猛发展，大规模MIMO技术成为第五代移动通信系统的关键技术之一，大规模MIMO技术可在基站配置大量的天线，同时服务于多个用户，有效实现容量增益、空间复用增益以及较高的频谱效率，满足用户在无线数据传输速率方面的需求，成为通信领域研究的热点。
[0003]但是由于接收侧和用户侧天线数量的增加，用户传输的信号叠加在基站上，导致信号间存在干扰，接收侧信号处理的难度加大，信号检测算法复杂度增加，传统MIMO检测算法会产生较高的复杂度，不再适用于大规模MIMO系统。
[0004]在大规模MIMO系统中，当基站的天线数远大于用户天线数时，信道具有正交的特点。基于此，线性检测算法中最小均方误差(Minimum Mean
‑
Square Error,MMSE)可以实现接近最优的检测性能，但由于涉及高维矩阵的求逆运算，复杂度随着天线数目的增加，呈指数增长。因此，为尽可能降低检测算法复杂度，必须有效处理检测算法中涉及的矩阵求逆运算。近似法如Neumann级数展开算法算法，能够避免对矩阵直接进行求逆运算，但是当级数展开项大于2时，算法复杂度大大增加；迭代算法如连续超松弛法，通过迭代能够很好地逼近MMSE算法性能，但是当接收端和发送端天线数目相近时，算法的性能欠佳。随着深度学习技术的发展，机器学习和深度学习已经被越来越广泛的应用在无线通信领域。因此，本专利技术设计了一种基于深度学习的共轭梯度迭代检测的方法用于MIMO信号检测，通过学习得到最优可训练的参数，提高了检测性能。
技术实现思路
[0005]专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于深度学习的共轭梯度迭代算法的MIMO信号检测方法，该专利技术通过展开原算法得到网络结构，提出了新型模型驱动的深度学习网络CG
‑
DNN，通过学习得到最优可训练的参数，提高了检测性能。
[0006]技术方案：为了实现上述专利技术目的，本专利技术提供了一种基于深度学习的共轭梯度迭代检测的方法用于MIMO信号检测，包括以下步骤。
[0007]S1：在上行大规模MIMO系统中，利用MMSE检测算法将大规模MIMO信号检测问题转化为线性方程组求解问题，根据信道响应矩阵H构造检测矩阵W；
[0008]S2：用共轭梯度迭代法来求解MMSE算法中的估计信号；
[0009]S3：设置基于特征值估计的初始值向量。
[0010]S4：为共轭梯度检测算法设置可训练参数，并将带有参数的CG迭代算法展开为深度神经网络。。
[0011]S5：使用贪心预训练算法逐次训练网络模型，得到最终模型并保存，最终模型根据
输入的所述初始输入信号，得到最终检测信号。
[0012]进一步，所述步骤S1具体包括：在上行大规模MIMO系统中，根据MMSE检测算法得到发送信号矢量估计值为：
[0013][0014]其中H
H
是信道响应矩阵H的对称转置矩阵，是输入信号y的匹配滤波输出，W＝H
H
H+δ2I为MIMO检测的检测矩阵。
[0015]进一步，所述步骤S2具体包括以下步骤：
[0016]S21:设置初始值x0，初始残差r0，初始共轭迭代方向d0＝r0；
[0017]S22:通过迭代不断更新估计向量x
i+1
＝x
i
+α
i
d
i
，迭代残差r
i+1
＝r
i
‑
α
i
Ad
i
，共轭迭代方向d
i+1
＝r
i
+β
i
d
i
。
[0018]其中第i次迭代的步长
[0019]进一步，所述步骤S3具体包括：
[0020]S31：初始解x0可以自然地选择为x0＝D
‑1y，其中D是对角矩阵；
[0021]S32:用矩阵A的特征值来估计D,其中，λ
max
和λ
min
表示的是A的最大特征值和最小特征值，可以采用以下公式来近似求解特征值；
[0022][0023]S33:设置初始值为：
[0024][0025]进一步，所述步骤S4具体包括：
[0026]将步骤二中的算法迭代过程展开为深度神经网络，称为CG
‑
DNN，并从训练数据中学习网络参数的最优值。检测信号直接受到步长α
t
的影响，共轭迭代方向d
t
的更新受到步长β
t
的影响；为了提升算法的性能，本方法将可学习参数λ
t
和θ
t
分别加到α
t
，β
t
处，目的是通过对可学习参数的训练，得到更加可靠的步长。可以表示为：
[0027]α
t
→
λ
t
α
t
,β
t
→
θ
t
β
t
[0028]进一步，所述步骤S5具体包括：
[0029]S51:按步骤S3所述方法初始化目标向量，设置初始学习率为0.001。
[0030]S52:在不同的信噪比条件下生成训练集和测试集。并将数据集分为若干个小批量的数据集，随后进行批量训练；
[0031]S53:先用高信噪比的数据训练网络，然后用低信噪比的数据训练网络。依次来提高网络的鲁棒性；
[0032]S54:在训练的过程中通过阶梯式的方法来增加网络层数，在学习的过程中，学习率随着层数的增加逐渐减小，将已经训练好的参数固定，先训练当层网络，再减小学习率继续训练，然后将得到的参数固定用于下一层网络的训练；
[0033]S55：当归一化均方误差不再减小时停止训练，并用训练好的神经网络进行在线检测。
[0034]进一步，所述信道响应矩阵H为瑞丽衰落信道响应矩阵。
附图说明
[0035]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：
[0036]图1为本专利技术优选实施例所述的上行MIMO通信系统模型示意图；
[0037]图2为本专利技术所述基于深度学习的共轭梯度检测方法流程图；
[0038]图3为本专利技术所述基于深度学习的共轭梯度检测方法的网络结构图；
[0039]图4为本专利技术所述基于深度学习的共轭梯度检测方法的第t次迭代过程。
具体实施方式
[0040]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的共轭梯度大规模MIMO检测方法，其特征在于，包括：S1：在上行大规模MIMO系统中，利用MMSE检测算法将大规模MIMO信号检测问题转化为线性方程组求解问题，根据信道响应矩阵H构造检测矩阵W；S2：用共轭梯度迭代法来求解MMSE算法中的估计信号；S3：设置基于特征值估计的初始值向量；S4：为共轭梯度检测算法设置可训练参数，并将带有参数的CG迭代算法展开为深度神经网络。S5：使用贪心预训练算法逐次训练网络模型，得到最终模型并保存，最终模型根据输入的所述初始输入信号，得到最终检测信号。2.根据权利要求1所述的基于深度学习的共轭梯度大规模MIMO检测方法，其特征在于：所述步骤S1具体包括：在上行大规模MIMO系统中，根据MMSE检测算法得到发送信号矢量估计值为：其中H
H
是信道响应矩阵H的对称转置矩阵，是输入信号y的匹配滤波输出，W＝H
H
H+δ2I为MIMO检测的检测矩阵。3.根据权利要求1所述的基于深度学习的共轭梯度大规模MIMO检测方法，其特征在于：所述步骤S2包括：S21:设置初始值x0，初始残差r0，初始共轭迭代方向d0＝r0；S22:通过迭代不断更新估计向量x
i+1
＝x
i
+α
i
d
i
，迭代残差r
i+1
＝r
i
‑
α
i
Ad
i
，共轭迭代方向d
i+1
＝r
i
+β
i
d
i
；其中第i次迭代的步长4.根据权利要求1所述的基于深度学习的共轭梯度大规模MIMO检测方法，其特征在于：所述步骤S3包括：S31：初始解x0可以自然地选择为x0＝D
‑1y，其中D是对角矩阵；S32:用矩阵A的特征值来估计D,其中，λ
max
...
【专利技术属性】
技术研发人员：龙恳，刘健，刘青，陈冀鹏，赵舒安，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。