一种深度学习MIMO系统信号检测方法及系统技术方案

本发明专利技术公开了一种深度学习MIMO系统信号检测方法及系统，方法包括：S1、对接收信号进行预处理，包括高阶调制信号解耦和信号排序，预处理后得到具有时序关系的信号并输入神经网络解码器中进行训练；S2、使用通道剪枝方法对训练好的神经网络解码器进行剪枝；S3、神经网络解码器对预处理后的信号进行多类别预测，将所预测类别与调制信号星座图对应，实现对发送信号的预测。本发明专利技术方法通过对输入高阶信号进行低阶解耦以及信号重新排序处理，降低多分类检测任务的误检问题以及对有历史时间预测结果依赖性任务的预测顺序问题。果依赖性任务的预测顺序问题。果依赖性任务的预测顺序问题。

【技术实现步骤摘要】
一种深度学习MIMO系统信号检测方法及系统


[0001]本专利技术属于无线通信
，具体涉及一种深度学习MIMO系统信号检测方法及系统。

技术介绍

[0002]在通信系统中，信号检测作为其中关键性的一环，对通信系统的通信质量好坏起着十分重要的作用。
[0003]传统的信号检测可以分为线性检测和非线性检测两类。线性检测，如迫零检测，最大均方差检测，计算复杂度较低，但检测准确度较低；非线性检测，如最大似然估计，球形译码，检测准确度较高，但计算复杂度也随之上升。可见，在传统信号检测中，较低的计算复杂度与较高的检测准确度难以兼得，如何解决这个矛盾，成为了目前信号检测的研究热点。
[0004]随着人工智能的蓬勃发展及深度学习在图像处理，自然语言处理等领域的优秀表现，如何将深度学习引入到通信领域，解决信号检测计算复杂度与检测准确度难以兼得的问题，激发了研究者们的研究热情，给无线通信领域带来了新的活力。

技术实现思路

[0005]本专利技术的主要目的在于克服现有技术的缺点与不足，提出一种深度学习MIMO系统信号检测方法及系统，通过对输入高阶信号进行低阶解耦以及信号重新排序处理，降低多分类检测任务的误检问题以及对有历史时间预测结果依赖性任务的预测顺序问题。
[0006]为了达到上述目的，本专利技术采用以下技术方案：
[0007]一种深度学习MIMO系统信号检测方法，包括以下步骤：
[0008]S1、对接收信号进行预处理，包括高阶调制信号解耦和信号排序，预处理后得到具有时序关系的信号并输入神经网络解码器中进行训练；
[0009]S2、使用通道剪枝方法对训练好的神经网络解码器进行剪枝；
[0010]S3、神经网络解码器对预处理后的信号进行多类别预测，将所预测类别与调制信号星座图对应，实现对发送信号的预测。
[0011]进一步的，高阶调制信号解耦具体为：
[0012]将16
‑
QAM信号解耦为2个QPSK信号的组合，公式为：
[0013][0014]其中，s
OPsK1
与s
QPSK2
作为新的发送信号
[0015]对信道进行估计，得到估计信道H
QAM
以及信道的噪声功率δ，获取新的信道矩阵
则发送信号与接收信号的关系公式由y＝H
QAM
·
s
16QAM
+n，转换为
[0016]其中，y为接收信号，n为噪声。
[0017]进一步的，信号排序具体为：
[0018]求出信道矩阵H的逆H
‑
的每一列的L2范数值，选取范数值最小的一列，其索引值为最易检测信号的索引；
[0019]将所选的列在信道矩阵H中消除，并重新找出最易检测信号的索引，不断循环至所有信号排序完成，得到排序后的信道矩阵H
order
以及排序后的发送信号s
order
，接收信号y无需重新排序。
[0020]进一步的，将排序后的信道矩阵、发送信号以及接收信号进行实部与虚部的拆分得到：
[0021][0022]并进行QR分解得到H＝QR，其中，Q为正交矩阵，R为下三角矩阵；
[0023]令获得有时序关系的接收信号，将处理后的接收信号与信道矩阵进行拼接作为神经网络解码器的输入，准确的发送信号作为神经网络解码器的训练标签，用于对神经网络解码器进行训练。
[0024]进一步的，神经网络解码器具体为：
[0025]神经网络解码器由4层Bi
‑
LSTM网络以及一层全连接分类层堆叠而成，其中，Bi
‑
LSTM的前向分支用于预测每个时间节点的信号，反向分支用于与前向分支共同考虑整体信道的特征；
[0026]每层Bi
‑
LSTM网络中包含一个输入矩阵以及隐含矩阵；每层Bi
‑
LSTM网络包含600个隐含层节点，全连接层分类层包含两个输出节点并采用softmax作为激活函数，用于判别处理后的信号数据；
[0027]将获得的排序后的信道矩阵H
order
以及接收信号y作为解码器的输入，排序后的发送信号s
order
作为训练标签，在训练时与解码器的输出做二分类交叉熵损失，通过反向梯度传播方法更新解码器参数；
[0028]当神经网络解码器训练完成时，输出的结果根据QAM与QPSK转换公式进行反向转换，获得预测的QAM信号。
[0029]进一步的，通道剪枝具体为：
[0030]对Bi
‑
LSTM网络中的输入矩阵以及隐含矩阵进行剪枝，计算输入矩阵以及隐含矩阵的输出通道的L1范数，根据L1范数的值对通道重要性进行排序，并根据剪枝比例生成剪枝掩码，将重要性较低的通道进行裁剪移除。
[0031]进一步的，在同一个时间点的计算过程中，输入矩阵以及隐含矩阵的输出会进行对应元素的计算，在剪枝时必须保证输入矩阵以及隐含矩阵的剪枝掩码相同；
[0032]输入矩阵与隐含矩阵均由4个门对应的子矩阵组合而成，这4个门子矩阵的计算输出需要进行元素级别的运算，因此这4个门子矩阵所需的剪枝掩码也相同。
[0033]进一步的，门子矩阵所需的剪枝掩码具体为：
[0034]4个门子矩阵分别为输入门矩阵、输出门矩阵、遗忘门矩阵以及细胞矩阵；
[0035]选择细胞矩阵进行掩码的生成，扩展至输入矩阵掩码以及隐含矩阵掩码，最后实现对Bi
‑
LSTM网络的剪枝。
[0036]本专利技术还包括基于深度学习的MIMO信号检测系统，系统采用本专利技术提供的方法，包括神经网络解码器、信号预处理模块以及通道剪枝模块；
[0037]信号预处理模块，对接收信号进行预处理，预处理后得到具有时序关系的信号并输入神经网络解码器中进行训练；
[0038]通道剪枝模块，采用通道剪枝方法对训练好的神经网络解码器进行剪枝；
[0039]神经网络解码器，用于对信号预处理模块处理后的信号进行多类别预测，将所预测类别与调制信号星座图对应，实现对发送信号的预测。
[0040]进一步的，信号预处理模块包括高阶调制信号解耦模块以及信号排序模块；
[0041]高阶调制信号解耦模块，用于将高阶QAM信号转换为低阶的QPSK信号，将信号检测时多分类任务转换为二分类任务；
[0042]信号排序模块，用于将N个接收端的接收信号按照解码难度由易到难进行排序，提升神经网络解码器的检测性能。
[0043]本专利技术与现有技术相比，具有如下优点和有益效果：
[0044]1、本专利技术通过基于深度学习的信号检测方法，使解码器从海量数据中自动学习信道特征，无需手动设计规则，具有更加广泛的通用性。
[0045]2、本专利技术利用将QAM信号进行低阶解耦的方法，将多任务分类转换为单任务分类，降低分类任务的复杂度，同时输入信号加入噪声的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习MIMO系统信号检测方法，其特征在于，包括以下步骤：S1、对接收信号进行预处理，包括高阶调制信号解耦和信号排序，预处理后得到具有时序关系的信号并输入神经网络解码器中进行训练；S2、使用通道剪枝方法对训练好的神经网络解码器进行剪枝；S3、神经网络解码器对预处理后的信号进行多类别预测，将所预测类别与调制信号星座图对应，实现对发送信号的预测。2.根据权利要求1所述的深度学习MIMO系统信号检测方法，其特征在于，高阶调制信号解耦具体为：将16
‑
QAM信号解耦为2个QPSK信号的组合，公式为：其中，s
QPSK1
与s
QPSK2
作为新的发送信号对信道进行估计，得到估计信道H
QAM
以及信道的噪声功率δ，获取新的信道矩阵则发送信号与接收信号的关系公式由y＝H
QAM
·
s
16QAM
+n，转换为其中，y为接收信号，n为噪声。3.根据权利要求2所述的深度学习MIMO系统信号检测方法，其特征在于，信号排序具体为：求出信道矩阵H的逆H
‑
的每一列的L2范数值，选取范数值最小的一列，其索引值为最易检测信号的索引；将所选的列在信道矩阵H中消除，并重新找出最易检测信号的索引，不断循环至所有信号排序完成，得到排序后的信道矩阵H
order
以及排序后的发送信号s
order
，接收信号y无需重新排序。4.根据权利要求2所述的深度学习MIMO系统信号检测方法，其特征在于，将排序后的信道矩阵、发送信号以及接收信号进行实部与虚部的拆分得到：并进行QR分解得到H＝QR，其中，Q为正交矩阵，R为下三角矩阵；令获得有时序关系的接收信号，将处理后的接收信号与信道矩阵进行拼接作为神经网络解码器的输入，准确的发送信号作为神经网络解码器的训练标签，用于对神经网络解码器进行训练。5.根据权利要求4所述的深度学习MIMO系统信号检测方法，其特征在于，神经网络解码器具体为：
神经网络解码器由4层Bi
‑
LSTM网络以及一层全连接分类层堆叠而成，其中，Bi
‑
LSTM的前向分支用于预测每个时间节点的信号，反向分支用于与前向分支共同考虑整体信道的特征；每层Bi
‑
LSTM网络中包含一个输入矩阵以及隐含矩阵；每层Bi
‑
LSTM网络包含600个...

【专利技术属性】
技术研发人员：黄梓纯，丁跃华，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：