一种基于数据模型双驱动的MIMO系统信号检测方法技术方案

本发明专利技术涉及是一种基于数据模型双驱动的MIMO系统信号检测方法。基于数据模型双驱动的MIMO系统信号检测方法Md

【技术实现步骤摘要】
一种基于数据模型双驱动的MIMO系统信号检测方法


[0001]本专利技术涉及智能通信领域，特别涉及一种基于数据模型双驱动的MIMO系统的信号检测方法。

技术介绍

[0002]由于移动数据流量的高速增长，大规模MIMO被认为是第五代(5G)移动通信标准中的一项关键技术，通常发送端和接收端天线数量有数百个，可以在不改变系统带宽和信号传输功率的情况下，有效地提高系统的信道容量和信号频谱利用效率。然而MIMO接收端信号检测器的计算复杂度会随着天线数量的增加而升高，因此一种实用的MIMO检测算法不仅要有合适的误码率(Bit Error Rate，BER)性能，而且还要有低复杂度和低功耗的优点。将人工智能与无线通信技术有机融合的智能通信也被认为是5G之后的主流方向之一。
[0003]目前深度学习网络在无线通信系统上的应用通常将目标深度神经网络模型看作一个黑盒，依靠大量数据对其进行训练，把训练好的网络模型替代原有通信系统的某个功能模块。基于数据模型双驱动的深度学习网络与无线通信领域现有算法相结合，可以显著减少训练时间以及所需样本数据量，同时可以继承现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据模型双驱动的MIMO系统信号检测方法，其特征在于，包括以下步骤：步骤1：基于MIMO系统框架生成深度学习模型所需的数据集，通过仿真适用于城市环境的瑞利衰落信道生成训练数据集，瑞利衰落信道是时变的，训练数据集按照典型的独立分布高斯随机变量随机生成，由于每个训练数据集都是使用不同的信道信息获得的，因此训练后的模型适用于时变信道；训练数据集的特征信息来自于在接收端的接收信号y
D
、接收导频y
P
、信道估计和导频数据x
P
，信号检测模型的训练标签分别为传输的数据符号x
D
、真实信道状态信息H，步骤2：将步骤1的训练数据集样本利用线性判别分析(Linear Discriminant Analysis，LDA)算法对特征信息进行线性降维，并进行归一化处理，随机打乱并重新分为10000组训练集用于离线训练，3000组验证集用于训练后的网络模型的在线测试；步骤3：基于步骤1和步骤2中的训练数据集样本，分别对DNN模型的信道估计子网DNN
‑
1和信号检测子网DNN
‑
2进行线下训练，即离线训练；步骤4：信道估计模块通过基于LS算法的估计器和全连接深度神经网络(Deep Neural Network，DNN)网络组合实现，信道估计子网即是深度神经网络DNN
‑
1，LS信道估计器的输入由接收到的导频信号和接收机已知的导频组成，生成预估计导频处信道参数DNN
‑
1网络由输入层、隐藏层、输出层构成，隐藏层有3层，神经元数量分别为1024，800，400，采用线性整流函数ReLU作为所有隐藏层的激活函数，以缓解梯度消失问题，初估计信道矩阵作为DNN
‑
1的输入，以获得更准确的信道估计矩阵步骤5：信号检测子网的DNN
‑
2也是深度神经网络，由输入层、隐藏层、输出层构成，隐藏层有4层，激活函数采用ReLU，考虑到最终输出二进制序列，选择Sigmoid函数作为输出层的激活函数，其输入由频域接收信号y
D
和DNN
‑
1输出的信道估计矩阵组成，输出是最终得到的传输符号步骤6：将步骤3所述的深度学习网络线下训练阶段完成后，训练好的Md
‑
DNN模型进行在线测试，然后部署于MIMO系统接收端用于信号检测，恢复原始信号。2.根据权利要求1所述的一种基于数据模型双驱动的MIMO系统信号检测方法，其特征在于：所述步骤2中对数据集的处理，利用LDA算法对特征信息进行线性降维，并进行归一化处理，信道数据将实部虚部独立拆分存储，使用时将数据实部和虚部取出串联作为网络输入；LDA算法通过以下步骤实现：步骤2.1：计算数据集中每个类别样本的均值向量以及总体均值向量，步骤2.2：计算内散度矩阵S
w
，全局散度矩阵S
t
，然后计算类间散度矩阵S
b
＝S
t
‑
S
w
，步骤2.3...

【专利技术属性】
技术研发人员：何波，李军，李文鑫，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：