一种高阶大规模MIMO信号检测方法技术

本发明专利技术公开了一种高阶大规模MIMO信号检测方法，首先，初始化大规模MIMO系统的相关参数，并给出初始解；其次，利用外推技术加速多用户干扰消除算法；再次，引入数据驱动的深度学习方法，将加速的多用户干扰消除算法进行展开，构建AMIC

【技术实现步骤摘要】
一种高阶大规模MIMO信号检测方法


[0001]本专利技术属于无线通信
，涉及一种高阶大规模MIMO信号检测方法。

技术介绍

[0002]大规模多输入多输出(Multiple
‑
input Multiple
‑
output，MIMO)技术由于其在用户端和基站端配备了成百上千的天线，因而它可以显著地提高通信的频谱效率和能量效率，实现高速率、低时延的传输。然而，天线数的增加也大幅度提高了系统的维度，从而极大地增加了符号检测的困难，比如最小均方误差检测(Minimum Mean
‑
square Error Detector，MMSE)，迫零检测(Zero Forcing，ZF)，迭代序列检测(Iterative Sequential Detection，ISD)等传统检测算法，虽然它们已经被证实能够实现近似最优的检测性能，但是随着天线数的增加，其复杂度呈指数倍增长，同时还伴随着性能恶化。
[0003]深度学习作为人工智能的核心技术之一，已经被应用于无线通信领域及其他领域。由于它能够通过非线性的操作和深层次的神经网络实现复杂函数的逼近，因此，最近也被运用到大规模MIMO的信号检测中。如模型驱动的DL
‑
based(model
‑
driven deep learning
‑
based，DL
‑
based)网络，数据驱动的DetNet(Detection Network，DetNet)网络以及基于此网络改进的ScNet(Sparsely Connected Detection Neural Network，ScNet)网络，与传统的检测算法相比，具有显著的性能优势。然而，这些网络的检测性能在高阶调制的场景下受到限制。为了解决该问题，MsNet(Multi
‑
segment mapping Network，MsNet)网络被提出，通过设计基于sigmoid激活函数的阶梯型函数sigS，在高阶调制下实现了较好的检测性能。但这并不完美，因为sigS函数的两端存在饱和性的弊端，使得在训练神经网络的过程中，阻止了梯度的后向传播，导致网络产生意想不到的性能损失。

技术实现思路

[0004]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高效的高阶大规模MIMO信号检测方法，大幅度提高传统多用户干扰消除算法的检测性能及收敛速度，并且适用于高阶调制的通信场景。
[0005]为解决上述技术问题，本专利技术的一种高阶大规模MIMO信号检测方法，包括以下步骤：
[0006]S1：初始化大规模MIMO系统的参数，包括设定基站天线数M，单天线用户数K，接收信号矢量y，信道矩阵H，并且初始化初始解
[0007]S2：利用外推技术加速多用户干扰消除算法，具体为：
[0008][0009]其中，l表示第l次迭代，表示第l次迭代的发送信号估计值，D为矩阵H
T
H的对角部
分，为最佳外推因子，其中λ
min
和λ
max
分别是矩阵D
‑1H
T
H的最小特征值和最大特征值；
[0010]S3：将S2中加速的多用户干扰消除算法最佳外推因子γ视为可学习参数β，通过深度学习使外推因子达到最优值，即：
[0011][0012]采用稀疏连接的方式构建得到深度神经网络AMIC
‑
Net：
[0013][0014][0015]其中，∏(
·
)表示非线性操作，
⊙
为哈达玛积，W
l
和b
l
分别是第l层的权重矩阵和偏置矢量，P是W
l
的权重连接矩阵，控制每层权重的稀疏性；
[0016]S4：将步骤S3中的非线性操作∏(
·
)设计为阶梯型激活函数SoftSum(
·
)，对估计值z
l
进行多段映射：
[0017][0018][0019]其中，sign(
·
)函数是符号函数，G
t
是空间平移的步长，2N为高阶调制星座点的总数，并且满足2N≥4，为一组可学习参数，softsign(
·
)是神经网络激活函数，满足：
[0020][0021]S5：采用Adam优化算法对构建的AMIC
‑
Net神经网络模型进行训练，更新网络的训练参数使损失函数最小，以获得训练后的检测模型；
[0022]S6：将训练好的AMIC
‑
Net模型用于高阶大规模MIMO的信号检测中，从基站端恢复出原始的发送信号。
[0023]进一步的，S1中初始解满足：
[0024][0025]其中，D
A
是MMSE滤波矩阵A＝H
Τ
H+σ2I
2K
的对角部分，(
·
)
‑1和(
·
)
T
分别表示矩阵求逆和矩阵转置的操作，σ2是噪声方差，I
2K
为2K阶的单位矩阵。
[0026]进一步的，S5中损失函数具体为：
[0027][0028]其中，L表示网络的层数，s为真实的发送信号，||
·
||表示欧几里得范数。
[0029]本专利技术的有益效果：
[0030]本专利技术的目的在于克服多用户干扰消除算法(ISD)应用在大规模MIMO系统中检测性能差的缺点，并针对现有的高阶QAM调制检测方案在后向传播过程中存在梯度消失，学习效率较低的问题，提供一种高效的用于高阶大规模MIMO信号检测的方法，能够大幅度提高传统多用户干扰消除算法的检测性能及收敛速度，并且适用于高阶调制的通信场景。
[0031]1)本专利技术提供了一种高效的用于高阶大规模MIMO信号检测的方法，该方法构建的神经网络具有结构简单，计算复杂度低，并且能够有效满足高阶大规模MIMO对检测精度和速度的要求。
[0032]2)本专利技术提出的一种高效的用于高阶大规模MIMO信号检测的方法大幅度改善了传统的多用户干扰消除算法的检测性能，并且和传统的MMSE，ISD检测器及现有的基于数据驱动的ScNet，MsNet，基于模型驱动的DL
‑
based检测网络相比，具有显著的性能优势。
[0033]3)本专利技术设计的基于softsign激活函数的阶梯函数不仅可以有效地避免MsNet中由sigS激活函数的饱和性所引起的梯度消失，而且由于其曲线更加平坦，可以使网络在后向传播的过程中更高效地学习，进一步提高网络的误码率性能和训练速度。
附图说明
[0034]图1为大规模MIMO系统模型；
[0035]图2为一种高效的用于高阶大规模MIMO信号检测的方法所构建的神经网络单元结构图；
[0036]图3为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高阶大规模MIMO信号检测方法，其特征在于，包括以下步骤：S1：初始化大规模MIMO系统的参数，包括设定基站天线数M，单天线用户数K，接收信号矢量y，信道矩阵H，并且初始化初始解S2：利用外推技术加速多用户干扰消除算法，具体为：其中，l表示第l次迭代，表示第l次迭代的发送信号估计值，D为矩阵H
T
H的对角部分，为最佳外推因子，其中λ
min
和λ
max
分别是矩阵D
‑1H
T
H的最小特征值和最大特征值；S3：将加速的多用户干扰消除算法最佳外推因子γ视为可学习参数β，通过深度学习使外推因子达到最优值，即：采用稀疏连接的方式构建得到深度神经网络AMIC
‑
Net：Net：其中，Π(
·
)表示非线性操作，
⊙
为哈达玛积，W
l
和b
l
分别是第l层的权重矩阵和偏置矢量，P是W
l
的权重连接矩阵，控制每层权重的稀疏性；S4：将步骤S3中的非线性操作П(
·
)设计为阶梯型激活函数SoftSum(
·
)，对估计值z
l
进行多段映射：进行多段映射：其中，sig...

【专利技术属性】
技术研发人员：禹永植，应杰，张诗琦，赵忠凯，郭立民，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：