一种基于神经网络消息传递的MIMO信号检测方法技术

本发明专利技术公开了一种基于神经网络消息传递的MIMO信号检测方法，涉及通信技术领域，包括以下步骤：S1：基站端接收到用户端发送的信号；S2：利用神经网络对MIMO系统进行建模，基于MIMO系统的信号流设计神经网络架构，设计一个深度神经网络模型模拟硬件缺陷和多用户干扰；S3：开发一种高效的基于消息传递的贝叶斯检测器MP

【技术实现步骤摘要】
一种基于神经网络消息传递的MIMO信号检测方法


[0001]本专利技术涉及通信
，尤其是涉及一种基于神经网络消息传递的MIMO信号检测方法。

技术介绍

[0002]在无线通信领域，MIMO(Multiple
‑
Input Multiple
‑
Output)是指使用多天线发送和接收信号的技术，其主要应用在移动通信领域，可以有效提高系统容量、覆盖范围和信噪比。然而，随着用户和基站(Base Station,BS)天线数量的增加和接收信号复杂度的提高，同相与正交项(In
‑
phase and Quadrature，I/Q)不平衡以及功率放大器(Power Amplifier，PA)非线性的原因，在BS处对信号的有效检测变得越来越困难。因此，BS处的接收器如何检测到所有用户的发送数据信号成为人们关注的焦点。
[0003]目前总共有两种检测方法，第一种是直接检测，即信号检测器直接使用导频信号进行训练，其中输入是接收信号，输出是预测信号。由于系统传递函数S()是复杂的，因此直接检测似乎是明智的。为了处理非线性，使用了基于多项式和深度神经网络(Deep Neural Networks，DNN)的技术。然而，低阶多项式对抗非线性的能力有限。尽管高阶多项式具有更好的性能，但由于数值不稳定性，很难确定多项式系数。DNN技术更有效地处理非线性，但很难用有限数量的导频信号训练DNN；第二种为间接检测，使用导频信号识别系统函数S()，然后基于系统函数开发信号检测器。这种策略允许设计强大的贝叶斯检测器，但间接检测的实现具有挑战性。首先，要用导频信号识别S()，我们需要同时估计I/Q不平衡和PA非线性模型以及MIMO信道的参数，由于非线性，这是一项困难的任务。其次，即使我们假设S()是已知的，由于S()的非线性，仍然很难开发检测器，尤其是贝叶斯检测器。
[0004]因此，有必要提供一种基于神经网络消息传递的MIMO信号检测方法来解决上述问题。

技术实现思路

[0005]本专利技术的目的是提供一种基于神经网络消息传递的MIMO信号检测方法，为复杂输入输出关系的通信系统实现贝叶斯信号检测；利用神经网络对MIMO系统进行建模，基于MIMO系统的信号流设计神经网络架构，最大限度地减少神经网络层和参数的数量，用因子图表示训练后的神经网络，并利用酉近似消息传递UAMP算法设计了一种高效的基于消息传递的贝叶斯信号检测器。
[0006]为实现上述目的，本专利技术提供了一种基于神经网络消息传递的MIMO信号检测方法，包括以下步骤：
[0007]S1：基站端接收到用户端发送的信号；
[0008]S2：利用神经网络对MIMO系统进行建模，基于MIMO系统的信号流设计神经网络架构，设计一个深度神经网络模型模拟硬件缺陷和多用户干扰；
[0009]S3：开发一种高效的基于消息传递的贝叶斯检测器MP
‑
NN；
[0010]S4：turbo接收机的实现。
[0011]优选的，在步骤S1中，围绕传输过程中的I/Q不平衡和功率放大器PA非线性失真进行表征建模，用户数量为K，基站端天线数量为N，用户k的信号表示为：
[0012][0013]其中，ξ
k
和ζ
k
为I和Q的两路不平衡系数，具体表示为：
[0014]ξ
k
＝cos(θ
k
/2)+jλ
k
sin(θ
k
/2)
[0015]ζ
k
＝λ
k
cos(θ
k
/2)+j sin(θ
k
/2)
[0016]λ
k
和θ
k
为幅度和相位的不平衡参数，信号受到I/Q不平衡后进入PA，通过幅度失真和相位失真表征：
[0017][0018][0019]其中α
a
、α
φ
、β
φ
、x
sat
、σ
a
、q1和q2为模型参数，失真信号表示为：
[0020][0021]时刻m处的接收信号表示为：
[0022]y(m)＝Hs(m)+ω(m)
[0023]其中，是MIMO信道矩阵，y(m)＝[y1(m),y2(m),...,y
N
(m)]T
，s(m)＝f(x
a
(m))，ω(m)表示白高斯噪声矢量，将接收信号改写为实数形式：
[0024][0025]由于I/Q不平衡和PA非线性的影响，MIMO系统的输入输出关系表示为：
[0026][0027]其中，S()是系统传递函数。
[0028]优选的，步骤S2具体包括以下子步骤；
[0029]2a：首先建立传输信号经过I/Q正交不平衡和PA非线性失真后的神经网络模型，神经网络由一个输入层、两个非完全连接的隐藏层和一个全连接输出层组成，用户的信号都被输入到NN，NN的输出是预测的接收信号，信号的实部和虚部被分离，使NN成为实值NN；
[0030]信号的实部和虚部由两个子NN共享，两个子NN被称为子NN对，输入2K个子NN，有K个子NN对，它们由(l，k)索引，其中l＝1,2，k＝1,...,K，其中一个子NN的输出近似于另一个近似于
[0031]第k个子NN对的输入表示为：
[0032][0033]第(l，k)个子NN的输出为：
[0034][0035]其中和是子NN的相应权重矩阵和偏差向量，每个子NN有一个输出节点，第(l，k)个子NN的输出表示为：
[0036][0037]其中，是子NN的输出权重；
[0038]2b：将神经网络中的第二隐藏层和输出层用于多用户干扰进行建模的设计；用全连接网络和线性激活函数来建模实数信道矩阵H'，全连接层权重表示为：
[0039][0040]其中W
31
和W
32
是维度为N
×
K的子权重矩阵，神经网络的输出表示为：
[0041][0042]式中，s
′
(m)是2K个子NN的输出矢量，是长度为2N的输出矢量，其中，第n个接收天线的预测信号表示为：
[0043][0044]2c：对构建好的神经网络模型进行训练，训练的导频信号的长度为M0，由M0个训练样本{(p(m),t(m)),m＝1,...,M0}，其中p(m)、t(m)分别表示导频信号和接收信号，构建损失函数：
[0045][0046]通过训练好的神经网络反向传播，确定权重函数和偏置向量得到如下模型：
[0047][0048]其中NN()表示训练后的神经网络，ω'(m)表示噪声向量。
[0049]优选的，步骤S3包括以下子步骤，
[0050]3a：在数据传输阶段，基于训练的NN对传输的信号执行贝叶斯推理，贝叶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络消息传递的MIMO信号检测方法，其特征在于：包括以下步骤：S1：基站端接收到用户端发送的信号；S2：利用神经网络对MIMO系统进行建模，基于MIMO系统的信号流设计神经网络架构，设计一个深度神经网络模型模拟硬件缺陷和多用户干扰；S3：开发一种高效的基于消息传递的贝叶斯检测器MP
‑
NN；S4：turbo接收机的实现。2.根据权利要求1所述的一种基于神经网络消息传递的MIMO信号检测方法，其特征在于：在步骤S1中，围绕传输过程中的I/Q不平衡和功率放大器PA非线性失真进行表征建模，用户数量为K，基站端天线数量为N，用户k的信号表示为：其中，ξ
k
和ζ
k
为I和Q的两路不平衡系数，具体表示为：ξ
k
＝cos(θ
k
/2)+jλ
k
sin(θ
k
/2)ζ
k
＝λ
k
cos(θ
k
/2)+jsin(θ
k
/2)λ
k
和θ
k
为幅度和相位的不平衡参数，信号受到I/Q不平衡后进入PA，通过幅度失真和相位失真表征：位失真表征：其中α
a
、α
φ
、β
φ
、x
sat
、σ
a
、q1和q2为模型参数，失真信号表示为：时刻m处的接收信号表示为：y(m)＝Hs(m)+ω(m)其中，是MIMO信道矩阵，y(m)＝[y1(m),y2(m),
…
,y
N
(m)]
T
，s(m)＝f(x
a
(m))，ω(m)表示白高斯噪声矢量，将接收信号改写为实数形式：由于I/Q不平衡和PA非线性的影响，MIMO系统的输入输出关系表示为：其中，S()是系统传递函数。3.根据权利要求2所述的一种基于神经网络消息传递的MIMO信号检测方法，其特征在
于：步骤S2具体包括以下子步骤；2a：首先建立传输信号经过I/Q不平衡和PA非线性失真后的神经网络模型，神经网络由一个输入层、两个非完全连接的隐藏层和一个全连接输出层组成，用户的信号都被输入到NN，NN的输出是预测的接收信号，信号的实部和虚部被分离，使NN成为实值NN；信号的实部和虚部由两个子NN共享，两个子NN被称为子NN对，输入2K个子NN，有K个子NN对，它们由(l，k)索引，其中l＝1,2，k＝1,
…
,K，其中一个子NN的输出近似于另一个近似于第k个子NN对的输入表示为：第(l，k)个子NN的输出为：其中和是子NN的相应权重矩阵和偏差向量，每个子NN有一个输出节点，第(l，k)个子NN的输出表示为：其中，是子NN的输出权重；2b：将神经网络中的第二隐藏层和输出层用于多用户干扰进行建模的设计；...

【专利技术属性】
技术研发人员：高大伟，任序，亢海龙，叶木艮，廖桂生，罗丰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：