一种多输入多输出发射信号检测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种多输入多输出发射信号检测方法、装置、设备及介质，应用于通信技术领域，包括：获取输入参数；利用预先训练的简化广义近似消息传递网络处理输入参数，得到目标发射信号估计值；简化广义近似消息传递网络为对预设多维度参数进行降维处理，以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。本发明专利技术利用预先训练的简化广义近似消息传递网络对输入参数进行计算时，由于可以对多维度参数进行降维处理，使得减少参数运算的步骤，并且利用深度学习模型对降维处理后的参数进行修正，从而保证了模型的误码性能。因此，本发明专利技术可以在提升误码性能的情况下，降低了计算目标发射信号估计值的复杂度，提高了计算效率。了计算效率。了计算效率。

【技术实现步骤摘要】
一种多输入多输出发射信号检测方法、装置、设备及介质


[0001]本专利技术涉及通信
，特别涉及一种多输入多输出发射信号检测方法、装置、设备及介质。

技术介绍

[0002]作为第五代移动通信系统物理层的上行链路技术之一，单载波频分多址(single carrier frequency divisionmultiple access，SC
‑
FDMA)能减少功率受限的移动终端的立方度量。同时，多输入多输出(multiple
‑
inputmultiple，MIMO)技术因其大幅提高了信道容量和频谱效率被广泛应用在实际无线通信系统中，现有技术的多输入多输出信号检测方法，计算的复杂度过高，极大地影响了MIMO检测的性能。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种多输入多输出发射信号检测方法、装置、设备及介质，解决了现有技术中信号检测方法计算复杂度过高的技术问题。
[0004]为解决上述技术问题，本专利技术提供了一种多输入多输出发射信号检测方法，包括：
[0005]获取输入参数；
[0006]利用预先训练的简化广义近似消息传递网络处理所述输入参数，得到目标发射信号估计值；其中，所述简化广义近似消息传递网络为对预设多维度参数进行降维处理，以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。
[0007]可选的，所述对预设多维度参数进行降维处理，包括：
[0008]对所述广义近似消息传递网络中的频域能量矩阵进行降维处理。
[0009]可选的，所述对所述广义近似消息传递网络中的频域能量矩阵进行降维处理，包括：
[0010]利用均值法对所述广义近似消息传递网络中的所述频域能量矩阵进行降维处理。
[0011]可选的，所述对预设多维度参数进行降维处理，包括：
[0012]对所述广义近似消息传递网络中的所有星座点进行降维处理，得到预设个数的目标星座点。
[0013]可选的，所述对所述广义近似消息传递网络中的所有星座点进行降维处理，得到预设个数的目标星座点，包括：
[0014]根据所述所有星座点对应的概率值获取所述预设个数的所述目标星座点。
[0015]可选的，所述简化广义近似消息传递网络的训练过程，包括：
[0016]为所述深度学习模型中的每个网络层添加可学习参数，得到可学习深度学习模型；
[0017]利用所述可学习深度学习模型训练所述简化广义近似消息传递网络。
[0018]可选的，所述利用所述可学习深度学习模型训练所述简化广义近似消息传递网络，包括：
[0019]根据不同配置环境生成训练数据和测试数据；
[0020]根据所述训练数据和所述测试数据结合所述可学习深度学习模型，对所述简化广义近似消息传递网络进行训练；其中，所述可学习深度学习模型对应的损失函数为每层网络的输出和实际发送信号的最小均方差，总的损失函数为每一层损失函数的加权平均。
[0021]本专利技术还提供了一种多输入多输出发射信号检测装置，包括：
[0022]输入参数获取模块，用于获取输入参数；
[0023]目标发射信号估计值确定模块，用于利用预先训练的简化广义近似消息传递网络处理所述输入参数，得到目标发射信号估计值；其中，所述简化广义近似消息传递网络为对预设多维度参数进行降维处理，以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。
[0024]本专利技术还提供了一种多输入多输出发射信号检测设备，包括：
[0025]存储器，用于存储计算机程序；
[0026]处理器，用于执行所述计算机程序时实现上述的多输入多输出发射信号检测方法。
[0027]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述的多输入多输出发射信号检测方法。
[0028]可见，本专利技术通过获取输入参数；利用预先训练的简化广义近似消息传递网络处理输入参数，得到目标发射信号估计值；其中，简化广义近似消息传递网络为对预设多维度参数进行降维处理，以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。本专利技术为了降低已有技术广义近似消息传递网络的计算复杂度，提出了简化后的算法。因为简化广义近似消息传递网络引入了近似降维处理，其误码性能有所下降，故进一步地通过深度学习模型对近似后的变量进行修正，保证了简化广义近似消息传递网络的误码性能。因此，利用本申请记载的技术方案可以解决现有技术中计算复杂度过高的技术问题，即本专利技术可以降低计算复杂度，提高目标发射信号估计值计算的效率，并且由于引入深度学习模型对应降维处理后的参数进行及时修正，使得该简化广义近似消息传递网络的误码率得到极大的提升。
[0029]此外，本专利技术还提供了一种多输入多输出发射信号检测装置、设备及介质，同样具有上述有益效果。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0031]图1为本专利技术实施例提供的一种多输入多输出发射信号检测方法的流程图；
[0032]图2为本专利技术实施例提供的一种多输入多输出发射信号检测方法的流程示例图；
[0033]图3为本专利技术实施例提供的一种T层DL
‑
GAMP的结构框图；
[0034]图4为本专利技术实施例提供的一种不同天线配置下误码性能曲线；
[0035]图5为本专利技术实施例提供的一种不同调制方案的误码性能曲线；
[0036]图6为本专利技术实施例提供的一种不同天线配置下计算复杂度
‑
信噪比权衡图；
[0037]图7为本专利技术实施例提供的一种多输入多输出发射信号检测装置的结构示意图；
[0038]图8为本专利技术实施例提供的一种多输入多输出发射信号检测设备的结构示意图。
具体实施方式
[0039]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]作为第五代移动通信系统物理层的上行链路技术之一，单载波频分多址(single carrier frequency divisionmultiple access，SC
‑
FDMA)能减少功率受限的移动终端的立方度量。同时，多输入多输出(multiple
‑
input multip本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多输入多输出发射信号检测方法，其特征在于，包括：获取输入参数；利用预先训练的简化广义近似消息传递网络处理所述输入参数，得到目标发射信号估计值；其中，所述简化广义近似消息传递网络为对预设多维度参数进行降维处理，以及利用深度学习模型对降维处理后的参数进行修正的广义近似消息传递网络。2.根据权利要求1所述的多输入多输出发射信号检测方法，其特征在于，所述对预设多维度参数进行降维处理，包括：对所述广义近似消息传递网络中的频域能量矩阵进行降维处理。3.根据权利要求2所述的多输入多输出发射信号检测方法，其特征在于，所述对所述广义近似消息传递网络中的频域能量矩阵进行降维处理，包括：利用均值法对所述广义近似消息传递网络中的所述频域能量矩阵进行降维处理。4.根据权利要求1至3任一项所述的多输入多输出发射信号检测方法，其特征在于，所述对预设多维度参数进行降维处理，包括：对所述广义近似消息传递网络中的所有星座点进行降维处理，得到预设个数的目标星座点。5.根据权利要求4所述的多输入多输出发射信号检测方法，其特征在于，所述对所述广义近似消息传递网络中的所有星座点进行降维处理，得到预设个数的目标星座点，包括：根据所述所有星座点对应的概率值获取所述预设个数的所述目标星座点。6.根据权利要求1所述的多输入多输出发射信号检测方法，其特征在于，所述简化广义近似消息传递网络的训练过程，包括：为所述深度学习模型中的每个网络层添加可学习参数...

【专利技术属性】
技术研发人员：张川，曾雨薇，徐安来，葛荧萌，谈晓思，冀贞昊，张在琛，黄永明，尤肖虎，
申请(专利权)人：网络通信与安全紫金山实验室，
类型：发明
国别省市：