System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无线通信,具体来说涉及信号检测领域,更具体地说,涉及一种多用户mimo信号检测模型。
技术介绍
1、随着无线通信技术的发展,用户对更高的通信速率和更可靠的通信连接有了更大的需求。然而,传统的单天线通信在面对高速数据传输和抗干扰性方面存在局限性。以参考文献[1]为例,其多输入多输出(multiple-input multiple-output,mimo)技术通过在收发端配置多天线,使得信号能够通过多天线发送和接收,获得了空间维度的复用和分集增益,是未来通信网络保证高吞吐量和高可靠连接的关键技术。多用户mimo系统允许多个用户设备同时与同一多天线基站进行通信,通过在有限的频谱上传输多个数据流,增加了系统容量。上行多用户mimo系统面临的主要挑战是如何设计高效的信号检测算法,使得基站侧能够成功恢复出每个用户发送的信号。
2、在多用户mimo系统中,极大似然(maximum-likelihood,ml)检测算法能够实现最优的检测性能,然而其复杂度随着用户数和调制阶数呈指数增加,因此无法在实际系统中进行部署。其他线性检测算法,如迫零(zero forcing,zf)检测算法的计算复杂度远低于ml检测算法,并且能够消除用户间的干扰,但同时在信号检测时会放大噪声的影响。最小均方误差(minimum mean square error,mmse)检测算法在zf检测算法的基础上考虑了噪声的影响,在不增加复杂度的前提下,能够提升一定的性能,但相比于ml检测算法仍然面临较大的性能损失。球形译码器能够达到与ml检测器相似的性能
3、近年来,深度学习在计算机视觉和自然语言处理领域取得了前所未有的发展,越来越多学者关注其在多用户mimo检测中的应用。基于深度学习的mimo检测算法可以分为数据驱动和模型驱动两大类。在数据驱动的算法中,以参考文献[2]为例,其为基于检测网络(detection network,detnet)的数据驱动的算法,或以参考文献[3]为例,其为基于循环等变mimo(recurrent equivariant mimo,re-mimo)的数据驱动的算法,即通过大量的数据进行训练,从而达到近似最优的性能。这类数据驱动算法在信道条件发生变化时,性能下降严重,同时网络规模庞大、计算复杂度高,并且缺乏可靠的数学理论作为支撑。在模型驱动的算法中,以参考文献[4]为例,其为正交近似消息传递网络(orthonormal approximatemessage passing network,oamp-net),以参考文献[5]为例,其为基于学习的共轭梯度下降网络(learned conjugate graditent descent network,lcgnet),该类基于模型驱动的算法通过对传统迭代算法进行展开,并且引入可训练的学习变量,收敛速度快,可解释性强,网络规模小,虽然对传统算法进行增强,但可能会存在原有传统算法的缺点。
4、图神经网络是最近提出的一种深度学习模型,专门用于处理图结构数据。以参考文献[6]为例,其将gnn应用在mimo检测中,取得了优异的性能,但在空间相关信道中与最优检测算法仍存在较大的性能差异。
5、基于上述分析,现有的mimo信号检测算法面临着计算复杂度高、性能损失严重的问题,而基于因子图的检测算法虽然复杂度较低,但假设条件较强,在信噪比较高时将出现误码平层,通用性较弱。
6、需要说明的是:本
技术介绍
仅用于介绍本专利技术的相关信息,以便于帮助理解本专利技术的技术方案,但并不意味着相关信息必然是现有技术。在没有证据表明相关信息已在本专利技术的申请日以前公开的情况下,相关信息不应被视为现有技术。
7、参考文献如下:
8、[1]j.zhang,e.m.matthaiou,d.w.k.ng,and d.j.love,“prospective multiple antenna technologies for beyond5g,”ieee j.sel.areascommun.,vol.38,no.8,p.1637–1660,aug.2020.
9、[2]n.samuel,t.diskin,anda.wiesel,“learning to detect,”ieeetrans.signal process.,vol.67,no.10,pp.2554–2564,2019.
10、[3]k.pratik,b.d.rao and m.welling,"re-mimo:recurrent and permutationequivariant neural mimo detection,"in ieee transactions on signal processing,vol.69,pp.459-473,2021,doi:10.1109/tsp.2020.3045199.
11、[4]h.he,c.wen,s.jin and g.y.li,"a model-driven deep learning networkfor mimo detection,"2018ieee global conference on signal and informationprocessing(globalsip),2018,pp.584-588,doi:10.1109/globalsip.2018.8646357.
12、[5]y.wei,m.-m.zhao,m.hong,m.-j.zhao and m.lei,"learned conjugategradient descent network for massive mimo detection,"in ieee transactions onsignal processing,vol.68,pp.6336-6349,2020,doi:10.1109/tsp.2020.3035832.
13、[6]andrea scotti,nima n moghadam,dong liu,karl gafvert,and jinlianghuang.2020.graph neural networks for massive mimo detection.thirty-seventhinternational conference of machine本文档来自技高网...
【技术保护点】
1.一种多用户MIMO信号检测模型,用于对包括有多个天线的基站接收的多个用户终端的发送信号进行信号检测,其特征在于,包括:
2.根据权利要求1所述的检测模型,其特征在于,所述图注意力网络模块包括依次连接的多层图注意力网络,其中,每层图注意力网络被配置为:
3.根据权利要求2所述的检测模型,其特征在于,所述每层图注意力网络被配置为:
4.根据权利要求3所述的检测模型,其特征在于,所述每层图注意力网络包括:
5.根据权利要求4所述的检测模型,其特征在于,所述第一关系特征向量的确定方式如下:
6.根据权利要求4所述的检测模型,其特征在于,所述每个图节点的第二隐状态特征的确定方式如下:
7.根据权利要求1所述的检测模型,其特征在于,所述每个图节点的初始特征向量的确定方式如下:
8.根据权利要求1所述的检测模型,其特征在于,所述检测模块包括:
9.一种用于权利要求1-8任一项所述的多用户MIMO信号检测模型的训练方法,其特征在于,所述模型通过多轮训练得到,其中,每轮训练过程按照以下方式进行:
...【技术特征摘要】
1.一种多用户mimo信号检测模型,用于对包括有多个天线的基站接收的多个用户终端的发送信号进行信号检测,其特征在于,包括:
2.根据权利要求1所述的检测模型,其特征在于,所述图注意力网络模块包括依次连接的多层图注意力网络,其中,每层图注意力网络被配置为:
3.根据权利要求2所述的检测模型,其特征在于,所述每层图注意力网络被配置为:
4.根据权利要求3所述的检测模型,其特征在于,所述每层图注意力网络包括:
5.根据权利要求4所述的检测模型,其特征在于,所述第一关系特征向量的确定方式如下:
6.根据权利要求4所述的检测模型,其特征在于,所述每个图节点的第二隐状态特征的确定方式如下:
7.根据...
【专利技术属性】
技术研发人员:许宇龙,张煜,张冲,周一青,时宁哲,周硕,胡佳佳,石晶林,
申请(专利权)人:中国科学院计算技术研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。