【技术实现步骤摘要】
本专利技术属于信息与通信，尤其涉及一种基于深度学习的软输出mimo检测方法。
技术介绍
1、mimo(multiple-input and multiple-output)检测是现代无线通信系统中的重要技术之一。检测器需要估计每个传输比特的概率，从而为后续的信道译码提供先验信息。然而，最优的软输出检测器，最大后验检测器的复杂度随着天线数呈指数级增加，在实际系统中由于复杂度的限制而无法部署。因此，需要设计实际可用的软输mimo检测算法，以接近最大后验性能。
2、现有的文献中已经提出了很多mimo检测算法。其中一大类就是基于树搜索的方法，把mimo检测问题转化为在树上搜索一条权重最小的路径。当遍历整个树时，即可实现最大似然(maximum likelihood，ml)检测。为了降低复杂度，有一系列减少采样路径的算法被提出。例如固定复杂度的球形译码fsd(l.g.barbero and j.s.thompson,"fixing thecomplexity of the sphere decoder for mimo detection,"in ieee transactions onwireless communications,vol.7,no.6,pp.2131-2142,june 2008)，非均衡的固定复杂度球形译码ifsd(l.liu,j.lofgren and p.nilsson,"area-efficient configurable high-throughput signal detector suppo
3、为了实现软输出，上述基于树搜索的算法除了搜索ml解，还需要搜索ml解对应的反假设，以计算每个比特的对数似然比。当采样路径数较少时，很出现反假设丢失的问题，导致出现性能损失。此外，对于某条路径，计算其路径度量用到的是已检测符号的硬判决值，因此在搜索过程中只利用了已检测符号取哪个星座点概率最大这一信息，其他的信息则被丢弃。如果能够利用已检测符号的概率分布信息，有希望进一步提升检测性能。
4、通过上述分析，现有技术存在的问题及缺陷为：
5、(1)最优的软输出检测器的复杂度随着天线数量的增加呈指数级增长。这使得它们在实际系统中由于计算复杂度过高而难以部署。
6、(2)现有算法在计算路径度量时，通常使用已检测符号的硬判决值，忽略了其他的概率分布信息，限制了检测性能的提升。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种基于深度学习的软输出mimo检测方法。
2、本专利技术是这样实现的，对qr分解后的mimo系统，首先使用一个神经网络进行树搜索，神经网络输出每个符号的软估计值用于计算符号干扰，接着根据搜索得到的候选路径集合计算符号的部分边缘概率，再使用另一个神经网络拟合出完整的边缘概率，最后根据符号边缘概率计算比特对数似然比(llr)。
3、一种基于深度学习的软输出mimo检测方法，本技术方案是一种基于深度学习的软输出多输入多输出(mimo)检测方法，主要用于mimo通信系统中。
4、其核心技术特征包括：
5、1.信号处理与排序：在mimo系统中，通过定义一个已确定检测顺序的传输符号向量，对接收信号和信道矩阵进行处理和排序。这一步包括去除特定列的矩阵计算和基于预先设定的规则选择待检测符号的索引。
6、2.模型转换与qr分解：将系统模型转换为实数形式，并对接收端的信道进行qr分解，用于后续的符号检测处理。
7、3.神经网络结构与训练：使用两个深度神经网络，这些网络由多个全连接子网络和非线性激活函数(如prelu、sigmoid和softmax)构成，以支持不同调制方式。两个神经网络旨在学习路径搜索以及拟合每个符号的边缘概率分布，通过误差反向传播算法进行训练。
8、4.候选路径的搜索与量化：通过定义的第一个网络结构，基于qr分解后的信道和接收信号进行树搜索，并对神经网络的输出进行量化处理，得到候选路径集合。
9、5.符号部分边缘概率的计算：基于候选路径集合，计算符号的部分边缘概率。
10、6.符号概率分布拟合：通过定义的第二个网络结构，基于部分边缘概率拟合符号的完整边缘概率。
11、7.llr计算：最后，根据得到的符号边缘概率分布，计算每个比特的对数似然比(llr)，以用于后续的信号解码。
12、这种基于深度学习的软输出mimo检测方法通过结合传统的信号处理技术和先进的神经网络算法，能够有效地提升mimo系统的检测性能，特别是在复杂的通信环境中。包含两个神经网络，分别是路径采样神经网络和概率拟合神经网络，一方面在路径采样过程中通过神经网络利用符号的软估计值，提升路径搜索的准确性，另一方面通过概率拟合神经网络对缺失的符号边缘概率分布进行拟合，得到更完整和更准确的边缘概率分布。
13、路径采样神经网络包含多个子网络，每个子网络输出对应符号的软估计值而非硬判决结果，通过子网络级联的方式实现路径采样，得到初步的符号边缘概率；同时对于不同的调制方式，网络内部的模块可以复用，能够减少硬件实现难度。
14、概率拟合神经网络包含多个子网络，每个子网本文档来自技高网...
【技术保护点】
1.一种基于深度学习的软输出MIMO检测方法，其特征在于，对QR分解后的MIMO系统，首先使用一个神经网络进行树搜索，神经网络输出每个符号的软估计值用于计算符号干扰，接着根据搜索得到的候选路径集合计算符号的部分边缘概率，再使用另一个神经网络拟合出完整的边缘概率，最后根据符号边缘概率计算比特对数似然比。
2.如权利要求1所述的基于深度学习的软输出MIMO检测方法，其特征在于，包括：
3.如权利要求2所述的基于深度学习的软输出MIMO检测方法，其特征在于，在MIMO系统中，发端天线数为Nt，收端天线数为Nr，接收信号为：
4.如权利要求2所述的基于深度学习的软输出MIMO检测方法，其特征在于，具体包括以下步骤：
5.根据权利要求2所述的基于深度学习的软输出MIMO检测方法，其特征在于，所述步骤S7中，全连接神经网络FCNl包含输入层、一个隐藏层和输出层，节点数分别为1，和1，FCN1的隐藏层节点数为2；步骤S15中，每个全连接神经网络包含输入层、一个隐藏层和输出层，节点数均为M。
6.一种基于深度学习的软输出多输入多输出检测
7.如权利要求6所述的基于深度学习的软输出多输入多输出信号检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习的软输出mimo检测方法，其特征在于，对qr分解后的mimo系统，首先使用一个神经网络进行树搜索，神经网络输出每个符号的软估计值用于计算符号干扰，接着根据搜索得到的候选路径集合计算符号的部分边缘概率，再使用另一个神经网络拟合出完整的边缘概率，最后根据符号边缘概率计算比特对数似然比。
2.如权利要求1所述的基于深度学习的软输出mimo检测方法，其特征在于，包括：
3.如权利要求2所述的基于深度学习的软输出mimo检测方法，其特征在于，在mimo系统中，发端天线数为nt，收端天线数为nr，接收信号为：
【专利技术属性】
技术研发人员：袁晓军，岳明扬，汪浩，钱婧，
申请(专利权)人：电子科技大学长三角研究院湖州，
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。