[发明专利]一种基于深度学习的MIMO解码方法、装置及存储介质

权利要求书

1.一种基于深度学习的MIMO解码方法，其特征在于，包括：

对接收到的导频信号进行信道估计而得到信道矩阵估计值并基于所模拟的MIMO发射器功能模块对源比特随机生成器所生成的多个二进制矢量b⁽ⁱ⁾，i＝1,2,L,Z，分别进行处理而变换为数据矩阵

对各所述以及预设的加性高斯白噪声矩阵AWGN进行函数计算，得到对应的训练数据；所述函数描述如下：

其中，M_T为所模拟的MIMO发射器功能模块中天线的数量，为所述AWGN；

将所有的所述训练数据构建为MIMO解码的训练数据集合，所述训练数据集合中包括多个训练数据；所述训练数据集合描述如下：

基于所述训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；

在接收到待解码MIMO信号时，将所述待解码MIMO信号输入至所述神经网络模型进行MIMO解码，然后得到所述神经网络模型所输出的MIMO解码结果。

2.如权利要求1所述的基于深度学习的MIMO解码方法，其特征在于，所述神经网络包括深度神经网络DNN、卷积神经网络CNN、循环神经网络RNN中任意一种。

3.如权利要求2所述的基于深度学习的MIMO解码方法，其特征在于，所述DNN包括：一个输入层、六个隐藏层以及一个输出层；其中，所述输入层以及隐藏层的激活函数为线性整流单元ReLu函数，所述输出层的激活函数为Sigmoid函数，所述隐藏层的所述ReLu函数之前还具有批标准化层。

4.如权利要求1所述的基于深度学习的MIMO解码方法，其特征在于，所述b⁽ⁱ⁾为短代码。

5.如权利要求1所述的基于深度学习的MIMO解码方法，其特征在于，在所述神经网络为DNN时，所述基于所述训练数据集合对神经网络进行训练包括：

将所述训练数据集合以及所述同时输入至所述DNN；

采用随机梯度下降SGD算法对所述DNN进行训练；所述算法描述如下：

其中，θ是所述DNN中权重的集合，为第k个所述b⁽ⁱ⁾中的第k个目标信息比特，为所述的软估计值，K为所述b⁽ⁱ⁾的长度。

6.一种基于深度学习的MIMO解码装置，其特征在于，包括：

训练集构建模块，用于对接收到的导频信号进行信道估计而得到信道矩阵估计值并基于所模拟的MIMO发射器功能模块对源比特随机生成器所生成的多个二进制矢量b⁽ⁱ⁾，i＝1,2,L,Z，分别进行处理而变换为数据矩阵对各所述以及预设的加性高斯白噪声矩阵AWGN进行函数计算，得到对应的训练数据；将所有的所述训练数据构建为MIMO解码的训练数据集合，所述训练数据集合中包括多个训练数据；

所述函数描述如下：

其中，M_T为所模拟的MIMO发射器功能模块中天线的数量，为所述AWGN；

所述训练数据集合描述如下：

模型训练模块，用于基于所述训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；

解码模块，用于在接收到待解码MIMO信号时，将所述待解码MIMO信号输入至所述神经网络模型进行MIMO解码，然后得到所述神经网络模型所输出的MIMO解码结果。

7.一种电子装置，其特征在于，包括：处理器、存储器和通信总线；

所述通信总线用于实现所述处理器和存储器之间的连接通信；

所述处理器用于执行所述存储器中存储的一个或者多个程序，以实现如权利要求1至5中任意一项所述的MIMO解码方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至5中任意一项所述的MIMO解码方法的步骤。