[发明专利]一种基于深度神经网络的MIMO迭代检测方法

说明书

一种基于深度神经网络的MIMO迭代检测方法，利用存储设备保存一段时间内接收端接收到的发射端发射的经过信道传输和噪声干扰的接收信号以及对应的信道状态信息；基于QL分解对信道模型进行等价转换得到等价的信号观测和信道状态信息；基于RNN的特性对发射信号向量进行迭代求解；在每次迭代中将MIMO检测问题看作机器学习中的分类问题，基于转换后的信道模型，使用LSTM依次求解发射信号向量中每一个分量取所有星座点的概率；使用混合信噪比下等价的信号观测和信道状态信息训练网络，利用训练好的网络模型恢复任意信道以及不同信噪比下的发射信号。本发明基于深度神经网络，通过迭代求解发射信号向量的概率，降低MIMO信号检测复杂度，提高检测准确性。

技术领域

本发明属于通信领域和深度学习技术领域，特别涉及一种基于深度神经网络的MIMO迭代检测方法。

背景技术

MIMO(Multi-input Multi-output)是一种多输入多输出的无线传输技术。该技术的信号接收端和发射端分别采用多根发射天线和接收天线。与传统的单输入单输出系统SISO(Single-input Single-output)相比，由于接收端的每根接收天线可以同时接收来自发射端的所有发射天线发射的信号，所以MIMO系统能够充分的利用空间资源，并且可以在不增加带宽的前提下，成倍的增加信道容量。因此，在实际应用中，MIMO技术具有很高的连接可靠性和传输速率，目前已经被广泛应用于多种无线通信系统中。然而，MIMO技术在带来众多增益的同时，也给信号检测问题带来了巨大的挑战。

在MIMO系统的接收端，由于任意时刻每根接收天线接收到的信号是所有发射天线发射信号的叠加，所以在MIMO系统中准确地恢复每根发射天线发射的信号具有很大的挑战性。关于MIMO检测问题有很多传统的求解算法。最大似然检测算法(Maximum likelihooddetection,MLD)是最优的检测算法。该算法基于最大似然准则，在解空间中通过穷举搜索的方式得到最优解，但是随着发射天线数目的增加，该算法的计算复杂度是指数增长的。因此，在实际应用中，最大似然检测算法几乎是不可能实现的。为了减小计算复杂度，出现了一些线性检测算法。比如匹配滤波器(Matched filter,MF)、迫零算法(Zero-Forcing,ZF)以及最小均方差检测算法(Minimum mean square error,MMSE)等等。这些算法虽然在很大程度上降低了计算复杂度，但是检测的准确性往往较差。为了对MIMO检测问题的计算复杂度和准确性进行折中处理，近年来出现了很多非线性的检测算法，如球形解码算法(Spheredecoding,SD)、半定松弛算法(Semidefinite relaxation,SDR)以及近似消息传播(Approximate message propagation,AMP)等。相对于最大似然检测算法，这些算法具有次优的检测性能，同时计算复杂度也较低。但是，随着发射天线数目的增加，这些方法的计算复杂度仍然非常高。因此，在计算复杂度较低的前提下，设计出准确度高的MIMO检测算法具有重要的实际意义。

近年来，深度学习在自然语言处理、语音识别以及计算机视觉等领域取得了显著的成就，因此深度学习也逐渐成为了国内外学者研究的热点。近期，深度学习同样也成功应用到了无线物理层中，在MIMO检测问题上取得了初步的成效。目前使用深度网络实现MIMO检测的方法大都是通过将已有的迭代算法展开为神经网络，从而取得达到或超过已有迭代检测算法的性能。虽然这些方法能够仅通过训练一次神经网络，对于不同的信道以及信噪比具有较好的鲁棒性，但是与最大似然检测算法相比，这些方法的检测性能还有待提高。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于深度神经网络的MIMO迭代检测方法，以降低计算复杂度，同时提高检测准确度，可接近最大似然检测算法性能。

为了实现上述目的，本发明采用的技术方案是：