[发明专利]一种MIMO用户检测与信道估计装置及方法

说明书

本发明提供了一种MIMO用户检测与信道估计装置及方法，包括导频序列生成模块，信道估计模块，用户检测模块；所述导频序列生成模块使用单层复数全连接神经网络产生用户的导频序列，将导频序列分配并发送给基站所服务的用户，所述信道估计模块内置一个基于AMP算法形式的神经网络模型，以基站接收信号和已知导频序列为输入，以信道矩阵为输出，所述信道估计模块的输出端连接用户检测模块，所述用户检测模块以信道矩阵为输入，以用户活跃度向量为输出，得到用户检测的结果；本发明采用了基于AMP形式的神经网络进行信道估计，比普通的神经网络使用更少的参数，进而更易训练，比AMP拥有更高的准确度，收敛性，更低的计算复杂度。

技术领域

本发明属于无线通信的信道估计与用户检测领域，具体涉及一种MIMO用户检测与信道估计装置及方法。

背景技术

MIMO无线通信技术指的是多输入多输出的无线通信系统，大规模MIMO是5G中的关键技术，尤其在大规模机器类通信的场景中发挥重要作用。大规模MIMO通过进一步增加基站端天线，可以获取较高的信道容量，频谱效率，能量效率。在大规模机器类通信场景下，一个多天线基站需要支持上万至上百万的用户设备(UE)接入。这种场景的特点是，其用户常常是传感器等机器设备，它们不会长时间维持接入，而是只在特定事件发生时进行接入。因此，在某一时刻，只有少部分用户处于活跃状态，呈现稀疏性。对于基站端，在每段相干时间开始后，需要进行活跃用户检测和信道估计，以获悉在此相干时间内哪些用户将要进行通信，并且得到它们对应的信道矩阵。

为了解决这一工程需求，已经有一些方法得到了尝试，包括使用一些经典的压缩感知算法，如AMP(approximate message passing)及其衍生算法等，还包括一些采用简单神经网络，如简单的全连接自编码机(auto-encoder)等的方案，但是这些方案存在一些问题：采用传统的压缩感知算法的方案难以同时达到低复杂度和高准确度的要求，而且大多数都不能在基站端天线少于活跃用户数量的情况下工作；采用简单神经网络的算法在基站端采用单天线的情况下表现良好，但是扩展至多天线基站时存在参数量过大，难以利用接收天线之间相关性的问题。

发明内容

为了进一步优化大规模MIMO中的用户检测和信道估计方法的性能，本发明提出了一种MIMO用户检测与信道估计装置及方法，采用基于AMP形式的深度神经网络的方法，该方法不但具有较低的时间复杂度，也具有高准确率的特点。

为实现上述目的，本发明实施方式的一方面提供一种MIMO用户检测与信道估计装置，包括导频序列生成模块，信道估计模块，检测模块；

所述导频序列生成模块，使用单层复数全连接神经网络产生终端的导频序列，将导频序列分配并发送给基站所服务的终端；

所述信道估计模块，用于接收信号和所述导频序列为输入，以信道矩阵为输出；

检测模块，用于以信道矩阵为输入，以终端活跃度向量为输出，获得终端检测的结果。

进一步的，所述信道估计模块，内置基于AMP算法形式的神经网络模型，所述网络模型由N个相同的模块级联而成，其中第i个模块具有如下数学表达：

其中，为基站端的N个天线在T个时槽内收到的信号，为K个终端在T个时槽内发送的导频序列，为MIMO相干信道矩阵在第i个模块中的估计结果，为第i层中的可学习权重矩阵，η[·]为软阈值函数，与为全零矩阵，为最终估计的信道矩阵。

进一步的，所述检测模块，具体用于对信道矩阵求模，将其转化为实数矩阵，然后将所述实数矩阵输入一个全连接的单层神经网络中，其输出神经元数量应等于终端总数，其输出经过Sigmoid函数后进行硬判决，得到终端活跃度向量。

为实现上述目的，本发明实施方式的另一方面还提供一种MIMO用户检测与信道估计方法，包括以下步骤：