[发明专利]基于深度学习的MIMO多天线信号传输与检测技术

权利要求书

1.基于深度学习的MIMO多天线信号传输与检测装置，该装置包括：

压缩复用模块(104)，用于对调制后的信号进行压缩降维处理；

装置发射端(1)，用于在收发天线数给定的情况下将经过所述压缩复用模块(104)处理后的目标信号通过发射天线发射；

装置接收端(2)，用于对接收到的信号进行处理以实现其对目标信号的重构，

其特征是，

所述装置接收端(2)中包括第一神经网络信号处理模块(202)和第二神经网络信号处理模块(203)，其中，

第二神经网络信号处理模块(203)通过将由第一神经网络信号处理模块(202)利用其所构建的第一神经网络模型来从低维的目标信号中所解出的高维的稀疏信号θ输入其所构建的第二神经网络模型来重构得到原始信号；

所述第二神经网络信号处理模块(203)通过深度学习的BP算法创建神经网络，以装置发射端(1)的发送信号向量x和基于所述装置发射端(1)的发送信号向量x所确定的稀疏信号θ作为样本，构造第二组训练样本集，训练所述神经网络，得到所述第二神经网络模型；

其中，神经网络各层间的权重参数矩阵，用表示，其中，权重参数w的上标表示层数，下标表示相邻两层各自的第几个节点；

神经网络各层间的偏置参数矩阵为：B＝[b₁b₂…b_n]^T，已知神经网络的输入为：Y＝[y₁y₂…y_n]^T,神经网络的输出为：引入一个非线性算子，则可以推导出：

其中，b_n表示各节点的偏置向量；y_n表示维度为n*1的输入向量；θ_n表示维度为n*1的输出向量；F表示激活函数；w_ki表示第k个节点和第i个节点之间的权重参数；

初始化权重参数：将权重参数w随机初始化为[-ε,ε]之间，ε是一个预设值。

2.根据权利要求1所述的装置，其特征是，所述装置接收端(2)还包括信道估计模块(201)，其被配置为根据所述装置接收端(2)收到的经过压缩降维处理的低维目标信号进行信道估计并将得到的信道参数矩阵作为第一神经网络模型的输入。

3.根据权利要求2所述的装置，其特征是，所述第一神经网络信号处理模块(202)通过深度学习的BP算法创建神经网络，以所述装置接收端(2)的接收信号向量y和基于所述装置发射端(1)的发送信号向量x所确定的稀疏信号θ作为样本，构造第一组训练样本集，训练所述神经网络，得到所述第一神经网络模型。

4.根据权利要求3所述的装置，其特征是，通过将所述发送信号向量x的所有可能组合分别作为冗余字典的不同列向量的方式组成冗余字典D，实现所述发送信号向量的稀疏信号θ。

5.根据权利要求4所述的装置，其特征是，所述装置发射端(1)采用随机数发生器(101)产生一组随机的0、1二进制比特序列，构成原始数据；原始数据经过BPSK调制，产生调制后的发送信号向量x。

6.根据权利要求5所述的装置，其特征是，经调制后的l路信号经过所述压缩复用模块(104)，压缩成l路信号，然后所述装置将压缩复用后的l路信号经发射天线发射。

7.根据权利要求6所述的装置，其特征是，压缩复用后的l路信号是通过计算式z＝Ax来得到的，其中，A是N_t行l列的压缩降维矩阵。

8.基于深度学习的MIMO多天线信号传输与检测方法，其特征是，所述方法包括至少一个以下步骤：

收发天线数给定的情况下将经过压缩复用处理后的目标信号通过发射天线发射；

提前利用深度学习的BP训练算法，得到第一神经网络模型和第二神经网络模型；

通过所构建的第一神经网络模型来从低维的目标信号中解出高维的稀疏信号θ；

通过将所述稀疏信号θ输入所构建的第二神经网络模型来重构得到原始信号；

第二神经网络信号处理模块(203)通过深度学习的BP算法创建神经网络，以装置发射端(1)的发送信号向量x和基于所述装置发射端(1)的发送信号向量x所确定的稀疏信号θ作为样本，构造第二组训练样本集，训练所述神经网络，得到所述第二神经网络模型；

其中，神经网络各层间的权重参数矩阵，用表示，其中，权重参数w的上标表示层数，下标表示相邻两层各自的第几个节点；

神经网络各层间的偏置参数矩阵为：B＝[b₁b₂…b_n]^T，已知神经网络的输入为：Y＝[y₁y₂…y_n]^T,神经网络的输出为：引入一个非线性算子，则可以推导出：

其中，b_n表示各节点的偏置向量；y_n表示维度为n*1的输入向量；θ_n表示维度为n*1的输出向量；

初始化权重参数：将权重参数w随机初始化为[-ε,ε]之间，ε是一个预设值。