[发明专利]基于降低信道条件数多用户MIMO系统信号检测方法及相关装置

说明书

基于降低信道条件数多用户MIMO系统信号检测方法及相关装置，包括：将用户端预编码矩阵设计问题转化为最小化广义特征值最小化问题，并使用内点法进行求解，得到最优的预编码矩阵；在现有基于深度学习的检测器LISA的基础上，增加并行恢复信号模块，得到改进后的LISA网络结构；将用户端以降低信道条件数的预编码矩阵与基站端改进的深度MIMO检测网络LISA相结合，在得到系统预编码矩阵之后，使用改进后的LISA网络结构对发射符号进行恢复。本发明在信号检测的基础上提出一种基于降低条件数的预编码方案，降低条件数对信号检测精度的影响，在此基础上，对LISA进行改进，进一步提升对发射信号的检测准确率对于提升系统的可靠性。

技术领域

本发明属于通信领域和深度学习技术领域，特别涉及基于降低信道条件数多用户MIMO系统信号检测方法及相关装置。

背景技术

由于频谱效率高，连接可靠性强等优点，MIMO(Multi-input Multi-output)系统已经成为当代无线通信系统的关键性技术之一。然而，由于该系统的发射端和接收端分别具有多根发射天线和接收天线，使得接收端每一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，这无疑给MIMO系统中的信号检测问题带来了巨大的挑战。除此之外，环境噪声和符号内的干扰也使得准确恢复发射信号变得更加困难。因此，提出一个检测准确率高且计算复杂度低的检测算法具有重要的理论价值和实际意义。

求解MIMO检测问题本质上是NP难的。近年来，深度学习在以计算机视觉为代表的各个领域中取得了初步的成效。受这些工作的启发，学术界和工业界近期也提出了很多基于深度学习的MIMO检测算法。前期，基于搜索的思想，提出了一种基于循环神经网络的自主迭代搜索算法LISA(Learning to Search for MIMO detection)。该算法在QPSK调制方式下，能达到接近MLD的检测性能。然而我们在近期的研究中发现，LISA的检测性能在高相关信道场景下会变差。信道相关性越高，性能越差。然而在近期的研究中发现，LISA在具有强相关性的信道上，性能会变差。进一步，我们分析了导致这一现象产生的原因，发现信道相关性越强的信道通常具有较大的条件数。事实上，现有的信号检测器在相关性较强的信道上性能均会变差。

发明内容

本发明的目的在于提供基于降低信道条件数多用户MIMO系统信号检测方法及相关装置，以解决现有的信号检测器在相关性较强的信道上性能均会变差的问题。

为实现上述目的，本发明采用以下技术方案：

基于降低信道条件数多用户MIMO系统信号检测方法，包括以下步骤：

基于降低信道条件数准则，将用户端预编码矩阵设计问题转化为最小化广义特征值最小化问题，并使用内点法进行求解，得到最优的预编码矩阵；

在现有基于深度学习的检测器LISA的基础上，增加并行恢复信号模块，得到改进后的LISA网络结构，用于提升基站端恢复发射信号的准确率和效率；

将用户端以降低信道条件数的预编码矩阵与基站端改进的深度MIMO检测网络LISA相结合，在得到系统预编码矩阵之后，使用改进后的LISA网络结构对发射符号进行恢复，进一步提升检测的可靠性。

进一步的，问题转化具体包括：

一个多用户MIMO系统的上行链路中，一个基站同时向K个用户提供服务，第k个用户的发射天线数为M_k,基站端的接收天线数为N；第k个用户与基站之间的信道状态信息为此时，所有用户与基站之间的全信道状态信息表示为：H＝[H₁,H₂,…,H_K]∈C^N×M；其中，M＝M₁+M₂+…+M_K为系统总的发射天线数；