用于无线通信系统中的信号检测的方法和装置与流程

本公开的非限制性的示例实施例总体上涉及无线通信
技术领域：
，并且具体地涉及用于无线通信系统中的信号检测的方法、装置和计算机程序产品。
背景技术：
：本部分介绍可以促进更好地理解本公开的各方面。因此，本部分的陈述应当从这种角度来阅读，而不应当被理解为对现有技术中存在的内容或对现有技术中不存在的内容的承认。在无线通信系统中，始终需要高频谱效率(se)和容量。众所周知，多输入多输出(mimo)技术是一种用于改进无线通信系统中的se和容量的有效方法。例如，在由第三代项目合作伙伴(3gpp)开发的长期演进(lte)/高级lte(lte-a)系统中，mimo已经被用作关键特征。为了进一步增强se和吞吐量，已经提出了大规模mimo(mmimo)的概念。mmimo是指在无线通信系统中部署有大量天线。例如，在即将到来的第五代(5g)系统中，mmimo已经被视为关键技术。5g节点b(也称为gnodeb)处的天线数目可以超过128个。大量天线有望带来显著的性能增益，但是同时也给信号检测带来了挑战。技术实现要素：本公开的各种实施例主要旨在提供用于无线通信系统中的信号检测的方法、装置和计算机程序产品。在本公开的第一方面，提供了一种在接收器设备处实现的方法。该方法包括获取接收信号的集合；确定接收信号的集合在其上被传输的信道；以及通过使用梯度下降(gd)算法基于所确定的信道、用于发送信号的集合的调制模式和接收信号的集合以迭代方式从接收信号的集合中检测发送信号的集合。在本公开的实施例中，以迭代方式检测发送信号的集合包括：在每个迭代回合中，针对接收信号的集合中的每个接收信号：基于由检测值和所确定的信道中的相关联的信道元素引起的检测误差来确定用于更新发送信号的集合中的每个发送信号的检测值的梯度方向；确定用于更新发送信号的集合中的每个发送信号的检测值的学习速率；以及通过将所确定的学习速率和所确定的梯度方向的乘积与检测值相加来更新发送信号的集合中的每个发送信号的检测值。在另外的实施例中，梯度方向可以被确定为：其中yi表示从第i个接收天线接收的信号，xk表示从第k个发送天线发送的信号，∑表示和函数，hik表示从第k个发送天线到第i个接收天线的信道元素，hij表示从第j给个发送天线到第i个接收天线的信道元素，并且h*ij表示hij的共轭，i＝1,…nr，j和k＝1,…nt，并且nr和nt分别表示接收天线和发送天线的数目。在另一实施例中，确定学习速率可以包括：基于初始学习速率和增加因子的乘积来确定学习速率，初始学习速率和增加因子均小于1；或者基于查找表和以下中的至少一项来确定学习速率：信道的质量、发送天线的数目和接收天线的数目。在一些实施例中，确定学习速率还可以包括：通过乘以或来归一化学习速率，其中hrowlensquarei表示信道的第i行中的所有信道元素的平方和，并且maxlensquare表示hrowlensquarei的最大值，其中i＝1,…,nr，并且nr是接收天线的数目。在一个实施例中，以迭代方式检测发送信号的集合可以包括：在每次迭代中，如果发送信号的集合中的一个发送信号的检测值与关联于调制模式的调制符号之间的差小于接近度阈值，则将发送信号的集合中的一个发送信号的检测值设置为调制符号。在另一实施例中，接近度阈值可以取决于调制模式。在一些实施例中，以迭代方式检测发送信号的集合可以包括：确定与调制模式相关联的调制符号的集合；确定调制符号的集合的最大实部；确定调制符号的集合的最大虚部；以及在每次迭代中：如果发送信号的集合中的一个发送信号的检测值的实部超过所确定的最大实部，则将该实部设置为所确定的最大实部；以及如果发送信号的集合中的一个发送信号的检测值的虚部超过所确定的最大虚部，则将该虚部设置为所确定的最大虚部。在另一实施例中，以迭代方式检测发送信号的集合可以包括：响应于以下情况而停止检测：满足预定迭代次数；或者在当前迭代回合和上一迭代回合中获取的发送信号的集合的检测值之间的差小于收敛阈值。在本公开的第二方面，提供了一种接收器设备。该接收器设备包括处理电路系统和存储器，所述存储器包含由所述处理电路系统可执行由此所述接收器设备可操作以执行根据本公开的第一方面的方法的指令。在本公开的第三方面，提供了一种计算机程序。该计算机程序包括指令，该指令在由设备的至少一个处理电路系统执行时使该设备执行根据本公开的第一方面的方法。在本公开的第四方面，提供一种其上存储有计算机程序的计算机可读介质，该计算机程序在由设备的至少一个处理器执行时使该设备执行根据本公开的第一方面的方法。附图说明通过以下参考附图的详细描述，本公开的各个实施例的上述和其他方面、特征和益处将变得更加完全明显，在附图中，相同的附图标记用于指定相同或等同的元素。附图被示出以促进更好地理解本公开的实施例，而不一定按比例绘制，在附图中：图1示出了可以在其中实现本公开的实施例的示例无线通信网络；图2示出了两层人工神经元网络(ann)的模型；图3示出了根据本公开的实施例的用于无线通信系统中的信号检测的在接收器设备处的方法的流程图；图4示出了根据本公开的实施例的信号检测方法与传统方法的性能比较；图5示出了可以实施为网络设备/在网络设备中实施的装置以及可以实施为终端设备/在终端设备中实施的装置的简化框图。具体实施方式在下文中，将参考说明性实施例来描述本公开的原理和精神。应当理解，所有这些实施例被给出仅仅是为了本领域技术人员能够更好地理解和进一步实践本公开，而不是为了限制本公开的范围。例如，作为一个实施例的一部分而示出或描述的特征可以与另一实施例一起使用以产生又一实施例。为了清楚起见，在本说明书中并未描述实际实现的所有特征。在说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用指示所描述的实施例可以包括特定特征、结构或特性，但是不一定每个实施例都包括特定特征、结构或特性。而且，这样的短语不一定指代相同的实施例。此外，当结合实施例描述特定特征、结构或特性时，可以认为，无论是否明确描述，结合其他实施例影响这样的特征、结构或特性是本领域技术人员公知的。应当理解，尽管在本文中可以使用术语“第一”和“第二”等来描述各种元素，但是这些元素不应当受到这些术语的限制。这些术语仅用于区分一个元素与另一元素。例如，在不脱离示例实施例的范围的情况下，第一元素可以被称为第二元素，并且类似地，第二元素可以被称为第一元素。如本文中使用的，术语“和/或”包括一个或多个所列术语的任何和所有组合。本文中使用的术语仅出于描述特定实施例的目的，而非旨在限制示例实施例。如本文中使用的，除非上下文另外明确指示，否则单数形式“一”、“一个”和“该”也旨在包括复数形式。还应当理解，当在本文中使用时，术语“包括”、“包含”、“有”、“具有”、“包括有”和/或“包含有”指定所述特征、元素和/或组件等的存在，但是不排除一个或多个其他特征、元素、组件和/或其组合的存在或增加。在以下描述书和权利要求书中，除非另有定义，否则本文中使用的所有技术和科学术语具有与本公开所属领域的普通技术人员通常所理解的相同的含义。如本文中使用的，术语“无线通信网络”是指遵循诸如新无线电(nr)、长期演进(lte)、高级lte(lte-a)、宽带码分多址(wcdma)、高速分组接入(hspa)等任何合适的无线通信标准的网络。“无线通信网络”也可以被称为“无线通信系统”。此外，无线通信网络中的网络设备之间、网络设备与终端设备之间或终端设备之间的通信可以根据任何合适的通信协议来执行，包括但不限于全球移动通信系统(gsm)、通用移动电信系统(umts)、长期演进(lte)、新无线电(nr)、无线局域网(wlan)标准(诸如ieee802.11标准)和/或当前已知或未来开发的任何其他适当的无线通信标准。如本文中使用的，术语“网络设备”是指无线通信网络中的节点，终端设备经由该节点接入网络并且从其接收服务。取决于所应用的术语和技术，网络设备可以是指基站(bs)或接入点(ap)，例如，节点b(nodeb或nb)、演进型nodeb(enodeb或enb)、nrnb(也称为gnb)、远程无线电单元(rru)、无线电头(rh)、远程无线电头(rrh)、中继、低功率节点(诸如毫微微、微微)等。术语“终端设备”是指可以能够进行无线通信的任何终端设备。作为示例而非限制，终端设备也可以被称为通信设备、用户装备(ue)、订户站(ss)、便携式订户站、移动站(ms)或接入终端(at)。终端设备可以包括但不限于移动电话、蜂窝电话、智能电话、ip语音(voip)电话、无线本地环路电话、平板电脑、可穿戴终端设备、个人数字助理(pda)、便携式计算机、台式计算机、图像捕获终端设备(诸如数码相机)、游戏终端设备、音乐存储和播放器件、车载无线终端设备、无线端点、移动台、笔记本电脑内置装备(lee)、笔记本电脑安装装备(lme)、usb加密狗、智能设备、无线客户驻地装备(cpe)等。在以下描述中，术语“终端设备”、“通信设备”、“终端”、“用户装备”和“ue”可以互换使用。作为又一示例，在物联网(iot)场景中，终端设备可以表示执行监测和/或测量并且将这样的监测和/或测量的结果传输给另一终端设备和/或网络装备的机器或其他设备。在这种情况下，终端设备可以是机器到机器(m2m)设备，m2m设备在3gpp上下文中可以称为机器类型通信(mtc)设备。作为一个特定示例，终端设备可以是实现3gpp窄带物联网(nb-iot)标准的ue。这样的机器或设备的示例是传感器、计量设备(诸如电表)、工业机械、或家用或个人器件，例如冰箱、电视、个人可穿戴设备(诸如手表)等。在其他情况下，终端设备可以表示车辆或能够监测和/或报告其操作状态或与其操作相关联的其他功能的其他装备。如本文中使用的，下行链路(dl)传输是指从网络设备到ue的传输，而上行链路(ul)传输是指相反方向上的传输。也就是说，在dl中，网络设备是发送器，而ue是接收器；而在ul中，ue是发送器，而网络设备是接收器。图1示出了可以在其中实现本公开的实施例的示例无线通信网络100。如所示出的，无线通信网络100可以包括一个或多个网络设备，例如网络设备101。网络设备101可以是以下形式：基站(bs)、节点b(nb)、演进型nb(enb)、gnb、虚拟bs、基站收发器(bts)或基站子系统(bss)、ap等。在该示例中，网络设备101向在其覆盖范围内的ue102-1、102-2和102-3的集合(统称为“ue102”)提供无线电连接。应当理解，在一些实施例中，网络设备可以向更少或更多的ue提供服务，并且在所示示例中，ue的数目并不暗示对本公开的范围的任何限制。在一些实施例中，网络设备(例如，图1中的网络设备101)可以利用多个天线来服务于在其覆盖范围内的ue，例如图1中的ue102。例如，网络设备101可以配备有多个发送天线和/或多个接收天线。同样地，在一些实施例中，一些或全部ue102可以配备有用于发送和/或接收的多个天线。附加地，多个ue102可以被调度为在相同或重叠的时频资源中进行发送或接收，从而形成多用户mimo(mu-mimo)方案。因此，在某些情况下，可能需要接收器设备(其可以是网络设备或ue)检测从多个天线发送的信号。例如，在a.chockalingam和b.sundarrajan的题为“largemimosystems”的书以及jerryr.hampton的题为“mimocommunicationsintroduction”的书中已经提出了mimo检测算法，这两本书提供了有关信号检测算法的详细介绍，诸如迫零(zf)、具有干扰消除的zf(zf-ic)、线性最小均方误差(lmmse)、具有干扰消除的lmmse(lmmse-ic)等。附加地，最近还提出了其他信号检测算法，如球形解码、概率数据关联(pda)、近似消息传递(amp)、基于深度神经元网络(dnn)的mimo检测算法等。然而，发明方已经观察到，所有现有mimo检测算法都具有计算复杂度高或功能受限的缺点。例如，某些检测算法需要计算mimo信道矩阵h的协方差矩阵和/或信道矩阵h的逆矩阵。附加地，某些信号检测算法不适用于高阶正交幅度调制(qam)情况。此外，在大多数检测算法中，计算复杂度以非线性方式随着接收和发送天线的数目而增加。这是不希望的，尤其是对于具有大量天线的mmimo系统。为了解决所述问题中的至少一部分，在本公开中已经提出了方法、装置和计算机程序产品。通常，在具有nt个发送天线和nr个接收天线的mimo或mmimo系统中，接收信号可以表示为等式(1)：y＝hx+z(1)其中y表示大小为nr的复矢量，并且表示从nr个接收天线接收的信号(也称为接收信号)；h是大小为nr×nt的复矩阵(即，nr行和nt列)，并且表示信号y在其上被传输的信道，即，由信号y传递/经历的信道。h可以经由例如信道估计来获取。x是大小为nt的复矢量，并且表示来自nt个发送天线的发送信号；z是大小为nr的复矢量，并且表示nr个接收天线上的接收噪声。等式(1)中的项x是要在接收器设备侧从接收信号y中检测的发送信号，并且在本公开的一些实施例中，该信号检测问题可以通过使用y、h和x的调制信息作为输入来解决。一般而言，根据本公开的一些实施例，信号检测可以基于图2所示的简单的两层人工神经元网络(ann)的模型来实现。特别地，如图2所示，利用该ann模型，信道矩阵h的每个行矢量(hil，hi2,...hint)被视为输入矢量，与h的对应行相关联的接收值yi被视为输出，而矢量x[x1，x2,...xnt]被建模为要学习的权重。利用该模型，输出层中的激活函数可以表示为f(x)＝x，并且总共有nr个数据样本。在利用mmimo的无线通信系统(例如，5g)中，接收器设备(例如，gnodeb)处的接收天线的数目可能超过128个，并且因此，数据样本的数目足以学习作为要检测的发送符号的权重x。在一些实施例中，提出了通常用于机器学习和其他相关领域的梯度下降(gd)算法以用于解决信号检测问题。作为示例而非限制，在gd算法中可以使用利用等式(2)表示的损失函数。其中||表示复数值的模数。在该示例中，损失函数是误差平方和，并且是凸函数，这保证了gd算法将收敛到最优解。通过使用gd算法来检测发送信号x，所需要的计算复杂度仅为o(nr*nt)。此外，与传统的mmsemimo检测算法相比，可以实现更好的符号错误率(ser)。此外，由于gd算法基于简单的ann模型，因此可以直接使用所开发的ann技术(例如，硬件并行处理)。附加地，本公开的实施例可以提供用于构建更复杂的多层类型的annmmimo检测方案的框架。特别地，由于每个gd迭代的展开属性，它所得能够提供灵活的mmimo检测解决方案。也就是说，很容易根据需要在每次迭代操作中添加新功能，以获取更复杂且更高级的检测解决方案。图3示出了用于无线通信系统中的信号检测的在接收器设备处实现的方法300的流程图。接收器设备可以是例如图1所示的网络设备101或ue102。为了便于讨论，下面将参考图1所示的网络设备101和通信网络100来描述方法300。然而，本公开的实施例不限于此。在框310处，网络设备101获取接收信号的集合。例如，接收信号的集合可以从nr个接收天线接收，并且可以表示为大小为nr的矢量y。注意，接收信号的集合可以从一个或多个ue(例如，图1中的一个或多个ue102)接收。在框320处，网络设备101确定接收信号的集合在其上被传输的信道、或者换言之由接收信号的集合传递/经历的信道。在mimo通信的场景中，信道可以由信道矩阵h表示并且称为信道矩阵h。应当理解，实施例不限于用于获取信道矩阵h的任何特定方式。仅出于说明的目的，信道矩阵h可以预先知道，或者可以经由信道估计来获取。为此，可以使用任何盲信道估计算法或者基于导频、参考信号或训练序列的信道估计算法。为了便于讨论，假定存在nt个发送天线和nr个接收天线，则所确定的信道矩阵h的大小为nr×nt，即，其具有nr行和nt列。在框330处，网络设备101通过使用gd算法基于所确定的信道h、用于发送信号的集合x的调制模式和接收信号的集合y以迭代方式从接收信号的集合y中检测发送信号的集合x。通常，gd算法包括批量梯度下降(bgd)算法和随机梯度下降(sgd)算法。利用bgd，可以批量地处理所有数据样本或数据样本的子集，然后将由检测引起的误差相加并且用于更新对发送信号的集合x的检测。由于x可以被建模为如图2所示的ann模型中的权重，因此，x的信号检测在本文中也称为权重更新。利用sgd，直接对每个样本数据执行gd权重更新。在框330处可以使用sgd或bgd。在一些实施例中，可以使用sgd，以便获取信道空间分集增益和/或使检测快速收敛。然而，应当理解，实施例不限于bgd或sgd算法。在一些实施例中，在框330处，在每个迭代回合中，网络设备101可以更新发送信号的集合x的检测。例如，在每个迭代回合中，对于接收信号的集合中的每个接收信号(yj，对应于信道矩阵h的第j行)，网络设备101确定用于更新发送信号的集合xi中的每个发送信号的检测值的梯度方向d。梯度方向d可以基于由检测值和所确定的信道矩阵h中的相关联的信道元素hij引起的检测误差来确定。附加地，网络设备100确定用于更新发送信号的集合中的每个发送信号的检测值的学习速率r，并且通过将所确定的学习速率r和所确定的梯度方向d的乘积与检测值相加来更新发送信号的集合中的每个发送信号的检测值。也就是说，网络设备101将发送信号x的检测更新为：x＝x+d*r(3)也就是说，在每个迭代回合中，网络设备101分别基于信道矩阵h的每一行来更新每个发送信号x的检测，并且然后进行到下一迭代回合。在本公开的上下文中，每个迭代回合也称为期(epoch)，并且基于信道矩阵的一行的每个更新也称为迭代。例如，网络设备101可以通过等式(4)来确定梯度方向d：其中δi＝yi-∑khik*xk(4a)δi表示检测误差，yi表示从第i个接收天线接收的信号，xk表示从第k个发送天线发送的信号，∑表示和函数，hik表示从第k个发送天线到第i个接收天线的信道元素，hij表示从第j个发送天线到第i个接收天线的信道元素，并且h*ij表示hij的共轭，i＝1，...nr，j和k＝1，...nt，并且nr和nt分别表示接收天线和发送天线的数目。在实施例中，网络设备101可以在框330处采用sgd算法，并且使用在等式(5)中定义的损失函数：其中ei表示与信道矩阵h的第i行相对应的损失值。基于该损失函数，例如，可以通过针对每个xj计算ei的差来获取最佳梯度方向d，如下所示然而，应当理解，实施例不限于用于获取梯度方向d的特定方式。备选地或附加地，在其他实施例中，网络设备101可以基于初始学习速率η和增加因子γ的乘积来确定学习速率r，并且初始学习速率η和增加因子γ两者均小于1。例如(而非限制)，r可以确定为：r＝η*γ(7)。在另外的实施例中，增加因子γ可以特定于迭代回合(即，期)，并且在这种情况下，增加因子可以表示为γep。换言之，对于不同的迭代回合，增加因子γ可以不同。它使得能够调节步长，以在每个迭代回合中更新检测。备选地，在另一实施例中，网络设备101可以基于查找表和以下中的至少一项来确定学习速率：信道质量、发送天线的数目和接收天线的数目。例如，网络设备101可以使用接收的信噪比(snr)、nr和nt作为输入以从查找表中获取合适的学习速率r。在一些实施例中，可以例如通过机器搜索预先获取优化的学习速率，并且将其存储在查找表中以供以后使用。出于说明的目的，表1至表4中列出了针对不同的调制模式、snr状态和天线配置经由计算机搜索而获取的一些学习速率。表1.针对4qam的学习速率snr8db9db10db11db12db13db14dbnr＝64nt＝160.30.40.40.60.70.70.7nr＝128nt＝160.30.40.40.60.70.70.7nr＝64nt＝320.60.70.70.70.70.70.7nr128nt＝320.30.40.40.60.70.70.7表2.针对16qam的学习速率snr8db9db10db11db12db13db14dbnr＝64nt＝160.30.30.30.30.40.40.4nr＝128nt＝160.20.20.20.20.20.20.4nr＝64nt＝320.60.70.70.70.70.70.7nr128nt＝320.30.30.30.30.30.30.3表3.针对具有低snr的64qam的学习速率snr8db9db10db11db12db13db14dbnr＝64nt＝160.30.30.30.30.30.40.4nr＝128nt＝160.20.20.20.20.20.20.2nr＝64nt＝320.60.60.60.70.70.70.7nr128nt＝320.30.30.30.30.30.40.4表4.针对具有高snr的64qam的学习速率表5和表6中列出了用于计算机仿真以搜索上述学习速率的参数。附加地，在仿真期间，将等式(7)中的γ设置为1，并且信道矩阵h中的每个信道元素根据正态分布n(0，1)来生成，然后通过h＝h/sqrt(nt)来归一化。等式(1)中的噪声z根据正态分布n(0，1)来生成，然后通过z＝z/(10^(snr/10))来归一化。发送信号x通过x＝x/var(x)来归一化，其中var(x)表示符号x的方差。表5.针对低snr的504种情况表6.针对高snr的168种情况在一些实施例中，还可以使用较低的学习速率值，同时为gd更新设置较大的期回合。此外，为了获取更好的收敛性，在一些实施例中，所确定的学习速率r可以由网络设备101进一步归一化。作为示例而非限制，网络设备101可以通过将学习速率r乘以因子或来归一化学习速率r，其中hrowlensquarei表示信道矩阵的第i行中的所有信道元素的平方和，即，hrowlensquarei＝∑j|hij|2。maxlensquare表示hrowlensquarei的最大值，即，maxlensquare＝maxi{hrowlensquarei}，其中i＝1,...nr，nr是接收天线的数目。因此，在一些实施例中，第j个发送信号xj的检测可以使用等式(8)或(9)来更新：例如，如果maxlensquare＜＝1，则可以基于(8)或(9)来更新xj，而如果maxlensquare＞1，则可以基于(9)来更新xj。以上因子知提供了一种通过归一化来调节学习速率的方法，从而确保了迭代的收敛性。备选地或附加地，在一些实施例中，为了进一步改进检测算法的收敛特性，在框330处，如果一个发送信号xj的检测值已经足够接近与发送信号的调制模式(例如，64qam或qpsk)相关联的一个调制值，则网络设备101可以将发送信号xj的检测值设置为该调制值。这有助于实现快速收敛并且避免学习过度拟合。例如，在框330处，在每次迭代中，如果发送信号的集合xj中的一个发送信号的检测值与关联于调制模式的调制符号(表示为mv)之间的差小于接近度阈值tprox，则网络设备101可以将发送信号的集合中的一个发送信号的检测值设置/锚定为调制符号mv。也就是说：如果|mv-xj|＜tprox，则设置xj＝mv，其中xj表示第i个发送信号。此后，这种操作也称为锚定操作。在一些实施例中，接近度阈值tprox可以取决于调制模式。例如，对于qpsk和16qam调制模式，接近度阈值tprox可以不同。为了说明而非限制，在一些实施例中，接近度阈值tprox可以被确定为：tprox＝anrate*stepvalue(10)其中anrate表示初始锚定速率，其可以被设置为例如但不限于0.1，而stepvalue表示自适应因子，其可以取决于用于发送信号的调制模式。例如，可以将针对调制模式的stepvalue设置为与该调制模式相关联的调制符号之间的最近距离。对于qpsk，调制符号的值可以表示为：smv＝{x+yj}，其中x，y∈{-1，1}(11)在该示例中，这些符号之间的最近距离为2。因此，针对qpsk的stepvalue可以设置为2。类似地，对于16qam，调制符号的值可以表示为：在这种情况下，这些符号之间的最近距离为2/3，因此针对16qam的stepvalue可以设置为2/3。备选地或附加地，在一些实施例中，为了实现快速收敛，在框330处，网络设备101可以对发送信号x的检测值施加约束。例如，网络设备101可以确定与调制模式相关联的调制符号的集合(例如，针对qpsk和16qam分别使用等式(11)或(12))。对于调制符号的集合，网络设备101确定最大实部和最大虚部。最大实部和最大虚部分别用作检测信号的实部和虚部的极限。也就是说，在每次迭代中，如果发送信号的集合中的一个发送信号(例如，第j个发送信号xj)的检测值的实部超过所确定的最大实部，则网络设备101将实部设置为所确定的最大实部。同样，如果发送信号的集合中的一个发送信号的检测值的虚部超过所确定的最大虚部，则网络设备101将虚部设置为所确定的最大虚部。作为示例而非限制，用于实现用于改进收敛属性的上述可选的锚定操作的锚定函数(表示为anchor())的计算机指令可以如下构造：初始化：设置锚定速率：anrate。例如，anrate＝0.1计算smv的stepvalue，stepvalue是符号邻居的最近距离，例如：对于qpsk，stepvalue＝2；对于16qam，stepvalue＝2/3。anchor()主例程：对于j＝0至nt；#real(x)用于获取复数x的实值；imag(x)用于获取复数x的虚值。#real(smv)是所有smv元素的实值组合集合。#imag(smv)是所有smv元素的虚值组合集合。#x值不可能大于或小于smv中的最大或最小实值或虚值。如果real(xj)＞max(real(smv))：则real(xj)＝max(real(smv))如果real(xj)＜min(real(smv))：则real(xj)＝min(real(smv))如果imag(xj)＞max(imag(smv))：则imag(xj)＝max(imag(smv))如果imag(xj)＜min(imag(smv))：则imag(xj)＝min(imag(smv))找到xj的最接近的调制值mv：mv＝argminmv∈smv|mv-xj|如果|mv-xj|＜anrate*stepvalue，则设置xj＝mv#循环结束输出锚定的权重#anchor()函数结束锚定操作可以带来一些好处，诸如快速收敛和避免ann过度拟合。例如，如果可以锚定所有权重(即，发送信号x)，则可以立即停止基于gd的迭代操作。附加地，在一些实施例中，锚定操作还有助于改进mmimo检测准确度，例如，可以降低符号错误率，这是由于去除了由锚定发送信号而引起的噪声。框330处的检测可以响应于各种条件而终止。例如，在一些实施例中，如果已经达到预定迭代回合(期)次数，则网络设备101可以停止框330处的检测。下文中将这种结束检测的方式称为ec1。备选地，在一些实施例中，可以确定在当前迭代回合和上一迭代回合中获取的发送信号的集合的检测值之间的差。如果该差下降至收敛阈值以下，则可以终止检测。例如，如果由更新引起的发送信号x的变化小于收敛阈值∈，即下式，则网络设备可以停止更新。|xcur-xpre|2＜∈(13)其中∈表示预定义收敛阈值；xcur表示在当前迭代回合中x的检测值，并且xpre表示在上一迭代回合中x的检测值。下文中将这种结束迭代回合的方式称为ec2。在一些实施例中，可以通过使用ec1和ec2的混合方法来停止迭代/更新。也就是说，如果预定迭代回合次数已经完成，或者如果x的变化已经小于等式(12)所示的∈，则网络设备101可以结束更新。用于停止更新的混合方式可以称为ec3。为了说明而非限制，可以如下来构造用于利用用于结束更新的方法ec3来实现基于gd的信号检测的计算机过程：输入：信道估计h，其是nr*nt矩阵。接收信号y，其是nr*1矩阵发送符号x的调制模式，在此，每个符号x可以使用不同的调制模式。输出：解码符号x，其是nt*1矩阵初始化：设置gd结束条件：基于期值；基于阈值；或者基于期值和阈值两者。设置期值和∈值。设置初始权重值x＝0。设置学习速率方法：方法1：基于初始学习速率值η和学习速率期水平降低速率γ，这两个值均应当小于1。方法2：基于预定义查找表，预定义表可以基于经验或测试来构建。#anchor()函数不是强制性的，但是其有助于避免过度拟合设置锚定速率值：anrate，例如为0.1.该参数用于anchor()函数#可选初始化部分不是强制性的，但是其有助于快速收敛。可选初始化：计算h矩阵的行长度平方：hrowlensquare，其为nr*1矩阵计算最大h行长度平方：maxlensquare＝max(hrowlensquare)可以合适地调节h行阶数，例如基于hrowlensquare基于gd的mmimo主例程：对于ep＝0到期：#该步骤用于设置学习速率，建议两种方式：设置该期的学习速率：速率＝η*γep，或者基于预定义查找表来选择速率#如果anchor()函数被启用，则在每个期回合中将其调用一次：调用anchor()#如果anchor()发现经学习的权重已经足够良好，则立刻退出。如果所有权重都可以被锚定：则退出期循环#开始针对h的每一行进行gd更新：对于i＝0至nr：对于h的第i行，基于(4a)来计算误差：对于j＝0至nt：如果使用可选初始化：如果maxlensquare<＝1，则权重更新可以基于(8)或(9)；如果maxlensquare>1，则权重更新可以基于(9)；如果未使用可选初始化，则基于(3)-(4a)来进行权重更新；如果h的所有行的gd更新在这个期回合中完成，则检查结束条件：如果等式(13)为真，则gd更新完成，退出期循环#gd更新循环的结束#期循环的结束输出解码权重：如果输出为softbits，则仅输出经学习的权重如果输出为hardbit，则找到每个权重的最接近smv的符号值作为输出#基于gd的mmimo检测算法结束为了验证所提出的检测解决方案的优势，已经将基于gb的信号检测方法的一些实施例的性能与传统的mmse方法进行了比较，并且比较的结果在图4中示出。在比较期间，采用结束条件ec1，并且将迭代回合(期)的数目设置为10。附加地，对于所有不同的snr和所有期回合，学习速率r均设置为恒定值0.3，并且其归一化基于1/maxlensquare。使用锚定操作，并且将等式(10)中的anrate设置为0.1。对于每个snr情况，使用30000个数据样本来获取结果。结果表明，就ser性能而言，在4qam情况下，基于gd的检测优于基于mmse的检测。在一些实施例中，通过损失函数来保证性能改进，损失函数是凸函数并且确保基于gd的更新的收敛。此外，所提出的基于gd的检测解决方案不涉及任何信道矩阵变换(例如，无需计算信道矩阵h的协方差矩阵或伪逆)，并且作为结果，所有信道空间分集属性得以保留。这个特征还有助于提高性能。如图4所示，对于16qam和64qam情况，基于gd的检测和基于mmse的检测实现了几乎相同的性能。但是，基于gd的检测需要较少的计算复杂性。特别地，基于gd的检测的计算复杂度仅为o(nr*nt)。在检测期间，如果锚定操作发现权重x已经足够接近预期符号，则可以停止迭代，因此所需要的平均迭代次数很小。附加地，所提出的检测方法基于ann的设计，这表示，所开发的ann技术可以在检测中重用。例如，它可以支持ann支持的硬件中的并行处理。所提出的检测解决方案也是灵活的。很容易在每次迭代或每个迭代回合中添加更多高级功能。例如，在一些实施例中，可以添加针对学习速率的锚定操作和/或归一化操作。这使得解决方案可以从另外的开发中受益。还应当注意，本公开的实施例可以广泛地应用于各种场景中。例如，一些实施例可以用于复杂的mmimo信号检测，并且支持不同的调制、不同的snr和不同的天线数目等。图5示出了装置500的简化框图，该装置500可以实施在网络设备中/实施为网络设备(例如，图1所示的网络设备101)，或者实施在终端设备中/实施为终端设备(例如，图1所示的终端设备102)。如图5的示例所示，装置500包括控制装置500的操作和功能的处理器510。例如，在一些实施例中，处理器510可以借助于存储在与其耦合的存储器520中的指令530来实现各种操作。存储器520可以是适合于本地技术环境的任何合适的类型，并且可以使用任何合适的数据存储技术来实现，作为非限制性示例，诸如基于半导体的存储器终端设备、磁性存储器终端设备和系统、光学存储器终端设备和系统、固定存储器和可移动存储器。尽管在图5中仅示出了一个存储器单元，但是装置500中可以存在多个物理上不同的存储器单元。处理器510可以是适合于本地技术环境的任何适当的类型，并且作为非限制性示例，可以包括以下中的一项或多项：通用计算机、专用计算机、微处理器、数字信号处理器dsp和基于多核处理器架构的处理器。装置500也可以包括多个处理器510。处理器510还可以与收发器540耦合，该收发器540使得能够借助于一个或多个天线550和/或其他组件来接收和发送信息。例如，处理器510和存储器520可以协同操作以实现参考图3描述的方法300。应当理解，以上参考图3描述的所有特征也适用于装置500，并且因此这里将不详细描述。本公开的各个实施例可以由计算机程序或计算机程序产品来实现，该计算机程序或计算机程序产品由以下中的一项或多项可执行：处理器(例如，图5中的处理器510)、软件、固件、硬件或其组合。尽管以上描述中的一些是在图1所示的无线通信系统的上下文中进行的，但是这不应当被解释为限制本公开的精神和范围。本公开的原理和概念可以更普遍地适用于其他场景。附加地，本公开还提供了包含计算机指令530的载体。该载体可以是计算机可读存储介质，诸如包含如上所述的计算机程序或计算机程序产品的存储器。计算机可读介质可以包括例如磁盘、磁带、光盘、相变存储器或电子存储器终端设备，如随机存取存储器(ram)、只读存储器(rom)、闪存设备、cd-rom、dvd、蓝光光盘等。本文中描述的技术可以通过各种手段来实现，使得实现利用实施例描述的对应装置的一个或多个功能的装置不仅包括现有技术的部件，而且还包括用于实现利用实施例描述的对应装置的一个或多个功能的部件，并且其可以包括用于每个单独的功能的单独的部件，或者可以包括可以被配置为执行两个或更多个功能的部件。例如，这些技术可以以硬件(一个或多个装置)、固件(一个或多个装置)、软件(一个或多个模块)或其组合来实现。对于固件或软件，实现可以通过执行本文中描述的功能的模块(例如，过程、功能等)来进行。上面已经参考方法和装置的框图和流程图示描述了本文中的示例实施例。应当理解，框图和流程图的每个框以及框图和流程图的各个框的组合可以分别通过包括硬件、软件、固件及其组合的各种方式来实现。例如，在一个实施例中，框图和流程图的每个框图以及框图和流程图的各个框的组合可以由计算机程序或包括计算机程序指令的计算机程序产品来实现。这些计算机程序指令可以被加载到通用计算机、专用计算机或其他可编程数据处理装置上以产生机器，使得在计算机或其他可编程数据处理装置上执行的指令创建用于实现在一个或多个流程图框中指定的功能的部件。此外，尽管以特定顺序描绘了操作，但这不应当被理解为要求以所示的特定顺序或以连续的顺序执行这样的操作，或者执行所有示出的操作以实现理想的结果。在某些情况下，多任务和并行处理可能是有利的。同样，尽管以上讨论中包含若干特定实现细节，但是这些细节不应当被解释为对本文中描述的主题的范围的限制，而应当被解释为对可以特定于特定实施例的特征的描述。在本说明书中在单独的实施例的上下文中描述的某些特征也可以在单个实施例中组合实现。相反，在单个实施例的上下文中描述的各种特征也可以单独地在多个实施例中或以任何合适的子组合来实现。而且，尽管以上可以将特征描述为以某些组合执行动作并且甚至最初如此要求保护，但是在某些情况下可以从组合中排除所要求保护的组合中的一个或多个特征，并且所要求保护的组合可以涉及子组合或子组合的变型。对于本领域技术人员而言明显的是，随着技术的进步，本发明构思可以以各种方式来实现。本领域普通技术人员将理解，在不脱离如所附权利要求书中阐述的本公开的范围的情况下，可以进行各种修改和改变。相应地，说明书和附图应当被认为是说明性的而是非限制性意义的，并且所有这样的修改旨在被包括在本公开的范围内。本文中寻求的保护如以下权利要求书中所述。下面列出了本公开中使用的一些缩写及其对应表达：gd：梯度下降bgd：批量梯度下降sgd：随机梯度下降mimo：多输入多输出天线系统mmimo：大规模多输入多输出天线系统svd：奇异值分解5g：第五代电信系统gnodeb：5gnodebawgn：加性高斯白噪声zf：迫零zf-ic：具有干扰消除的迫零lmmse：线性最小均方误差lmmse-ic：利用干扰消除的线性最小均方误差pda：概率数据关联mcmc：马尔可夫链蒙特卡洛sdr：半定松弛qam：正交幅度调制ann：人工神经元网络dnn：深度神经元网络ser：误符号比率snr：信噪比当前第1页12