一种MIMO通信系统中基于深度学习的符号检测方法

一种mimo通信系统中基于深度学习的符号检测方法
技术领域
1.本发明涉及一种mimo系统中信道输出符号检测方法，属于移动通信技术领域。


背景技术：

2.mimo(multiple-input multiple-output)技术是指，针对多径无线信道，在发射端和接收端分别使用多个发射天线和接收天线。它与传统的信号处理方式的不同之处在于其同时从时间和空间两个方面研究信号的处理问题，信号通过发射端和接收端的多个天线传送和接收，从而能够在不增加带宽与发射功率的前提下，提高系统的可靠性，减少误比特率，改善无线信号的传送质量，使得系统能在有限的无线频带下传输更高速率的数据业务。
3.近年来，多种mimo系统检测算法相继被提出，但传统技术的一大问题是需要对链路做信道估计，这一过程在大规模mimo中需要巨大开销，从而降低数据传输速率。此外，现有的通信信号处理算法虽然能很好地适用于具有易处理数学模型的系统，但对于复杂的大规模非线性系统来说，效率会降低。而这样的场景就可以通过dl(deep learning)技术来解决，dl可以通过结构良好的近似来描述非线性特征。
4.深度学习技术是人工智能和机器学习的一个子集，它使用多层非线性处理单元进行特征提取和转换。与传统的机器学习技术相比，dl技术的性能随着训练数据数量的增加而显著提高。大部分现代深度数据挖掘技术都是在人工神经网络的基础上发展起来的。近几年，神经网络在图像分类、阶段标记、语音识别等领域已经超越了其他算法，在某些任务上可以达到与人类相当的性能。而最近的研究也表明，dl可以在信号处理和通信问题中提供显著的性能改进，特别是dl技术用于改进常规通信系统的某些部分，如线性码的解码，新的调制和解调方案的设计和信道模型参数的估计。这些都改进得益于dnn(deep neural network)的固有性质，dnn作为一种通用的函数逼近器，具有优越的对数学习能力和强大的优化能力，因此可以通过良好的近似来拟合非线性系统场景，提升系统性能。


技术实现要素：

5.发明目的：为了克服现有技术中存在的不足，本发明提供一种mimo通信系统中基于深度学习的符号检测方法，解决了mimo系统中需要信道估计问题。
6.技术方案：为实现上述目的，本发明采用的技术方案为：
7.一种mimo通信系统中基于深度学习的符号检测方法，首先搭建mimo移动通信系统模型，然后根据信道输出符号特点构建神经网络，对于两部分神经网络输入分别做特征提取，合并处理后得到对下一个待检测符号的预测概率。接着生成相同信道矩阵h下的训练样本和测试样本，对训练样本做拆解以及独热码编码处理，然后输入神经网络调整参数进行训练。最后将训练好的神经网络用于对不同信噪比下的测试样本集的逐层检测，具体包括以下步骤：
8.步骤1、构建mimo通信系统模型，包括n
t
个发射天线、nr个接收天线，复信号模型：
9.10.其中，矢量表示接收端接收到的符号矢量，矢量为发射端经过qam调制后的复传输符号，矩阵表征服从高斯分布的块衰落复信道，矢量为复加性高斯白噪声；
11.将复信号模型等效成实信号模型：
[0012][0013][0014]
y＝hx+v
[0015]
其中：x表示复传输符号做实部虚部拆分处理后的发射符号矢量，做实部虚部拆分处理后的发射符号矢量，为qam调制中幅值表，表示复传输符号的实部，表示复传输符号的虚部；v表示复高斯噪声做实部虚部拆分处理后的噪声矢量，做实部虚部拆分处理后的噪声矢量，表示复高斯噪声的实部，表示复高斯噪声的虚部；h表示复信道矩阵的经过实部虚部拆分后的信道矩阵，矩阵，表示复信道矩阵的实部，表示复信道矩阵的虚部；y表示接收端符号矢量经过实部虚部拆分后的符号矢量，经过实部虚部拆分后的符号矢量，表示复接收矢量的实部，表示复接收矢量的虚部；
[0016]
步骤2、根据符号特征设计神经网络，神经网络包括依次连接的输入层、隐藏层、输出层，其中：
[0017]
输入层分为s_in部分和s_out部分，s_in部分表征当前检测状态，用独热码one_hot表示。s_in部分用于表征当前检测状态，感知当前层数，从而控制神经网络输出。s_out部分为接收端接收到的等效实信号矢量y。s_out部分用于为神经网络提供符号信息和信道信息，从而对符号序列做出整体预测。
[0018]
隐藏层包括卷积层一、全连接层一、高斯白噪声层一、全连接层二、全连接层三，所述卷积层一与全连接层一连接，高斯白噪声层一与全连接层二连接，所述全连接层一、全连接层二分别与全连接层三连接。s_in部分输入经过卷积层一、全连接层一，s_out部分输入经过高斯白噪声层一、全连接层二，全连接层一和全连接层二的输出合并后输入到全连接层三。s_in部分在高维度时可能会出现维数激增的情况，因此接入一个一维卷积层，将每个符号位的one_hot码卷积成一个特征，将s_in部分处理成2n
t
维的特征。s_out部分代表信道输出，添加一层高斯噪声层，在训练阶段模拟信道中的高斯噪声，避免出现噪声固定造成的过拟合，在测试阶段高斯噪声层被屏蔽，处理不同信噪比下的样本。
[0019]
全连接层三与输出层连接，输出层的输出为对下一个待检测码的概率的预测结果。
[0020]
步骤3、生成训练样本和各种信噪比下的测试样本。
[0021]
步骤4、训练阶段：根据训练样本调试神经网络参数，降低训练损失，获得训练好的神经网络。
[0022]
步骤5、检测阶段：对不同信噪比下的测试样本，从起始时刻未检测状态起，将状态输入训练好的神经网络，得到下一个码元的预测结果，更新状态并重新输入进训练好的神经网络，逐层向后检测，直到检测出全部码元。
[0023]
优选的：步骤2中，神经网络的输入中s_in部分对当前检测状态做one_hot编码处理：当有2n
t
个符号输入到信道，若采用qpsk调制，幅值表则检测状态包含2n
t
位，已检测的位置填充进实际符号-1或+1，未检测位置填充为0。为使距离计算更为合理，对检测状态使用one_hot编码，将-1，0，+1三种离散状态扩展为100，010，001，编码后s_in部分包含6n
t
位。
[0024]
优选的：步骤3中，根据神经网络的设计生成的训练样本不加入高斯噪声。而检测阶段则根据不同信噪比，生成不同噪声下的测试样本。
[0025]
优选的：输出层为概率值，当概率大于0.5，则预测下一个符号为+1。当概率小于0.5，则预测下一个符号为-1。
[0026]
本发明相比现有技术，具有以下有益效果：
[0027]
本发明提出的一种mimo通信系统中基于深度学习的符号检测方法，与mimo系统检测技术相比，通过对神经网络进行离线训练，使得接收端能够利用神经网络在不进行信道估计的情况下对信道输出做出可靠检测，大大降低了符号检测的复杂度。
附图说明
[0028]
图1为本发明实施例所采用mimo通信系统图。
[0029]
图2为本发明实施例所采用的神经网络结构图。
[0030]
图3为本发明实施例所采用的one_hot编码图。
[0031]
图4为本发明实施例所采用的检测流程图。
[0032]
图5为本发明实施例所采用的检测仿真结果图。
具体实施方式
[0033]
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
[0034]
一种mimo通信系统中基于深度学习的符号检测方法，如图1、4所示，采用16
×
16的mimo系统，即n
t
＝nr＝16。发射端采用qpsk调制，幅值表
[0035]
1.等效后的实信号模型中：
[0036]
y＝hx+v
[0037]
其中：
[0038]
2.如图2所示，搭建神经网络框架：
[0039]
神经网络输入层：s_in模块为经过one_hot编码处理过后的1
×
96的输入层，s_out模块对应信道输出y，为1
×
32的输入层。
[0040]
神经网络隐藏层：s_in输入模块后接入一层一维卷积层：卷积核个数为3，时域窗长度为1，激活函数为relu。一层32
×
32的全连接层，激活函数为relu。
[0041]
s_out输入模块后接入一层标准差为0.1的高斯噪声层和一层32
×
32的全连接层，激活函数为relu。两模块合并后接入一层64
×
32的全连接层，激活函数为sigmoid。
[0042]
神经网络输出层：输出层为概率值，当概率大于0.5，则预测下一个符号为+1。当概率小于0.5，则预测下一个符号为-1。
[0043]
3.样本生成阶段，对于训练样本和测试样本，采用相同的信道矩阵h。
[0044]
4.训练样本：随机生成4000组样本，由于神经网络加入高斯噪声层，因此训练样本中只有信道矩阵h作用，将每组样本拆分成32组小样本并做one_hot编码处理，如图3所示。
[0045]
5.测试样本：信噪比从0取至30，步长为3，每个信噪比下生成100组测试样本，样本中均有随机噪声v和信道矩阵h作用。
[0046]
神经网络训练阶段，将训练样本输入神经网络进行训练，选择adam优化器，学习率为0.01，指定均方误差作为损失函数，添加绝对值误差作为评估方法。
[0047]
检测阶段，在每个信噪比下对各自的100组测试样本做逐层符号检测，获得的误差取平均值作为误比特率，图5为16
×
16mimo系统，4qam调制检测仿真结果图。
[0048]
与现有技术相比，本发明提出的基于深度学习的符号检测方法，通过对神经网络进行离线训练，使得接收端能够利用神经网络在不进行信道估计的情况下对信道输出做出可靠检测，大大降低了符号检测的复杂度。
[0049]
在本技术所提供的实施例中，应该理解到，所揭露的方法，在没有超过本技术的精神和范围内，可以通过其他的方式实现。当前的实施例只是一种示范性的例子，不应该作为限制，所给出的具体内容不应该限制本技术的目的。例如，本技术中的调制方式可以扩展为16qam，64qam等。神经网络结构中参数可以根据实际场景做相关修改。系统可以扩展为更大规模mimo系统。
[0050]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。