一种无线信号检测方法及装置

本发明属于移动通信，更具体地，涉及一种无线信号检测方法及装置。

背景技术：

1、下一代移动通信技术将具备泛在化、社会化、智能化等显著特征，信道传播范围覆盖超大带宽、高中低多频段、空天地海等复杂环境。此外，为了满足对更高容量、更宽覆盖范围和更好可靠性的日益增长的需求，新技术，如免授权接入、无小区大规模多输入多输出、正交时频空间调制和智能反射面，被设想纳入当前的通信系统。然而，随着天线数量和用户数量的增加，信号的维度都大幅增大，加剧了信号检测的复杂度，导致传统的信号检测方法可能失效。

2、另一方面，随着深度学习在自然语言处理和计算机视觉领域的成功应用，基于深度学习的智能信号检测成为无线通信信号处理中具有前景的技术之一。同传统的信号检测方法相比，智能信号检测方法具备如下优势：(1)在不满足理想假设和精确建模条件下能获得更优性能；(2)能建立“端到端”的检测模型并结合张量并行计算技术可实现快速的向前推理计算；(3)具有强大的非线性抽象能力能够现实更高精度的信号检测。

3、然而，现有的工作几乎都是基于集中式的处理架构，面对高维度的通信信号及实际应用中资源有限的基带单元，存在计算复杂度高、通信开销大等难题。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提供了一种无线信号检测方法及装置，由此解决未来通信系统中高维度信号检测复杂度高的难题。

2、为实现上述目的，按照本发明的第一方面，提供了一种无线信号检测方法，包括：

3、离线阶段：

4、构建检测模型，所述检测模型包括多层神经网络；

5、每层神经网络以通信系统的接收信号、信道矩阵以及上一层神经网络输出的变量节点概率分布为输入，计算变量节点的第一均值和第一方差，所述第一均值等于每个发射符号与先验概率乘积的累加和；根据第一均值和第一方差计算从校验节点传递给变量节点的信息的第二均值和第二方差，再根据第二均值和第二方差计算从变量节点传递给校验节点的信息的第三均值和第三方差；基于第三均值和第三方差以及变量节点概率分布更新变量节点的状态，并输出本层神经网络的发射信号估计值；

6、其中，第一层神经网络以通信系统的接收信号、信道矩阵以及平均初始化变量节点概率分布为输入；

7、利用训练数据集对所述检测模型进行训练；

8、在线阶段：

9、将通信系统的接收信号和信道信号输入离线阶段训练好的检测模型，得到发送信号的检测结果。

10、进一步地，所述根据第一均值和第一方差计算从校验节点传递给变量节点的信息的第二均值和第二方差，包括：

11、计算第i个校验节点与除第j个变量节点外的其他相连变量节点之间信道矩阵与第j个变量节点的第一均值的乘积的累加和；利用第i个校验节点的接收信号值减去该累加和，得到第i个校验节点传递给第j个变量节点的信息的第二均值；

12、计算第i个校验节点与除第j个变量节点外的其他相连变量节点之间信道矩阵平方与第j个变量节点的第一方差的乘积的累加和，并与系统噪声方差相加，得到第i个校验节点传递给第j个变量节点的信息的第二方差。

13、进一步地，引入第一可训练的步进因子，将第一可训练的步进因子与所述第二方差相乘，作为最终第二方差。

14、进一步地，所述根据第二均值和第二方差计算从变量节点传递给校验节点的信息的第三均值和方差，包括：

15、计算第j个变量节点与除第i个校验节点外的其他相连校验节点之间信道矩阵平方与第i个校验节点传递给第j个变量节点的信息的第二方差的比值的累加和，并取该累加和的倒数值作为第j个变量节点传递给第i个校验节点的信息的第三方差；

16、计算第j个变量节点与除第i个校验节点外的其他相连校验节点之间信道矩阵与第i个校验节点传递给第j个变量节点的信息的第二均值的乘积，并与第i个校验节点传递给第j个变量节点的信息的第二方差相除；将所有比值相加，并与第三方差相乘，得到第j个变量节点传递给第i个校验节点的信息的第三均值。

17、进一步地，引入第二可训练的步进因子，将第二可训练的步进因子与所述第三方差相乘，作为最终第三方差。

18、进一步地，所述基于第三均值和第三方差以及变量节点概率分布更新变量节点的状态，包括：

19、利用每个发射符号与第三均值之间差值的平方与第三方差相除，将得到的比值求取负指数幂，得到变量节点初级更新概率；将可训练的阻尼因子和所述初级更新概率的乘积作为第一项，将正数1与阻尼因子之间的差值和本层神经网络输入的变量节点概率分布的乘积作为第二项，再将第一项和第二项相加，得到本层神经网络最终更新的变量节点概率分布值。

20、进一步地，所述利用训练数据集对所述检测模型进行训练，包括：利用联邦学习策略对所述检测模型进行分布式离线训练，具体为：

21、s21，在每个分布式节点中构建所述检测模型，平均分配所述训练数据集，并随机初始化全局网络权重参数；

22、s22，将全局网络权重参数传递至各局部节点，作为各局部节点的局部网络权重参数；

23、s23，各局部节点利用分配的数据对检测模型进行训练，调节各自的局部网络权重参数；

24、s24，各局部节点将更新后的局部网络权重参数传递至中心节点进行融合，完成全局网络权重参数的更新；

25、s25，重复s22至s24，直至达到最大通信次数，完成整个分布式训练。

26、进一步地，所述s24包括：

27、中心节点汇聚所有更新后的局部网络权重参数，然后将其求倒并相加，然后再取倒数，作为最终的全局网络权重参数。

28、进一步地，所述训练数据集通过以下方式生成：

29、根据信号检测任务配置相应的通信系统；

30、在发射端随机生成发送信号矩阵，并根据通信系统参数随机生成信道矩阵；

31、发送信号经过无线信道传输得到接收信号，所述接收信号表示为发送信号矩阵和信道矩阵的乘积与信道中的干扰噪声相加的结果；

32、以发送信号作为标签，对相应的接收信号矩阵和信道矩阵进行标注，构建训练数据集。

33、第二方面，本发明提供了一种无线信号检测装置，包括：

34、计算机可读存储介质和处理器；

35、所述计算机可读存储介质用于存储可执行指令；

36、所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如第一方面所述的无线信号检测方法。

37、总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

38、1、本发明利用模型驱动深度学习技术的强大非线性表示能力，将传统的高斯近似消息传递算法展开为多层神经网络级联的检测模型，其中每层神经网络的结构根据原检测算法单次迭代计算过程构建而来。从而利用深度学习的推理性能得到精度更高的检测结果。

39、2、本发明在上述检测模型中，构造可训练参数，包括可学习的阻尼因子和步进因子，用以进一步调节原检测算法的收敛速度。

40、3、本发明通过将联邦学习与模型驱动技术融合，提出一种分布式的智能信号检测方法。其不仅可以凭借深度学习强大的非线性抽象能力，在相同计算复杂度条件下得到更高的检测精度，而且通过分布式的处理方式，能进一步降低神经网络训练和计算的复杂度，减小对单个计算单元的资源开销。

41、4、本发明提供一种独特的基于消息融合的联邦学习方法。其与传统的基于均值融合的联邦学习不同，本发明将各局部节点的训练参数模型的倒数相加再求倒来实现全局模型的更新，使得网络能有更好的聚合效果。

42、5、本发明通过仿真通信系统，直接随机生成海量训练数据集，能够更加高效、低成本地获取充足训练样本，保障网络训练的有效性。