一种高阶大规模MIMO信号检测方法

一种高阶大规模mimo信号检测方法
技术领域
1.本发明属于无线通信技术领域，涉及一种高阶大规模mimo信号检测方法。


背景技术：

2.大规模多输入多输出(multiple-input multiple-output，mimo)技术由于其在用户端和基站端配备了成百上千的天线，因而它可以显著地提高通信的频谱效率和能量效率，实现高速率、低时延的传输。然而，天线数的增加也大幅度提高了系统的维度，从而极大地增加了符号检测的困难，比如最小均方误差检测(minimum mean-square error detector，mmse)，迫零检测(zero forcing，zf)，迭代序列检测(iterative sequential detection，isd)等传统检测算法，虽然它们已经被证实能够实现近似最优的检测性能，但是随着天线数的增加，其复杂度呈指数倍增长，同时还伴随着性能恶化。
3.深度学习作为人工智能的核心技术之一，已经被应用于无线通信领域及其他领域。由于它能够通过非线性的操作和深层次的神经网络实现复杂函数的逼近，因此，最近也被运用到大规模mimo的信号检测中。如模型驱动的dl-based(model-driven deep learning-based，dl-based)网络，数据驱动的detnet(detection network，detnet)网络以及基于此网络改进的scnet(sparsely connected detection neural network，scnet)网络，与传统的检测算法相比，具有显著的性能优势。然而，这些网络的检测性能在高阶调制的场景下受到限制。为了解决该问题，msnet(multi-segment mapping network，msnet)网络被提出，通过设计基于sigmoid激活函数的阶梯型函数sigs，在高阶调制下实现了较好的检测性能。但这并不完美，因为sigs函数的两端存在饱和性的弊端，使得在训练神经网络的过程中，阻止了梯度的后向传播，导致网络产生意想不到的性能损失。


技术实现要素：

4.针对上述现有技术，本发明要解决的技术问题是提供一种高效的高阶大规模mimo信号检测方法，大幅度提高传统多用户干扰消除算法的检测性能及收敛速度，并且适用于高阶调制的通信场景。
5.为解决上述技术问题，本发明的一种高阶大规模mimo信号检测方法，包括以下步骤：
6.s1：初始化大规模mimo系统的参数，包括设定基站天线数m，单天线用户数k，接收信号矢量y，信道矩阵h，并且初始化初始解
7.s2：利用外推技术加速多用户干扰消除算法，具体为：
[0008][0009]
其中，l表示第l次迭代，表示第l次迭代的发送信号估计值，d为矩阵h
t
h的对角部
分，为最佳外推因子，其中λ
min
和λ
max
分别是矩阵d-1ht
h的最小特征值和最大特征值；
[0010]
s3：将s2中加速的多用户干扰消除算法最佳外推因子γ视为可学习参数β，通过深度学习使外推因子达到最优值，即：
[0011][0012]
采用稀疏连接的方式构建得到深度神经网络amic-net：
[0013][0014][0015]
其中，∏(
·
)表示非线性操作，
⊙
为哈达玛积，w
l
和b
l
分别是第l层的权重矩阵和偏置矢量，p是w
l
的权重连接矩阵，控制每层权重的稀疏性；
[0016]
s4：将步骤s3中的非线性操作∏(
·
)设计为阶梯型激活函数softsum(
·
)，对估计值z
l
进行多段映射：
[0017][0018][0019]
其中，sign(
·
)函数是符号函数，g
t
是空间平移的步长，2n为高阶调制星座点的总数，并且满足2n≥4，为一组可学习参数，softsign(
·
)是神经网络激活函数，满足：
[0020][0021]
s5：采用adam优化算法对构建的amic-net神经网络模型进行训练，更新网络的训练参数使损失函数最小，以获得训练后的检测模型；
[0022]
s6：将训练好的amic-net模型用于高阶大规模mimo的信号检测中，从基站端恢复出原始的发送信号。
[0023]
进一步的，s1中初始解满足：
[0024][0025]
其中，da是mmse滤波矩阵a＝h
τ
h+σ2i
2k
的对角部分，(
·
)-1
和(
·
)
t
分别表示矩阵求逆和矩阵转置的操作，σ2是噪声方差，i
2k
为2k阶的单位矩阵。
[0026]
进一步的，s5中损失函数具体为：
[0027][0028]
其中，l表示网络的层数，s为真实的发送信号，||
·
||表示欧几里得范数。
[0029]
本发明的有益效果：
[0030]
本发明的目的在于克服多用户干扰消除算法(isd)应用在大规模mimo系统中检测性能差的缺点，并针对现有的高阶qam调制检测方案在后向传播过程中存在梯度消失，学习效率较低的问题，提供一种高效的用于高阶大规模mimo信号检测的方法，能够大幅度提高传统多用户干扰消除算法的检测性能及收敛速度，并且适用于高阶调制的通信场景。
[0031]
1)本发明提供了一种高效的用于高阶大规模mimo信号检测的方法，该方法构建的神经网络具有结构简单，计算复杂度低，并且能够有效满足高阶大规模mimo对检测精度和速度的要求。
[0032]
2)本发明提出的一种高效的用于高阶大规模mimo信号检测的方法大幅度改善了传统的多用户干扰消除算法的检测性能，并且和传统的mmse，isd检测器及现有的基于数据驱动的scnet，msnet，基于模型驱动的dl-based检测网络相比，具有显著的性能优势。
[0033]
3)本发明设计的基于softsign激活函数的阶梯函数不仅可以有效地避免msnet中由sigs激活函数的饱和性所引起的梯度消失，而且由于其曲线更加平坦，可以使网络在后向传播的过程中更高效地学习，进一步提高网络的误码率性能和训练速度。
附图说明
[0034]
图1为大规模mimo系统模型；
[0035]
图2为一种高效的用于高阶大规模mimo信号检测的方法所构建的神经网络单元结构图；
[0036]
图3为本发明的amic-net的网络连接图；
[0037]
图4为本发明设计的softsum(
·
)阶梯激活函数与sigs激活函数在16-qam调制方式下的函数映射曲线对比图；
[0038]
图5为16-qam调制的amic-net在k＝32，m＝64的天线配置下的不同激活函数的误码率(ser)曲线图；
[0039]
图6为16-qam调制的各种检测方式在k＝32，m＝128的天线配置下的误码率曲线图。
具体实施方式
[0040]
下面结合说明书附图和实施例对本发明做进一步说明。
[0041]
本发明实施例考虑在基站端配备了m根接收天线，发射端有k个单天线用户的上行链路多用户大规模mimo系统，如图1所示。此系统假设在基站端完全已知信道状态信息，并且采用16-qam调制方式。则系统模型可以表述如下：
[0042][0043]
其中表示发射信号，表示接收信号，加性高斯白噪声服从均值为0，方差为σ2的复高斯分布，此外，信道矩阵采用瑞利衰落信道，其分布服从
n(0,1)的独立同分布。大规模mimo信号检测的目的就是从接收的m维向量中恢复出发送的k个信号。
[0044]
为了使深度学习的处理过程更加容易，可以将高阶调制的复信号模型转换到实数域中，具体描述如下：
[0045][0046]
其中和分别表示取实部和虚部操作，将一个复数信号在检测阶段拆分成两个实数信号，从而避免使用复数进行信号处理。因此，式(1)可以用实值矢量和矩阵的形式描述如下：
[0047]
y＝hs+n
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0048]
如图2所示，本发明包括以下步骤：
[0049]
步骤s1：初始化大规模mimo系统的相关参数，包括设定基站天线数m，单天线用户数k，接收信号矢量y，信道矩阵h，并且设初始解
[0050]
其中，da是mmse滤波矩阵a＝h
τ
h+σ2i
2k
的对角部分，(
·
)-1
和(
·
)
t
分别表示矩阵求逆和矩阵转置的操作，σ2是噪声方差，i
2k
为2k阶的单位矩阵。
[0051]
步骤s2：利用外推技术加速多用户干扰消除算法，即将每次迭代得到的估计值与上一步的估计值作线性组合来计算新的估计值，得到加速的多用户干扰消除算法为：
[0052][0053]
其中，l表示第l次迭代，表示第l次迭代的发送信号估计值，d为矩阵h
t
h的对角部分，为最佳外推因子，其中λ
min
和λ
max
分别是矩阵d-1ht
h的最小特征值和最大特征值。
[0054]
步骤s3：引入数据驱动的深度学习方法，将加速的多用户干扰消除算法进行展开，构建amic-net(accelerated multiuser interference cancellationnetwork)深度神经网络。
[0055]
步骤s3中的amic-net深度神经网络构建过程包括以下分步骤：
[0056]
步骤s31：把步骤s2中的最佳外推因子γ视为可学习参数β，通过深度学习使外推因子达到最优值，具体描述如下：
[0057][0058]
步骤s32：将等式(5)的加速的多用户干扰消除算法作进一步地拆分，并根据与向量之间元素的对应关系，采用稀疏连接的方式构建神经网络模型amic-net。其连接结构如图3所示，其中的实线表示相同索引之间的元素可以传递信息，而
虚线是被简化了的连接，表示不需要进行信息交换，因此产生稀疏性。网络表达式具体描述为：
[0059][0060][0061]
其中，π(
·
)表示非线性操作，
⊙
为哈达玛积，w
l
和b
l
分别是第l层，维度为2k
×
4k的权重矩阵和维度为2k
×
1的偏置矢量，p是w
l
的权重连接矩阵，控制每层权重的稀疏性。
[0062]
步骤s4：将步骤s3中的非线性操作π(
·
)设计为一个新的阶梯型激活函数softsum(
·
)，对估计值z
l
进行多段映射。如图4所示，本发明设计的softsum函数与msnet中的sigs函数相比，其曲线更加平坦并且在两端是非饱和的，这意味着神经网络不仅可以通过后向传播更高效地学习，而且还可以阻止由于激活函数的饱和性所引起的梯度消失。具体公式描述如下：
[0063][0064][0065]
其中，sign(
·
)函数是符号函数，g
t
是空间平移的步长，2n为高阶调制星座点的总数，并且满足2n≥4，为一组可学习参数，softsign(
·
)是神经网络常用的激活函数，满足：
[0066][0067]
步骤s5：采用adam(adaptive moment)优化算法对构建的amic-net神经网络模型进行训练，更新网络的训练参数使损失函数达到最小，以获得训练后的检测模型，其中损失函数为：
[0068][0069]
其中，l表示网络的层数，s为真实的发送信号，||
·
||表示欧几里得范数，并且在训练过程中设置动态学习率进行学习，例如使用初始值为0.0001的动态学习率进行学习。
[0070]
s6：将训练好的amic-net模型用于高阶大规模mimo的信号检测中，从基站端恢复出原始的发送信号。
[0071]
下面结合图5和图6对本发明的效果做进一步阐述。
[0072]
图5为16-qam调制的amic-net在k＝32，m＝64的天线配置下的不同激活函数的误码率(ser)曲线图。从图5的仿真结果可以看出，本发明的amic-net在softsum激活函数下的误码率性能优于sigs激活函数下的误码率性能，这证实了本发明设计的softsum激活函数
能够进一步提高网络的检测精度。
[0073]
图6为16-qam调制的各种检测方式在k＝32，m＝128的天线配置下的误码率曲线图。如图6的仿真结果，在16-qam的高阶调制方式下，amic-net不仅极大地改善了传统的多用户干扰消除算法(isd)的检测性能，而且还明显的超过了现有的其他算法，这也证实了本发明的amic-net可以很好的适应高阶调制的通信场景。