一种大规模多输入多输出系统上行信号检测方法

摘要

本发明提供一种大规模多输入多输出系统上行信号检测方法，能够提高信号检测的精度，降低信号检测的复杂度。所述方法包括：获取大规模多输入多输出系统接收端接收到的信号矩阵；利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；利用去噪器学习信号矩阵中的等效噪声并进行移除，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；利用训练完成的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测。本发明涉及信号检测领域。

权利要求

1.一种大规模多输入多输出系统上行信号检测方法，其特征在于，包括：获取大规模多输入多输出系统接收端接收到的信号矩阵，其中，信号矩阵是含有噪声的信号；

利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；

利用去噪器学习信号矩阵并移除含噪信号中的等效噪声，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；

利用训练完成的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测。

2.根据权利要求1所述的大规模多输入多输出系统上行信号检测方法，其特征在于，大规模多输入多输出上行链路传输系统的实数模型为：y＝Hx+n

其中，y表示接收端接收到的信号矩阵，H表示瑞利衰落信道的信道矩阵，x表示发射端发射天线发送的信号矢量，n表示加性高斯白噪声矢量。

3.根据权利要求1所述的大规模多输入多输出系统上行信号检测方法，其特征在于，学习去噪近似消息传递神经网络由L层相同的神经网络组成，每层神经网络都包含相同结构的去噪器和散度估计器；且2层相邻的神经网络之间通过级联的方式连接。

4.根据权利要求3所述的大规模多输入多输出系统上行信号检测方法，其特征在于，第l层神经网络的输入是：接收到的信号矩阵y、第l-1层神经网络检测到的信号 以及第l-1层神经网络输出的残差向量zl；

第l层神经网络检测到的信号为：

其中， 表示经第l层神经网络检测到的信号； 为去噪器， 表示噪声标准偏差估计； 为第l-1层神经网络检测出的信号；zl为第l-1层神经网络输出的残差向量。

5.根据权利要求4所述的大规模多输入多输出系统上行信号检测方法，其特征在于，噪声标准偏差估计表示为：其中，||·||2表示2-范数；K表示发射端发射天线的数目。

6.根据权利要求4所述的大规模多输入多输出系统上行信号检测方法，其特征在于，第l层神经网络输出的残差向量表示为：其中，zl+1表示第l层神经网络输出的残差向量；H表示瑞利衰落信道的信道矩阵；K表示发射端发射天线的数目； 表示散度估计器；T表示矩阵转置。

7.根据权利要求6所述的大规模多输入多输出系统上行信号检测方法，其特征在于，散度估计器采用蒙特卡罗近似去计算散度：其中， 表示散度， 表示求均值，下标b指的是其采用的独立同分布随机向量；

表示一个独立同分布随机向量；ε是一个防止被除数为0的参数；rl为含噪信号，是第l层神经网络中的去噪器的输入信号，

8.根据权利要求7所述的大规模多输入多输出系统上行信号检测方法，其特征在于，所述利用去噪器学习信号矩阵并移除含噪信号中的等效噪声，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪包括：针对第l层神经网络，通过第l层神经网络中的去噪器学习含噪信号 将含噪信号 作为一个噪声信道矢量 其中，x表示发射端发射天线发送的信号矢量， 表示等效噪声，

从rl中移除等效噪声 去检测 中的 输出 输入到第l+1层神经网络；

当l＝L时，将第L层神经网络检测出的信号 作为发送端发送的信号。

说明书

一种大规模多输入多输出系统上行信号检测方法

技术领域

[0001] 本发明涉及信号检测领域，特别是指一种大规模多输入多输出系统上行信号检测方法。

背景技术

[0002] 随着无线通信技术的不断发展，各式各样的无线通信设备进入到人们的生活中，极大地提升了人们的工作效率和生活质量，但同时人们对数据传输的速度、带宽、性能等需求也与日俱增。

[0003] 大规模多输入多输出(Massive Multiple-Input Multiple-Output,Massive MIMO)技术将来自不同信道的信号进行线性组合可以缓解信道失真现象，通过增加基站侧天线的数目，大幅度降低发射功率，进一步提高信道容量和传输速率，同时可以将波束能量集中在一个非常窄的范围内，极大地削弱了衰落、干扰以及噪声对信号的影响。信号检测作为对信号进行处理的第一环，其误码性能和复杂度水平，对信号的还原有着至关重要的作用。所以一个优良的信号检测算法，不仅是能将信号还原的保证，也是在此基础上通信系统进一步发展的基石。

[0004] 现有技术中，一般通过浅层神经网络进行信号检测，检测精度低且检测复杂度高。

发明内容

[0005] 本发明要解决的技术问题是提供一种大规模多输入多输出系统上行信号检测方法，以解决现有技术所存在的通过浅层神经网络进行信号检测，检测精度低且检测复杂度高的问题。

[0006] 为解决上述技术问题，本发明实施例提供一种大规模多输入多输出系统上行信号检测方法，包括：

[0007] 获取大规模多输入多输出系统接收端接收到的信号矩阵，其中，信号矩阵是含有噪声的信号；

[0008] 利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；

[0009] 利用去噪器学习信号矩阵中的等效噪声并进行移除，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；

[0010] 利用训练完成的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测。

[0011] 进一步地，大规模多输入多输出上行链路传输系统的实数模型为：

[0012] y＝Hx+n

[0013] 其中，y表示接收端接收到的信号矩阵，H表示瑞利衰落信道的信道矩阵，x表示发射端发射天线发送的信号矢量，n表示加性高斯白噪声矢量。

[0014] 进一步地，学习去噪近似消息传递神经网络由L层相同的神经网络组成，每层神经网络都包含相同结构的去噪器和散度估计器；且2层相邻的神经网络之间通过级联的方式连接。

[0015] 进一步地，第l层神经网络的输入是：接收到的信号矩阵y、第l-1层神经网络检测到的信号 以及第l-1层神经网络输出的残差向量zl；

[0016] 第l层神经网络检测到的信号为：

[0017]

[0018] 其中， 表示经第l层神经网络检测到的信号； 为去噪器， 表示噪声标准偏差估计； 为第l-1层神经网络检测出的信号；zl为第l-1层神经网络输出的残差向量。

[0019] 进一步地，噪声标准偏差估计表示为：

[0020]

[0021] 其中，||·||2表示2-范数；K表示发射端发射天线的数目。

[0022] 进一步地，第l层神经网络输出的残差向量表示为：

[0023]

[0024] 其中，zl+1表示第l层神经网络输出的残差向量；H表示瑞利衰落信道的信道矩阵；K表示发射端发射天线的数目； 表示散度估计器；T表示矩阵转置。

[0025] 进一步地，散度估计器采用蒙特卡罗近似去计算散度：

[0026]

[0027] 其中， 表示散度， 表示求均值，下标b指的是其采用的独立同分布随机向量； 表示一个独立同分布随机向量；ε是一个防止被除数为0的参数；rl为含噪信号，是第l层神经网络中的去噪器的输入信号，

[0028] 进一步地，所述利用去噪器学习含噪信号，并从含噪信号中移除等效噪声，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪包括：

[0029] 针对第l层神经网络，通过第l层神经网络中的去噪器学习含噪信号将含噪信号 作为一个噪声信道矢量 其中，x表示发射端发射天线发送的信号矢量， 表示等效噪声，

[0030] 从噪声信号rl中移除等效噪声 去检测 中的 输出 输入到第l+1层神经网络；

[0031] 当l＝L时，将第L层神经网络检测出的信号 作为发送端发送的信号。

[0032] 本发明的上述技术方案的有益效果如下：

[0033] 上述方案中，获取大规模多输入多输出系统接收端接收到的信号矩阵，其中，信号矩阵是含有噪声的信号；利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；利用去噪器学习信号矩阵中的等效噪声并进行移除，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；利用训练完成的基于压缩图像恢复准则的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测，能够提高信号检测的精度，降低信号检测的复杂度，是一种有效的能够满足实时性要求的信号检测方法。

附图说明

[0034] 图1为本发明实施例提供的大规模多输入多输出系统上行信号检测方法的流程示意图；

[0035] 图2为本发明实施例提供的Massive MIMO上行链路传输系统模型示意图；

[0036] 图3为本发明实施例提供的第l层神经网络的结构示意图；

[0037] 图4为本发明实施例提供的第l层神经网络的工作流程示意图；

[0038] 图5为本发明实施例提供的去噪器的结构示意图；

[0039] 图6为本发明实施例提供的归一化均方误差曲线对比示意图。

具体实施方式

[0040] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

[0041] 本发明针对现有的通过浅层神经网络进行信号检测，检测精度低且检测复杂度高的问题，提供一种大规模多输入多输出系统上行信号检测方法。

[0042] 实施例一

[0043] 如图1所示，本发明实施例提供的大规模多输入多输出系统上行信号检测方法，包括：

[0044] S101，获取大规模多输入多输出系统接收端接收到的信号矩阵，其中，信号矩阵是含有噪声的信号；

[0045] S102，利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；

[0046] S103，利用去噪器学习信号矩阵中的等效噪声并进行移除，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；

[0047] S104，利用训练完成的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测。

[0048] 本发明实施例所述的大规模多输入多输出系统上行信号检测方法，获取大规模多输入多输出系统接收端接收到的信号矩阵，其中，信号矩阵是含有噪声的信号；利用接收到的信号矩阵训练基于压缩图像恢复准则的学习去噪近似消息传递神经网络，得到学习去噪近似消息传递神经网络中去噪器的权重；利用去噪器学习信号矩阵中的等效噪声并进行移除，检测出发送端发送的信号，完成学习去噪近似消息传递神经网络的训练，其中，所述学习去噪近似消息传递神经网络利用近似消息传递实现学习去噪；利用训练完成的基于压缩图像恢复准则的学习去噪近似消息传递神经网络进行大规模多输入多输出系统上行信号检测，能够提高信号检测的精度，降低信号检测的复杂度，是一种有效的能够满足实时性要求的信号检测方法。

[0049] 本实施例中的学习去噪近似消息传递神经网络是利用可学习的近似消息传递算法，从接收端接收到的信号矩阵中学习信号并进行信号检测。

[0050] 此外，本实施例中的学习去噪近似消息传递神经网络不同于训练一个相对任意的黑匣子(只知道输出结果，不清楚处理过程)来学习恢复信号，而是将迭代的信号恢复算法展开，将其结果视为一个深度网络，这样产生的网络行为易于理解，性能有保障，可预测网络缺点。本实施例中的学习去噪近似消息传递神经网络继承了迭代信号恢复算法和深度学习技术的优越性(例如，有足够的泛化和拟合性能)，具有优异的性能，可以应用于许多不同的测量矩阵。

[0051] 为了更好地理解本发明实施例所述的大规模多输入多输出系统上行信号检测方法，对其进行详细说明：

[0052] 首先在Massive MIMO上行链路传输系统中，用户终端发射的信号在信道中经过调制传输并叠加噪声后到达接收端的基站，在接收端，接收到相应的信号矩阵，其中，所述信号矩阵一般为大维度信号矩阵，优选地，维度一般大于128，维度越大，本实施例所述的大规模多输入多输出系统上行信号检测方法的检测精度越高。

[0053] 如图2所示，图2为Massive MIMO上行链路传输系统模型示意图，每个数据流对应一根发射天线，一个发射端的用户终端可以同时使用一根或多根天线，发射端发射天线的数目为：

[0054]

[0055] 其中，M为基站同时服务的用户终端个数，Ki(1≤Ki≤K,N＞＞K)为第i个用户终端配置的天线数，N为接收端基站侧配置的天线数目。

[0056] 本实施例中，用户终端传输的二进制比特经过高阶调制后映射为星座图中的一组符号，并且对其进行功率归一化，发射天线发送的K×1维的复数信号矢量为：

[0057] xc＝[xc1,xc2,...,xcK]T

[0058] 其中，xc为发射天线传输发送的K×1维的复数信号矢量，xck为第k根天线发送的复数信号。

[0059] 本实施例中，Massive MIMO上行链路传输系统的复数数学模型为：

[0060] yc＝Hcxc+nc

[0061] 其中，Hc为N×K维的瑞利衰落信道的复数信道矩阵，nc＝[nc1,nc2,...,ncN]T为N×1维的复数加性高斯白噪声矢量，即 表明噪声矢量nc服从均值为0、方差为σ2的复高斯分布，yc＝[yc1,yc2,...,ycN]T为N×1维接收端基站接收到的复数信号矢量。

[0062] 本实施例中，通过将复数值Hc投影到实值矩阵中，Massive MIMO的复数模型转换为一个相对应的实数模型为：

[0063] y＝Hx+n

[0064] 其中，

[0065] 本实施例中的学习去噪近似消息传递神经网络由L层相同的神经网络组成，每层神经网络都包含相同结构的去噪器和散度估计器，如图3所示；且2层相邻的神经网络之间通过级联的方式连接。

[0066] 如图3和图4所示，第l层神经网络的输入是：接收到的信号矩阵y、第l-1层神经网络检测到的信号 以及第l-1层神经网络输出的残差向量zl，l的最大取值为L，其中，第1层输入的 和z1是依靠经验值确定；

[0067] 第l层神经网络检测到的信号为：

[0068]

[0069] 其中， 表示经第l层神经网络检测到的信号； 为去噪器， 表示噪声标准偏差估计； 为第l-1层神经网络检测出的信号；zl为第l-1层神经网络输出的残差向量。

[0070] 本实施例中，去噪器 的权重是噪声标准偏差估计 的函数，且噪声标准偏差估计 其中，||·||2表示2-范数；K表示发射端发射天线的数目。在训练期间学习去噪近似消息传递神经网络学习的参数仅有去噪器 的权重。

[0071] 本实施例中，去噪器 的权重是去噪器中各个卷积层所采用的滤波器的权重，可通过去噪器的输入信号 学习权重。

[0072] 本实施例中，第l层神经网络输出的残差向量表示为：

[0073]

[0074] 其中，zl+1表示第l层神经网络输出的残差向量；H表示瑞利衰落信道的信道矩阵；K表示发射端发射天线的数目； 表示散度估计器；T表示矩阵转置。

[0075] 本实施例中， 为昂萨格(Onsager)修正项，它消除了中间解的偏差，使得下文中的等效噪声遵循典型图像去噪器所期望的加性高斯白噪声模型。

[0076] 本实施例中，如图4所示，散度估计器采用蒙特卡罗近似去计算散度：

[0077]

[0078] 其中， 表示散度， 表示求均值，下标b指的是其采用的独立同分布随机向量； 表示一个独立同分布随机向量；ε是一个防止被除数为0的参数，其取值是一个极微小的量，例如，ε＝||xl||∞/1000；rl为含噪信号，是第l层神经网络中的去噪器的输入信号，

[0079] 本实施例中，第l层神经网络输入的是接收到的信号矩阵y、第l-1层神经网络检测l到的信号 以及第l-1层神经网络输出的残差向量z；针对第l层神经网络，通过第l层神经网络中的去噪器学习含噪信号 确定学习的残余噪声(HTzl)，将含噪信号
作为一个噪声信道矢量 其中，x表示发射端发射天线发送的信号矢
量， 表示等效噪声， 表示等效噪声 服从均值为0，方差
为 的高斯分布；从噪声信号rl中移除等效噪声 去检测 中的 输出
输入到第l+1层神经网络；当l＝L时，将第L层神经网络检测出的信号 作为发送端发送的信号。

[0080] 本实施例中，针对第l层神经网络，根据 zl、接收信号y以及通过蒙特卡罗近似计算的散度输出残差向量zl+1。

[0081] 图5为去噪器的结构示意图，所述去噪器通过残差学习来学习参数，可以处理噪声水平未知的高斯去噪问题，它相比于其他竞争技术更准确和快速。去噪器将含噪信号作为输入，通过学习残余噪声HTzl产生残差向量zl+1，并完成从含噪信号到去噪信号的映射。这样的残差学习使网络去除高度结构化的信号(指的是去噪器输入的有用信号 )，而不是非结构化噪声，因此，残差学习改善了网络的训练时间和准确性。所述去噪器包含了20个卷积层，第一个卷积层使用64个不同的3x3x1的滤波器，然后再使用一个整流线性单元(rectified linear unit,ReLU)；随后的18个卷积层分别使用64个不同的3x3x64的滤波器，每一层滤波器后都跟着一个批量标准化(batch-normalization,BN)和一个ReLU，最后一个卷积层使用一个单独的3x3x64的滤波器去重建信号。

[0082] 经实验表明，本发明实现了利用学习去噪的学习去噪近似消息传递神经网络进行Massive MIMO系统上行信号检测，从而在信号检测中获得良好的归一化均方误差性能，其中，归一化均方误差为：

[0083]

[0084] 图6为归一化均方误差曲线对比示意图，由图6可知，利用学习去噪的学习去噪近似消息传递神经网络(LDAMP)进行Massive MIMO系统上行信号检测的归一化均方误差要小于非局部均值近似消息传递(NLM-AMP，其中，NLM-AMP是一种浅层神经网络)算法，则可以证明利用学习去噪的学习去噪近似消息传递神经网络的Massive MIMO系统上行信号检测方法的检测性能相比传统的NLM-AMP算法的检测性能好。

[0085] 综上，本实施例所述的利用学习去噪的学习去噪近似消息传递神经网络的Massive MIMO系统上行信号检测方法，将深度学习应用到无线通信领域，实现Massive MIMO系统上行信号检测，可满足实时性要求，并提高信号检测精度，降低信号检测的复杂度。可以将本实施例所述的利用学习去噪的学习去噪近似消息传递神经网络的Massive MIMO系统上行信号检测方法应用于下一代移动通信技术，满足低时延高可靠的需求，不仅节约了设计成本，简化了设计流程，同时为检测各类型的无线信号提供了新思路，适应场景具有一般性。

[0086] 以上所述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，在不脱离本发明所述原理的前提下，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。