用于对多用户多输入多输出(MU-MIMO)通信系统的信号整形进行优化的方法和装置与流程

用于对多用户多输入多输出(mu
‑
mimo)通信系统的信号整形进行优化的方法和装置
技术领域
1.各种示例实施例涉及一种用于对多用户多输入多输出(mu
‑
mimo)通信系统的信号整形(signal shaping)进行优化的方法和装置。


背景技术：

2.诸如多输入/多输出(mimo)通信系统的通信系统是使用发送器和接收器处的多个天线以及高级数字信号处理来提高链路质量和容量的已知系统。mimo通信系统被用于使用多个发送和接收天线以利用多径传播来倍增无线电链路的容量。通过利用多径传播，mimo有助于在相同无线电信道上发送和接收多于一个数据信号。
3.利用mu
‑
mimo，基站被配备有多个天线，并且同时服务多个单天线用户。应该注意的是，空间复用由基站处的多个天线来实现，这些天线被利用来分离不同的用户。因此，mu
‑
mimo是5g无线通信标准的关键实现技术。期望超越5g无线通信标准，信号整形被预见为未来的无线通信系统的关键实现者(enabler)。信号整形提供了实现创纪录的高频谱效率。进一步地，实现增强的比特率性能将需要使用非常高的星座调制。然而，这种高阶星座对传输介质中的非线性敏感。因此，需要改进的技术以克服由高阶星座引起的这些挑战。
4.常规的信号整形(即，几何和概率qam星座整形)有望在光学和thz无线通信系统中实现创纪录的高比特/s/hz/极化。进一步地，常规的调制方案(例如正交幅度调制(qam))是次优的，并且主要针对实现便利性而被选择。用于正交幅度调制(qam)的信号整形可以被用于克服由高阶星座引起的挑战。然而，计算出实现最佳信息速率的调制方案是困难的。
5.当前，通过将发送器和接收器实现为深度神经网络(nn)并且学习最优星座整形和比特标记，各种原型实现可用于单输入单输出(siso)链路。进一步地，用于干扰信道的诸如基于神经网络(nn)的mimo符号检测和星座整形的一个或多个方法被采用。基于nn的mimo符号检测专注于考虑标准调制方案(诸如二进制相移键控(bpsk)或qam)来检测噪声接收符号。
6.然而，优化信号整形从未被考虑用于mu
‑
mimo通信系统。因此，需要改进的方法和装置来优化mu
‑
mimo通信系统的信号整形，以最大化信息速率。


技术实现要素：

7.根据示例实施例，一种用于对多用户多输入多输出(mu
‑
mimo)通信系统的信号整形进行优化的装置可以被公开。该装置可以包括用于接收比特向量b
u
的部件以及用于确定星座向量c
u
的部件，其中用于确定星座向量c
u
的部件包括用于调制比特向量b
u
的几何整形和标记块(gslb)。进一步地，gslb可以被配置为实现具有一个或多个可训练参数θ的算法。
8.进一步地，该装置可以包括用于从比特向量b
u
确定独热向量o
u
的部件，以及用于基于所确定的独热向量o
u
和星座向量c
u
来确定信道符号x
u
的部件，其中星座向量c
u
可以是从关于信道质量的信息被确定。关于信道质量的信息可以包括信道状态信息(csi)，诸如信噪
比(snr)、接收信号强度指示符(rssi)或信道质量指示(cqi)。在一个示例实施例中，信道符号x
u
可以通过从用于比特向量b
u
的星座向量c
u
中选择元素而被确定。
9.在一个示例实施例中，该装置可以被配置为通过神经网络来实现具有一个或多个可训练参数θ的算法。一个或多个可训练参数θ可以是算法的参数。术语“具有可训练参数θ的算法”或“带有可训练参数θ的算法”可以是其参数具有值的训练算法，其中该值通过训练该算法而被获得。在一个示例实施例中，诸如但不限于学习率、批次大小和sgd变型(诸如adam和rmsprop)的其他参数等参数可以是算法的参数。这种参数可以被用于确定一个或多个可训练参数θ的优良值。
10.在一个示例实施例中，gslb可以包括一个或多个致密层、实数到复数r2c转换层和归一化层，并且致密层中的每个致密层具有一个或多个激活函数，并且其中gslb的一个或多个致密层可以包括一个或多个可训练参数θ。
11.该装置还可以包括用于通过以下操作训练gslb的部件：初始化一个或多个可训练参数θ；对多个比特向量b＝(b1，b2，...b
u
)采样；至少基于多个比特向量b来确定损失函数；以及通过对损失函数执行随机梯度下降(sgd)操作来更新一个或多个可训练参数θ。sgd操作可以被执行，直到预定的停止标准已经被满足为止，该预定的停止标准包括预定次数的迭代或者损失函数在预定义次数的迭代内没有被降低。一个或多个可训练参数θ的这种更新辅助优化用于mu
‑
mimo通信系统的信号整形，因此导致最大化mu
‑
mimo通信系统中的信息速率或通信速率。
12.在一个示例实施例中，损失函数可以被定义为：
[0013][0014]
其中p
u，i(b)
是由第u个用户发送的第i个比特针对第b个训练示例被设置为1的概率。
[0015]
根据另一示例实施例，一种多用户多输入多输出(mu
‑
mimo)通信系统可以被公开。mu
‑
mimo通信系统可以包括多个发送器，多个发送器中的每个发送器可以接收比特向量b
u
以及确定星座向量c
u
，其中确定星座向量c
u
包括用于调制比特向量b
u
的几何整形和标记块(gslb)。
[0016]
在一个示例实施例中，每个发送器可以从比特向量b
u
确定独热向量o
u
以及基于所确定的独热向量o
u
和星座向量c
u
来确定信道符号x
u
，其中星座向量c
u
从关于信道质量的信息被确定。关于信道质量的信息可以包括信道状态信息(csi)，诸如信噪比(snr)、接收信号强度指示符(rssi)或信道质量指示(cqi)。在一个示例实施例中，信道符号x
u
可以通过从用于比特向量b
u
的星座向量c
u
中选择元素而被确定。
[0017]
进一步地，gslb可以被配置为通过神经网络实现具有一个或多个可训练参数θ的算法。一个或多个可训练参数θ可以是算法的参数。术语“具有可训练参数θ的算法”或“具有可训练参数θ的算法”可以是其参数具有值的训练算法，其中该值是通过训练算法来获得的。在一个示例实施例中，诸如但不限于学习率、批次大小和sgd变型(诸如adam和rmsprop)的其他参数等参数可以是算法的参数。这种参数可以被用于确定一个或多个可训练参数θ的优良值。
[0018]
在一个示例实施例中，gslb可以包括一个或多个致密层、实数到复数r2c转换层和归一化层，并且致密层中的每个致密层具有一个或多个激活函数，以及其中gslb的一个或多个致密层可以包括一个或多个可训练参数θ。
[0019]
在一个示例实施例中，gslb可以通过以下操作来训练：初始化一个或多个可训练参数θ；对多个比特向量b＝(b1，b2，...b
u
)采样；至少基于多个比特向量b来确定损失函数；以及通过对损失函数执行随机梯度下降(sgd)操作来更新一个或多个可训练参数θ。sgd操作可以被执行，直到预定的停止标准已经被满足位置，该预定的停止标准包括预定义次数的迭代或者损失函数在预定义数量的迭代内没有被降低。一个或多个可训练参数θ的这种更新辅助优化mu
‑
mimo通信系统的信号整形，因此使得最大化mu
‑
mimo通信系统中的信息速率或通信速率。
[0020]
在一个示例实施例中，损失函数可以被定义为：
[0021][0022]
其中p
u，i(b)
是由第u个用户发送的第i个比特针对第b个训练示例被设置为1的概率。
[0023]
在一个示例实施例中，多个发送器中的每个发送器可以被配置为共享gslb的一个或多个可训练参数θ。
[0024]
mu
‑
mimo通信系统还可以包括mimo信道和接收器，其中接收器被配置为实现具有一个或多个可训练参数φ的解调和/或解映射算法，并且其中初始化步骤可以包括联合初始化一个或多个可训练参数θ和一个或多个可训练参数φ，并且更新步骤可以包括联合更新一个或多个可训练参数θ和一个或多个可训练参数φ。
[0025]
根据再一示例实施例，一种用于对包括多个发送器的多用户多输入多输出(mu
‑
mimo)通信系统的信号整形进行优化的方法可以被公开。该方法可以包括：在每个发送器处，接收比特向量b
u
并且确定星座向量c
u
，其中星座向量c
u
使用几何整形和标记块gslb而被确定，以用于调制比特向量b
u
，其中gslb被配置为实现具有一个或多个可训练参数θ的算法。
[0026]
该方法还可以包括：在每个发送器处，从比特向量b
u
确定独热向量o
u
，以及基于所确定的独热向量o
u
和星座向量c
u
来确定信道符号x
u
，其中星座向量c
u
从关于信道质量的信息被确定。关于信道质量的信息可以包括信道状态信息(csi)，诸如信噪比(snr)、接收信号强度指示符(rssi)或信道质量指示(cqi)。在一个示例实施例中，信道符号x
u
可以通过从比特向量b
u
的星座向量c
u
中选择元素而被确定。
[0027]
在一个示例实施例中，具有一个或多个可训练参数θ的算法可以由神经网络实施。一个或多个可训练参数θ可以是算法的参数。术语“具有可训练参数θ的算法”或“具有可训练参数θ的算法”可以是其参数具有值的训练算法，其中该值通过训练算法而被获得。在一个示例实施例中，诸如但不限于学习率、批次大小和sgd变型(诸如adam和rmsprop)的其他参数等参数可以是算法的参数。这种参数可以被用于确定一个或多个可训练参数θ的好值。
[0028]
在一个示例实施例中，gslb可以包括一个或多个致密层、实数到复数r2c转换层和归一化层，并且致密层中的每个致密层具有一个或多个激活函数，并且其中gslb的一个或
多个致密层可以包括一个或多个可训练参数θ。
[0029]
该方法还可以包括通过以下操作训练gslb：初始化一个或多个可训练参数θ；对多个比特向量b＝(b1，b2，...b
u
)采样；至少基于多个比特向量b来确定损失函数；以及通过对损失函数执行随机梯度下降(sgd)操作来更新一个或多个可训练参数θ。sgd操作可以被执行，直到预定的停止标准已经被满足位置，该预定的停止标准包括预定次数的迭代或者损失函在预定义次数的迭代内数没有被降低。一个或多个可训练参数θ的这种更新辅助优化mu
‑
mimo通信系统的信号整形，因此产生最大化mu
‑
mimo通信系统中的信息速率或通信速率。
[0030]
在一个示例实施例中，损失函数可以被定义为：
[0031][0032]
其中p
u，i(b)
是由第u个用户发送的第i个比特针对第b个训练示例被设置为1的概率。
[0033]
在一个示例实施例中，mu
‑
mimo通信系统可以包括mimo信道和接收器，其中接收器被配置为实现具有一个或多个可训练参数φ的解调和/或解映射算法，以及其中初始化步骤包括联合初始化一个或多个可训练参数θ和一个或多个可训练参数φ，并且更新步骤包括联合更新一个或多个可训练参数θ和一个或多个可训练参数φ。
[0034]
根据再一示例实施例，一种非瞬态计算机可读介质可以被公开。非瞬态计算机可读介质可以包括用于使处理器执行用于对多用户多输入多输出(mu
‑
mimo)通信系统的信号整形进行的功能的指令。mu
‑
mimo通信系统可以包括多个发送器。非瞬态计算机可读介质可以包括用于使处理器在每个发送器处执行功能的指令，包括接收比特向量b
u
以及确定星座向量c
u
，其中星座向量c
u
使用几何整形和标记块gslb被确定，以用于调制比特向量b
u
，其中gslb被配置为实现具有一个或多个可训练参数θ的算法。
[0035]
进一步地，非瞬态计算机可读介质包括用于使处理器在每个发送器处执行功能的指令，包括从比特向量b
u
确定独热向量o
u
以及基于所确定的独热向量o
u
和星座向量c
u
来确定信道符号x
u
，其中星座向量c
u
从关于信道质量的信息被确定。关于信道质量的信息可以包括信道状态信息(csi)，诸如信噪比(snr)、接收信号强度指示符(rssi)或信道质量指示(cqi)。在一个示例实施例中，信道符号x
u
可以通过从比特向量b
u
的星座向量c
u
中选择元素被确定。
[0036]
在一个示例实施例中，具有一个或多个可训练参数θ的算法可以由神经网络实现。一个或多个可训练参数θ可以是算法的参数。术语“具有可训练参数θ的算法”或“具有可训练参数θ的算法”可以是其参数具有值的训练算法，其中该值通过训练算法而被获得。在一个示例实施例中，诸如但不限于学习率、批次大小和sgd变型(诸如adam和rmsprop)的其他参数等参数可以是算法的参数。这种参数可以被用于确定一个或多个可训练参数θ的好值。
[0037]
在一个示例实施例中，gslb可以包括一个或多个致密层、实数到复数r2c转换层和归一化层，并且致密层中的每个致密层具有一个或多个激活函数，并且其中gslb的一个或多个致密层可以包括一个或多个可训练参数θ。
[0038]
非瞬态计算机可读介质包括用于使处理器执行功能的指令，包括通过以下操作训
练gslb：初始化一个或多个可训练参数θ；对多个比特向量b＝(b1，b2，...b
u
)采样；至少基于多个比特向量b来确定损失函数；以及通过对损失函数执行随机梯度下降(sgd)操作来更新一个或多个可训练参数θ。sgd操作可以被执行，直到预定的停止标准已经被满足位置，该预定的停止标准包括预定义次数的迭代或者损失函数在预定义次数的迭代内没有被降低。一个或多个可训练参数θ的这种更新辅助优化mu
‑
mimo通信系统的信号整形，因此产生最大化mu
‑
mimo通信系统中的信息速率或通信速率。
[0039]
在一个示例实施例中，损失函数可以被定义为：
[0040][0041]
其中p
u，i(b)
是由第u个用户发送的第i个比特针对第b个训练示例被设置为1的概率。
[0042]
在一个示例实施例中，mu
‑
mimo通信系统可以包括mimo信道和接收器，其中接收器被配置为实现具有一个或多个可训练参数φ的解调和/或解映射算法，并且其中初始化步骤可以包括联合初始化一个或多个可训练参数θ和一个或多个可训练参数φ，并且更新步骤可以包括联合更新一个或多个可训练参数θ和一个或多个可训练参数φ。
[0043]
总而言之，根据在此描述的示例性实施例的装置和方法允许对多用户多输入多输出(mu
‑
mimo)通信系统的信号整形进行。这种公开技术使用具有一个或多个可训练参数θ的函数，例如神经网络(nn)，它将关于信道质量的指示(例如snr)作为输入，并且提供星座点在复平面中的位置作为输出。该函数使用随机梯度下降(sgd)而被优化的，以使信息速率最大化。这种基于机器学习(ml)的方法使得能够优化任何信道模型的信号整形，并且可以解释硬件减损。对信号整形(即，几何和概率qam星座整形)的这种优化使得在光学和thz无线通信系统中实现创纪录的高比特/s/hz/极化。因此，在5g网络中的基于ml的方法这种使用可以产生对mu
‑
mimo通信系统的信号整形的联合优化。另外，所公开的技术也可以产生联合优化调制、标记、解调和解映射。在不使用可训练gslb的情况下，优化mu
‑
mimo通信系统的信号整形将不可行。
[0044]
为了实现前述和相关目的，一个或多个方面包括在下文中充分描述并且在权利要求中特别指出的特征。以下描述和附加附图详细陈述了某些说明性方面，并且指示各个方面的原理可以被采用的各种方式中的一些方式。当结合附图考虑时，其他优点和新颖特征将通过以下详细描述变得明显，并且所公开的方面旨在包括这种方面及其等效物。
附图说明
[0045]
本示例实施例的其他实施例、细节、优点和修改将通过结合附图的实施例的以下详细描述而变得明显，其中：
[0046]
图1图示了根据本文描述的主题的示例实施例的示出用于优化信号整形的多用户多输入多输出(mu
‑
mimo)通信系统的框图。
[0047]
图2图示了根据本文描述的主题的示例实施例的示出发送器架构的框图。
[0048]
图3图示了根据本文描述的主题的示例实施例的示出几何整形和标记块(gslb)架构的框图。
[0049]
图4图示了根据本文描述的主题的示例实施例的示出用于优化mu
‑
mimo通信系统的信号整形的方法的高级操作的流程图。
[0050]
图5图示了根据本文描述的主题的示例实施例的示出用于优化mu
‑
mimo通信系统的信号整形的方法的流程图。
[0051]
图6图示了根据本文描述的主题的示例实施例的示出用于通过使用训练期间的发送器中的每个发送器的共享gslb优化信号整形的mu
‑
mimo通信系统的框图。
[0052]
图7图示了根据本文描述的主题的示例实施例的示出用于训练gslb的一个或多个可训练参数的方法的流程图。
[0053]
图8图示了根据本文描述的主题的另一示例实施例的示出接收器处的标准mimo检测算法实施方式的框图。
[0054]
图9a和图9b图示了根据本文描述的主题的示例实施例的示出所学习的星座和整形与传统的16正交幅度调制(16qam)之间的比较的图。
[0055]
图10a和图10b图示了根据本文描述的主题的另一示例实施例的示出模拟结果的图。
[0056]
图11图示了根据本文描述的主题的一个示例实施例的示出装置的一个或多个组件的框图。
具体实施方式
[0057]
本公开的说明了其特征的一些实施例现在将被详细讨论。词语“包括(comprising)”、“having(具有)”、“containing(包含)”和“包括(including)”及其其他形式旨在在含义上等效且开放，因为这些词语中的任何一个之后的一个或多个项目并不意味着这种一个或多个项目的详尽列表，或者意味着被限于所列举的一个或多个项目。
[0058]
还应该注意的是，如本文和所附权利要求中所使用的，单数形式“一”、“一个”和“该”包括复数引用，除非上下文另外清晰指出。尽管与本文描述的装置和方法类似或等效的任何装置和方法可以被用于实践或测试本公开的实施例，但是该装置和方法现在将被描述。
[0059]
本公开的实施例在下文中将参照附图被更充分地描述，其中相同的数字在多个附图中表示相同的元件，并且示例实施例将被示出。然而，权利要求的实施例可以以许多不同形式被实施，并且不应该被解释为限于本文陈述的实施例。本文陈述的示例是非限制性示例，并且仅是其他可能示例中的示例。
[0060]
本公开的示例实施例及其潜在优点是通过参照附图的图1至11理解的，相同的数字被用于各个附图的相同且对应的部分。
[0061]
图1图示了根据示例实施例的示出用于优化信号整形的多用户多输入多输出(mu
‑
mimo)通信系统100的框图。mu
‑
mimo通信系统100包括多个发送器102
‑
1、
…
102
‑
u和接收器104。在下文中，多个发送器102
‑
1、
…
102
‑
u可以被称为102。多个发送器102可以包括发送器1、发送器2、
…
发送器u。
[0062]
发送器102中的每个发送器102可以包括至少一个传输天线，并且接收器104可以包括至少一个接收天线。在一个示例中，发送器102中的每个发送器102可以包括多个传输天线，并且接收器104可以包括多个接收天线。发送器102可以被称为和/或可以包括用户设
备(ue)、移动站(ms)、终端、接入终端、订户单元、站等的一些或所有功能性。发送器102的示例可以包括但不限于蜂窝电话、智能手机、个人数字助理(pda)、无线设备、电子汽车控制台、传感器或膝上型计算机。接收器104可以被称为基站。在一个示例实施例中，基站可以服务于ue。
[0063]
进一步地，发送器102中的每个发送器102可以经由信道106与接收器104通信。在一个示例实施例中，信道106可以是mimo信道。发送器102与接收器104之间的信道106可以具有状况或状态。信道106的状况可以随时间变化。进一步地，信道106的状况可以由信道106的一个或多个属性描述。应该注意的是，信道106的属性可以例如包括信道增益、信道相位、信噪比(snr)、接收信号强度指示符(rssi)或传递矩阵。
[0064]
本领域技术人员将显而易见的是，mu
‑
mimo通信系统100的上述组件仅出于说明目的被提供。mu
‑
mimo通信系统100还可以包括多个接收器，而不脱离本公开的范围。
[0065]
参照图1，发送器102中的每个发送器102可以经由信道106与接收器104通信。如上面所讨论的，每个发送器102可以包括用于传输信号的传输天线。应该注意的是，发送器102中的每个发送器102可以同时接收比特向量b＝b1，...，b
u
，其中其中k
u
是针对发送器102中的每个发送器102使用的每信道的比特数。进一步地，发送器102中的每个发送器102可以包括映射器108
‑
i(其中i＝1、2、..或u)。在下文中，映射器108
‑
i可以被称为映射器108。发送器102中的每个发送器102可以根据星座向量c
u
(即，包含形成星座的点的向量)和标记方案将k
u
个比特的传入比特向量映射到复基带信道符号
[0066]
应该注意的是，星座可以表示数字通信系统(诸如mu
‑
mimo通信系统100)中由数字调制方案(诸如正交幅度调制(qam)或相移键控(psk))调制的信号。进一步地，星座可以将信号表示为符号采样时刻的点在复数平面中的分布。进一步地，点与原点的距离可以表示信号的幅度或功率的度量。星座的这种形成可以提高信息速率。在一个示例实施例中，星座可以是例如正交幅度调制(qam)，并且标记方案可以是例如灰色标记(gray labeling)。
[0067]
此后，调制信道符号(即，x＝[x1，...，x
u
]
t
)可以通过信道106被传输给接收器104。在一个示例实施例中，来自每个传输天线的调制信道符号x
u
(其中u∈[1，...，u})然后可以由接收器104处的接收天线接收。每个传输天线与每个接收天线之间的路径可以由传递函数调制，并且整体信道传递函数可以通过这些传递函数的组合被形成以如下定义函数：
[0068]
y＝hx n
[0069]
其中是接收样本的向量，n是接收器104处的天线数目，
[0070]
是信道矩阵，以及
[0071]
是接收器噪声向量。
[0072]
本领域技术人员将显见的是，上述mimo信道模型仅出于说明目的被提供。在一个示例实施例中，附加减损可以由于硬件被添加到该模型上，而不脱离本公开的范围。
[0073]
相继地，来自接收天线的信号可以在接收器104处被提取。接收器104可以提取指示原始传输信号的数据。在一个示例实施例中，接收器104可以被配置为执行比特向量b＝b1，...，b
u
的mimo检测，其中其中k
u
是针对发送器102中的每个发
送器102的每信道使用的比特数。进一步地，接收器104可以包括解调器120和解映射器112。解调器110可以被配置为提供消息的调制信道符号在给定接收信号的情况下由多个传输天线中的传输天线传输的概率。进一步地，解调器110可以将调制信道符号解调成
[0074]
进一步地，解映射器112可以被配置为提供调制信道符号的每个比特被设置为1并且由多个传输天线中的传输天线传输的概率。此后，对接收信道符号的解映射可以被执行以计算所传输的比特上的概率。在一个示例实施例中，矩阵p可以被定义为：
[0075]
p＝{p
u，i
}
(u，i)
[0076]
其中p
u，i
表示第u个发送器102的所传输的第i个比特被设置为1的概率。
[0077]
在一个示例实施例中，解映射器112可以计算对数似然比(llr)。llr可以被定义为此后，然后llr(即，软信息)随后可以被馈送给信道解码器(未示出)。在一个示例实施例中，信道解码器可以是但不限于置信传播解码、极地列表解码、turbo解码器或卷积解码器。应该注意的是，这种模型可以对应于基于正交频分复用(ofdm)的系统或平坦衰落的单载波系统中的单个子载波上的传输，而不脱离本公开的范围。
[0078]
图2图示了根据示例实施例的示出发送器架构的框图。发送器102中的每个发送器102可以包括独热块(one
‑
hot block)202
‑
1、202
‑2…
202
‑
u以及几何整形和标记块(gslb)204
‑
1、204
‑2…
204
‑
u。在下文中，独热块202
‑
1、202
‑2…
202
‑
u可以被称为202，并且几何整形和标记块(gslb)204
‑
1、204
‑2…
204
‑
u可以被称为204。在一个示例实施例中，发送器102可以被称为装置。图2是结合图1描述的。
[0079]
首先，发送器102可以接收比特向量相继地，比特向量b
u
可以被提供给存在于发送器102内的独热块202。应该注意的是，用户可以逐信道使用而具有相同的比特数，k＝k
u
，u∈{1，...，u}。独热块202可以将比特向量b
u
转换成除了具有作为二进制表示的b
u
的位置处的一之外、仅包含零的维度k的向量，以获得独热向量o
u
。独热向量o
u
可以被定义为：onehot(b
u
)＝o
u
。在一个示例实施例中，如果b
u
＝[0，1，1]，那么onehot(b
u
)＝[0，0，0，0，1，0，0，0]
t
。相继地，gslb 204可以至少通过关于信道质量的信息来确定星座向量c
u
。关于信道质量的信息可以包括信道状态信息(csi)，诸如信噪比(snr)、接收信号强度指示符(rssi)或信道质量指示(cqi)。
[0080]
如图2所示，对应于每个发送器102
‑
1、102
‑
2、
…
102
‑
u的csi可以被用于确定星座向量c
u
。在一个示例实施例中，星座向量c
u
可以被定义为在另一示例实施例中，星座向量c
u
可以被独立地确定，即，代替由被馈送有关于信道质量的信息的神经网络生成。在一个示例实施例中，星座向量c
u
可以直接是可训练参数θ，即，θ＝c
u
。应该注意的是，存在于每个发送器102内的gslb 204可以被配置为通过神经网络来实现具有一个或多个可训练参数θ的算法。在一个示例实施例中，神经网络可以是具有一个或多个可训练参数θ的算法。一个或多个可训练参数θ可以是算法的参数。术语“具有可训练参数θ的算法”或“具有可训练参数θ的算法”可以是其参数具有值的训练算法，其中该值是通过训练算法而被获得。
[0081]
所确定的星座向量c
u
可以被用于将比特向量b
u
调制为信道符号x
u
。在一个示例实
施例中，信道符号x
u
可以被定义为：
[0082]
其中
[0083]
在另一示例实施例中，信道符号x
u
可以通过从用于比特向量b
u
的星座向量c
u
选择元素而被确定。本领域技术人员将显见的是，信道符号x
u
的上述确定仅出于说明目的被提供，而不脱离本公开的范围。
[0084]
图3图示了根据示例实施例的示出几何整形和标记块(gslb)架构的框图。
[0085]
如上面所讨论的，gslb 204可以从信道状态信息(csi)(诸如信噪比(snr))中的至少一项确定星座向量c
u
。gslb 204可以包括一个或多个致密层302、实数到复数(r2c)转换层304和归一化层306。致密层302中的每个致密层302可以具有一个或多个激活函数，诸如整流线性单元(relu)。应该注意的是，gslb 204的一个或多个致密层302可以包括一个或多个可训练参数θ。一个或多个可训练参数θ可以是算法的参数。术语“具有可训练参数θ的算法”或“具有可训练参数θ的算法”可以是其参数具有值的训练算法，其中该值是通过训练算法来获得的。在一个示例实施例中，gslb 204包括三个致密层，如图3所示。
[0086]
进一步地，r2c转换层304可以将实数转换成复数。进一步地，r2c转换层304可以起作用以将2z个实数映射到z个复数，例如通过解释一半实部并将另一半解释为虚部。此后，归一化层306可以确保复数的平方振幅和为固定数。对本领域技术人员明显的是，上述gslb架构仅出于说明目的被提供，而不脱离本公开的范围。
[0087]
图4图示了示出用于对mu
‑
mimo通信系统100的信号整形进行优化的方法的高级操作的流程图400。图4是结合图2和图3描述的。根据其他实施例的用于优化mu
‑
mimo通信系统100的信号整形的方法的优选步骤在图5中被描述。
[0088]
首先，在步骤402中，比特向量b
u
和信道状态信息(csi)向量被接收。在一个示例实施例中，发送器102可以接收比特向量b
u
和csi向量，其中相继地，在步骤404，独热向量o
u
从接收到的比特向量b
u
被确定。在一个示例实施例中，独热块202可以通过将比特向量b
u
转换成除了具有作为二进制表示的b
u
的位置处的一之外、仅包含零的维度k的向量来确定独热向量o
u
。相继地，在步骤406中，星座向量c
u
从csi向量被确定。在一个示例实施例中，使用gslb 204，星座向量c
u
可以从csi向量被确定。应该注意的是，星座向量c
u
也可以从接收信号强度指示符(rssi)被确定，而不脱离本公开的范围。
[0089]
进一步地，gslb 204可以被配置为通过神经网络来实现具有一个或多个可训练参数θ的算法。在一个示例实施例中，神经网络可以是具有一个或多个可训练参数θ的算法。相继地，gslb 204可以确定星座向量c
u
，以将比特向量b
u
调制为信道符号x
u
。应该注意的是，信道符号x
u
可以至少基于所确定的独热向量o
u
和星座向量c
u
来确定。在一个示例实施例中，信道符号x
u
可以被定义为:
[0090]
x
u
＝o
ut
c
u
[0091]
此后，在步骤408，信道符号x
u
被发送。在一个示例实施例中，发送器102可以通过信道106将信道符号x
u
发送给接收器104。应该注意的是，发送操作可以包括在子载波上(并且针对多个符号并行)调制信道符号x
u
，利用离散傅里叶变换(dft)矩阵进行扩频，然后是快速傅里叶逆变换(ifft)操作，添加循环前缀，并且混合到载波上。
[0092]
图5图示了根据示例实施例的示出用于使用gslb 204来优化mu
‑
mimo通信系统100
的信号整形的方法的流程图500。
[0093]
首先，在步骤502，比特向量b
u
和关于信道质量的信息可以被接收。关于信道质量的信息可以包括信道状态信息(csi)，诸如信噪比(snr)、接收信号强度指示符(rssi)或信道质量指示(cqi)。相继地，在步骤504中，独热向量o
u
可以从接收到的比特向量b
u
被确定。在一个示例实施例中，独热向量o
u
可以通过将比特向量b
u
转换成除了具有作为二进制表示的b
u
的位置处的一之外、仅包含零的维度k的向量而被确定。独热向量o
u
可以被定义为：onehot(b
u
)＝o
u
。在一个示例实施例中，如果b
u
＝[0，1，1]，那么onehot(b
u
)＝[0，0，0，0，1，0，0，0]
t
。
[0094]
相继地，在步骤506，星座向量c
u
可以从关于信道质量的信息被确定。星座向量c
u
可以使用gslb 204而被确定。应该注意的是，存在于每个发送器102内的gslb 204可以被配置为通过神经网络来实现具有一个或多个可训练参数θ的算法。在一个示例实施例中，神经网络可以是具有一个或多个可训练参数θ的算法。一个或多个可训练参数θ可以是算法的参数。术语“具有可训练参数θ的算法”或“具有可训练参数θ的算法”可以是其参数具有值的训练算法，其中该值是通过训练算法来获得的。在一个示例实施例中，诸如但不限于学习率、批次大小和sgd变型(诸如adam和rmsprop)的其他参数等参数可以是算法的参数。这种参数可以被用于确定一个或多个可训练参数θ的优良值。
[0095]
在一个示例实施例中，星座可以是例如正交幅度调制(qam)，并且标记方案可以是例如灰色标记。在另一示例实施例中，星座向量c
u
可以是独立地被确定的，即，代替由馈送有关于信道质量的信息的神经网络生成。在一个示例实施例中，星座向量c
u
可以直接是可训练参数θ，即，θ＝c
u
。所确定的星座向量c
u
可以被用于将比特向量b
u
调制为信道符号x
u
。在一个示例实施例中，在步骤508，信道符号x
u
可以至少基于星座向量c
u
和独热向量o
u
而被确定。信道符号x
u
可以被定义为：
[0096]
其中
[0097]
在另一示例实施例中，信道符号x
u
可以通过从比特向量b
u
的星座向量c
u
中选择元素而被确定。对本领域技术人员将明显的是，信道符号x
u
的上述确定仅出于说明目的被提供，而不脱离本公开的范围。此后，在步骤510，一个或多个可训练参数θ可以被更新。一个或多个可训练参数θ可以通过对损失函数执行随机梯度下降(sgd)操作而被更新。在一个示例实施例中，损失函数可以被定义为：
[0098][0099]
其中p
u，i(b)
是由第u个用户发送的第i个比特针对第b个训练示例被设置为1的概率。
[0100]
应该注意的是，sgd操作可以被执行，直到预定的停止标准已经被满足位置，该预定的停止标准包括预定义次数的迭代或者损失函数在预定义次数的迭代内没有被降低。对本领域技术人员将明显的是，更新一个或多个可训练参数θ可以辅助优化mu
‑
mimo通信系统100的信号整形，因此产生使mu
‑
mimo通信系统100中的信息速率或通信速率最大化。
[0101]
图6图示了根据示例实施例的示出的通过在训练期间使用用于发送器102中的每个发送器102的共享几何整形和标记块(gslb)204来优化信号整形的mu
‑
mimo通信系统100
的框图。如上文所讨论的，mu
‑
mimo通信系统100可以包括经由信道106与接收器104通信的多个发送器102。发送器102中的每个发送器102可以包括独热块202以及共享gslb 204。图6是结合图1、2和3描述的。
[0102]
首先，发送器102可以接收比特向量相继地，比特向量b
u
可以被提供给独热块202。独热块202将比特向量b
u
转换成除了具有作为二进制表示的b
u
的位置处的一之外、仅包含零的维度k的向量，以获得独热向量o
u
。独热向量o
u
可以被定义为：onehot(b
u
)＝o
u
。例如，如果b
u
＝[0，1，1]，那么onehot(b
u
)＝[0，0，0，0，1，0，0，0]
t
。相继地，针对发送器102中的每个发送器102，gslb 204可以至少从关于信道质量的信息确定星座向量c
u
。应该注意的是，关于信道质量的信息可以作为具有一个或多个可训练参数θ的算法的输入。关于信道质量的信息可以包括信道状态信息(csi)，诸如信噪比(snr)、接收信号强度指示符(rssi)或信道质量指示(cqi)。如图6所示，对应于关于信道质量的信息的snr可以被用于确定星座向量c
u
。星座向量c
u
可以被定义为：
[0103]
应该注意的是，单个gslb 204可以被与发送器102中的每个发送器102共享，并且可以被配置为通过神经网络来实现具有一个或多个可训练参数θ的算法。在一个示例实施例中，神经网络可以是具有一个或多个可训练参数θ的算法。一个或多个可训练参数θ可以是算法的参数。术语“具有可训练参数θ的算法”或“具有可训练参数θ的算法”可以是其参数具有值的训练算法，其中该值通过训练算法而被获得。具有一个或多个可训练参数θ的算法(例如神经网络)可以被用于联合学习由信道106中的发送器102中的每个发送器102使用的星座整形和标记。星座和标记可以针对某些信道特性被优化，在发送器102和接收器104处减损，并且用于给定接收器104和解映射算法。
[0104]
在一个示例实施例中，诸如但不限于学习率、批次大小和sgd变型(诸如adam和rmsprop)的其他参数等参数可以是算法的参数。这种参数可以被用于确定一个或多个可训练参数θ的优良值。所确定的星座向量c
u
可以被用于将比特向量b
u
调制为信道符号x
u
。在一个示例实施例中，信道符号x
u
可以被定义为：
[0105]
其中
[0106]
此后，调制信道符号(即，x＝[x1，...，x
u
]
t
)可以通过信道106被传输给接收器104。在一个示例实施例中，来自每个传输天线的调制信道符号x
u
然后可以由接收器104处的接收天线接收。每个传输天线与每个接收天线之间的路径可以通过传递函数来建模，并且整体信道传递函数可以通过这些传递函数的组合形成以如下定义函数：
[0107]
y＝hx n
[0108]
其中是接收样本的向量，n是接收器104处的天线数目，
[0109]
是信道矩阵，以及
[0110]
是接收器噪声向量。
[0111]
对本领域技术人员明显的是，上述mimo信道模型仅出于说明目的被提供。在一个示例实施例中，附加减损可以由于硬件被添加到该模型上，而不脱离本公开的范围。
[0112]
相继地，接收器104可以提取指示原始传输信号的数据。在一个示例实施例中，接
收器104可以被配置为执行对比特向量b1，...，b
u
的mimo检测，其中其中k
u
是针对发送器102中的每个发送器102的逐信道使用的比特数。如上面所讨论的，接收器104可以包括解调器110和解映射器112。应该注意的是，接收器104可以被配置为实现具有一个或多个可训练参数φ的解调和/或解映射算法。在接收器104处，解调和/或解映射算法可以是传统的不可训练算法或可训练算法。
[0113]
解调器110可以被馈送有噪声信号y以及可能估计的信噪比，并且输出比特p＝{p
u，i
}
(u，i)
上的概率，其中p
u，i
表示由第u个发送器102传输的第i个比特被设置为1的概率。应该注意的是，传统的解调算法可以包括但不限于线性最小均方(lmmse)检测器、迫零(zf)和匹配滤波器(mf)均衡器。
[0114]
在一个示例实施例中，解映射器112可以计算对数似然比(llr)。llr可以被定义为此后，然后llr(即，软信息)随后可以被馈送给信道解码器(未示出)。在一个示例实施例中，信道解码器可以是但不限于置信传播解码、极地列表解码、turbo解码器或卷积解码器。在一个示例实施例中，解映射器112可以通过神经网络由具有一个或多个可训练参数φ的算法实现。基于神经网络的解调算法的示例可以包括但不限于确定性联网(detnet)、大规模mimo网络(mmnet)和超mimo。在一个示例实施例中，神经网络可以是深度前馈神经网络。
[0115]
对本领域技术人员明显的是，用于通过在训练期间使用公共几何整形和标记块(gslb)204优化信号整形的上述mu
‑
mimo通信系统100仅出于说明目的被提供。在一个示例实施例中，发送器102中的每个发送器102也可以在mu
‑
mimo通信系统100中使用不同的gslb 204，而不脱离本公开的范围。
[0116]
图7图示了根据示例实施例的示出用于训练gslb 204的一个或多个可训练参数θ的方法的流程图700。图7是结合图6描述的。
[0117]
首先，在步骤702，一个或多个可训练参数θ可以被初始化。在一个示例实施例中，诸如但不限于学习率、批次大小和sgd变型(诸如adam和rmsprop)的其他参数等参数可以是算法的参数。这种参数可以被用于确定一个或多个可训练参数θ的优良值。相继地，在步骤704，多个比特向量b＝(b1，b2，...b
u
)可以被采样。应该注意的是，使用模拟，控制电路系统可以生成比特向量b＝[b1...b
k
]的b个样本，并且输出信号其中b是批次大小。
[0118]
相继地，星座向量c
u
可以从关于信道质量的信息被确定。相继地，每个比特向量b
u
可以被映射到星座向量c
u
，以获得信道符号x
u
。相继地，信道符号x
u
可以经由信道106被传输给接收器104。应该注意的是，接收器104可以使用可训练的mimo检测算法和在所传输的比特上计算的llr来观察信道输出。
[0119]
相继地，在步骤706中，通过多个发送器102和接收器104的前向传递可以被确定。相继地，在步骤708中，损失函数l可以至少基于多个比特向量b而被确定。应该注意的是，损失函数可以从所传输的比特(在训练时由接收器104已知)被确定，并且解映射器112的输出(即，llr)从观察到的信道输出被确定。进一步地，损失函数l可以对应于比特度量解码率(相当于常数)，这是实际系统的可实现的速率并且对比特进行操作。应该注意的是，损失函
数可以是对高至常数的比特度量解码率的估计。进一步地，当损失函数l对比特进行操作时，优化损失函数l上的星座引起对星座整形和比特标记的联合优化。在一个示例实施例中，损失函数可以被定义为：
[0120][0121]
其中p
u，i(b)
是由第u个用户发送的第i个比特针对第b个训练示例被设置为1的概率。
[0122]
相继地，在步骤710，随机梯度下降(sgd)(或变型)操作可以被应用以更新一个或多个可训练参数θ。在一个示例实施例中，控制电路系统可以执行sgd操作以更新一个或多个可训练参数θ。在一个示例实施例中，sgd操作可以被执行，直到预定的停止标准已经被满足位置。预定的停止标准可以包括但不限于预定义次数的迭代或者损失函数在预定义次数的迭代内没有被降低。应该注意的是，控制电路系统可以评估停止标准。
[0123]
此后，在步骤712中，可以确定预定的停止标准是否被满足。在一种情况下，如果预定的停止标准被满足，那么训练过程终止。在另一情况下，如果预定的停止标准没有被满足，那么该方法可以遵循步骤702至712。一个或多个可训练参数θ的这种更新辅助优化mu
‑
mimo通信系统100的信号整形，因此导致最大化mu
‑
mimo通信系统100中的信息速率或通信速率。
[0124]
在一个示例实施例中，接收器104可以被配置为实现具有一个或多个可训练参数φ的解调和/或解映射算法，如上面所讨论的。在一个示例实施例中，解映射器112可以通过神经网络由具有一个或多个可训练参数φ的算法实现。在这种情况下，一个或多个可训练参数θ可以利用一个或多个可训练参数φ被联合初始化。此后，随机梯度下降(sgd)可以被应用于损失函数，以联合更新一个或多个可训练参数θ和一个或多个可训练参数φ。应该注意的是，mu
‑
mimo通信系统100中的每个发送器102的星座方案和标记可以针对接收器104被联合优化，以使信息速率最大化并因此优化星座点的比特标记。
[0125]
图8图示了根据示例实施例的示出mu
‑
mimo通信系统100中的接收器104处的标准mimo检测算法800实现的框图。标准mimo检测算法800实现包括信道估计块802和mimo检测块804。信道估计块802可以包括最小二乘估计块806。进一步地，mimo检测块804可以包括线性最小均方估计器(lmmse)信道均衡块808和解映射器112。
[0126]
首先，x是所发送的信道符号的向量x＝[x1，...，x
u
]
t
。进一步地，mimo检测块804可以接收作为输入的接收信道符号的向量y和信道矩阵h(或者和估计)。在一个示例实施例中，接收信道符号可以首先基于lmmse被均衡，然后可以产生经均衡的符号y
eq
。此后，经均衡的符号y
eq
可以被提供给解映射器112，该解映射器112还可以计算要被馈送给信道解码器(未示出)的llr，而不脱离本公开的范围。应该注意的是，根据标准实现，信道估计块802可以通过经由信道106发送导频信号p来执行。
[0127]
对本领域技术人员明显的是，mu
‑
mimo通信系统100中的接收器104处的上述标准mimo检测算法800实现仅出于说明目的被提供，而不脱离本公开的范围。
[0128]
图9a和9b图示了根据示例实施例的示出所学习的星座和整形900a与传统的16qam 900b之间的比较的图。应该注意的是，针对星座的调制阶数都是16，并且标记以其小数形式
被示出。例如，标记2对应于比特“0010”。如图9a所示，星座的几何结构是针对每个snr优化的。在一个示例实施例中，snr可以被定义为每个星座点的平均能量与噪声基带符号的平均能量的比率。应该注意的是，与传统qam(示出为900b)相比，所学习的星座(示出为900a)的几何结构偏离以实现最高可能的通信速率。
[0129]
图10a和10b图示了根据示例实施例的分别示出模拟结果的图1000a和1000b。如图1000a所示，线(由1002示出)表示所学习的gsl，并且线(由1004示出)表示针对(u，n)＝(8，16)设置的64
‑
qam。类似地，如图1000b所示，线(由1006示出)表示所学习的gsl，并且线(由1008示出)表示针对设置(u，n)＝(16，32)的64
‑
qam。
[0130]
在一个示例实施例中，两个设置被评估，即，(u，n)＝(8，16)和(u，n)＝(16，32)，并且与在瑞利信道上具有灰色标记的常规的64
‑
qam调制进行比较，如分别在图10a和10b所图示的图中示出的。应该注意的是，相干检测可以被考虑，即，信道矩阵被假设为完全在接收器104处已知，其中lmmse检测后面是用于加性高斯白噪声(awgn)信道的经典符号解映射器。进一步地，snr被提供为gslb 204的输入，并且gslb 204的参数与发送器102共享，其中每个信道使用的比特数被设置为k＝6。应该注意的是，码率为1/2并且块长度为1296个比特的标准ieee 802.11n代码被使用。进一步地，为了实现10
‑2的编码误码率(ber)，与常规的64
‑
qam相比，所学习的系统需要减少0.5db。
[0131]
图11是示出了根据示例实施例的装置1100的一个或多个组件的框图。装置1100可以包括处理器1102和存储器1104。
[0132]
处理器1102包括可操作以执行存储在存储器中的指令以执行各种功能的合适的逻辑、电路系统和/或接口。处理器1102可以执行存储在存储器中的算法以优化mu
‑
mimo通信系统100的信号整形。处理器1102还可以被配置为解码和执行从一个或多个其他(多个)电子设备或服务器接收的任何指令。处理器1102可以包括一个或多个通用处理器(例如或advanced micro(amd)微处理器)和/或一个或多个专用处理器(例如数字信号处理器或者片上系统(soc)现场可编程门阵列(fpga)处理器)。处理器1102还可以被配置为执行一个或多个计算机可读程序指令，诸如用于执行在描述中描述的任何功能的程序指令。
[0133]
进一步地，处理器1102可以做出决策或确定，生成用于传输的帧、分组或消息，解码接收到的帧或消息以进行进一步的处理以及本文描述的其他任务或功能。例如，可以是基带处理器的处理器1102可以经由无线收发器生成用于传输的消息、分组、帧或其他信号。应该注意的是，处理器1102可以控制通过无线网络的信号或消息的传输，并且可以控制经由无线网络的信号或消息的接收等(例如在由例如无线收发器下转换之后)。例如，处理器1102可以是(或可以包括)硬件、可编程逻辑、执行软件或固件的可编程处理器和/或这些的任何组合。例如，进一步地，使用其他术语，处理器1102以及收发器可以被认为是无线发送器/接收器系统。
[0134]
存储器1104存储指令集和数据。进一步地，存储器1104包括由处理器可执行以执行特定操作的一个或多个指令。一些通常已知的存储器实施方式包括但不限于固定(硬盘)驱动器、磁带、软盘、光盘、压缩盘只读存储器(cd
‑
rom)和磁光盘、半导体存储器，诸如rom、随机存取存储器(ram)、可编程只读存储器(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、闪存、磁卡或光卡、云计算平台(例如微软azure和亚马逊web服务aws)或者适合
于存储电子指令的其他类型的介质/机器可读介质。
[0135]
对本领域技术人员明显的是，装置1100的上述组件仅出于说明目的被提供。在一个示例实施例中，装置1100还可以包括输入设备、输出设备等，而不脱离本公开的范围。
[0136]
本公开的实施例可以被提供为计算机程序产品，该计算机程序产品可以包括在其上有形地实施指令的计算机可读介质，该指令可以被用于对计算机(或其他电子设备)进行编程以执行过程。计算机可读介质可以包括但不限于固定(硬盘)驱动器、磁带、软盘、光盘、压缩盘只读存储器(cd
‑
rom)和磁光盘、半导体存储器，诸如rom、随机存取存储器(ram)、可编程只读存储器(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、闪存、磁卡或光卡或者适合于存储电子指令(例如计算机编程代码，诸如软件或固件)的其他类型的介质/机器可读介质。而且，本公开的实施例还可以被下载为一个或多个计算机程序产品，其中程序可以经由通信链路(例如调制解调器或网络连接)通过以载波或其他传播介质实施的数据信号从远程计算机被传送给做出请求的计算机。
[0137]
本技术的详细描述章节应该规定方法步骤的顺序并不重要。这种叙述稍后将支持方法权利要求中的步骤顺序并不重要或固定的论点。相对于一个实施例描述和/或说明的特征可以在一个或多个其他实施例中以相同方式或类似方式使用和/或组合或代替其他实施例的特征使用。
[0138]
尽管上述实施例已经被说明和描述，如上面提到的，许多改变可以在不脱离示例实施例的范围的情况下进行。例如，本文公开的主题的各个方面可以在替代操作系统上被采用。因此，示例实施例的范围不受实施例的本公开限制。相反，示例实施例应该完全参照以下权利要求来确定。