一种利用软信息反馈的单比特大规模MIMO接收方法

一种利用软信息反馈的单比特大规模mimo接收方法
技术领域
1.本发明涉及单比特大规模mimo接收方法，特别是涉及一种利用软信息反馈的单比特大规模mimo接收方法。


背景技术：

2.单比特模数转换器(analog-to-digital converter,adc)大规模多输入多输出(multiple-input multiple-output,mimo)接收机的传统设计方法包括基于bussgang分解的线性最小均方误差(bussgang-based minimum mean squared error,blmmse)接收机和最大似然(maximum likelihood,ml)接收机等，其中blmmse接收机复杂度较低但性能较差，ml接收机性能优异但是复杂度很高。
3.深度学习方法可以离线训练神经网络，然后将训练好的神经网络用于在线部署，与传统方法相比具有低计算复杂度、鲁棒性强等优点。而相比传统的神经网络，基于深度展开技术的神经网络由于结合了理论知识来设计神经网络架构，因此具有训练参数少、泛化能力强等优点。
4.现有基于深度展开技术的单比特adc大规模mimo系统接收机设计仅展开了求解ml检测问题的梯度投影(projected gradient,pg)算法，并没有求解性能更优的基于软信息反馈的最大后验概率(maximum a posteriori,map)检测问题。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种利用软信息反馈的单比特大规模mimo接收方法，以实现在符号检测时在同等训练开销的前提下获得较低的误比特率。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种利用软信息反馈的单比特大规模mimo接收方法，所述接收方法包括如下步骤：
8.步骤s1、生成数据集；
9.步骤s2、构建第一深度展开神经网络，再使用步骤s1中生成的数据集对所述第一深度展开神经网络进行离线训练，得到训练后的第一深度展开神经网络，以及基于该训练后的第一深度展开神经网络得到的发射符号的llr；其中，所述第一深度展开神经网络为基于深度展开技术将求解ml检测问题的梯度投影算法展开得到的神经网络，并且将算法的每次迭代作为该神经网络中的每一层；
10.步骤s3、构建第二深度展开神经网络，再使用步骤s1中生成的数据集以及步骤s2中得到的发射符号的llr对所述第二深度展开神经网络进行离线训练，其中，所述第二深度展开神经网络为基于深度展开技术将求解map检测问题的梯度投影算法展开得到的神经网络，并且该神经网络在进行离线训练时，仅迭代一次；
11.步骤s4、重复步骤s3直到达到最大迭代次数，得到一组训练好的第二深度展开神经网络；
12.步骤s5、在线进行符号检测，接收机首先使用经所述第一深度展开神经网络得到的llr，然后按序使用步骤s4中得到的经过训练后的第二深度展开神经网络不断更新llr，最后输出符号检测结果。
13.进一步的，所述步骤s1包括：
14.步骤s101、针对一实域系统模型，其表示为：
15.y＝sign(hx z)
ꢀꢀ
(1)
16.公式(1)中，其中，为量化函数，与分别表示复接收信号，复信道矩阵，复发射符号与复噪声，和分别表示取实部与虚部，y，h，x与z分别表示将分别表示取实部与虚部，y，h，x与z分别表示将与转换成实数后的接收信号，信道矩阵，发射符号与噪声，其中，y＝[y1,
…
,y
2n
]
t
，(
·
)
t
表示转置，y1,
…
,y
2n
表示y中的2n个元素，n表示基站天线的个数；
[0017]
步骤s102、所述的数据集表示为一组权重矩阵g，其中，g＝diag(y1,
…
,y
2n
)h，diag(
·
)表示取输入向量元素作为对角元的对角阵。
[0018]
进一步的，所述步骤s2包括：
[0019]
步骤s201、将所述求解ml检测问题的梯度投影算法描述为：
[0020][0021]
公式(2)中，x
(l 1)
为第l 1次迭代得到的结果，x
(l)
为第l次迭代得到的结果，α
l
为迭代步长，为求鲁棒ml检测问题的梯度，其具体表达式为：其中，c为常数，ρ为信噪比，σ(
·
)表示sigmoid函数；
[0022]
步骤s202、基于用深度展开技术，将所述求解ml检测问题的梯度投影算法中的每次迭代展开为神经网络的每一层，其中，对于第l层的所述第一深度展开神经网络，其输出定义为x
(l)
，该第一深度展开神经网络的总层数为l；
[0023]
步骤s203、以所述权重矩阵g以及发射符号初始值x
(0)
作为该神经网络的输入，则该网络最后一层的输出为x
(l)
，再将该输出x
(l)
经过归一化处理得到放松为连续取值的发射符号估计值其中，
[0024]
步骤s204、设定离线训练目标为最小化并且将所述步骤s1中生成的数据集对所述第一深度展开神经网络进行迭代训练，当满足最大迭代次数后，得到所述训练后的第一深度展开神经网络；
[0025]
步骤s205、将步骤s204中得到的训练后的第一深度展开神经网络，其输出的放松
为连续取值的发射符号估计值进行逐符号检测，最终得到发射符号x的估计值
[0026]
步骤s206、根据步骤s205中得到的发射符号x的估计值计算其对数似然比llr，表达式为：
[0027][0028]
公式(3)中，p(
·
)表示概率，与表示星座点，表示单个符号的估计值。
[0029]
进一步的，在所述步骤s2中，所述鲁棒ml检测问题的表达式为：
[0030]
公式(4)中，为k维qpsk星座符号复向量集，k为单天线用户个数，gn为权重矩阵g的第n行，c为常数，ρ为信噪比，表示使括号中表达式最小时的取值。
[0031]
进一步的，所述步骤s3具体包括：
[0032]
所述步骤s301、将所述求解map检测问题的梯度投影算法描述为：
[0033][0034]
公式(5)中，为求map检测问题的梯度，其表达式为：
[0035]
步骤s302、基于用深度展开技术，将所述求解map检测问题的梯度投影算法中的每次迭代展开为神经网络的每一层；
[0036]
步骤s303、以所述权重矩阵g、发射符号初始值x
(0)
以及所有的发射符号的llr作为所述第二深度展开神经网络的输入，以放松为连续取值的发射符号估计值作为该第二深度展开神经网络的输出，其中该估计值在经过逐符号检测后得到发射符号x的估计值
[0037]
步骤s304、设定离线训练目标为最小化以该训练目标以及所述权重矩阵g、发射符号初始值x
(0)
以及所有的发射符号的llr对所述第二深度展开神经网络进行训练并更新llr。
[0038]
进一步的，所述map检测问题的具体表达式为：
[0039][0040]
公式(6)中，xk表示x中第k个符号，p(xk)的表达式为：
其中，llr(
·
)表示取括号中符号的对数似然比。
[0041]
进一步的，所述逐符号检测具体表达式为：
[0042][0043]
公式(7)中，与xk分别表示与x的第k个元素，表示bpsk星座符号集，|
·
|表示取绝对值，表示使括号中表达式最大时xk的取值。
[0044]
本发明的有益效果是：
[0045]
本发明相对传统的blmmse接收方法，其能够在同等训练开销的前提下显著降低误比特率，并且本发明的在线计算复杂度更低，利于工程实现。
附图说明
[0046]
图1为实施例1中提供的一种利用软信息反馈的单比特大规模mimo接收方法的流程示意图；
[0047]
图2是实施例1中提供的ml阶段的深度展开神经网络的结构示意图；
[0048]
图3是实施例1中提供的map阶段的深度展开神经网络的结构示意图；
[0049]
图4是实施例1中提供的对本实施例方法进行仿真实验的结果示意图。
具体实施方式
[0050]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
参见图1-图4，本实施例提供一种利用软信息反馈的单比特大规模mimo接收方法，该方法的典型应用场景为配置有单比特adc的大规模mimo通信系统，其目标为最小化符号检测的误比特率。该方法其流程示意图如图1所示，其具体包括如下步骤：
[0052]
步骤1、生成训练深度展开神经网络所需要的训练数据集；
[0053]
具体的说，在本实施例中，针对一实域系统模型为：
[0054]
y＝sign(hx z)
[0055]
公式中，其中为量化函数，与分别表示复接收信号，复信道矩阵，复发
射符号与复噪声；和分别表示取实部与虚部；y，h，x与z分别表示将与转换成实数后的接收信号，信道矩阵，发射符号与噪声，其中y＝[y1,
…
,y
2n
]
t
，(
·
)
t
表示转置，y1,
…
,y
2n
表示y中的2n个元素，n表示基站天线的个数。
[0056]
因此训练数据集为一组权重矩阵g，其中g＝diag(y1,
…
,y
2n
)h，diag(
·
)表示取输入向量元素作为对角元的对角阵。
[0057]
步骤2、构建第一深度展开神经网络，该第一深度展开神经网络为ml阶段的深度展开神经网络，其具体网络结构如图2所示；再利用步骤1生成的训练数据集离线训练所述深度展开神经网络，并得到llr；
[0058]
具体的说，在本实施例中，在进行离线训练时，训练目标为最小化其中e[
·
]表示求期望，||
·
||表示向量范数。
[0059]
更具体的说，在本实施例中，以qpsk调制为例，深度展开神经网络结构的设计方案为：
[0060]
首先梯度投影(pg)算法可以描述为：
[0061][0062]
公式中，x
(l 1)
为第l 1次迭代得到的结果，x
(l)
为第l次迭代得到的结果，α
l
为迭代步长，为求鲁棒最大似然(ml)检测问题的梯度，鲁棒ml问题为原ml问题的鲁棒近似表示，表达式为：似表示，表达式为：似表示，表达式为：为k维qpsk星座符号复向量集，k为单天线用户个数，gn为权重矩阵g的第n行，c为常数1.702，ρ为信噪比(snr)，表示使括号中表达式最小时的取值，σ(
·
)表示sigmoid函数。
[0063]
然后，利用深度展开技术，将上述算法中的每次迭代展开为神经网络的一层，第l层深度展开神经网络的输出为x
(l)
，用l表示神经网络的总层数，
[0064]
最后一层的输出x
(l)
还需经过归一化才能得到神经网络对的输出还需经过归一化才能得到神经网络对的输出
[0065]
最后整个神经网络的输入为权重矩阵g与发射符号初始值x
(0)
，输出为放松为连续取值的发射符号估计值
[0066]
更具体的说，在本实施例中，还要经过逐符号检测才能得到发射符号x的估计值
[0067]
更具体的说，在本实施例中，上述的逐符号检测的方法为：
[0068][0069]
公式中，与xk分别表示与x的第k个元素，表示bpsk星座符号集，|
·
|表示取绝对值，表示使括号中表达式最大时xk的取值。
[0070]
更具体的说，在本实施例中，发射星座符号的对数似然比llr的计算方法为：
[0071][0072]
公式中，p(
·
)表示概率，与表示星座点，表示单个符号的估计值。
[0073]
步骤3、构建第二深度展开神经网络，该第二深度展开神经网络为map阶段的并且进行了一次迭代的深度展开神经网络，其具体网络结构如图3所示；再利用步骤1生成的训练数据集与最新的llr离线训练所述深度展开神经网络并更新llr；
[0074]
具体的说，在本实施例中，在进行离线训练时，训练目标为最小化
[0075]
更具体的说，在本实施例中，以qpsk调制为例，该第二深度展开神经网络的设计方案为：
[0076]
首先梯度投影(pg)算法可以描述为：
[0077][0078]
公式中，为求最大后验概率(map)检测问题的梯度；
[0079]
map问题的表达式为：
[0080][0081]
公式中，xk表示x中第k个符号，p(xk)的表达式为：其中llr(
·
)表示取括号中符号的对数似然比(llr)，梯度的表达式为：
[0082]
然后，利用深度展开技术，将上述算法中的每次迭代展开为神经网络的一层，第l层深度展开神经网络的输出为x
(l)
，最后一层的输出x
(l)
同样需经过归一化才能得到神经网
络对的输出络对的输出
[0083]
最后整个神经网络的输入为权重矩阵g，发射符号初始值x
(0)
以及所有符号的llr，输出为放松为连续取值的发射符号估计值同样要经过逐符号检测才能得到发射符号x的估计值逐符号检测的过程与ml阶段相同。
[0084]
步骤4、重复步骤3直到达到最大迭代次数，得到map阶段一组训练好的神经网络；
[0085]
步骤5、在线进行符号检测时，接收机首先使用ml阶段训练好的神经网络得到初始llr，接着按序使用map阶段所有训练好的神经网络不断更新llr，最后输出符号检测结果。
[0086]
为了验证本实施例的技术效果，进行了仿真实验，考虑一个配置有单比特adc的大规模mimo通信系统，仿真实验所涉及的参数如下表所示：
[0087]
表1仿真实验参数表
[0088]
参数取值基站天线数32用户天线数1用户数4训练集数量800验证集数量200测试集数量250000
[0089]
为了进一步说明本发明的效果，本实施例还对现有技术的两个对比方案进行了仿真，即传统的blmmse方法与基于深度学习的obmnet。
[0090]
图4为仿真实验的对比结果，其中横坐标为信噪比(snr)，纵坐标为误比特率(ber)。obmnet方案神经网络层数为20层，训练轮数为40轮；obmnet_ml表示本发明所提ml阶段，神经网络层数为10，训练轮数为30轮；obmnet_map表示本发明所提map阶段，迭代次数为1，神经网络层数为10，训练轮数为10轮。仿真其余参数设置均相同。仿真结果表明：本实施例提出的一种利用软信息反馈的单比特大规模mimo接收方法可以在同等训练开销的前提下达到更低的误比特率。
[0091]
本发明未详述之处，均为本领域技术人员的公知技术。
[0092]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。