一种快速MIMO信号搜索方法、系统、设备及存储介质技术方案

本发明专利技术涉及无线通信技术领域，尤其涉及一种快速MIMO信号搜索方法、系统、设备及存储介质，包括：获取接收信号，并根据所述接收信号的信道矩阵构建决策树；对所述决策树逐层搜索，在每一层的搜索中，将该层树节点的节点向量输入深度神经网络，得到对应树节点的启发值；将所述启发值输入代价模型，得到对应树节点的代价值；根据所述代价值进行搜索，并将最后一层代价值最小的树节点作为待恢复真实信号的检测结果。本发明专利技术通过将神经网络与搜索算法结合，不仅提高了最短路径搜索算法的效率，而且有效地降低其在大规模MIMO系统下的平均复杂度。度。度。

【技术实现步骤摘要】
一种快速MIMO信号搜索方法、系统、设备及存储介质


[0001]本专利技术涉及无线通信
，尤其涉及一种基于深度学习的快速MIMO信号搜索方法、系统、设备及存储介质。

技术介绍

[0002]多输入多输出(MIMO)通信系统具有空间分集的优点，能够有效地满足下一代通信网络对高数据量的需求，为了支撑更大的系统传输容量，大规模MIMO系统已经称为未来无线网络系统的基本架构，在大规模MIMO系统中，最优检测的复杂度随着调制星座的大小和传输天线的数量呈现指数级增长，随着检测复杂度的增长，现有的基于最短路径搜索算法的最优检测技术的搜索效率会受到严重的影响，这使得大规模MIMO下的最优信号检测问题面临着巨大的挑战。因此，如何在大规模系统下有效的加速搜索算法的搜索效率的同时，使得其仍然能搜索到最优解，已然成为了一个亟待解决的关键科学问题。
[0003]近年来，随着计算能力的爆炸式增长，人工智能在无线通信领域的应用取得了巨大的发展，与传统的模型驱动的检测算法不同的是，基于数据驱动的人工智能算法可以通过数据来自适应的学习如何进行检测。因此，本专利技术提供了一种将深度学习技术与最短路径搜索算法相结合的新型信号检测方法，使得本专利技术在保持最短路径搜索算法的检测性能几乎不下降的同时，有效地降低其在大规模MIMO系统下的平均复杂度。

技术实现思路

[0004]本专利技术的目的是提供一种快速MIMO信号搜索方法、系统、设备及存储介质，在保证最短路径搜索算法的检测性能的同时，能够有效降低其在大规模MIMO系统下的平均复杂度。
[0005]为解决以上技术问题，本专利技术提供了一种快速MIMO信号搜索方法、系统、设备及存储介质。
[0006]第一方面，本专利技术提供了一种快速MIMO信号搜索方法，所述方法包括以下步骤：
[0007]获取接收信号，并根据所述接收信号的信道矩阵构建决策树；
[0008]对所述决策树逐层搜索，在每一层的搜索中，将该层树节点的节点向量输入深度神经网络，得到对应树节点的启发值；
[0009]将所述启发值输入代价模型，得到对应树节点的代价值；
[0010]根据所述代价值进行搜索，并将最后一层代价值最小的树节点作为待恢复真实信号的检测结果。
[0011]在进一步的实施方案中，所述获取接收信号，并根据所述接收信号的信道矩阵构建决策树的步骤，包括：
[0012]在接收端获取接收信号，所述接收信号具体为：
[0013]y＝H*s+w
[0014]式中，y表示接收信号，H表示信道矩阵，s表示待恢复真实信号，w表示系统噪声；
[0015]对信道矩阵H进行QR分解，得到：
[0016][0017]式中，m表示发射端天线的数量，n表示接收端天线的数量，R∈C
m
×
m
表示上三角矩阵，Q1∈C
n
×
m
和Q2∈C
n
×
(n
‑
m)
均为正交列矩阵；
[0018]根据所述正交列矩阵构建决策树。
[0019]在进一步的实施方案中，所述深度神经网络的训练过程包括：
[0020]随机采样一个批次的样本数据，并将所述样本数据输入深度神经网络，得到对应各个树节点的代价值；
[0021]根据所述代价值计算所述样本数据的平均损失值；
[0022]根据所述平均损失值计算得到神经网络参数对应的梯度，并利用随机梯度下降法对所述神经网络参数进行迭代，得到更新后的神经网络参数；
[0023]每间隔一定步长后，对所述更新后的神经网络参数进行镜像同步得到神经网络镜像参数，直到达到预设的最大的迭代次数；
[0024]在进一步的实施方案中，在训练所述深度神经网络时，所述平均损失值的计算公式为：
[0025][0026]其中，
[0027][0028]式中，Υ表示平均损失值，β表示采样的一个批次的样本数据，θ表示神经网络的参数，表示神经网络的镜像参数，T表示每个批次包含的时隙个数，m表示发射端天线的数量，表示第t个时隙采样得到的第k组样本数据，表示从根节点到叶子节点的路径上的第k个节点，是的父节点，是的所有子节点中代价最小的节点，即：
[0029][0030]式中，s
k+1
是s
k
的任意子节点。
[0031]在进一步的实施方案中，所述代价模型具体为：
[0032][0033]式中，f(s
k
；θ)表示代价值，h(
·
；θ)表示深度神经网络所表达的非线性函数，x表示正交变换后的接收信号，R表示上三角矩阵，r
i，j
表示上三角矩阵中的元素，s
j
表示待恢复真实信号中的元素，θ表示神经网络参数，s
k
表示决策树的第k层中的一个树节点。
[0034]在进一步的实施方案中，在仿真平台上，根据所述代价值进行搜索，并将从根节点出发到叶子节点的最短路径作为检测结果。
[0035]第二方面，本专利技术提供了一种快速MIMO信号搜索系统，所述系统包括：
[0036]信号接收模块，用于获取接收信号，并根据所述接收信号的信道矩阵构建决策树；
[0037]信号检测模块，用于对所述决策树逐层进行搜索，在每一层的搜索中，将该层树节点的节点向量输入深度神经网络，得到对应树节点的启发值；
[0038]信号搜索模块，用于将启发值输入代价模型，得到对应树节点的代价值；
[0039]信号输出模块，用于根据所述代价值进行搜索，并将最后一层代价值最小的树节点作为待恢复真实信号的检测结果。
[0040]在进一步的实施方案中，该系统还包括：仿真输出模块，用于在仿真平台上，根据所述代价值进行搜索，并将从根节点出发到叶子节点的最短路径作为检测结果。
[0041]第三方面，本专利技术还提供了一种计算机设备，包括处理器和存储器，所述处理器与所述存储器相连，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使得所述计算机设备执行实现上述方法的步骤。
[0042]第四方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0043]本专利技术提供了一种基于深度学习的快速MIMO信号搜索方法、系统、设备及存储介质，通过所述方法，实现了将深度学习与最短路径搜索算法相结合的信号检测方法。与现有技术相比，该方法通过深度神经网络拟合最优启发函数，显著提高了最短路径搜索算法的效率，进一步逼近了最佳检测性能，同时有效降低了大规模MIMO系统下的平均复杂度，从而能够更好地适应大规模MIMO的场景。
附图说明
[0044]图1是本专利技术实施例提供的一种快速MIMO信号搜索方法流程示意图；
[0045]图2是本专利技术实施例提供的深度神经网络的结构示意图；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快速MIMO信号搜索方法，其特征在于，包括以下步骤：获取接收信号，并根据所述接收信号的信道矩阵构建决策树；对所述决策树逐层搜索，在每一层的搜索中，将该层树节点的节点向量输入深度神经网络，得到对应树节点的启发值；将所述启发值输入代价模型，得到对应树节点的代价值；根据所述代价值进行搜索，并将最后一层代价值最小的树节点作为待恢复真实信号的检测结果。2.如权利要求1所述的一种快速MIMO信号搜索方法，其特征在于，所述获取接收信号，并根据所述接收信号的信道矩阵构建决策树的步骤，包括：在接收端获取接收信号，所述接收信号具体为：y＝H*s+w式中，y表示接收信号，H表示信道矩阵，s表示待恢复真实信号，w表示系统噪声；对信道矩阵H进行QR分解，得到：式中，m表示发射端天线的数量，n表示接收端天线的数量，R∈C
m
×
m
表示上三角矩阵，Q1∈C
n
×
m
和Q2∈C
n
×
(n
‑
m)
均为正交列矩阵；根据所述正交列矩阵构建决策树。3.如权利要求1所述的一种快速MIMO信号搜索方法，其特征在于，所述深度神经网络的训练过程包括：随机采样一个批次的样本数据，并将所述样本数据输入深度神经网络，得到对应各个树节点的代价值；根据所述代价值计算所述样本数据的平均损失值；根据所述平均损失值计算得到神经网络参数对应的梯度，并利用随机梯度下降法对所述神经网络参数进行迭代，得到更新后的神经网络参数；每间隔一定步长后，对所述更新后的神经网络参数进行镜像同步得到神经网络镜像参数，直到达到预设的最大的迭代次数。4.如权利要求3所述的一种快速MIMO信号搜索方法，其特征在于，在训练所述深度神经网络时，所述平均损失值的计算公式为：其中，式中，γ表示平均损失值，β表示采样的一个批次的样本数据，θ表示神经网络的参数，
表示神经网络的镜像参数，T表示每个批次包含的时隙个数，m表示发射端天线的数量，表示第t个时隙采样得到的第k组样...

【专利技术属性】
技术研发人员：范立生，夏隽娟，何科，汪洋涛，刘外喜，
申请(专利权)人：广州大学，
类型：发明
国别省市：