【技術實現步驟摘要】
本專利技術涉及一種超網絡輔助的數據模型雙驅動mimo-ofdm信號檢測方法，屬于無線通信。
技術介紹
1、信道估計與信號檢測是mimo-ofdm系統接收端的重要任務。其中，基于線性最小均方誤差的信道估計方法得到了廣泛的應用，此外，基于期望傳播的信號檢測算法在計算復雜度與性能方面實現了較好的平衡，得到普遍研究。然而，利用估計算法獲取的非完美信道狀態信息會給基于期望傳播的數據推斷方法帶來嚴重的性能損失。此外，在多用戶干擾較強的場景下，期望傳播檢測器相比于最優的最大似然檢測基線仍存在較大性能差距。
2、近年來，深度學習技術在圖像識別、語音識別和自然語言處理等領域得到了廣泛應用，人工智能輔助的信號檢測設計將深度學習技術與專家知識結合，借助大量標簽數據學習到內嵌在多天線檢測中的數據結構化特征，有望彌補基于模型方案的不足。在相關的研究方向中，將圖神經網絡融入迭代檢測過程，可有效學習內嵌多用戶干擾信息，補償性能缺陷。然而，檢測網絡的訓練往往是在特定場景下完成的，存在魯棒性不足的問題，當環境發生較大變化時，網絡無法自適應的調整，性能將嚴重惡化。此外，在非完美信道狀態信息的條件下，需進一步解決迭代檢測對傳輸符號后驗概率分布的偏離問題，補償性能損失。
技術實現思路
1、專利技術目的：本專利技術提供一種超網絡輔助的數據模型雙驅動mimo-ofdm信號檢測方法，旨在利用數據模型雙驅動的神經網絡來實現檢測性能的有效提升，同時引入超網絡來提升信號檢測網絡的自適應性。
2、技術方案：本專
3、本專利技術所述的超網絡輔助的數據模型雙驅動mimo-ofdm信號檢測方法包含一個具有一組可調參數的信號檢測網絡，以及一個可訓練的超網絡，所述方法包括以下步驟：
4、(1)利用線性最小均方誤差算法估計信道狀態信息，超網絡將信道狀態信息作為輸入，輸出可調參數ωhyper提供給信號檢測網絡；
5、(2)對估計信道矩陣hlmmse和接收信號向量y進行實值分解，將得到的實數域信道矩陣實數域接收信號向量以及推導得到的等效噪聲方差信息輸入到信號檢測網絡，信號檢測網絡由t個圖神經網絡增強的子模塊串聯而成，不同圖神經網絡模塊間可調參數共享；依據實數域信道矩陣估計實數域接收信號向量環境信息超網絡提供的參數以及子模塊的可調參數，給出對發送符號向量的估計
6、(3)對估計的符號向量進行解映射，獲得對原始發送比特的估計
7、進一步地，步驟(1)中所述超網絡是具有可訓練參數θhyper的神經網絡，信號檢測網絡的部分可調參數ωhyper由該超網絡生成；輸入超網絡的信道狀態信息是線性最小均方誤差算法估計的信道矩陣hlmmse，超網絡對信道矩陣hlmmse進行奇異值分解，并對獲取的奇異值向量s進行實值分解得到奇異值向量超網絡具體使用由三層全連接層構成的深度神經網絡實現，分別包含{256,256,4nu}個神經元，其中nu為特征向量u(0)的長度；超網絡輸出的參數是可調參數集合ωhyper，對應于信號檢測網絡第一個子模塊t＝1的輸入特征向量u(0)的計算過程中所需的一組可調參數。
8、進一步地，步驟(2)具體包括：
9、(2.1)對信道矩陣hlmmse和接收信號向量y進行實值分解，得到實數域信道矩陣和實數域接收信號向量
10、(2.2)根據估計信道矩陣誤差修正噪聲的二階統計特性rz，經實值分解得到實數域相關矩陣re，并提取等效環境信息表達式為：
11、
12、其中，re(·)表示取復數的實部，nr為接收天線數目，tr(·)表示矩陣的跡；
13、(2.3)將圖神經網絡增強的期望傳播算法作為信號檢測網絡，該深度神經網絡包含t個串聯的子模塊，不同圖神經網絡模塊間可調參數共享；將實數域信道矩陣實數域接收信號向量和等效環境信息作為該信號檢測網絡的輸入；信號檢測網絡第一個子模塊t＝1的輸入特征向量u(0)的計算過程涉及可調參數ωhyper，由超網絡提供；后續第t＝2,...,t個子模塊的輸入特征向量u(0)則根據第t-1個模塊中圖神經網絡的輸出特征向量u(l)進行賦值，其中l是特征向量在圖神經網絡中的迭代次數；信號檢測網絡的第t個子模塊根據實數域信道矩陣實數域接收信號向量等效環境信息以及輸入特征向量u(0)完成本層的估計，第t個子模塊分為三個部分，分別是觀測、圖神經網絡增強和估計；觀測部分基于期望傳播檢測算法，首先利用指數簇分布構建高斯后驗逼近，計算其均值與協方差然后基于高斯后驗函數計算似然函數，似然函數的均值與協方差作為先驗信息輸入圖神經網絡；圖神經網絡增強部分利用似然分布特性及多用戶干擾信息表征變量節點及因子節點間的潛函數關系，對后驗概率推斷進行加強，后驗概率輸入估計模塊，此外，特征向量在變量節點與因子節點的消息傳遞過程中不斷迭代更新，l次迭代后得到輸出特征向量u(l)；估計部分根據后驗概率對傳輸符號進行軟判決，計算均值和方差結合似然函數先驗信息更新指數簇分布計算過程中所需的參數對(γ(t),λ(t))，與輸出特征向量u(l)一起輸入到第t+1個子模塊；第t個子模塊輸出最終的估計符號向量
14、進一步地，所述噪聲的二階統計特性rz的修正通過推導信道矩陣估計誤差δh的二階矩得到；用指示第n＝1,...,nt根發送天線占用的導頻子載波位置，用指示數據子載波位置，其中p為導頻序列長度，d為數據子載波數目，nt為發送天線數目，利用接收導頻分量已知導頻序列及信道的頻率相關特性計算第m＝1,...,nr根接收天線與第n根發送天線間信道系數的lmmse估計wlmmse,n為線性最小均方誤差估計計算中所用插值矩陣，對應的真實信道系數向量表示為hm,n；在第k個數據子載波處有接收向量根據計算得到的估計信道矩陣并省略構建如下等效關系：
15、y＝hlmmsex+z,z＝δhx+w,
16、其中白噪聲向量w的方差為根據行索引dk和列索引從插值矩陣wlmmse,n中提取列向量wlmmse,n，并計算矩陣等效噪聲向量z的二階矩rz＝e{zzh}表示為：
17、rδh,n＝ra+rd-rb+rc,ra＝rhh,
18、
19、其中，信號平均能量es＝1/nt，i為單位矩陣，wk′和分別對應向量wlmmse,n和矩陣m中的元素，表示主對角線元素為的對角矩陣，相關信息rhh,定義如下：
20、
21、其中，上述相關信息利用mimo-ofdm信道相關矩陣提取得到。
22、進一步地，所述第t個子模塊的圖神經網絡增強部分中，利用成對馬爾可夫隨機場模型表征變量節點及因子節點間的潛函數關系，并提取因子特征其中和分別指代的第j列，對第一個子模塊t＝1，變量特征向量的計算根據上述潛函數關系，以及超網絡提供的可調參數計算得到，可調參數ωhyper包含權重矩陣whyper和偏置向量bhyper，變量特征向量計算如下：
23、
24、特征向量長度為nu；在第本文檔來自技高網...
【技術保護點】
1.一種超網絡輔助的數據模型雙驅動MIMO-OFDM信號檢測方法，其特征在于，MIMO-OFDM系統包含一個具有一組可調參數的信號檢測網絡，以及一個可訓練的超網絡，所述方法包括以下步驟：
2.根據權利要求1所述的超網絡輔助的數據模型雙驅動MIMO-OFDM信號檢測方法，其特征在于：步驟(1)中的超網絡是具有可訓練參數Θhyper的神經網絡，信號檢測網絡的部分可調參數Ωhyper由該超網絡生成；輸入超網絡的信道狀態信息是線性最小均方誤差算法估計的信道矩陣HLMMSE，超網絡對信道矩陣HLMMSE進行奇異值分解，并對獲取的奇異值向量s進行實值分解得到奇異值向量超網絡具體使用由三層全連接層構成的深度神經網絡實現，分別包含{256,256,4Nu}個神經元，其中Nu為特征向量u(0)的長度；超網絡輸出的參數是可調參數集合Ωhyper，對應于信號檢測網絡第一個子模塊t＝1的輸入特征向量u(0)的計算過程中所需的一組可調參數。
3.根據權利要求1所述的超網絡輔助的數據模型雙驅動MIMO-OFDM信號檢測方法，其特征在于：步驟(2)具體包括：
4.據權利要求
5.根據權利要求3所述的超網絡輔助的數據模型雙驅動MIMO-OFDM信號檢測方法，其特征在于：第t個子模塊的圖神經網絡增強部分中，利用成對馬爾可夫隨機場模型表征變量節點及因子節點間的潛函數關系，并提取因子特征其中和分別指代的第j列，對第一個子模塊t＝1，變量特征向量的計算根據潛函數關系，以及所述的超網絡提供的可調參數計算得到，可調參數Ωhyper包含權重矩陣Whyper和偏置向量bhyper，變量特征向量計算如下：
6.根據權利要求1-3中任一項所述的超網絡輔助的數據模型雙驅動MIMO-OFDM信號檢測方法，其特征在于：使用小批量梯度下降算法對所述的信號檢測網絡和超網絡構成的完整神經網絡進行端到端的監督學習訓練，并訓練多個輪次；將訓練集的一個小批量表示為是由S個隨機生成的樣本構成的集合，其中，發送的實數域符號向量作為標簽，實數域接收符號向量和實數域準確信道矩陣作為完整神經網絡的輸入特征；選擇自適應動量估計優化器來優化神經網絡中的可訓練參數Θ，學習率設置為0.001；訓練采用交叉熵損失函數，具體公式為：
...【技術特征摘要】
1.一種超網絡輔助的數據模型雙驅動mimo-ofdm信號檢測方法，其特征在于，mimo-ofdm系統包含一個具有一組可調參數的信號檢測網絡，以及一個可訓練的超網絡，所述方法包括以下步驟：
2.根據權利要求1所述的超網絡輔助的數據模型雙驅動mimo-ofdm信號檢測方法，其特征在于：步驟(1)中的超網絡是具有可訓練參數θhyper的神經網絡，信號檢測網絡的部分可調參數ωhyper由該超網絡生成；輸入超網絡的信道狀態信息是線性最小均方誤差算法估計的信道矩陣hlmmse，超網絡對信道矩陣hlmmse進行奇異值分解，并對獲取的奇異值向量s進行實值分解得到奇異值向量超網絡具體使用由三層全連接層構成的深度神經網絡實現，分別包含{256,256,4nu}個神經元，其中nu為特征向量u(0)的長度；超網絡輸出的參數是可調參數集合ωhyper，對應于信號檢測網絡第一個子模塊t＝1的輸入特征向量u(0)的計算過程中所需的一組可調參數。
3.根據權利要求1所述的超網絡輔助的數據模型雙驅動mimo-ofdm信號檢測方法，其特征在于：步驟(2)具體包括：
4.據權利要求3所述的超網絡輔助的數據模型雙驅動mimo-ofdm信號檢測方法，其特征在于：噪聲的二階統計特性rz的修正通過推導信道矩陣估計誤差δh的二階矩得到；用指示第n＝1,...,nt根發送天線占用的導頻子載波位置，用指示數據子載波位置，其中p為導頻序列長度，d為數據子載波數目，n...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。