[發明專利]使用神經網絡的多輸入多輸出(MIMO)檢測器選擇

在審

• 申請號: 202010169434.X
• 申請日: 2020-03-12
• 公開（公告）號: CN111698006A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 權赫準;S.喬德哈里;宋基逢
• 申請（專利權）人: 三星電子株式會社
• 主分類號: H04B7/0413
• 分類號: H04B7/0413;G06N3/08
• 代理公司: 北京市柳沈律師事務所 11105
• 代理人: 張泓

本文提供了一種用于訓練神經網絡的方法和系統。根據一個實施例，所述方法包括：生成與第一調制方案相對應的第一標記數據集和與第二調制方案相對應的第二標記數據集；使用第一標記數據集和第二標記數據集，基于反向傳播來確定第一神經網絡層與第二神經網絡之間的成本函數的第一梯度；以及使用第一標記數據集，基于反向傳播來確定第二神經網絡層與第三神經網絡層的第一節點集合之間的成本函數的第二梯度。第三神經網絡層的第一節點集合對應于與第一調制方案相關聯的第一多個檢測器類別。

對相關申請的交叉引用

本申請是2019年6月3日提交的序列號為16/429,856的美國專利申請的部分繼續申請并要求其的優先權，第16/429,856號美國專利申請要求2019年3月12日向美國專利商標局提交的被分配序列號62/817,372的美國臨時專利申請以及2019年10月4日向美國專利商標局提交的被分配序列號62/910,822的美國臨時專利申請的優先權，其每一個的全部內容通過引用并入本文。

技術領域

本公開總體上涉及無線通信系統。特別地，本公開涉及使用神經網絡的多輸入多輸出檢測器選擇。

背景技術

在無線通信系統(例如，長期演進(LTE)、第五代新無線電(5G NR))中，多輸入多輸出(MIMO)碼元檢測器計算在MIMO層中編碼比特的對數似然比(LLR)。可以使用各種類型的檢測方法來確定LLR。這些檢測方法的復雜度從非常高的復雜度(例如，最大似然(ML))到低復雜度(例如，最小均方誤差(MMSE))不等。通常，就錯誤率而言衡量的檢測方法的性能與復雜度成反比例。因此，ML具有最小錯誤率，而MMSE具有最大錯誤率。

通常，一個檢測器用于獲得所有資源元素(RE)的LLR，而不管RE中的信道條件如何。當選擇使用這種靜態檢測器時，在復雜度和錯誤率之間存在折中。如果期望低錯誤率，則使用高復雜度檢測器。另一方面，如果使用低復雜度檢測器，則錯誤率會增加。

發明內容

根據一個實施例，一種方法包括：生成與第一調制方案相對應的第一標記數據集和與第二調制方案相對應的第二標記數據集；使用第一標記數據集和第二標記數據集，基于反向傳播來確定第一神經網絡層與第二神經網絡層之間的成本函數的第一梯度；以及使用第一標記數據集基于反向傳播來確定第二神經網絡層與第三神經網絡層的第一節點集合之間的成本函數的第二梯度。第三神經網絡層的第一節點集合對應于與第一調制方案相關聯的第一多個檢測器類別。

根據一個實施例，一種系統包括：存儲器；以及處理器，被配置為：生成與第一調制方案相對應的第一標記數據集和與第二調制方案相對應的第二標記數據集；使用第一標記數據集和第二標記數據集，基于反向傳播來確定第一神經網絡層與第二神經網絡層之間的成本函數的第一梯度；以及使用第一標記數據集基于反向傳播來確定第二神經網絡層與第三神經網絡層的第一節點集合之間的成本函數的第二梯度。第三神經網絡層的第一節點集合對應于與第一調制方案相關聯的第一多個檢測器類別。

附圖說明

通過以下結合附圖的詳細描述，本公開的某些實施例的上述和其他方面、特征和優點將變得更加明顯，在附圖中：

圖1示出根據實施例的用于MIMO檢測器選擇的系統的示圖；

圖2示出根據實施例的用于計算MLP權重和裕度的離線調整方法的流程圖；

圖3示出根據實施例的類別合并的示圖；

圖4示出根據實施例的類別重采樣的示圖；

圖5示出根據實施例的MLP網絡的示圖；

圖6和圖7示出根據實施例的檢測器選擇方法的示圖；

圖8示出根據實施例的在線檢測器選擇結果的示圖；

圖9示出根據實施例的檢測器利用的示圖；