[發明專利]基于圖神經網絡的多輸入多輸出檢測方法

有效

• 申請號: 202010527818.4
• 申請日: 2020-06-11
• 公開（公告）號: CN111865489B
• 公開（公告）日: 2022-10-28
• 發明（設計）人: 王聞今;楊長蓉;李子簫;方家琪;吳馳;尤力;高西奇
• 申請（專利權）人: 東南大學
• 主分類號: H04L1/00
• 分類號: H04L1/00;H04L25/02;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 孟紅梅

1.基于圖神經網絡的多輸入多輸出檢測方法，其特征在于：包括以下步驟：

(1)構建多輸入多輸出的無線通信系統，發送比特經調制后從發射端發出，接收端獲得接收信號矢量和信道矩陣并利用最大似然準則計算出所有發送比特的對數似然比，將接收信號矢量和信道矩陣轉換為圖型結構數據；

(2)構建圖神經網絡，使用所述圖型結構數據作為網絡的輸入，網絡的輸出為所有發送比特的對數似然比的估計值，網絡的結構包括消息產生函數、邊性質更新函數、頂點更新函數和輸出函數；

(3)構建網絡訓練集，使用所述圖型結構數據作為訓練集的數據，發送比特對數似然比作為訓練標簽，在不同的通信場景中離線訓練出信號檢測網絡模型并加以保存；

(4)在在線檢測階段，接收端將接收信號矢量和信道矩陣轉換為圖型結構數據，隨后輸入到訓練好的信號檢測網絡模型中，網絡輸出發送比特的估計對數似然比；

所述步驟(1)中的系統由復數域轉換到實數域，將復數值拆分為實部和虛部，重建接收信號模型，使神經網絡不涉及復數運算；

所述步驟(1)中的接收信號矢量和信道矩陣被轉換為圖型結構數據，構建成一個全連接的無向圖，其中每個實數域的發送符號映射為圖中的一個節點，具體方法為將信道矩陣的轉置與信道矩陣相乘得到一個對稱矩陣，該矩陣的非對角線元素為無向圖中的邊特征，將接收信號矢量的轉置與信道矩陣相乘得到一個矢量，該矢量的元素為無向圖中的節點特征；

所述步驟(2)中的構建圖神經網絡具體包括以下步驟：

(2.1)將所有節點的隱藏狀態矢量初始化為零向量；每條邊的邊性質初始化為邊特征和相連的兩個節點特征的并列；

(2.2)在每個時間步，每個節點都通過消息產生函數傳遞一個消息矢量給其相連的節點，消息產生函數的輸入為兩個節點的隱藏狀態矢量和邊性質，消息產生函數是一個配有非線性激活函數的多層感知器；

(2.3)在每個時間步，邊性質通過邊性質更新函數進行更新，該函數的輸入為上一個時間步的邊性質和步驟(2.2)中的消息矢量，將函數的輸出結果乘以一個可訓練參數再加上初始化的邊性質，得到更新之后的邊性質，邊性質更新函數是一個門控循環單元；

(2.4)在每個時間步，每個節點將相連節點傳遞過來的消息矢量進行累加；

(2.5)在每個時間步，每個節點的隱藏狀態矢量通過頂點更新函數進行更新，頂點更新函數的輸入為當前時間步的隱藏狀態矢量和步驟(2.4)中的累加消息矢量，頂點更新函數是另一個門控循環單元；

(2.6)步驟(2.2)到步驟(2.5)為一個時間步，整個網絡經過設定的時間步后，得到節點的最終隱藏狀態矢量；

(2.7)在輸出階段，將每個發送符號的實部和虛部所對應的隱藏狀態矢量一起輸入到輸出函數中，得到該發送符號所對應的每個發送比特的對數似然比的估計值，輸出函數是另一個配有非線性激活函數的多層感知器。

2.根據權利要求1所述的基于圖神經網絡的多輸入多輸出檢測方法，其特征在于：所述步驟(2.2)和(2.7)中多層感知器的非線性激活函數為sigmoid函數與tanh函數的逐元素相乘。

3.根據權利要求1所述的基于圖神經網絡的多輸入多輸出檢測方法，其特征在于：所述步驟(3)中的網絡訓練階段采用Huber損失函數來計算標簽值和網絡的估計值之間的損失。

4.根據權利要求1所述的基于圖神經網絡的多輸入多輸出檢測方法，其特征在于：所述步驟(3)中的網絡訓練階段的通信場景包括突發噪聲信道場景和不完美信道估計場景；所述的突發噪聲信道場景是指在信號傳輸過程中，除了加性高斯白噪聲，接收端有一定的概率收到一個噪聲干擾信號；所述的不完美信道估計場景是指接收端獲得的信道矩陣與實際信道矩陣有誤差。