[發(fā)明專利]基于圖神經(jīng)網(wǎng)絡(luò)的多輸入多輸出檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010527818.4
• 申請(qǐng)日: 2020-06-11
• 公開(kāi)（公告）號(hào): CN111865489B
• 公開(kāi)（公告）日: 2022-10-28
• 發(fā)明（設(shè)計(jì)）人: 王聞今;楊長(zhǎng)蓉;李子簫;方家琪;吳馳;尤力;高西奇
• 申請(qǐng)（專利權(quán)）人: 東南大學(xué)
• 主分類號(hào): H04L1/00
• 分類號(hào): H04L1/00;H04L25/02;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 孟紅梅

本發(fā)明公開(kāi)了一種基于圖神經(jīng)網(wǎng)絡(luò)的多輸入多輸出檢測(cè)方法。本發(fā)明將多輸入多輸出系統(tǒng)的接收數(shù)據(jù)轉(zhuǎn)換為圖型結(jié)構(gòu)數(shù)據(jù)，構(gòu)建成一個(gè)全連接的無(wú)向圖，其中每個(gè)實(shí)數(shù)域的發(fā)送符號(hào)映射為圖中的一個(gè)節(jié)點(diǎn)，再將其輸入到構(gòu)建的圖神經(jīng)網(wǎng)絡(luò)中，輸出發(fā)送比特的對(duì)數(shù)似然比的估計(jì)值，完成信號(hào)檢測(cè)任務(wù)。本發(fā)明所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)在突發(fā)噪聲信道和不完美信道估計(jì)場(chǎng)景中獲得了接近最優(yōu)的性能，且基于圖神經(jīng)網(wǎng)絡(luò)的多輸入多輸出檢測(cè)方法對(duì)信噪比表現(xiàn)出了良好的魯棒性。

技術(shù)領(lǐng)域

本發(fā)明涉及多輸入多輸出信號(hào)檢測(cè)領(lǐng)域，特別涉及一種基于圖神經(jīng)網(wǎng)絡(luò)的多輸入多輸出檢測(cè)方法。

背景技術(shù)

多輸入多輸出技術(shù)(MIMO,Multiple-Input Multiple-Output)可以提高頻譜效率和功率效率，所以在當(dāng)今的無(wú)線通信系統(tǒng)中得到廣泛使用。盡管MIMO技術(shù)可以在相同的時(shí)頻資源上同時(shí)支持多個(gè)用戶與基站進(jìn)行通信，但是基站側(cè)的干擾也大大地增加了，這使得對(duì)接收信號(hào)進(jìn)行檢測(cè)變得困難。最大似然(ML,Maximum Likelihood)檢測(cè)可以通過(guò)窮舉搜索發(fā)送符號(hào)集合來(lái)同時(shí)檢測(cè)所有符號(hào)，從而獲得最佳的檢測(cè)性能，但是ML的復(fù)雜度隨著發(fā)射信號(hào)的維度呈指數(shù)增長(zhǎng)，這在實(shí)際系統(tǒng)中很難實(shí)現(xiàn)。但是，某些線性檢測(cè)器，例如迫零(ZF,Zero-Forcing)檢測(cè)器和最小均方誤差(MMSE,Minimum Mean-Squared Error)檢測(cè)器，雖然具有較低的復(fù)雜度，但是與ML相比，性能差距過(guò)大，并且大型矩陣乘法和求逆運(yùn)算也給硬件實(shí)現(xiàn)帶來(lái)很大的困難。

為了實(shí)現(xiàn)性能和復(fù)雜度之間的平衡，一些次優(yōu)的檢測(cè)算法被提出，例如因子圖和置信傳播(BP,Belief Propagation)算法提供了一種計(jì)算后驗(yàn)邊緣概率密度函數(shù)的通用方法。MIMO的多用戶檢測(cè)問(wèn)題被當(dāng)作是統(tǒng)計(jì)推斷和計(jì)算邊緣后驗(yàn)概率的問(wèn)題，這使得消息傳遞算法廣泛應(yīng)用于MIMO檢測(cè)中。但是，消息傳遞算法也需要一定次數(shù)的迭代才能收斂。當(dāng)天線數(shù)量很大時(shí)，算法的復(fù)雜度很高，且有時(shí)不能保證迭代的收斂性和穩(wěn)定性。一些消息傳遞算法甚至需要阻尼因子來(lái)輔助收斂，而目前對(duì)于如何選擇最優(yōu)阻尼因子還沒(méi)有足夠的理論支持。

在計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理領(lǐng)域，深度學(xué)習(xí)已得到了廣泛使用。近年來(lái)，由于其強(qiáng)大的數(shù)據(jù)處理能力，深度學(xué)習(xí)還取代了無(wú)線通信領(lǐng)域中的一些傳統(tǒng)信號(hào)處理方法，如信道估計(jì)和MIMO檢測(cè)?，F(xiàn)有的基于深度學(xué)習(xí)的MIMO檢測(cè)方法主要可以分為兩類，第一類是深度展開(kāi)，通過(guò)將現(xiàn)有迭代檢測(cè)算法逐層展開(kāi)來(lái)獲得深度神經(jīng)網(wǎng)絡(luò)，然后通過(guò)深度學(xué)習(xí)的技巧來(lái)學(xué)習(xí)算法的最佳參數(shù)，雖然這種方法能夠獲得比原始算法更優(yōu)的性能，但是算法復(fù)雜度并沒(méi)有降低。第二類是直接設(shè)計(jì)一個(gè)深度神經(jīng)網(wǎng)絡(luò)，以接收端的接收數(shù)據(jù)作為網(wǎng)絡(luò)輸入，直接輸出發(fā)送信號(hào)的估計(jì)值，這種方法的在線檢測(cè)復(fù)雜度低，但是性能上并不能逼近ML。因此，如何設(shè)計(jì)一個(gè)低復(fù)雜度的神經(jīng)網(wǎng)絡(luò)來(lái)做MIMO檢測(cè)并使性能逼近ML依然是一個(gè)嚴(yán)峻的問(wèn)題。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明的目的是提供一種基于圖神經(jīng)網(wǎng)絡(luò)的多輸入多輸出檢測(cè)方法，在降低算法復(fù)雜度的同時(shí)逼近最優(yōu)檢測(cè)性能。

技術(shù)方案：為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用以下技術(shù)方案：

一種基于圖神經(jīng)網(wǎng)絡(luò)的多輸入多輸出檢測(cè)方法，包括以下步驟：

(1)構(gòu)建多輸入多輸出的無(wú)線通信系統(tǒng)，發(fā)送比特經(jīng)調(diào)制后從發(fā)射端發(fā)出，接收端獲得接收信號(hào)和信道矩陣并利用最大似然準(zhǔn)則計(jì)算出所有發(fā)送比特的對(duì)數(shù)似然比，將接收信號(hào)矢量和信道矩陣轉(zhuǎn)換為圖型結(jié)構(gòu)數(shù)據(jù)；

(2)構(gòu)建圖神經(jīng)網(wǎng)絡(luò)，使用所述圖型結(jié)構(gòu)數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)的輸出為所有發(fā)送比特的對(duì)數(shù)似然比的估計(jì)值，網(wǎng)絡(luò)的結(jié)構(gòu)包括消息產(chǎn)生函數(shù)、邊性質(zhì)更新函數(shù)、頂點(diǎn)更新函數(shù)和輸出函數(shù)；

(3)構(gòu)建網(wǎng)絡(luò)訓(xùn)練集，使用所述圖型結(jié)構(gòu)數(shù)據(jù)作為訓(xùn)練集的數(shù)據(jù)，發(fā)送比特對(duì)數(shù)似然比作為訓(xùn)練標(biāo)簽，在不同的通信場(chǎng)景中離線訓(xùn)練出信號(hào)檢測(cè)網(wǎng)絡(luò)模型并加以保存；

(4)在在線檢測(cè)階段，接收端將接收信號(hào)和信道矩陣轉(zhuǎn)換為圖型結(jié)構(gòu)數(shù)據(jù)，隨后輸入到訓(xùn)練好的信號(hào)檢測(cè)網(wǎng)絡(luò)模型中，網(wǎng)絡(luò)輸出發(fā)送比特的估計(jì)對(duì)數(shù)似然比。