[發明專利]一種基于模型驅動深度學習的多用戶MIMO接收方法

在審

• 申請號: 202011490488.2
• 申請日: 2020-12-17
• 公開（公告）號: CN112637094A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 徐友云;李大鵬;蔣銳
• 申請（專利權）人: 南京愛而贏科技有限公司;南京南郵通信網絡產業研究院有限公司
• 主分類號: H04L25/02
• 分類號: H04L25/02;H04B7/0452
• 代理公司: 無錫蘇元專利代理事務所(普通合伙) 32471
• 代理人: 王清偉

1.一種基于模型驅動深度學習的多用戶MIMO接收方法，其特征在于，包括以下步驟：

S1、將接收的導頻信號y_p輸入至最小二乘信道估計器進行初始化信道估計，然后將最小二乘得到的估計結果，送到全連接的神經網絡來獲得更精確的信道信息

S2、將接收的數據信號y_d和S1獲得的信道信息作為迫零信號檢測器的輸入，得到初始化的信道檢測結果，再將初始化的信道檢測結果送入一個展開投影梯度算法的神經網絡中來進一步提高信號檢測的結果；

S3、訓練信道估計和信號檢測內神經網絡來獲得最佳的網絡參數。

2.根據權利要求1所述的基于模型驅動深度學習的多用戶MIMO接收方法，其特征在于：S1具體包括：

S11、接收信號y＝(y_p,y_d)，其中y_p是接收的導頻信號，y_d是接收的數據信號；將接收導頻信號y_p和本地導頻信號x_p輸入到最小二乘估計器進行初始化結果其中初始化結果采用的公式為：

S12、將最小二乘估計器得到的初始化結果送入第一個全連接的深度神經網絡(net₁)中，其中該深度神經網絡的表達式為：

O＝net₁(I)＝f₀(W₀f_L(W_Lf_L-1(...f₁(W₁I+b₁)...)+b_L)+b₀)

其中，I和O分別為深度神經網絡的輸入和輸出數據，W_i、b_i和f_i(i＝0,1,...,L)分別為第i層神經網絡的權重、偏差和激活函數，其中L為隱含層的層數；因此net₁進一步得到更精確的信道信息可表示為：

3.根據權利要求1所述的基于模型驅動深度學習的多用戶MIMO接收方法，其特征在于：S2具體包括：

S21、將接收的數據信號y_d和估計的信道信息作為迫零信號檢測器中得到初始化的信號檢測結果其中迫零均衡結果可以表示為：

S22、將信道估計結果接收的新道信息y_d和迫令均衡結果輸入一個通過深度學習網絡net₂中并得到更精確的輸出；net₂網絡通過展開投影梯度算法，共由K層網絡串聯而成，每一層除了可學習的參數不同，其內部結構都先相同；第i層網絡層的輸入為第i-1層的輸出x_d,i^-1、接收信號y_d和信道信息其中，在第一層時，輸入為初始化結果接收信號y_d和信道信息net₂中第i層的執行過程如下：

式子中，(·)^T代表著轉置，tanh為雙曲線函數，ζ_i、θ_i和γ_i為可學習參數。

4.根據權利要求1所述的基于模型驅動深度學習的多用戶MIMO接收方法，其特征在于：S3具體包括：

S31、信道估計模塊深度學習網絡net₁的訓練，損失函數設置為平方誤差損失(MSE)：

其中χ為線下產生的訓練集，|χ|表示訓練集的大小；

S32、信號檢測模塊深度學習網絡net₂的訓練采用逐級訓練的方式，其中第i輪的訓練損失函數設置為平方誤差損失(MSE)：

其中ν為線下產生的訓練集，|ν|表示訓練集的大小。