[发明专利]一种基于机器学习的AMP检测改进方法

说明书

本发明提供一种基于机器学习的AMP检测改进方法，按以下步骤进行：将AMP检测迭代传递消息的过程构建为多层消息传递网络，并在传递消息过程中对部分消息设置能供学习的参数；构建目标函数或其中Ξ^t表示步骤A中所设置能供学习参数的集合，R^t表示发散概率，E^t表示消息传递收敛时的估计误差；利用实际应用场景的大数据，对步骤A中所设置的能供学习参数集合Ξ^t进行训练；本发明极大的降低了AMP检测方法发散的概率，并有效提高了收敛的速度。

技术领域

本发明涉及一种分布式消息传递信号检测方法，称为迫近消息传递(AMP,approximate message passing)检测方法，具体涉及一种基于机器学习的AMP检测的改进方法。该方法属于人工智能和大数据分析领域的研究内容。

背景技术

AMP检测的运算复杂度低，估计误差小，在压缩感知和MIMO无线传输领域都有巨大的潜在应用价值。压缩感知(Compressed sensing)，亦称为压缩采样(Compressivesampling)，是一种利用信号的稀疏性对信号进行压缩和重构的技术。压缩感知被广泛应用于电子工程领域的诸多应用之中，例如图像压缩、核磁共振等。多输入多输出技术(Multiple-Input Multiple-Output，MIMO)是指在发散端和接收端均使用多个天线，以改善通信质量和提高传输速度的技术。MIMO无线传输充分利用了空间资源，通过在多个天线之间实现多发多收，可以在不增加频谱资源和天线发射功率的情况下成倍的提高系统吞吐量，显示出了极大的性能优势，被视为未来移动通信的核心技术之一。

如何准确且快速的对经过信号处理，且受各种因素干扰而变形的数据进行还原和重构(即检测)，是压缩感知和MIMO无线传输等领域均非常关心的问题。传统的运算方法大多计算复杂度极高，需要采用高能耗的大型计算器才能实时有效的还原和重构数据，难以在小型的且低耗能的移动终端上实现。作为一种消息传递信号检测方法，AMP运算复杂度低，且重构信号的估计误差小，是一种受到广泛关注的还原和重构信号的检测方法。AMP检测可用于压缩感知领域的线性求逆问题，也可用于MIMO无线传输领域的信号检测和预编码问题。

但是，虽然目前AMP检测以其优异的性能获得了广泛的关注和研究，但是仍然存在一些问题限制了其在实际系统中的应用。其最主要的问题是，不能在所有场景都保证收敛，即在某些特定场景中可以保持较好的收敛性，而在部分特定场景中无法收敛。具体什么情况下可以保证收敛，以及什么因素导致无法收敛，目前尚处于研究阶段，没有确切的结论。另外，既便在可以保持较好收敛的场景，AMP消息传递的收敛速度也存在很大差异，即部分场景收敛很快，而部分场景收敛很慢。具体什么因素决定了AMP检测消息传递收敛速度，也需要进一步进行研究。

发明内容

本发明的目的为了解决上述AMP检测不能在所有场景都保证收敛；以及在可以保持较好收敛的场景，收敛速度存在很大差异的问题；而提供的一种基于机器学习的AMP检测改进方法。本发明提供的改进方法是通过在AMP检测中设置能供学习的参数，并构建目标函数利用实际应用场景的大数据对能供学习参数进行训练，从而降低AMP检测发散概率，并提高收敛速度的方法。

我们考虑采用机器学习对AMP检测进行优化，从而降低其发散的概率并提高收敛速度。作为人工智能和模式识别等领域的研究热点，机器学习已经帮助许多依靠传统方法难以解决的问题找到了新的突破口。本发明所考虑的AMP检测在压缩感知和MIMO无线传输问题中的应用问题，均属于大数据分析领域的研究问题。通过机器学习从大数据中获取尚未发现的知识和找到尚不知晓的规律已成为当今计算机技术发展的一大推动力量。因此，在面对难以用理论推导解释什么因素导致AMP检测发散以及什么因素影响了AMP检测的收敛速度等问题的时候，机器学习从大数据分析的角度提供了新的研究思路和解决方法。

下面给出如何利用机器学习从复杂多样的压缩感知数据以及MIMO传输数据中获取所需的知识，找到影响AMP收敛性能以及收敛速度的因素，即本发明要求保护的方法。