[发明专利]一种基于深度学习的空间调制网络中联合检测方法

说明书

本发明公开了一种基于深度学习的空间调制网络中联合检测方法。本发明利用深度学习方法，首先将信道和接收信号均处理为实值行向量，二者堆叠生成训练样本，一批样本组成训练集，将原始数据比特处理为独热编码形式，生成训练集的标签；然后搭建深度神经网络，使用训练集及其标签训练深度神经网络；最后，每当信道矩阵和接收信号发生变化时，向深度神经网络输入信道和接收信号，得到输出，即为信号检测结果。只要信道的随机分布不发生改变，便无需进行新的训练。本发明的有益效果为，本发明提出的基于深度学习的联合检测方法，无需重复繁琐的计算，以可接受的复杂度，获得了较优的误比特率性能。

技术领域

本发明涉及无线通信技术领域，特别涉及基于深度学习的空间调制网络中联合检测方法。

背景技术

目前，第五代移动通信技术已经深入到生产制造、日常生活的方方面面，它通过大规模多输入多输出(Multiple Input Multiple Output,MIMO)提升效率，采用重点区域超密集组网等关键技术，其发展已进入最后阶段。学术界对开发下一代网络的兴趣日益浓厚，预计未来十年将致力于发展第六代移动通信技术(the Sixth Generation mobilecommunication networks, 6G)。2019年，中国正式启动6G研究，将结合移动超宽带、物联网、人工智能等技术。大规模MIMO技术在简化介质访问控制层、提高吞吐量、降低延迟、增加辐射能效、使用廉价低功耗组件等方面具有极大优势，在6G研究中潜力巨大。

传统MIMO有许多劣势，比如信道间干扰难以消除、天线间同步难度大、系统性能与接收机复杂度之间难以权衡、发射天线必须少于接收天线。

为了解决上述问题，新型MIMO技术——空间调制(Spatial Modulation,SM)应运而生，它将比特信息流分为两个子信息块，一个映射为天线索引，另一个映射到星座符号。在每个时隙内，只有一个发射天线被激活。无线通信信道具有很高的复杂度和随机性，SM的各个发射天线对应的信道之间有很大的区别，所以接收机可以通过一定的检测方式，区分和识别来自不同天线的数据。SM的主要优点有：1)每个时隙只有一副天线被激活，很好地消除了信道间干扰，避免了天线间同步，降低了射频开销和功率消耗。2)利用天线序数携带比特信息，在一定程度上提升了频谱效率和能量效率。3)如果发射天线多于接收天线，SM方案仍然可以高效地运转，因此SM适用于低复杂度的移动单元的下行链路设置。

在传统的SM信号检测方法中，最大似然(Maximum Likelihood,ML)检测的误比特率 (Bit Error Rate,BER)性能最优，其主要思路是，在接收端穷尽搜索所有可能的发射向量，即所有可能的天线索引和星座符号对，找到最大化似然函数的最优解。最大似然检测的计算复杂度非常高，随着发射天线数和调制星座阶数的增加而指数增长。虽然后续也陆续有研究者提出更低复杂度的方法，例如球形译码检测、迫零检测、最小均方误差检测、匹配滤波检测等，但整个过程仍然比较繁琐，具有重复性，不利于有效利用资源。

发明内容

SM系统中，接收端的信号检测器，根据接收信号检测出发射天线索引和星座符号，进而解调出原始数据比特。ML检测方法在接收端穷尽搜索所有可能的发射向量，即所有可能的天线索引和星座符号对，找到最大化似然函数的最优解。若接收端已知信道状态信息，则 ML检测可表示为：

其中，分别为接收端估计出的天线索引和星座符号索引，p_y(y|x_j，m，H)为似然函数。这一计算需要重复进行，步骤繁琐，消耗大量资源，不利于系统性能的提升。