[发明专利]一种基于模型驱动的深度信号检测方法

说明书

本发明属于大规模MIMO信号检测领域，具体涉及一种基于模型驱动的深度信号检测方案。该方法主要包括以下步骤：步骤1：系统初始化。获取信道矩阵，信噪比，收发端数目等参数，设置改进Richardson算法的初始值。步骤2：模型驱动深度方法。执行模型驱动深度算法流程，即依次为模型，算法，网络。首先建立大规模MIMO多用户系统模型，在此基础上，展开改进的Richardson检测算法迭代公式，设置松弛参数和权重参数为可学习参数，然后根据迭代次数确定网络层数，组成深度网络。步骤3：网络训练。需要随机生成不同信道噪声的训练样本来构造训练数据集，包括训练数据集和测试集。步骤4：生成模型。网络训练完成后，利用测试集进行验证性能，得到深度网络模型。

技术领域：

本发明属于深度学习与大规模MIMO信号检测领域，具体涉及大规模MIMO上行链路信号检测。

背景技术：

目前机器学习已经在图像音频处理，金融经济学，大数据分析等领域有了广泛的应用，随着机器学习的快速发展，逐渐支持越来越多的应用场景，所以机器学习也可以应用于下一代通信系统中，对各种技术问题进行建模。目前深度检测算法模型主要是分为数据驱动和以模型驱动两类，由于基于数据驱动方法的不足，所以转而通过结合模型驱动的深度学习方法，设计出有理论基础的网络拓扑，使网络结构具有可解释性和预测性。模型驱动方法是指一种使用基于特定任务的目标、物理机制和领域知识构建的模型(例如损失函数)的方法。模型驱动深度方法的一个显著特征是当模型足够精确时，通常确定某一最小化算法，得到预期最优最终解。Richardson检测算法中松弛参数的选择影响其算法性能，所以需要多次迭代才能达到理想性能，利用模型驱动深度检测方法，结合大规模MIMO Richardson信号检测算法，在深度网络中设置松弛参数为可学习参数，进行训练学习，能够有效地提升算法性能。

发明内容

针对以上大规模上行链路中Richardson检测算法性能不足的问题，本方案的目的在于利用深度学习技术，结合模型驱动的深度学习方法，应用在改进的Richardson检测算法中，设置松弛参数为可学习参数，网络训练后，得到深度网络，能够有效地提升算法性能。

本发明的技术方案如下：

S1：系统初始化。首先获取信道矩阵，信噪比，发射端和接收端数目，以及迭代次数等参数。基于相关的研究，基于信道硬化特性，设置改进Richardson算法的初始值。

S2：模型驱动深度方法。当完成S1后即可开始执行模型驱动深度算法流程，首先建立大规模MIMO多用户系统模型，在此基础上，展开改进Richardson检测算法迭代公式，设置松弛参数，权重参数为可学习参数，然后根据迭代次数确定网络层数，组建深度网络。

S3：网络训练。利用大规模多用户MIMO系统模型，随机地生产标签数据，分为训练集和测试集。选择训练集数据进行网络训练。

S4：生成模型。经过网络训练过后，得到网络模型，利用测试集进行验证性能。

附图说明

为了使本发明的目的、技术方案以及有益效果更加清晰，本发明提供如下附图进行说明：

图1大规模MIMO系统模型

图2深度网络单层结构

图3深度网络结构

具体实施过程：

本发明涉及一种基于模型驱动的深度信号检测方法，为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图，对本发明的优选实施例进行更为清楚、完整详细地的描述。

下面通过一个实施实例对本发明进行进一步说明，其目的仅在于更好地理解本发明的研究内容而非限制本发明的保护范围。一个大规模MIMO信号检测方法具体步骤如下：