[发明专利]一种利用软信息反馈的单比特大规模MIMO接收方法

说明书

本发明公开了一种利用软信息反馈的单比特大规模MIMO接收方法，包括：生成训练数据集；搭建ML阶段的深度展开神经网络，再使用训练数据集对该神经网络进行离线训练并得到LLR；搭建MAP阶段一次迭代的深度展开神经网络，再利用训练数据集与最新的LLR离线训练该神经网络并更新LLR；重复上一步骤直到达到最大迭代次数，得到MAP阶段一组训练好的神经网络；在线进行符号检测时，首先使用ML阶段训练好的神经网络得到初始LLR，接着按序使用MAP阶段所有训练好的神经网络不断更新LLR，最后输出符号检测结果。本发明能够在同等训练开销的前提下显著降低误比特率，并且在线计算复杂度较低，利于工程实现。

技术领域

本发明涉及单比特大规模MIMO接收方法，特别是涉及一种利用软信息反馈的单比特大规模MIMO接收方法。

背景技术

单比特模数转换器(Analog-to-Digital Converter,ADC)大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)接收机的传统设计方法包括基于Bussgang分解的线性最小均方误差(Bussgang-Based Minimum Mean Squared Error,BLMMSE)接收机和最大似然(Maximum Likelihood,ML)接收机等，其中BLMMSE接收机复杂度较低但性能较差，ML接收机性能优异但是复杂度很高。

深度学习方法可以离线训练神经网络，然后将训练好的神经网络用于在线部署，与传统方法相比具有低计算复杂度、鲁棒性强等优点。而相比传统的神经网络，基于深度展开技术的神经网络由于结合了理论知识来设计神经网络架构，因此具有训练参数少、泛化能力强等优点。

现有基于深度展开技术的单比特ADC大规模MIMO系统接收机设计仅展开了求解ML检测问题的梯度投影(Projected Gradient,PG)算法，并没有求解性能更优的基于软信息反馈的最大后验概率(Maximum a Posteriori,MAP)检测问题。

发明内容

有鉴于此，本发明的目的在于提供一种利用软信息反馈的单比特大规模MIMO接收方法，以实现在符号检测时在同等训练开销的前提下获得较低的误比特率。

为了实现上述目的，本发明采用如下技术方案：

一种利用软信息反馈的单比特大规模MIMO接收方法，所述接收方法包括如下步骤：

步骤S1、生成数据集；

步骤S2、构建第一深度展开神经网络，再使用步骤S1中生成的数据集对所述第一深度展开神经网络进行离线训练，得到训练后的第一深度展开神经网络，以及基于该训练后的第一深度展开神经网络得到的发射符号的LLR；其中，所述第一深度展开神经网络为基于深度展开技术将求解ML检测问题的梯度投影算法展开得到的神经网络，并且将算法的每次迭代作为该神经网络中的每一层；

步骤S3、构建第二深度展开神经网络，再使用步骤S1中生成的数据集以及步骤S2中得到的发射符号的LLR对所述第二深度展开神经网络进行离线训练，其中，所述第二深度展开神经网络为基于深度展开技术将求解MAP检测问题的梯度投影算法展开得到的神经网络，并且该神经网络在进行离线训练时，仅迭代一次；

步骤S4、重复步骤S3直到达到最大迭代次数，得到一组训练好的第二深度展开神经网络；

步骤S5、在线进行符号检测，接收机首先使用经所述第一深度展开神经网络得到的LLR，然后按序使用步骤S4中得到的经过训练后的第二深度展开神经网络不断更新LLR，最后输出符号检测结果。

进一步的，所述步骤S1包括：

步骤S101、针对一实域系统模型，其表示为：

y＝sign(Hx+z) (1)