CN115941002A - 一种人工智能辅助的mimo检测方法 - Google Patents

Abstract

本发明公开了一种人工智能辅助的MIMO检测方法。首先确定MIMO检测中计算量较大的步骤，收集需要的输入输出训练数据；进而采用深度学习中的多层感知机(MLP)模型，对所需要优化的步骤进行学习和映射，得到训练好的模型参数；然后将MIMO检测算法中复杂度较高的计算过程转化为神经网络前向传播过程，即若干次矩阵乘法和矩阵相加运算，以达到降低检测算法复杂度的目的。在不同场景下验证了所提检测算法的有效性，检测性能能够逼近原始MIMO检测算法的效果，且相较于原始MIMO检测算法，可以大大降低计算复杂度。

Description

一种人工智能辅助的MIMO检测方法

技术领域

本发明属于移动通信技术领域，尤其涉及一种人工智能辅助的MIMO检测方法。

背景技术

多输入多输出(Multiple-Input Multiple-Output,MIMO)技术是提高无线通信频谱效率的主要技术途径。MIMO系统的主要优势在于其能够在不增加额外带宽和功率的前提下，采用空间复用技术，极大提升通信系统的频谱效率。因此，现代通信系统常采用MIMO和高阶正交幅度调制(Quadrature Amplitude Modulation,QAM)来最大限度地提高频谱效率。

然而，高维MIMO系统的广泛部署受到一些局限性的阻碍。在实际场景中，通信系统配置大量的射频单元，在进行信号处理时，接收机的发送端和接收端的复杂度将会非常高，并且会产生很高的能耗。此外，发射信号在MIMO系统发射端从多根天线发出，接收端也由多根天线进行接收，是多个信号叠加的结果，这就导致对接收端信号检测的难度相对较高。而随着天线数量和调制阶数的增加，低复杂度、高效率的MIMO接收机的设计面临巨大的技术挑战，例如，符号检测不能再依赖于最大似然检测或球形译码，因为它们的复杂度随着发射天线和调制阶数呈指数增长。这是高维MIMO实现的主要瓶颈。因此，高性能的MIMO检测技术的研究具有重要的意义。

对于MIMO通信系统，在接收机获得信道状态信息以及发送符号服从均匀分布的前提下，最大似然检测器(Maximum Likelihood,ML)需要遍历所有可能的向量，如下式所示，其中u表示取自n维符号集

的传输符号向量，H是m×n的MIMO复信道矩阵，y是信道接收符号向量：

最大似然检测器是NP-hard问题，其复杂度过高，难以在实际中应用，因此，如何简化信号检测的算法并且逼近最大似然检测的性能成为通信界关注的热点问题。

期望传播(Expectation Propagation,EP)算法是一种复杂度较低且具有较高性能的算法。EP算法是贝叶斯机器学习中的一种算法，能够通过矩匹配有效地处理连续分布，因此，它具有处理更复杂和通用的近似函数的能力。

在EP检测算法中，首先构造了传输符号向量的后验分布的高斯近似，即q_EP(u)≈p(u|y)。EP算法通过迭代来逐步构造能够匹配每个MIMO维度的前两个矩的q_EP(u)。这样做的原因是对于较大的发射天线数n，直接从后验概率p(u|y)开始计算将变得难以实现。EP检测最终的效果也非常好，即使对于非常大的MIMO阶数，例如250个发射天线，也只需7～8次迭代便逼近原始分布，而且每次迭代的复杂度取决于n×n的矩阵求逆。仿真结果表明，EP算法需要的迭代次数独立于系统的规模和调制阶数，算法的复杂度维持在O(n³)。此外，EP检测是一种软输出算法，它为每个接收到的符号提供了一个后验概率估计，可以很自然地进行进一步的信道解码。

随着科技水平的提升，人工智能等新技术如雨后春笋般出现在人们的视野，将人工智能技术融合在通信中将成为第六代移动通信技术(the 6th Generation MobileCommunication Technology,6G)发展的一个主流方向。加之硬件水平以及计算机算力的提升，机器学习技术得到了广泛的应用。

机器学习是人工智能的一种，需要大量数据的支撑以训练出理想的满足需求的模型。神经网络则是机器学习中的一种算法，属于监督学习。监督学习即训练数据的输出结果是真实且确定的，能够准确给出训练误差，指导模型进行训练和学习。神经网络由大量结点相互连接构成，在数据传输迭代的过程中，会逐步调优结点的参数值，不断降低损失函数，从而达到由输入数据准确映射为输出数据的目的。

深度学习则是机器学习的一种分支技术，近年来关注度极高，无数专家学者进行了深入研究。深度学习可以理解为神经网络算法的一种纵向延伸，基于基础的神经网络，对网络层数以及网络推理运算过程做精细的研究，以使网络模型能够拥有更加强大的学习能力，使网络在大量迭代训练后能够学习到极其复杂的运算过程。近些年，深度学习已经被广泛应用于各个领域，比如自然语言处理、计算机视觉以及推荐算法等。

以往大多主流思想是依靠神经网络强大的学习能力，提高算法的性能。而网络的推理即对新数据预测的本质是若干次矩阵相乘运算。因此现有的问题是如何既降低MIMO检测算法的复杂度，又尽可能维持原本的检测性能，避免过多性能的损失。

发明内容

本发明目的在于提供一种人工智能辅助的MIMO检测方法,以解决在保证一定的MIMO检测性能的基础上，降低MIMO检测算法的复杂度的技术问题。

为解决上述技术问题，本发明的具体技术方案如下：

一种人工智能辅助的MIMO检测方法，包括以下步骤：

步骤1、确定MIMO检测过程中复杂度较高的步骤，收集需要的输入输出训练数据；

步骤2、采用深度学习中的多层感知机MLP模型，对所需要优化的步骤进行学习和映射，得到训练好的模型参数；

步骤3、将MIMO检测算法中复杂度较高的计算过程转化为神经网络前向传播过程，即若干次矩阵乘法和矩阵相加运算，以达到降低检测算法复杂度的目的。

进一步的，步骤1中收集需要的输入输出训练数据，并在综合考虑计算复杂度和学习能力的基础上，设计模型结构，具体包括以下步骤：

步骤1.1、在MIMO检测开始前初始化若干个数组，分别存放需要收集的输入输出数据，在MIMO检测过程中，将每次需要映射的输入输出数据保存；在不同信噪比情况下，由于不同信噪比数据分布差异较大，为了得到更好的训练结果，将信噪比划分为不同区间，不同信噪比区间用不同的神经网络模型单独进行学习；数据收集时，也根据信噪比划分的区间单独收集；

步骤1.2、综合考虑检测过程中采用神经网络的计算复杂度和学习能力，确定模型的结构，包括隐藏层数和各隐藏层的结点数，输入层结点数对应输入数据的种类数，输出层结点数对应输出数据的种类数。

进一步的，采用深度学习中的多层感知机MLP模型，对所需要优化的步骤进行学习和映射，得到训练好的模型参数，具体包括以下步骤：

步骤2.1、导入收集好的训练数据，对输入、输出数据以及训练、测试数据进行划分，划分的测试集占总数据集的一定比例，保证模型的泛化能力；

步骤2.2、采用z-score方法进行数据标准化，缓解数据量纲的影响，z-score标准化会将数据标准化为均值为0，标准差为1的数据分布，如下式所示：

μ和σ分别为训练集输入数据的均值和标准差，对训练集和测试集的输入数据进行标准化。

步骤2.3、随后进行数据格式处理；标准化处理完成后，将数据集转换为张量类型，并创建数据加载器，以迭代的方式分批次传入数据进行训练；

步骤2.4、搭建神经网络模型，训练后得到模型。

进一步的，将MIMO检测算法中复杂度较高的计算过程转化为神经网络前向传播过程，具体包括以下步骤：

步骤3.1、分别取出训练好的模型的权重矩阵和偏置的参数，每个模型的结点参数分别保存为一个单独的数据文件，以便根据信噪比选择相应的模型；并将各个信噪比的对应模型在标准化时的均值和标准差保存到数据文件中；

步骤3.2、在对信噪比进行迭代时，根据信噪比导入相应的模型参数以及对应标准化的均值和标准差；随后，将神经网络前向传播过程嵌入MIMO检测算法中。

进一步的，步骤3.2中将神经网络前向传播过程嵌入MIMO检测算法中具体过程为：

在MIMO检测过程中，得到输入的变量后，将其格式整合为神经网络的输入数据；随后，对输入数据进行标准化；之后，复现神经网络的核心前向传播过程，进而得到输出结果。

本发明的一种基于人工智能辅助的MIMO检测方法，具有以下优点：

本发明采用了深度学习中多层感知机模型，对MIMO检测算法中部分复杂度较高的步骤进行学习、映射，将复杂的计算过程转换为神经网络前向传播的若干矩阵乘法运算，以达到降低检测算法复杂度的目的。经过选用不同的MIMO场景进行实验，验证了本方案的有效性和较强的适应性，一方面降低了MIMO检测算法的复杂度，另一方面尽可能维持原本的检测性能，避免过多性能的损失，具有较好的应用前景。

附图说明

图1为本发明提供的基于人工智能辅助的MIMO检测方法流程的示意框图。

图2为本发明提供的MIMO系统仿真流程的示意框图。

图3为EP检测硬判决误符号率SER仿真结果图。

图4为EP检测软判决误比特率BER仿真结果图。

图5为本发明提供的MLP模块训练流程的示意框图。

图6为本发明提供的MLP辅助EP检测算法流程的示意框图。

图7为在8输入8输出的MIMO信道场景下本发明与原始EP检测算法迭代4次检测结果硬判决误符号率SER对比图。

图8为在4输入8输出的衰落信道场景下本发明与原始EP检测算法迭代4次检测结果硬判决误符号率SER对比图。

具体实施方式

为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于人工智能辅助的MIMO检测方法做进一步详细的描述。

结合图1对本发明的一种基于人工智能辅助的MIMO检测方法作具体说明，包括如下步骤：

针对目前性能突出且复杂度较低的期望传播(EP)检测算法进行仿真，分析检测过程中较为耗时的步骤，明确神经网络在EP检测算法中的优化思路；随后在仿真迭代过程中收集需要的输入输出训练数据，并在综合考虑计算复杂度和学习能力的基础上，设计模型结构；进而采用深度学习中的多层感知机(MLP)模型，对所需要优化的步骤进行学习和映射，得到训练好的模型参数；最后将EP检测算法中复杂度较高的计算过程转化为神经网络前向传播过程，即若干次矩阵乘法和矩阵相加运算，以达到降低检测算法复杂度的目的。具体过程如下：

首先仿真出一个较为完善的MIMO检测场景，其过程如图2所示：

(1)定义仿真场景中的一些重要参数，定义发射天线数、接收天线数、调制方式、传输符号数量、信道编码目标码率、传输块长度、信噪比等。其中的部分参数比如调制方式、发射和接收天线数等可以按需调整，以验证检测算法对于不同场景的适用性。

(2)根据调制方式生成星座点，计算出每个星座点符号的功率，并进一步计算出星座点的平均符号功率。

(3)迭代不同的比特信噪比，在某个信噪比下迭代每个Packet，每个Packet中，随机生成二进制信息比特序列，序列的长度为传输块长度。

(4)对信息比特序列进行信道编码，直接利用MATLAB提供的5G ToolBox，依次进行添加循环冗余校验码、码块分割、纠错编码以及速率匹配。其中纠错编码较为关键，其目的是加入部分冗余码字以实现接收端自动纠正数据传输中发生的错误。本发明中采用LDPC编码，该编码的数学描述简单，且适合并行处理和硬件实现，具有良好的性能和灵活性。

(5)对信道编码后的序列进行调制，得到发送信号u，并根据发送和接收天线数随机生成MIMO信道矩阵H，维度为RxAntNum×TxAntNum，信道矩阵中每个元素为正态分布，且模为1。随后发送信号通过信道并添加高斯噪声ω，得到接收信号y，这一过程即y＝Hu+ω。

(6)为了更好地理解EP算法的推理过程，将复数变量的发送符号、接收符号、信道矩阵、噪声方差用实数变量来表示，也就是将复值MIMO系统重构为实值MIMO系统。复值MIMO系统模型y＝Hu+ω可以等价为实部

和虚部序列

两个序列，发送信号

接收信号

高斯噪声

信道矩阵

此时实值信道模型以及后验概率分布如下所示：

表示实数发送符号向量的后验概率，

表示均值为

协方差矩阵为

的正态分布，

含义是如果

则函数值为1，否则为0。

为复值噪声的方差，复值噪声实部和虚部的方差均为

是复信道噪声方差的一半，

为对称M-QAM信号的实部和虚部的符号集，符号平均能量

为复信号符号平均能量的一半。

(7)进行EP检测算法。

(8)直接根据EP检测的结果，硬判决错误符号数。同时EP检测将会返回检测结果的符号概率，因此可以根据输出的后验概率估计，求出期望，并进行软解调，解调的具体步骤为：解速率匹配、LDPC解码、解码块分割、解循环冗余校验，即对应信道编码的逆过程；接着软判决错误比特数。

(9)根据检测结果，得出硬判决的误符号率(Symbol Error Rate,SER)和软判决的误比特率(Bit Error Rate,BER)仿真结果，仿真结果如图3和图4所示。

接着分析检测过程中较为耗时的步骤，明确神经网络在EP检测算法中的优化思路。

EP检测算法中，复杂度最高、最耗时的步骤为计算高斯近似q_EP(u)的均值和方差，因为该过程中存在求逆运算，会消耗大量时间；其次，在EP内循环迭代过程中，计算当前检测信号的概率密度函数q^(l)\i(u_i)的均值

和方差

以及更新

的过程也相对耗时。

根据上文对检测过程中较为耗时步骤的分析，尝试将计算高斯近似q_EP(u)的均值和方差、计算当前检测信号的概率密度函数q^(l)\i(u_i)的均值

和方差

以及更新

这三个步骤进行简化，考虑将原后验概率分布p(u|y)的均值

和方差

以及检测信号的概率密度函数q^(l)\i(u_i)的均值

和方差

这4个变量作为神经网络的输入，经历迭代之后的检测信号的概率密度函数q^(l+1)\i(u_i)的均值

和方差

作为神经网络的输出，即可跳过EP检测过程中相对复杂的步骤，直接根据神经网络的输出结果均值

和方差

生成正态分布的概率密度函数，得到检测结果。

由于神经网络的本质是输入数据经过网络结点运算得到输出，中间的计算过程可以等效为矩阵相乘运算，因此计算过程实际可以等效为几个矩阵乘法运算，运算复杂度相比直接进行的复杂公式计算可以有较大降低。另一个神经网络的好处在于无论输入数据的数据规模有多大，计算过程仍然是几个矩阵运算的步骤，能够有效地并行计算，在批量数据的情况下，运算效率能够有大幅度提升。

之后，在仿真迭代过程中收集需要的输入输出训练数据，并在综合考虑计算复杂度和学习能力的基础上，设计模型结构。其过程如下：

(1)在仿真开始前初始化六个数组，分别存放需要收集的六种变量数据，在仿真过程中，将每次EP迭代过程中的需要映射的数据保存。在不同信噪比情况下，数据的分布差异较大，比如信噪比为10时，

大致为10^-3数量级，而当信噪比为30时，

大致为10^-5数量级。由于不同信噪比数据分布差异较大，为了得到更好的训练结果，将信噪比划分为不同区间，不同信噪比区间用不同的神经网络模型进行学习。因此，总共训练5个模型，将比特信噪比

做如下划分：

训练第一个模型，

训练第二个模型，

训练第三个模型，

训练第四个模型，

训练第五个模型。因此，数据收集时，也分为这5种情况。

最终，每个信噪比区间对应的数据量为307200条，每条数据都有6个特征，前4个特征为输入，后2个特征为输出，即数据规模为307200×6。

(2)神经网络模型的本质是矩阵乘法，矩阵的参数则是模型需要训练的内容，隐藏层的数量决定了预测时所需经历的矩阵乘法的次数，很大程度上决定了模型预测一次的算法复杂度。而神经网络的每一层的结点数将影响模型的学习能力，如果结点数更多，相对的模型的学习能力、拟合能力也会更强，同时需要的数据量也会更大，否则会出现欠拟合的现象；而如果结点数较少，模型的学习能力也很有限，不容易学习到复杂的分布，且容易出现过拟合现象。

经过较多的尝试，综合考虑计算复杂度和学习能力，最终模型的结构为输入层4个结点，对应输入的四个变量

和

有两个隐藏层分别为32和16个结点，输出层2个结点，对应输出的两个变量

和

接下来，采用深度学习中的多层感知机(MLP)模型，对所需要优化的步骤进行学习和映射，得到训练好的模型参数，其过程如图5所示：

(1)导入收集好的训练数据，对输入、输出数据以及训练、测试数据进行划分，划分的测试集占总数据集的20％，保证模型的泛化能力

(2)接着采用z-score方法进行数据标准化，缓解数据量纲的影响。z-score标准化会将数据标准化为均值为0，标准差为1的数据分布，如下式所示：

μ和σ分别为训练集输入数据的均值和标准差，对训练集和测试集的输入数据进行标准化。

(3)随后进行数据格式处理。标准化处理完成后，此时的数据格式是numpy格式，而Pytorch实现神经网络的过程需要张量(Tensor)格式的数据，张量类型的数据在神经网络中运算更快，且能够创造更高维度的矩阵、向量。因此需要将数据集转换为张量类型，且还需将数据格式转为float32，默认采用的double数据类型无法在Pytorch框架中训练。接着，创建数据加载器，以迭代的方式分批次传入数据进行训练。

(4)搭建神经网络模型，本发明中采用4×32、32×16、16×2三个全连接层，以实现对数据学习的同时保证推理的简易性；激活函数使用ReLU()函数，最大程度提升计算速度和训练收敛的速度；优化器采用Adam优化器，初始学习率设置为0.001；误差损失函数采用L1损失函数，即最小绝对值偏差。训练后得到模型。

最后，将EP检测算法中复杂度较高的计算过程转化为神经网络前向传播过程，其过程如图6所示：

(1)首先，分别取出训练好的模型的权重矩阵和偏置的参数，由于取出的参数是张量(Tensor)类似的数据，为了更好地进行复现，还需要将数据类型转为numpy类型，并将参数保存为.mat文件，方便在MATLAB中进行调用。每个模型分别保存一个mat文件存放模型参数，以便根据信噪比选择相应的模型。

此外，还需要将各个信噪比对应模型在标准化时的均值和标准差保存到mat文件，进行预测前需要将数据用训练数据集的均值和方差进行标准化，才可进行下一步预测。

(2)首先在对信噪比进行迭代时，根据信噪比导入相应的模型参数以及对应的标准化的均值和标准差。随后，在EP检测算法中做进一步的修改。

在EP迭代内循环中，在得到后验概率分布p(u|y)的均值

和方差

以及上一轮检测信号的概率密度函数q^(l)\i(u_i)的均值

和方差

这4个变量后，将其格式整合为神经网络的输入数据；随后，对输入数据进行标准化。

之后，则是神经网络的核心复现过程。本发明中神经网络预测一次的过程如下，其中n为发射天线数：

最后得到输出结果，分别为本轮迭代检测信号的概率密度函数q^(l)\i(u_i)的方差

以及本轮迭代检测信号的概率密度函数q^(l)\i(u_i)的均值

通过MLP辅助EP算法的迭代过程只需要经历3次矩阵乘法运算和矩阵相加，由上式可得该过程主要计算复杂度为：O(2n×4×32)+O(2n×32×16)+O(2n×16×2)，经过化简，最终计算复杂度为O(n)，而原始EP检测算法的计算复杂度为O(n³)，复杂度大大降低。

如图7所示，是在8输入8输出的MIMO信道场景下本发明与原始EP检测算法迭代4次检测结果硬判决误符号率SER对比图。基于MLP的EP检测算法虽然没有能够和原始的EP算法的性能完全一致，但是能够很大程度上对EP算法进行逼近。尤其在信噪比较低的情况下(SNR≤16dB)，能够较为逼近EP算法的性能；而在信噪比较高(SNR>16dB)的情况下，对神经网络拟合映射数据的精度要求也会更高，相对来说性能差异较大，但误差也在能够接受的范围内，性能依旧远高于传统的MMSE检测算法的性能。

由于训练数据采用8输入8输出的MIMO信道的仿真数据，因此，为了验证模型的普适性，采用了不同于训练数据的衰落信道，如图8所示，是在4输入8输出的衰落信道场景下本发明与原始EP检测算法迭代4次检测结果硬判决误符号率SER对比图，本发明的性能在多数情况下依旧能够逼近原始EP算法。

可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (5)

1.一种人工智能辅助的MIMO检测方法，其特征在于，包括以下步骤：

步骤1、确定MIMO检测过程中复杂度高的步骤，包含复杂度为O(n³)的矩阵求逆过程，收集需要的输入输出训练数据，并在综合考虑计算复杂度和学习能力的基础上，设计模型结构；

步骤2、采用深度学习中的多层感知机MLP模型，对步骤一中确定的需要优化的复杂度高的步骤进行学习和映射，得到训练好的模型参数；

步骤3、将MIMO检测算法中复杂度较高的计算过程转化为神经网络前向传播过程，即若干次矩阵乘法和矩阵相加运算，以达到降低检测算法复杂度的目的。

2.根据权利要求1所述的人工智能辅助的MIMO检测方法，其特征在于，步骤1中收集需要的输入输出训练数据，并在综合考虑计算复杂度和学习能力的基础上，设计模型结构，具体包括以下步骤：

步骤1.1、在MIMO检测开始前初始化若干个数组，分别存放需要收集的输入输出数据，在MIMO检测过程中，将每次需要映射的输入输出数据保存；将信噪比划分为不同区间，不同信噪比区间用不同的神经网络模型单独进行学习；数据收集时，也根据信噪比划分的区间单独收集；

步骤1.2、综合考虑检测过程中采用神经网络的计算复杂度和学习能力，确定模型的结构，包括隐藏层数和各隐藏层的结点数，输入层结点数对应输入数据的种类数，输出层结点数对应输出数据的种类数。

3.根据权利要求2所述的人工智能辅助的MIMO检测方法，其特征在于，采用深度学习中的多层感知机MLP模型，对所需要优化的步骤进行学习和映射，得到训练好的模型参数，具体包括以下步骤：

步骤2.1、导入收集好的训练数据，对输入、输出数据以及训练、测试数据进行划分，划分的测试集占总数据集的20％，保证模型的泛化能力；

步骤2.2、采用标准分数z-score方法进行数据标准化，缓解数据量纲的影响，z-score标准化会将数据标准化为均值为0，标准差为1的数据分布，如下式所示：

μ为训练集输入数据的均值，σ为训练集输入数据的标准差，z为标准化之后满足均值为0、标准差为1的输出结果，对训练集和测试集的输入数据进行标准化；

步骤2.3、随后进行数据格式处理；标准化处理完成后，将数据集转换为张量类型，并创建数据加载器，以迭代的方式分批次传入数据进行训练；

步骤2.4、搭建神经网络模型，训练后得到模型。

4.根据权利要求3所述的人工智能辅助的MIMO检测方法，其特征在于，将MIMO检测算法中复杂度较高的计算过程转化为神经网络前向传播过程，具体包括以下步骤：

步骤3.1、分别取出训练好的模型的权重矩阵和偏置的参数，每个模型的结点参数分别保存为一个单独的数据文件，以便根据信噪比选择相应的模型；并将各个信噪比的对应模型在标准化时的均值和标准差保存到数据文件中；

步骤3.2、在对信噪比进行迭代时，根据信噪比导入相应的模型参数以及对应标准化的均值和标准差；随后，将神经网络前向传播过程嵌入MIMO检测算法中。

5.根据权利要求4所述的人工智能辅助的MIMO检测方法，其特征在于，步骤3.2中将神经网络前向传播过程嵌入MIMO检测算法中具体过程为：

在MIMO检测过程中，得到输入的变量后，将其格式整合为神经网络的输入数据；随后，对输入数据进行标准化；之后，复现神经网络的核心前向传播过程，进而得到输出结果。

Images