基于深度学习的大规模多天线系统信号检测技术研究

论文总字数：27045字

摘 要

无线通信技术自诞生至今一直迅速发展，新的技术比如人工智能、智能交通、物联网的提出和发展，对无线通信提出了更高的要求，在MIMO信号检测技术中，传统方法发展迅速，但仍然无法避免如计算速度过慢或计算复杂度过高的问题，近年来，世界正在目睹深机器学习的革命。本文围绕深度学习在MIMO系统中的应用，讨论了在多天线无线通信系统背景下，深度神经网络的使用。

首先，本文对MIMO通信和深度学习给出了一个简要的介绍，指出了深度学习应用在信号检测中的可能性和必要性，并引用了一个适用于检测任务的现代神经网络结构DetNet。在介绍了DetNet的具体网络架构和学习原理之后，本文讨论了多天线无线通信系统信道的参数是已知的但在变化的情况，在这种情况下，必须得到一个能应对多种不同信道的检测器。因此，本文在Tensorflow上搭建DetNet的神经网络，并在训练后通过计算其误差曲线来展示深度MIMO检测器在不同信噪比下的表现。

接着，再在MATLAB上仿真传统检测方法mmse及其应用ofdm时的算法，得到它们的误差曲线后同DetNet进行对比。结果显示，深度网络在MIMO检测中的应用是可行并且前景光明的，因为它不仅能在非常低的复杂度的前提下达到极高的精准度，而且可以在不稳定的信道环境和噪声影响下提供鲁棒性。

最后，本文提出了DetNet可能可以进行改进的地方，并对它在应用到更复杂的情况下（如OFDM）的可能性进行了解释，对深度学习在MIMO通信系统中的应用前景进行了展望。

关键词：MIMO检测，深度学习，神经网络

ABSTRACT

Wireless communication technology has been developing rapidly since its inception. New technologies such as artificial intelligence, intelligent transportation, and the development and development of the Internet of Things have imposed higher requirements on wireless communications. In the MIMO signal detection technology, traditional methods have developed rapidly, but It is still impossible to avoid problems such as slow calculation speeds or high computational complexity. In recent years, the world is witnessing a revolution in machine learning. This paper focuses on the application of deep learning in MIMO systems and discusses the use of deep neural networks in the context of multi-antenna wireless communication systems.

Firstly, this paper gives a brief introduction to MIMO communication and deep learning, points out the possibility and necessity of deep learning application in signal detection, and quotes a modern neural network structure DetNet suitable for detection tasks. After introducing DetNet's specific network architecture and learning principles, this article discusses the fact that the parameters of the multi-antenna wireless communication system's channel are known but are changing. In this case, one must be able to handle a variety of different channels. Detector. Therefore, this paper builds the DetNet neural network on Tensorflow, and after training, calculates its error curve to show the performance of the deep MIMO detector under different signal-to-noise ratios.

Then, the traditional detection method mmse and its application of ofdm are simulated on MATLAB, and their error curves are compared with DetNet. The results show that the application of deep network in MIMO detection is feasible and promising, because it not only achieves very high accuracy under very low complexity, but also under the influence of unstable channel environment and noise. Provides robustness.

Finally, this paper proposes the places where DetNet may be improved, and explains the possibility of applying it to more complex situations (such as OFDM), and looks into the application of deep learning in MIMO communication systems.

Keywords: MIMO Detection，Deep Learning，Neural Network

英文缩略词

MIMO Multiple-Input Multiple-Output

OFDM Orthogonal Frequency Division Multiplexing

DFT Discrete Fourier Transform

FFT Fast Fourier Transform

QPSK Quadrature Phase Shift Keying

CP Cyclic Prefix

DL Deep Learning

NN Neural Network

ANN Artificial Neural Network

ISI InterSymbol Interference

ML Maximum Likelihood

Machine Learning

MF Match filter

ZF Zero-Force

MMSE Mininum mean square error

DFE Decision feedback equalization

AMP Approximate message passing

SDR Semi-Definite Relaxation

BPSK Binary Phase Shift Keying

QPSK Quadrature Phase Shift Keyin

BER Bit Error Ratio

SNR Signal-to-noise ratio

目 录

摘要 I

ABSTRACT II

英文缩略词 III

目 录 IV

第一章 绪论 0

1.1 研究背景和意义 0

1.1.1 传统MIMO检测方法介绍 0

1.1.2深度学习在MIMO系统中应用的研究意义和现状 0

1.1.3主要贡献 1

1.2 研究方法 2

1.3论文章节安排 3

第二章 MIMO-OFDM信号检测技术研究 5

2.1 MIMO-OFDM系统 5

2.1.1 MIMO-OFDM系统概述 5

2.1.2 MIMO-OFDM系统模型 5

2.2 MIMO-OFDM系统中的信号检测技术 7

2.2.1 传统MIMO-OFDM系统信号检测技术简介 7

2.2.2 利用深度学习的神经网络检测技术系统介绍 8

第三章 DetNet深度检测网络系统性能分析 13

3.1 DetNet网络架构介绍 13

3.1.1 深度神经网络基础 14

3.1.2深度学习参数选择和训练方法 14

3.2 DetNet检测方法结果分析 16

第四章 传统检测方法在MATLAB上的仿真性能分析 18

4.1 设计细节及仿真方法 18

4.2 仿真结果分析和对比 18

4.2.1传统方法的仿真结果分析 19

4.2.2与DetNet方案的对比 19

第五章 总结与展望 22

5.1 全文总结 22

5.2 进一步研究方向 22

参考文献 23

致 谢 25

第一章 绪论

1.1 研究背景和意义

无线通信技术自诞生至今一直迅速发展，新的技术比如人工智能、智能交通、物联网的提出和发展，对无线通信提出了更高的要求，在MIMO信号检测技术中，传统方法发展迅速，但仍然无法避免如计算速度过慢或计算复杂度过高的问题，近年来，世界正在目睹深机器学习的革命。在很多工程领域，例如计算机视觉领域，都可以看到，计算机可以输入样品对输入和期望的输出，并“学习”与之相关的功能。在MIMO检测的情况下，模型是已知的并且允许本文根据需要生成尽可能多的人造示例。因此本文取用另一种概念。本文将“学习”解释为从规定类别的算法中选择最佳的解码器。经典检测理论试图得到最佳的未知数估计，而机器学习试图选择可以应用的最佳算法。本课题旨在将深度学习技术与传统信号检测技术相结合，以探究在信号检测性能上的提升。

1.1.1 传统MIMO检测方法介绍

二进制MIMO检测设置是简单假设检验中的一个经典问题[1]。最大似然（ML）检测器以达到最小联合错误概率为原则，是用于同时检测所有符号的最佳检测器。它可以通过高效的搜索算法来实现，例如球形解码器[2]。难点在于其最坏情况下的计算复杂性对于许多应用而言是不切实际的。 因此，一些改进的搜索算法被提出，提供了复杂性的改进[3][4]。 次优检测算法的实施引起了很多关注。 最常见的次优检测器是线性接收器，如匹配滤波器（MF），去相关器或迫零（ZF）检测器和最小平均平方误差（MMSE）检测器。 更先进的检测器基于判决反馈均衡（DFE），近似消息传递（AMP）[5]和半定松弛（SDR）[6][7]。 目前，在许多实际情况下，AMP和SDR都提供了接近最佳的准确度。 AMP在实践中实施简单且便宜，但是在有问题的环境中可能会出现分歧。 SDR更具鲁棒性，具有多项式复杂性，但在实践中要慢得多。

1.1.2深度学习在MIMO系统中应用的研究意义和现状

在过去的十年中，工程学各个领域的机器学习成功案例激增。监督分类与统计检测理论相似。观察噪声数据，并输出关于其来源的离散未知数。通常情况下，这两个领域的不同之处在于，检测理论基于环境的先验概率模型，而学习是数据驱动的并且基于先例。在MIMO检测的情况下，模型是已知的并且允许本文根据需要生成尽可能多的人造示例。因此本文取用另一种概念。本文将“学习”解释为从规定类别的算法中选择最佳的解码器。经典检测理论试图得到最佳的未知数估计，而机器学习试图选择可以应用的最佳算法。事实上，检测中假设的是未知的符号，而学习中假设的是检测规则[8]。实际上，这意味着每次本文获得新的观察结果时，都会应用检测中涉及计算的部分。在学习中，代价高的阶段是学习通常表现不佳的算法。一旦找到了最佳规则算法，本文就可以以很低的代价实时实现它。

机器学习历史悠久，但之前却受限于简单的小问题。过去几年的高速发展，让该领域见证了深刻的革命。“深”这个形容词与使用复杂和富有表现力的算法（也称为体系结构）有关。它们通常是具有许多非线性的操作单元和层的神经网络。深层架构比浅层架构更具表现力[9]，但之前却被认为不可能被优化。随着大数据，优化算法和更强大的计算资源的发展，这些网络目前在语音处理和计算机视觉等不同问题上已经处于先进水平。值得一提的是，一种有前途的设计深层架构的方法是展开现有的迭代算法[10]。每次迭代被认为是一个层，算法被称为网络。学习以现有算法作为初始起点，并使用优化方法来改进算法。举例来说，这种策略在稀疏重建的背景下已经取得了成功。领先的迭代收缩和阈值算法以及稀疏版本的AMP都通过将其迭代展开到网络并学习其最优参数而得到了改进[11][12]。

剩余内容已隐藏，请支付后下载全文，论文总字数：27045字