论文部分内容阅读
随着信息化时代的到来,移动通信技术逐渐成为人们日常交流与沟通的主要通信手段,随着用户数量日益增加,传统的无线通信技术面临着频谱利用率低,系统容量小,数据传输率低的问题。多输入多输出(MIMO)技术的出现,在一定程度上解决了信道容量和传输速率问题。近年来,深度学习在图像处理,语音识别,自然语言理解等方面均有良好的性能展示,因此将基于数据驱动的深度学习方法运用到信号检测,信道估计,调制识别等通信领域是十分有必要的。本文利用深度学习工具研究MIMO技术中的两个关键点——信号检测技术与信道状态信息获取技术,研究内容包括以下两个方面:1)基于BD-Net网络的MIMO信号检测算法目前现有的MIMO检测算法存在计算复杂度高,假设前提强,难以统计噪声信息等诸多问题,基于深度学习的DetNet网络在信号检测过程中无需噪声统计信息,具有接近最优的检测性能,但是存在网络训练参数量大,网络收敛速度慢,且假设信道状态已知等限制。BD-Net(BiLSTM-Detection Network)网络利用投影梯度下降法优化发送信号最大似然估计问题,利用神经网络的拟合与泛化特性设计以双向LSTM为基本单元的神经网络,投影梯度下降算法的迭代次数对应网络层数,仿真结果表明,BD-Net在降低计算复杂度的同时,在一定程度上提高不同调制模式下发送信号的检测准确度。2)基于CsiBD-Net网络的时变信道跟踪算法DetNet网络在检测过程中需要已知信道状态信息,针对信道状态未知情况下信号检测问题,提出CsiBD-Net网络。CsiBD-Net网络固定预训练BD-Net中所有超参数,并将信道状态信息从已知量转变为可训练参量。利用训练序列得到粗估信道作为CsiBD-Net中可训练信道参量的初始值,通过在线训练过程中不断微调信道参量,从而实现对缓变时变信道的实时跟踪,同时利用信道跟踪值实现对发送信号的估计问题。此外,为了进一步提高信号检测准确度,提出基于CsiBD-Net改进的组合网络,组合网络结合CsiBD-Net与预训练BD-Net两种网络结构,仿真结果表明,在保证信道跟踪收敛速度的情况下,组合网络能够提高信号检测准确度。