论文部分内容阅读
大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术因其较高的频谱利用率和链路可靠性,成为第五代移动通信系统的关键技术之一。但是随着大规模MIMO系统天线数的增加,信号检测将面临高计算复杂度的挑战。因此,设计出低计算复杂度高检测性能的信号检测算法是大规模MIMO系统亟待解决的问题。本文的主要工作如下:消息传递检测算法因其良好的检测性能在大规模MIMO系统中被广泛研究,但消息传递检测(Message Passing Detection,MPD)算法的计算复杂度随调制阶数和用户天线数的增加而增加。基于MPD算法的概率近似消息传递检测(Probability Approximation Message Passing Detection,PA-MDP)算法,每次迭代过程中选择部分符号概率计算传递的消息,虽然减少了每次迭代过程中的计算复杂度,但存在不必要的算法迭代,带来了较大的计算开销。因此,本文在PA-MPD算法的基础上引入提前终止迭代策略设计改进的概率近似消息传递检测(Improved Probability Approximation Message Passing Detection,IPA-MPD)算法,根据用户符号概率收敛快慢来确定算法的最佳迭代次数,从而避免多余的迭代来降低IPA-MPD算法的计算复杂度。仿真结果表明,在不同单天线用户配置下IPA-MPD算法的计算复杂度可降低为PA-MPD算法的52%-77%,且不损失算法的检测性能。由于深度学习在其他领域中取得了巨大的成就,将深度学习应用于通信系统的研究越来越多。正交近似消息传递检测神经网络(Orthogonal Approximate Message Passing Network,OAMP-Net)利用正交近似消息传递(Orthogonal Approximate Message Passing,OAMP)检测算法的思想,同时增加可调参数,利用深度学习的优化方法来提高其检测性能。但OAMP-Net中每个神经网络层需要进行矩阵求逆运算,带来了较高的计算复杂度。因此本文在OAMP-Net的基础上简化神经网络结构,并借助基于深度神经网络的消息传递检测(Deep Neural Network Message Passing Detection,DNN-MPD)通过增加修正因子以及神经网络的训练参数来保证改进信号检测神经网络(Improved Orthogonal Approximate Message Passing Network,IOAMP-Net)的检测性能。通过对比OAMP-Net与IOAMP-Net的检测性能和复杂度,仿真结果表明在不同天线配置下IOAMP-Net算法在保证检测性能的同时计算复杂度可降低为OAMP-Net的12%-17%。