论文部分内容阅读
在下一个十年,随着信息社会走向高度数字化和智能化,无线通信网络需要提供全方位的覆盖以实现超大规模机器类型通信（ultra-massive Machine-Type Communication,um MTC）场景中的万物互联。为此,第五代移动通信系统（5th Generation Mobile Communication System,5G）将向第六代移动通信系统（6th Generation Mobile Communication System,6G）演进。为了实现6G的众多愿景,研究人员利用大规模多输入多输出（Multiple Input Multiple Output,MIMO）和免调度传输等技术来挖掘时频和空间资源。然而,在这些技术的应用中,传统无线通信信号接收方法有低准确度和高复杂度等问题。深度学习具有强大的数据驱动特性和数据处理能力,使其可以作为一个优化工具应用在无线通信中。因此,本文围绕大规模MIMO和免调度传输场景,研究深度学习辅助的活跃用户检测和信道估计算法以及大规模MIMO信号检测算法。首先,针对免调度传输系统下的活跃用户检测和信道估计问题,提出了基于深度展开的学习迭代软阈值网络（Learning Iterative Soft Thresholding network,LISTnet）。在上行免调度传输系统中,利用Khatri-Rao积能够将活跃用户检测的多向量测量（Multiple Measurement Vectors,MMV）问题转化为一个单向量测量（Single Measurement Vector,SMV）问题,从而可以支持更多的活跃用户。在此基础上,利用迭代软阈值（Iterative Soft Thresholding,IST）算法解决该SMV问题,并通过深度展开IST算法构造了LISTnet来训练得到IST算法的最优参数。随后,为了进一步降低网络的复杂度,提出了基于LISTnet的残差学习迭代软阈值网络（Residual Learning Iterative Soft Thresholding network,Res LISTnet）,其通过删除LISTnet的冗余层来动态地调整网络的有效层数,使得网络的复杂度进一步降低。仿真结果表明,所提出的LISTnet的活跃用户检测性能优于IST和传统的压缩感知算法以及基于深度神经网络的检测算法,而Res LISTnet在保持活跃用户检测性能的基础上进一步降低了网络的复杂度。其次,针对um MTC场景提出了在一般性的空时相关流量模型（Generalized Spatio Temporal Traffic Model,GSTTM）下的改进的混合消息传递（Modified Hybrid Message Passing,MHMP）算法用于解决活跃用户检测和信道估计问题。假设在基站覆盖范围内均匀分布的机器设备都是通过警报事件驱动模式向基站传输数据。通过将警报触发概率函数的输入定义为设备到警报事件之间的距离,模型的设备流量具有了空间相关性;通过将设备的状态建模为两态马尔可夫调制泊松过程,模型的设备流量具有了时间相关性,从而建立了GSTTM。随后,在GSTTM下进行活跃用户检测和信道估计时,为了充分利用模型的空时相关性,将设备的历史活跃状态信息输入一个多层长短期记忆网络（Long Short-Term Memory,LSTM）网络中,得到当前时刻设备的预测先验活跃概率,并通过计算不同设备的信道协方差矩阵的正交性来进行导频调度。将设备的预测活跃概率和调度后的导频矩阵用作混合消息传递（Hybrid Message Passing,HMP）算法的初始化输入,从而得到了MHMP算法。仿真结果表明,相比于传统的压缩感知算法和HMP算法,MHMP算法具有更优的活跃用户检测和信道估计性能。最后,针对大规模MIMO信号检测问题,提出了基于图神经网络（Graph Neural Network,GNN）的软输出MIMO信号检测方法。从最大似然（Maximum Likelihood,ML）检测出发,推导出了一个近似的迭代消息传递方法,其中消息直接在变量之间传递,并在目的变量处累积求和。通过这种方式,构造了一个全连接的无向图,其中接收端的接收信息用作图的节点特征和边特征,且该消息传递算法在此图上运行。随后,基于该无向图设计了对应的GNN检测器来学习该消息传递算法的规则,其中网络的节点最终输出对应传输比特的估计对数似然比且ML的检测结果用作网络训练标签。仿真结果表明,在瑞利衰落信道和突发噪声信道两种场景中,GNN检测器能直接应用并且取得了接近甚至优于ML的检测性能。此外,相较于传统的检测算法,GNN检测器对信噪比具有良好的鲁棒性。