论文部分内容阅读
多输入多输出(Multiple-Input Multiple-Output,MIMO)技术在提升频谱效率以及提高通信链路可靠性等方面具有潜在的性能,已被广泛用于无线通信系统中。在MIMO通信系统中,基站端和用户端通过配置多根天线,充分挖掘和利用天线之间的空间分集和空分复用特性,在不需要额外频谱带宽的前提下,提升了系统容量和传输效率。然而,随着天线数量的增加,涌现出一系列系统复杂化的问题。如,信号的最优检测与估计问题、信道精确估计与反馈等。本文针对信号检测和信道反馈问题,分别提出基于深度学习的方案,算法具有性能良好、复杂度低等特点。针对时变通信系统,提出一种MIMO软判决信号检测方法。将系统信道状态信息和接收数据训练集输入深度神经网络,利用交叉熵损失函数以及前向均方根梯度(Root Mean Square Propagation,RMSProp)下降算法对神经网络的权重和偏置进行优化。神经网络的输出层采用Sigmoid激活函数,Sigmoid函数输入值的相反数即为对数似然比(Log-Likelihood Ratio,LLR)值,显著降低了计算LLR值的复杂度,同时,结合软判决技术,提高了信号的检测性能。仿真结果表明,所提出的算法与最小均方误差检测算法相比,具有更优越的性能,且所提算法性能逼近理论最优的最大似然信号检测算法的性能。基于长短时记忆(Long-short Term Memory,LSTM)网络和注意力机制框架,提出一种大规模MIMO系统信道状态信息(Channel State Information,CSI)反馈机制,该机制具备重建精度高,反馈导频开销低的优点。该方案包括基于卷积神经网络(Convolutional Neural Networks,CNN)的CSI压缩和重构两部分,采用LSTM单元学习MIMO信道的时间相关性,利用相关性建立感知局部信息和自动加权特征信息的注意力机制,以提高CSI恢复的精度。仿真实验验证了该算法的有效性,训练后的CNN在大规模MIMO CSI在线反馈重建中能获得更高的反馈精度和更好的系统性能。基于长短时-注意力信道反馈机制,提出一种轻量级大规模MIMO系统CSI反馈网络,该网络中全连接网络将信道特征向量压缩至低维向量,并输入至LSTM-Attention网络进行时间特征训练。该机制在保证信道恢复准确性的同时,有效地降低了神经网络的训练参数个数以及反馈机制的计算复杂度,从而加快了信道反馈速率。基于各种信道信息训练数据集,通过离线迭代训练和学习,可以获取优化的CSI反馈网络。与传统的神经网络算法相比,基于轻量级的神经网络同样具有较高的性能和更低的计算复杂度。相关研究成果为解决MIMO系统中信道信息获取与信号检测问题提供了重要思想和解决方案,为深度学习在5G中的实际应用奠定了基础。