论文部分内容阅读
随着移动互联网的发展,人们对无线通信网络的带宽和速率提出了更高的要求。即将到来的5G为了满足这些需求用到的一项重要的技术就是大规模多输入多输出(Multi Input Multi Output,MIMO)技术。MIMO系统重要的一环就是MIMO检测。在MIMO检测算法中,置信度传播(Belief Propagation,BP)检测算法,即MIMO-BP检测算法凭借优秀的性能而备受关注。但是MIMO-BP检测算法存在可能不收敛和复杂度高的问题。为了解决MIMO-BP检测算法存在的问题,本文提出了基于后向传播网络(Back Propagation Network,BPN)模型的MIMO-BP检测算法模型(BPN-BP检测模型)和基于循环神经网络(Recurrent Neural Networks,RNN)模型的MIMO-BP检测算法模型(RNN-BP检测模型)。阻尼置信度传播(Damped Belief Propagation,Damped-BP)检测算法通过加入一个固定的阻尼因子,完成了对MIMO-BP检测算法的部分参数化。实验结果表明部分参数化MIMO-BP检测算法可以改善算法的性能,但是传统的方法难以确定加入参数的最优值。因此本文尝试把MIMO-BP检测算法全部参数化,并利用神经网络强大的参数优化能力来确定这些参数的最优值。本文基于BPN模型和RNN模型来部署参数化的MIMO-BP检测算法。在设计BPN-BP检测模型时,首先设计了参数化的MIMO-BP检测算法,然后设计了BPN-BP检测模型单元的神经网络拓扑结构,接着设计了模型的输出单元,最后设计了基于最大似然准则损失函数,并加入了L2-Regularization项来防止过拟合,并选择了小批量梯度下降法(Mini-Batch Gradient Descent,MBGD)作为该模型的优化方法。在设计RNN-BP检测模型时,利用RNN参数共享机制进一步减少检测模型中的参数,使得模型更加容易训练。此外,设计了新的输出单元,使得每一个模型单元的输出更加合理的参与到损失函数的运算中。同时为了加速模型训练,在RNN-BP模型中引入了批归一化(Batch Normalization,BN)算法、Adam优化算法和Xavier参数初始化方法等加速训练方法。本文一共设置了两个实验用来验证所提模型的性能。两次实验结果都表明,所提模型的误码率(Bit Error Ratio,BER)性能均优于MIMO-BP检测算法和Damped-BP检测算法,也都降低了MIMO-BP检测算法的复杂度。并且从实验结果可以知道RNN-BP检测模型与BPN-BP检测模型相比,RNN-BP检测模型的BER性能优于BPN-BP检测模型,同时RNN-BP检测模型也比较容易训练。