论文部分内容阅读
由于在提升通信容量方面的显著优势,大规模多输入多输出(Multi-Input MultiOutput,MIMO)技术成为第五代移动通信系统的关键技术之一。成百上千的天线规模导致信号处理维度剧增,用于信道估计的导频开销也不可接受,大规模MIMO系统信号检测设计面临巨大挑战。以深度学习为代表的人工智能技术成功应用于图像处理、自然语言处理等领域,展现出处理高维复杂数据的优势。本文利用这一优势,开展基于深度学习的大规模MIMO信号检测技术研究。深度学习已初步应用于通信信号检测,主要思路是传统网络架构的直接迁移。由于未考虑大规模MIMO的稀疏性和渐近正交性,直接迁移会导致数据特征提取过程复杂、训练收敛慢,信号检测性能很难满足系统要求。针对这一关键问题,本文开展如下研究:大规模MIMO信号检测传统设计方法是依据处理流程划分功能模块,并逐模块进行建模和优化。本文对这种模块独立设计(Module Independent Design,MID)方法深入研究,发现模块处理误差会逐级放大,并给出联合设计信道估计信号检测和优化信道估计的设计方法,以提升不同用户规模的大规模MIMO信号检测性能。在小用户数场景下,深度神经网络分类算法已用于解决基于联合设计信道估计信号检测思路的大规模MIMO常规算法复杂度高的缺陷,尚存在类别间容错性差、优化参数多和相关特征被噪声淹没等问题。针对这一关键问题,本文结合格雷编码、卷积神经网络和信道稀疏性,研究了一种基于卷积深度神经网络分类的大规模MIMO信号检测算法,可实现算法性能增益逼近于最优检测性能,且网络训练收敛速度得到提升。在大用户数场景下,随着用户数增加,上述信号检测分类器类别呈指数级增长。针对这一关键问题,利用大规模MIMO信道稀疏性,基于优化信道估计的设计思想,本文研究了一种基于消噪卷积神经网络的稀疏角域信道估计算法,实现低导频开销、高准确度的信道估计,可改进整体信号检测性能。本文研究表明:卷积深度神经网络比传统深度学习算法在收敛速度方面提升了1.5倍,在信号检测性能方面提升了0.6 dB;基于消噪卷积神经网络的稀疏角域信道估计算法比半盲算法在信道估计性能方面提升了16 dB,在整体信号检测性能方面提升了2.5 dB,在导频开销方面比最小二乘信道估计算法降低了99.2%。