基于ROAMP-Net的大规模MIMO系统智能信号检测方法

针对大规模多输入多输出(multiple-input multiple-output,MIMO)系统存在的信号检测计算复杂度高、检测精度不足等问题,参考OAMP-Net算法思想,引入残差结构,提出了一种新的智能信号检测网络模型ROAMP-Net。将正交近似消息传递(orthogonal approximate message passing,OAMP)估算信号的迭代过程展开为深度学习网络,同时引入残差结构,分别对各网络层的线性和非线性估计值进行逐层修正,有效防止估计误差的前向传播和过程积累,避免网络模型随着网络层数增加而发生性能退化,从而提高最终信号检测的准确度。针对不同调制方式和不同天线阵列的系列仿真实验结果表明,不同调制方式和天线阵列下ROAMP-Net在检测准确度上均有不错的性能表现。     

基于深度学习的MIMO系统联合信号检测与信道译码

为进一步提高多输入多输出(multiple-input multiple-output,MIMO)系统性能,研究了深度学习方法来联合解决MIMO系统信号检测与信道译码问题.通过将深度神经网络、自动编码器神经网络与传统MIMO通信系统的物理层架构进行有机融合,构建了基于神经网络的MIMO系统模型,可获取系统发射端的信息比...     

基于Homotopy算法的低复杂度多用户大规模MIMO信号检测方法

在上行多用户大规模多输入多输出(multiple input multiple output,MIMO)系统中,为了降低信号检测的计算复杂度,在传统的最小均方误差(minimum mean square error,MMSE)算法的基础上,提出一种基于Homotopy算法的低复杂度信号检测方法。在该方法中,通过对Homotopy方程的解向量采用逐级展开来逼近真实解向量,从而避免MMSE检测算法中的高阶矩阵的求逆运算,降低了信号检测的计算复杂度。仿真结果表明,最多需要对Homotopy方程的解向量进行4阶展开,就可获得与MMSE检测算法几乎同样的误比特率(bit error rate,BER)性能,同时,其计算复杂度仅为O(K2),其中,K为小区用户数。     

基于低秩张量分解的大规模MIMO信息检测算法研究

提出了一种改进的Tucker分解法,将二维的张量分解到两个维度中.分别通过改进Tucker和Tucker算法的矩阵减秩和收敛运算,得到保存完整信息的原张量的近似估计值.仿真实验结果表明,改进Tucker算法提高了系统的检测性能.     

大规模MIMO系统中软输出信号检测方法

为解决在上行多用户大规模多输入多输出(MIMO)系统中,迫零(ZF)检测算法可取得近似最优性能,但ZF检测算法涉及复杂度高达O(K3)的矩阵求逆运算(其中K为用户数)的问题,基于Lanczos算法提出一种软输出信号检测方法,避免了高阶矩阵求逆运算,使复杂度由O(K3)降为O(K2).该方法为了计算软输出信息——对数似然比(LLR),通过对基于Lanczos算法的迭代计算解向量的过程进行分析,给出了一种低复杂度的LLR近似计算方法.仿真结果表明:提出的软输出信号检测方法的误比特率(BER)性能与计算复杂度均优于基于Neumann级数近似的信号检测算法,同时,最多仅需5次迭代就可取得逼近于ZF检测算法的性能.     

用于MIMO空分复用系统上行链路接收机的球形检测算法

本文涉及的MIMO空分复用系统上行链路的子信号流在空间维和时间维上未进行编码,直接将高速数据流分解为若干低速数据流,进行分层调制后用多个天线发送,实现MIMO空分复用发射,可使移动台的发射机设计简化。但是这要求MIMO空分复用系统上行链路接收机有较高的信号检测能力。本文提出改进初始半径的球形检测算法进行信号复原,该算法能在较低的计算复杂度逼近最大似然的误码性能。仿真试验的结果验证所提出的球形检测算法在误码性能上优于现有其它检测算法。     

基于深度学习算法的OFDM信号检测

为了提高正交频分复用(OFDM)无线通信系统的信号检测能力,提出了一种基于深度学习(DL)算法的信号检测框架来代替系统信号检测模块.首先利用迫零(ZF)均衡器重构深度神经网络(DNN)的输入;然后在离线训练中增加预训练阶段,以导频符号和数据符号作为训练数据,为训练阶段提供良好的初始参数;最后在线信号检测通过加载离线训练获得的最优参数进行信号检测.实验结果表明:当信噪比(SNR)为25 dB时,无预训练阶段和无ZF均衡器的框架性能相对于完整的DL信号检测框架性能分别损失了2和4 dB;在导频符号数目减少和无循环前缀(CP)的情况下,DL框架的误码率相比传统方法均明显下降;在不同信道参数下,DL框架的性能损失比传统方法更小.ZF均衡器和预训练阶段均可提高DL框架性能,DL框架能更好地检测信号并具有较强的鲁棒性.     

一种用于大规模 MIMO 信号检测的改进算法

近几年来,大规模多输入多输出(multi-input multi-output,MIMO)的信号检测问题已经引起了人们的关注,在研究了主动禁忌搜索(reactive tabu search,RTS)算法和置信度传播(belief propagation,BP)算法的基础上,提出了一种新的RTS-BP联合检测算法,给出了2种不同的信道模型下的仿真对比图.结果表明,在不同的调制阶数情况下,RTS-BP算法性能优于单一的RTS和BP算法,且在一定程度上降低了大规模MIMO检测的高维效应对信号层数的要求.     

LTE-A系统下行MIMO检测算法改进研究

MIMO检测是LTE-A系统中的一个重要环节,在实际应用中,MIMO信号检测算法的选用需要在复杂度和性能之间进行合理折中。文中针对ML(Maximum Likelihood)算法复杂度高的问题,提出了一种改进的算法(ML-SQRD),主要是缩小搜寻空间,尽可能多地考虑可能的发送符号集,并在分析过程中结合了SQRD(Sort QR Decomposition)算法。经仿真和复杂度分析,改进算法的性能接近ML算法,且复杂度低于ML算法,可应用于未来5G通信中大规模MIMO检测。     

MIMO系统中信道估计与序列联合检测

提出了MIMO系统中基于EM(Expectation Maximization)-SD(Sphere Decoding)相结合的信道估计和检测的联合处理算法。在采用EM-SD算法进行联合处理时,首先通过观测数据、训练序列及以前估计的符号对信道信息进行更新,随后把更新后的信道信息及观测数据重新送入SD算法中进行最小距离搜索,从而可以估计发送符号。仿真显示:这种联合估计及检测算法的性能属于次优算法,但是其复杂度会随着搜索而下降。在比较少的迭代次数下,可以获得理想的信道估计和检测结果。     

基于快速IAA算法的MIMO雷达参数估计

多输入多输出(MIMO)雷达需要对距离、角度和Doppler频率等参数的精确估计。迭代自适应(IAA)算法仅利用单个快拍便可实现MIMO雷达的高分辨参数估计,然而使用IAA联合估计距离、角度和Doppler频率三维参数的运算量很大。该文提出一种快速IAA算法,将联合估计IAA算法简化为三级级联处理,先进行距离IAA估计,然后对存在目标的距离单元进行角度IAA估计,最后在存在目标的距离-角度单元内进行Doppler频率IAA估计,即通过降维处理得到了快速IAA算法。仿真表明:快速IAA算法在基本保持IAA算法性能的同时大大降低了运算量。     

不完全信道信息下基于信号特征的MIMO检测算法研究

针对接收端信道信息不全的情况提出一种基于信号特征利用的多输入多输出(multiple input multiple output,MIMO)接收机算法,该算法通过利用非循环信号的特征,扩展了接收机的处理维数以更好地抑制噪声.理论证明和数字仿真均表明,与传统的迫零(zero-forcing,ZF)和最小均方误(minimum mean square error,MMSE)接收机相比,提出的算法可以将噪声和信道估计错误的影响减少一半以上,而提出算法的复杂度却几乎保持不变.结合排序串行干扰消除(ordered successive interference canceling,OSIC)法,提出算法可以达到和最大似然法相当的误码率性能.     

LDPC结合垂直分层空时码的迭代检测算法的研究

文中提出了基于球形检测的Fincke-Pohst-MAP(FP-MAP)的联合迭代检测算法,介绍了LDPC码结合垂直分层空时码(V-BLAST)在协作MIMO系统中的应用。理论分析和推导了联合迭代的具体过程,通过仿真结果的研究表明,FP-MAP球形检测算法与迫零排序加干扰抵消(ZF-OSIC)算法和基于递推最小二乘法的判决反馈均衡(RLS-DFE)算法相比,误码率的性能分别提高了1 dB和0.3 dB左右,而且FP-MAP算法的性能最接近于ML检测。最后还将LDPC码、卷积码和Turbo码与V-BLAST级联的协作MIMO系统进行了比较分析,仿真结果可知LDPC级联系统在较高信噪比区域时的性能更优越。     

基于深度学习的MIMO系统信道估计算法

精确的信道估计对于保证无线通信系统性能至关重要。针对多输入多输出(multiple input multiple output, MIMO)系统传统信道估计算法需已知信道统计信息以及性能与复杂度折中等问题,提出一种基于深度学习的多网络级联MIMO系统信道估计方案。基于卷积神经网络构建信道信息重建网络,初步重构出信道信息,进而基于深度残差网络构建信道估计网络进行级联得出估计结果,并利用多个损失函数对网络进行优化。仿真结果表明,在牺牲一定时间复杂度的情况下,所提方案的均方误差随信噪比增加逐渐优于线性最小均方误差(linear minimum mean squared error, LMMSE)估计算法,且不受信道统计信息的约束。     

一种用于电力线通信系统的改进MIMO检测算法

目前多输入多输出(multiple-input multiple-output,MIMO)技术已经被电力线通信(power line communication,PLC)系统采用,但由于MIMO PLC系统噪声呈非高斯分布而且各端口噪声之间存在相关性,故不能直接采用无线系统中的MIMO检测算法。采用了二元Middleton class A分布对MIMO PLC系统中噪声进行建模,提出了基于该噪声分布的最大似然检测改进算法,由于改进最大似然检测算法实现复杂度高,为了便于实现,进一步提出了用近似函数降低复杂度的2种次优的检测算法,优化了算法复杂度。仿真结果表明,与传统的基于高斯噪声分布的最大似然检测算法相比,提出的基于二元Middleton class A类噪声分布的信号检测算法在MIMO PLC系统能获得更好的性能。在性能损失较小的情况下,次优算法的复杂度明显低于最大似然检测改进算法。     

最优外插Jacobi信号检测算法

针对大规模多输入多输出(multiple input multiple output,简称MIMO)系统中最小均方误差(minimum mean square error,简称MMSE)信号检测算法复杂度过高及传统Jacobi信号检测算法收敛较慢的问题,提出最优外插Jacobi(optimal extrapolation Jacobi,简称OEJ)信号检测算法.在Jacobi迭代计算中,通过最优外插因子将当前解与下次迭代解进行组合,以加快迭代收敛速度.OEJ信号检测算法的复杂度比MMSE信号检测算法的复杂度低一个数量级.仿真实验结果表明：相对于传统Jacobi及阻尼Jacobi信号检测算法,OEJ信号检测算法的误码率最低,随迭代次数的增加误码率减小最明显、收敛最快.     

基于改进YOLOv4算法的铁路扣件检测

扣件的健康状态是保障轨道车辆正常运行的关键。当前人工检测轨道扣件效率较低,具有缺陷性。针对这一问题,提出了基于改进YOLOv4算法的轨道扣件与检测。在YOLOv4网络中,利用CSPDarknet53第二个残差块嵌入conv卷积结构与YOLO头部结构,增加输出端,并进行网络中的上采样与下采样。与YOLOv4原算法模型相比,提升了准确率与检出率。将使用改进YOLOv4的方法,实现对有砟轨道与无砟轨道上扣件的状态检测。试验结果表明：基于改进YOLOv4算法检出率和准确率比原YOLOv4算法分别提升4.65%和4.88%,并且YOLOv4模型体积与其他模型相比更小,适用于轨道扣件检测。     

MIMO系统的迭代降维并行检测算法

针对传统多输入多输出(MIMO)系统检测算法先检测的子流分集度较低以及错误传播的问题,提出了一种改进的迭代降维并行检测算法.该算法在每次迭代内对第1个子流遍历取值,其余子流采用排序连续干扰消除(OSIC)算法进行检测,在每次迭代结束时仅输出分集度最高的首子流的估计值,在迭代间通过干扰消除降低待检测子流的维度.仿真结果表明:该算法能以较低的复杂度代价获得逼近最大似然检测算法的差错概率性能;在4×4、QPSK调制的MIMO系统中,相对于传统的OSIC算法,文中算法在误比特率为10-3时获得了9.3 d B的增益.     

基于深度学习的MIMO系统联合优化

自动编码器神经网络可将通信系统重新构建为端到端的任务,从而实现整个系统的联合优化。针对基于深度学习的2用户与4用户多输入多输出(multiple-input multiple-output,MIMO)系统联合优化问题,提出将自动编码器运用到系统中,将整个通信系统的发射端和接收端视为自动编码器的编码和译码部分,利用交叉熵损失加权和函数进行训练学习,从而获得优化的系统模型,并进一步分析得出每个用户的误比特率及所有用户的平均误比特率。实验结果表明,基于自动编码器所构建的MIMO通信系统相比于传统的通信系统具有更优的系统性能。     

MIMO信道的PDA-EM迭代信道估计算法

将随机数据联合检测算法(PDA)嵌入到EM算法中,提出了一种低复杂度的迭代信道估计算法.其计算复杂度较MAP-EM迭代信道估计算法显著降低,并且仿真结果显示,可取得与MAP-EM算法相近的系统性能.