基于可学习权重衰减的大规模MIMO信号检测

大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统随着天线数的增加，信号检测的计算复杂度随之提高，使用更深层次的神经网络并不会显著提高检测性能，因此设计一种低复杂度、高性能的检测算法尤为重要。文中提出了一种基于深度神经网络的大规模MIMO信号检测算法。该神经网络基于投影梯度下降算法展开，并引入了单调非递增函数，在训练期间可以动态地对权重进行优先级排序，从而保留重要的权重，将不重要的权重进行衰减。为了进一步提高检测性能，防止梯度消失，将单调非递增函数设置为可训练参数，在网络训练中对其值进行优化。仿真结果表明，所提出的学习算法收敛速度快，并且在检测精度方面优于大规模MIMO独立同分布模型(Massive MIMO-independent identically distributed, MMNet-iid)和最小均方误差算法。