改进的DetNet大规模MIMO检测器*

李素月，贾 鹏，王安红

(太原科技大学 电子信息工程学院，太原 030024)

大规模MIMO(Multiple-Input Multiple-Output)技术是5G通信系统的关键技术之一。在大规模MIMO通信系统中，基站(Base Station，BS)部署大量的天线为更多用户同时提供服务。大规模MIMO可以实现较高的分集增益和复用增益，显著提高链路可靠性和系统频谱效率[1]，但是天线数量增多也给大规模MIMO信号检测带来了巨大的挑战。已有许多信号检测方案被提出，其中最大似然(Maximum Likelihood，ML)检测器是性能最优的，其检测思想是遍历所有可能的发送信号，从中寻找出最优的检测结果。但是随着天线数量增多，这一检测方法的算法复杂度呈指数上升[2]。因此，一些次优的检测方案得到了广泛的应用，如近似消息传递(Approximate Message Passing，AMP)检测器。然而，AMP检测器的复杂度会随用户数量和调制阶数的增加而增加[3]。其他的一些线性检测器如迫零(Zero Forcing，ZF)检测器、最小均方误差(Minimum Mean Squared Error，MMSE)检测器，虽然算法复杂度相对较低，但其性能表现欠佳。现有的信号检测器在算法复杂度与性能表现之间很难折中。近年来深受学术界与工业界关注的深度学习(Deep Learning,DL)技术为大规模MIMO检测提供了新的思路。

深度学习是人工智能领域的重要分支，通过构建一个模拟人脑神经元的深度神经网络(Deep Neural Network，DNN)来分析、处理数据。由于深度学习在处理结构化信息与海量数据显现出巨大优势，深度学习也受到许多无线通信领域学者的青睐。文献[4-5]研究了毫米波大规模MIMO系统基于DNN的混合预编码技术，结果表明，基于DNN的方法能够极大地减低误码率，提高频谱效率，在混合预编码中取得了比传统方案更好的性能。文献[6-8]分别研究了卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络(Recurrent Neural Network，RNN)在信道估计方面的应用。文献[9]提出了一种用于相关干扰环境下信道译码的CNN框架，显著降低了译码错误概率。文献[10]提出了应用于MIMO系统信号检测的一种基于模型驱动的深度学习检测方案，将深度学习算法思想引入正交近似消息传递(Orthogonal Approximate Message Passing，OAMP)检测算法，在其中加入可供训练的参数，设计出OAMP-Net；
通过数据训练对参数进行优化，提高了检测性能。文献[11]利用DNN改进了应用于大规模MIMO系统信号检测的消息传递检测器(Message Passing Detector，MPD)，取得了更好的误码率性能。文献[12]提出了一种用于大规模MIMO信号检测的神经网络DetNet，通过将投影梯度下降算法展开来构建神经网络，仿真结果显示其误码率性能明显优于传统线性算法。

本文首先深入分析了DetNet[12]应用于大规模MIMO检测的原理，在此基础上尝试对网络进行改进——通过去除冗余的输入项、构造孪生网络并赋予不同初值向量对DetNet结构进行改进。仿真结果显示，改进后的网络误码率性能获得了一定提升。

1.1 MIMO检测算法

由于BS端的功耗不受限允许进行复杂的信号处理操作，所以考虑一个大规模MIMO上行链路通信系统模型，移动端配置K个发射天线，BS端配置N个接收天线。上行接收信号表示为

y=Hx+n。

(1)

式中：y是N×1维的向量；
x是K×1维的向量；
n是N×1维的向量，表示服从零均值且方差为δ2独立同分布的加性高斯白噪声；
H表示准静态高斯平坦衰落信道，服从均值为零方差为1的正态分布，矩阵大小为N×K，且在检测过程中假定信道状态信息是完全已知的。

在机器学习领域中，实现了最大后验准则的贝叶斯解码器被称为最优解码器[10]。因此一个最优的神经网络检测器应该实现一个函数f以逼近最大后验准则：

f(y)=argmaxP(x|y)。

(2)

(3)

由于ML检测需要搜索所有可能的信号，其计算复杂度随着天线数量和调制阶数的增加呈指数增长，导致ML检测在实际中难以应用到大规模MIMO系统。

1.2 DetNet网络分析

DetNet由多个具有相同结构的检测单元组成，这些单元通过级联组成整个检测网络。基于梯度投影下降算法构建的DetNet检测单元如下：

(4)

(5)

图1 DetNet单元结构示意[12]

为了进一步提升DetNet的性能，文献[12]参考Res-Net[13]的构建思想，在每一个单元的输出端引入了一个残差特征，这样第i个单元的输入取第i-1个单元输入与输出的加权平均值，即

(6)

式中：α表示残差系数。因为网络中每个单元的结构相同，为了使网络获得更好的性能，需适当加深网络的深度。对于L层的DetNet，整个学习过程需要训练的参数集为

(7)

梯度消失或梯度爆炸是神经网络训练过程中常见且较为棘手的问题。为了解决此问题，DetNet将损失函数定义为

(8)

2.1 输入端简化

图2 RPD单元结构示意

表1 网络连接数目对比

2.2 改进网络结构

(9)

式(9)中的求逆运算运用Neumann级数展开法[16]，可以实现O(K2)的复杂度阶数。

去掉冗余变量后，如果只改变图2中的初始向量，仿真发现网络性能略有下降。因此，考虑借鉴随机森林[17]的原理对网络结构进行改进。

图3 RPD单元结构示意

3.1 仿真参数及环境

本节所有实验采用的语言环境为Python3.6及其相关项，网络使用Tensorflow框架构建。硬件设备主要包括因特尔E5-1620中央处理器和英伟达GeForce-RTX2080Ti图形处理器。

训练数据的每一个样本根据x、H与n的统计从公式(1)中独立产生。采用衰减学习率训练网络，初始学习率设置为0.000 1，每1 000次迭代的衰减率为0.97。整个训练过程执行100 000次迭代，batchsize为2 000。在后续的仿真实验中将发射天线与接收天线的具体配置简记为K×N。生成的信道H为准静态平坦衰落信道，服从均值为零方差为1的正态分布。在检测过程中假设完美已知，但是噪声功率不可知。每一组发送数据，信噪比都是从[8,13]dB之间随机选取。网络的输入向量y是原始接信号。

3.2 仿真结果

图4显示了RPD-Net与DetNet随网络层数变化的BER性能。具体的参数设置为：信号采用BPSK调制，天线数为20×30，SNR=11 dB。可以观察到两个网络的性能都随着网络层数的增加而提高，不过所提出的RPD-Net性能提升更快。具体来说，DetNet达到最优的误码率性能需要60层网络即采用60个检测单元，而RPD-Net达到与其相同的性能，仅需要20层网络，虽然RPD-Net每层网络采用了两个检测单元，但达到相同的误码率性能时RPD-Net用到40个检测单元数量，少于DetNet，这表明RPD-Net具有更快的收敛速度。此外，RPD-Net达到最佳误码率性能时需要30层网络，即采用了60个检测单元，且明显优于DetNet的最佳性能。由于本文所提出的RPD-Net在赋值输入向量的过程中引入了ZF算法，其计算复杂度由原来的O(LK2)增至O((L+1)K2)，但与DetNet相比RPD-Net的误码率性能获得了一定的提升。

图4 SNR=11 dB天线数为20×30时不同层数下网络性能对比

图5包含了天线配置为20×30、30×60两种情况下三种检测方法的性能仿真结果。从图中可以明显看出，尽管选取了不同的天线配置，但是RPD-Net的性能始终优于DetNet与ZF检测算法。此外，无论是RPD-Net还是DetNet，当配置的天线数增加时，网络的性能都相应提高。这表明采用了深度学习的RPD-Net适用于大规模MIMO场景下的信号检测。

图5 不同天线配置情况下三种检测算法性能比较

为了进一步检验网络的性能，采用不同的调制方式对网络进行仿真。从图6可以看出，当采用QPSK与16QAM两种高阶调制方法时，DetNet与RPD-Net的性能都有所下降，特别是在16QAM调制下两个网络性能下降明显。然而，无论采用何种调制方式，在相同的天线配置条件下RPD-Net性能较DetNet始终有所提升。

图6 不同调制方式以及天线配置情况下网络性能对比

本文首先详细分析了DetNet模型，然后采用去除网络冗余输入项、构建孪生网络并赋予不同初值向量的方法对其结构进行改进，提出了一种改进的RPD-Net深度学习模型。仿真实验结果证实在天线配置相同的情况下，本文提出的RPD-Net具有更快的收敛速度，且误码性能优于DetNet方案。

猜你喜欢误码率检测器复杂度面向通信系统的误码率计算方法雷达与对抗(2022年1期)2022-03-31一种低复杂度的惯性/GNSS矢量深组合方法中国惯性技术学报(2019年6期)2019-03-04基于二次否定剪切选择的入侵检测方法*火力与指挥控制(2018年10期)2018-11-13求图上广探树的时间复杂度中央民族大学学报（自然科学版）(2017年2期)2017-06-11车道微波车辆检测器的应用中国交通信息化(2017年9期)2017-06-06一种柱状金属物质量检测器的研究电子制作(2017年10期)2017-04-18一种雾霾检测器的研究与设计工业设计(2016年11期)2016-04-16某雷达导51 头中心控制软件圈复杂度分析与改进火控雷达技术(2016年3期)2016-02-06出口技术复杂度研究回顾与评述浙江理工大学学报(自然科学版)(2015年10期)2015-03-01泰克推出BERTScope误码率测试仪单片机与嵌入式系统应用(2014年7期)2014-03-24

推荐访问:检测器 改进 DetNet