[发明专利]一种数据模型双驱动的联合MIMO信道估计和信号检测方法

说明书

本发明公开了一种数据模型双驱动的联合MIMO信道估计和信号检测方法，通过信道估计器和信号检测器进行信道估计和信号检测。信号检测器将信道估计结果和接收数据信号作为每层网络的输入，第t层网络结合第(t‑1)层网络的输出计算得到错误方差向量；第t层网络根据输入的待训练参数、错误方差估计向量和线性估计器计算得到外信息，并根据外信息采用无散估计函数得到信号估计值，同时输出并传递至下一层网络；由第T层网络输出最后的发送符号的估计值。同时信号检测器将估计出的发送符号反馈到信道估计器中进一步提升信道估计结果。本发明可以大幅提升网络性能，实现动态更新，网络自适应，可提升接收机性能，在传统迭代接收机的基础上获得显著的性能增益。

技术领域

本发明涉及一种数据模型双驱动的联合MIMO信道估计和信号检测方法，属于无线通信技术领域。

背景技术

MIMO系统因其可以提高网络的频谱效率和链路可靠性成为大量无线通信标准的主流技术。MIMO接收机是MIMO系统设计中重要的环节。其中，基于近似消息传递和期望传播算法的迭代接收机受到持续关注。该接收机以迭代的方式不断近似最小均方误差估计，将MIMO系统的检测问题解耦成多路并行的AWGN信道检测问题，并根据外信息采用无散估计函数计算信号估计值，在MIMO系统中获得优异的性能。然而，现有的工作仅仅考虑完美的CSI，并没有考虑实际信道估计误差带来的挑战。同时随着无线通信的发展和业务需求，未来的无线通信系统被要求具有智能性，能够实现动态更新，网络自适应。然而，现有的迭代接收算法并不能满足要求。

近年来，随着人工智能特别是深度学习的飞速发展，出现了将人工智能与移动通信深度融合的趋势，越来越多的研究者开始考虑研究智能通信。前期的研究成果集中于应用层和网络层，主要是将机器学习特别是深度学习应用到无线资源管理和分配等领域。目前，该方面研究工作正在向MAC层和物理层推进，特别是在物理层已经出现无线传输与深度学习相结合的趋势，如何将深度学习等技术运用于MIMO接收机设计中，实现接收机动态更新和网络自适应，大幅提升接收机性能和降低复杂度，正成为移动通信的前沿研究热点。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种数据模型双驱动的联合MIMO信道估计和信号检测方法，解决如何将无线传输与深度学习相结合，提高网络自适应的问题。在原有迭代接收机的基础上引入考虑信道估计误差和深度学习技术，提升接收性能。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种数据模型双驱动的联合MIMO信道估计和信号检测方法，该方法通过信道估计器和信号检测器进行信道估计和信号检测，其中，信号检测器由T层相同结构的网络串联而成，每层网络均包括无散估计函数和线性估计器；

将导频信号X_p和接收导频信号Y_p作为信道估计器的输入，利用线性最小均方误差LMMSE原理得到初始信道估计结果同时将得到的初始信道估计误差的协方差矩阵输入到信号检测器中；

信号检测器将信道估计结果和接收数据信号Y_d作为每层网络的输入，第t层网络结合第t-1层网络的输出计算得到错误方差向量所述第t层网络根据第t层深度学习训练参数(γ_t,θ_t,φ_t,ξ_t)、第t层错误方差向量和第t层线性估计矩阵W_t计算得到第t层外信息r_t和并根据r_t和采用第t层无散估计函数η_t(·)计算得到估计信号将传递至第t+1层网络，由第T层网络输出发送信号的估计值同时信号检测器将反馈到信道估计器中以自适应更新信道估计结果；其中，t＝1,2,…,T；

自适应更新信道估计结果具体为：将等效导频和接收信号Y＝[Y_p,Y_d]作为信道估计器的输入，为第l次信号检测结果，利用LMMSE原理得到第l次自适应更新后的信道估计结果并送到信号检测器进行下一次信号检测；