[发明专利]基于深度学习和无线变换网络的MIMO端到端传输系统

说明书

本发明公开了基于深度学习和无线变换网络的MIMO端到端传输系统，属于MIMO传输技术领域，要解决的技术问题为如何利用深度学习抑制MIMO系统的流间干扰、加快收敛速度、降低误码率。系统包括：编码器网络由多个全连接的神经网络层组成，输入为转换为one‑hot向量后的符号向量集，输出为尚未添加功率约束的初始发送符号；预编码网络为一个全连接的神经网络层，输入为信道矩阵，输出为预编码器，上述预编码器与信道矩阵配合用于对初始发送符号进行信道广播，输出接收符号；无线变换网络为全连接的神经网络层，输入为接收符号，输出校正符号；解码器网络输入为校正符号，输出恢复后的发送符号向量。

技术领域

本发明涉及MIMO传输技术领域，具体地说是基于深度学习和无线变换网络的MIMO端到端传输系统。

背景技术

多输入多输出(Multiple Input Multiple Output，MIMO)技术能够利用空间多路复用提高吞吐量和扩大覆盖范围，因而被广泛用于现代无线通信系统。在空间复用MIMO系统中，多个并行传输的数据流相互干扰导致传输性能的下降。为了抑制MIMO系统中的流间干扰，需要在发送器端对发送的信号进行预编码，并在接收器端对接收的信号进行后处理。目前，在MIMO传输中已经存在多种经典的空间复用方法，例如迫零(Zero-Forcing，ZF)预编码、信号与干扰噪声比(Signal-to-Interference-and-Noise Ratio,SINR)最大化预编码、干扰泄漏最小化预编码和均方误差最小化(Minimizing Mean-Square-Error， MMSE)预编码等。

深度学习(Deep Learning，DL)能够表示数学模型无法描述的复杂通信系统，近年来受到无线通信领域的广泛关注。DL已经应用至无线通信系统中的多个方面，例如信号分类，信道估计和性能优化等。其中，最为经典的是单输入单输(Single input singleoutput,SISO)通信系统中基于自编码器的端到端编解码优化系统。相关研究结果表明，基于DL的传输方法有可能接近甚至超过传统方法的性能。但是，基于自编码器的端到端通信系统是数据驱动的，其通信系统可被视为黑盒子。相应地，在不考虑诸如信道状态信息(Channel State Information，CSI)之类的专家知识的情况下收发器的优化性能受到局限。为了整合专家知识以提高性能，无线变换网络(Radio Transformer Networks, RTN)被引入。RTN最初用于调制识别，最近已被用于接收机设计中。RTN被视为模型驱动的DL网络，能够增强信号处理能力并加速收敛。现有研究结果表明， SISO无线通信系统在收敛速度和误码率(Bit Error Rate，BER)性能方面也受益于RTN结构。

与传统单天线通信系统相同，DL与MIMO系统的结合也有改善性能的巨大潜力。目前，国际上已经有研究者在DL与MIMO的结合上做出了开创性的研究工作，包括基于自编码器的DL端到端MIMO系统。但是这些已有研究未充分利用CSI去优化MIMO系统的收发机，从而导致通信系统的性能仍有进一步的提升空间。

基于上述背景，如何利用深度学习技术抑制MIMO系统的流间干扰、加快收敛速度、降低误码率以进一步提升性能是需要解决的技术问题。

发明内容

本发明的技术任务是针对以上不足，提供基于深度学习和无线变换网络的 MIMO端到端传输系统，来解决如何利用深度学习技术抑制MIMO系统的流间干扰、加快收敛速度、降低误码率等技术问题。

第一方面，本发明提供一种基于深度学习和无线变换网络的MIMO端到端传输系统，包括发送器和接收器，发送器包括编码器网络和预编码网络，接收器包括无线变换网络和解码器网络；

所述编码器网络由多个全连接的神经网络层组成，输入为转换为 one-hot向量后的符号向量集，输出为尚未添加功率约束的初始发送符号；