|
1.重庆邮电大学 通信与信息工程学院，重庆400065。大规模多输入多输出(MIMO)系统能有效地提高频谱效率，当天线规模渐进趋向于无穷时，最小均方误差(MMSE)检测算法能达到接近最优的检测性能。然而由于算法中存在矩阵求逆的步骤，带来极高的计算复杂度，在大规模MIMO系统中难以实现。理查森(Richardson)算法能够在不对矩阵求逆的情况下，以迭代的形式达到MMSE算法的检测性能，但该算法受其松弛参数影响较大。在结合最陡梯度下降算法的Richardson算法(SDNSR)中，松弛参数的误差可由梯度下降算法弥补，却提高了计算复杂度。首先通过深度展开的思想，将SDNSR的迭代过程映射为深度检测网络(SDNSR-Net)；然后，通过修改网络结构及添加可训练参数来降低计算复杂度并提高检测精度。实验结果表明，在上行链路大规模MIMO系统中不同信噪比和天线配置的情况下，SDNSR-Net都优于其他典型的检测算法，可作为实际中有效的待选检测方案。大规模MIMO系统中存在信道硬化现象，即由信道矩阵生成的Gram矩阵的对角项远大于非对角项。在该情况下最小均方误差(Minimum Mean Square Error，MMSE)检测算法已证明可以达到次优的检测性能[1]。然而该算法中存在矩阵求逆运算，因此难以适用于大规模MIMO系统。为降低线性检测算法的计算复杂度，出现了Richardson迭代[2]、Jacobi迭代[3]和逐次超松弛(Successive Over Relaxation，SOR)迭代[4]等迭代检测算法。然而，在大规模MIMO系统中，随着用户增加，该类算法的检测性能退化严重。深度学习技术作为一种流行的人工智能技术，目前已开始应用于解决信号检测的问题。例如：Ye[5]等人提出利用深度神经网络进行OFDM系统的信道估计和信号检测；Samuel[6]等人提出的DetNet通过将投影梯度下降算法的迭代过程展开为网络，从而获得了良好的检测性能；He[7]等人提出了OAMPNet，在传统的OAMP检测算法的基础上增加了一些可优化参数，在不增加额外复杂度的同时获得了更好的检测性能。
|
