1、DOI:1020079/jissn1001893x210408001引用格式:李素月，贾鹏，王安红改进的 DetNet 大规模 MIMO 检测器 J电讯技术，2023，63(2):220225LI S Y，JIA P，WANG A HModifiedDetNet massive MIMO detectorJ Telecommunication Engineering，2023，63(2):220225改进的 DetNet 大规模 MIMO 检测器*李素月，贾鹏，王安红李素月，贾鹏，王安红(太原科技大学 电子信息工程学院，太原 030024)摘要:对 DetNet 结构进行改进以提升大规模 MI
2、MO(Multiple-Input Multiple-Output)信号检测性能。首先，去除输入端的冗余向量简化网络中每个检测单元的结构;其次，为了进一步提升网络性能，借鉴随机森林在每个决策树的输入端引入随机性的思想，通过复制网络将原网络中的检测单元扩充为两个，构造成孪生网络的结构，并在其输入端设置不同的初值向量。仿真结果表明，结构优化后的网络比原 DetNet 具有一定的性能提升。关键词:大规模 MIMO;信号检测;深度学习;孪生网络;迫零算法开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN91123文献标志码:A文章编号:10
3、01893X(2023)02022006Modified DetNet Massive MIMO DetectorLI Suyue，JIA Peng，WANG Anhong(School of Electronic Information Engineering，Taiyuan University of Science and Technology，Taiyuan 030024，China)Abstract:The DetNet structure is modified to enhance the massive multiple-input multiple-output(MIMO)s
4、ignal detection performanceFirstly，the structure of each detection unit in the network is simplified byremoving the redundant vectors at the inputSecondly，to further improve the network performance，the ideaof random forest is used which can introduce randomness at the input of each decision treeSpec
5、ifically，thedetection unit in the original network is doubled by replication to construct the siamese network anddifferent initial value vectors are introduced at the inputThe simulation results show that the optimizednetwork achieves a certain performance improvement over the original DetNetKey wor
6、ds:massive MIMO;signal detection;deep learning;siamese network;zero forcing algorithm0引言大规模 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(Max
7、imumLikelihood，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022第 63 卷 第 2 期2023 年 2 月电讯技术Telecommunication EngineeringVol63，No2February，2023*收稿日期:20210408;修回日期:20210517基金项目:国家自然科学基金资助项目(61501315，62072325)通信作者:王安红(Approximate Mes
8、sage 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(MinimumMean 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(DeepLearning，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(DeepNeural Ne
9、twork，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 45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 68分别研究了卷积神经网络(Convolutional NeuralNetwork，CNN)、循环神经网络(ecurrent NeuralNetwork，NN)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 1
10、0 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(OrthogonalApproximateMessagePassing，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
11、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 DetNet12 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系统模型11MIMO 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 N1 维的向量;x 是 K1 维的向量;n 是N1 维的向量，表示服从零
12、均值且方差为 2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 NK，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)=argmax P(x y)。(2)MIMO 信号检测的目的是根据接收天线接收到的信号来恢复发射信号。作为信号检测的最优检测方法，ML 检测的思想与公式(2)相同，即寻找出最佳的恢复传输信号x 使其与发送信号 x 在欧几里得距离上最小:x=argminyHx。(3)由于 ML
13、 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。12DetNet 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:xi+1in=xiiniyHx2xx=xiin=xiin2iHTy+2iHTHxiin。(4)式中:表示非线性投影运算;i表示梯度投影步长;xiin表示第 i 个单元的输入向量，即网络第 i1 次迭代得到的检测信号。随着迭代次数的增加，恢复出的xiin与 x 之间的欧几里得距离逐渐减小。由公式(4
14、)可以看出 DetNet 的每次迭代都是对HTy、HTH、xiin这三者先进行线性组合然后进行非线性的122第 63 卷李素月，贾鹏，王安红:改进的 DetNet 大规模 MIMO 检测器第 2 期梯度投影操作。为使梯度投影下降算法的迭代展开更贴近深度神经网络，引入了一些深度神经网络中常见的标准非线性来提升迭代。第 i 个检测单元运算过程如下:zi=W1iHTyxiinHTHxiinviin+b1i，xi+1in=(W2izi+b2i)viin=W3izi+b3ix0in=0。(5)式中:()表示 elu 激活函数;()表示 softsign函数;W 表示网络的权重矩阵;b 表示网络的偏置矩阵
15、。由式(5)得到的检测单元的详细结构如图 1 所示，可以看出 DetNet 每个检测单元都具有 4 个输入项，分别是 HTy、HTH、xiin以及充当网络偏置的 viin。从网络结构中可以看出 HTy、HTH 是网络中所有检测单元的公共输入，而 xiin和 viin则随着网络迭代的进行而改变。图 1DetNet 单元结构示意12 为了进一步提升 DetNet 的性能，文献 12 参考es-Net13 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 i1个单元输入与输出的加权平均值，即xiin=xi1out+(1)xi1in。(6)式中:表示残差系数。因为网络中
16、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=W1i，b1i，W2i，b2i，W3i，b3iLi=1。(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l(x;x(H，y)=Li=1ln(i)xxi2x?x。(8)式中:?x=(HTH)1HTy。从 式(8)中 可 以 看 出DetNet 并不是将最后一层的输出选定为损失函数，而是将每一层输出的损失函数叠加形成最终的损失函数，原因是网络的每一层结构完全相同，每一层的输出都可视为整个网络的输出，检测信号在迭代的过程中不断地接近理想值，所以选定的损失函数要充分地考虑迭代过程中每一层输出的损失函数。2改进方案21输入端简化从图 1 中可以观察到，DetNet 中每一个检测单元的输入都包含了 HTy、HTH、xiin、viin这四项。从携带信息的角度来看前三项携带了信道状态信息以及发射信号信息，输入向量 viin被视为网络中未被考虑到的非线性因素，相当于是网络的偏置，并不包含任何无线通信领域的物理意义
