• 175
•
随着无线通信传输速率的不断提升，接收机的设计也迎来了极为迫切的挑战。现代通信通过许多逻辑及物理的抗干扰技术实现对信道容量的扩增；比如信道编码、OFDM 调制以及MIMO 技术等，而大规模MIMO 分集的解决方案是提高信道容量的关键，深度学习强大的非线性拟合能力极为契合大规模MIMO 信号大并发量的检测。本文结合深度学习思想，提出了一种新颖的大规模MIMO 信号的检测方案。 引言：在无线通信系统中，多径衰落对传输码元的相位及幅度的影响较大，不仅降低雷达的测量精度，更使得调制规则的信息难以直接被接收端利用。对抗多径干扰的措施，一方面可提高接收机的距离测量精度；另一方面可采用分集接收技术，其主要通过多天线自适应地对信号进行处理，将干扰尽可能的抵消。
防辐射内衣
在大规模MIMO 系统中，将来自不同信道的信号进行线性组合可以缓解信道失真现象，并放宽对于子载波具有近似平坦增益的要求。大规模多输入多输出（MIMO ）被提议作为第五代无线通信网络的候选技术，并引起了业界研究人员的广泛关注。大规模MIMO 通过增加端的天线数目，极大地削弱了衰落、干扰以及噪声对信号的影响，并提高了网络容量。随着大规模MIMO 技术的发展，编码方案也从复杂的DPC 类编码改为线性预编码，以此来降低接收端的设计复杂度，而众多结果也表明，采用低复杂度的线性预编码即可接近DPC 编码的性能。而在大规模MIMO 技术通常与波束赋形技术实现，而大多的大规模MIMO 波束赋形算法是基于矩阵求逆运算的，其复杂度随天线数量快速增加，极为可能导致硬件无法完成波束赋形算法。
1 基于深度学习的大规模MIMO信号检测
水溶性酚醛树脂1.1 大规模MIMO信号检测
分集的基本原理是通过多个信道接收承载相同信息的多个副本，而分集除了利用分散传输获得足够多
的统计独立的信息副本之外，关键的是对这些副本的集中处理，传统的最大值合并技术没有利用序列之间的关联性，而对这些信息序列所构成的二维数据进行信号检测，可以看作是一个模式识别的问题，在高吞吐量的通信系统中，大数据驱动的深度学习技术能够充分的利用数据之间的关联信息及其信息特征。
最近的大规模多输入多输出（MIMO ）概念可以显着提高通信网络的容量，并且它被认为是用于下一代无线通信的有前途的技术。然而，现有大规模MIMO 系统的基本挑战是高计算复杂度和复杂的空间结构为利用这些多天线系统的信道特性和稀疏性带来了很大的困难。为了解决这个问题，本文提出了将大规模MIMO 集成到深度学习中的新框架。为了实现端到端性能，采用深度神经网络（DNN ）进行离线学习和在线学习过程，这有效地学习了无线信道的统计和角度域中的空间结构。具体地，DNN 首先通过离线学习辅助在不同信道条件下的模拟数据进行训练，然后在线学习过程中基于当前输入数据获得相应的输出数据。为了实现超分辨率信道估计和DOA 估计，开发了两种基于深度学习的算法，其中可以在角度域中估计DOA 而无需直接复杂化。此外，与传统方法相比，所提出的基于深度学习的方案在DOA 估计和信道估计方面可以实现更好的性能，并且通过在各种情况下的广泛模拟来测试所提出的方案以用于测试其鲁棒性。
尽管MIMO 技术在实际场景中得到了众多新的突破，但仍然存在如天线数量与接收机复杂度的问题，如何获取信道状态信息也是MIMO 系统中重点研究的问题，而除此之外，天线阵元之间的相关度，较高的
频谱偏移也亟待解决。
图1 大规模MIMO系统
1.2 基于深度学习的大规模MIMO信号检测
深度学习是利用多个非线性信息处理层，来完成监督或者无监督的特征提取和转化，用来实现模式识别和分类。其通过多层表示来对数据之间的复杂关系建模。高层的特征取决于低层的特征和概念。对比传统的BP 神经网络，更深的网络结构能表现出更强的拟合性能。
为了充分利用大规模MIMO 信号独立分布的信息，关键在于建立非线性的检测模型，随着微机的浮点运算能力不断增强，相比浅层的神经网络，深度学习有足够的泛化及拟合性能，利用经典的DBN ，SAE ，CNN 等深度学习架构，对大规模MIMO 并发信号进行稀疏表达及解码。大规模MIMO 系统中CSI 反馈的挑战推动了大量研究。这些工作主要集中在通过使用CSI 的空间和时间相关性来减少反馈
开销。特别地，相关的CSI 可以在一些基础中被转换成不相关的稀疏矢量；因此，可以使用压缩感测（CS ）来获得来自欠定线性系统的稀疏矢量的足够精确的估计。这一概念激发了基于CS 和分布式压缩信道估计的CSI 反馈协议的建立。在CS 中也提出了使用几种算法，包括LASSO L1-solver 和AMP 。然而，这些算法难以恢复压缩的CSI ，因为它们使用简单的稀疏性先验，而它们的信道矩阵不完全但是近似稀疏。而且，信道矩阵中大多
重庆邮电大学通信与信息工程学院 宗志辉
基于深度学习的大规模MIMO 信号检测
• 176
干簧管传感器
•
电子倾斜仪
数相邻元素之间的变化是微妙的。这些属性使他们的先验建模变得复杂。虽然研究人员设计了先进的算法（例如，TVAL3和BM3D-AMP ），可以对重建进行精心设计，但这些算法并没有显着提高CSI 恢复质量，因为人为制作的先验仍远未实践。
总之，基于CS 的方法存在三个核心问题。首先，他们严重依赖于某些基础上信道稀疏的假设。然而，信道在任何基础上都不是完全稀疏的，甚至可能没有可解释的结构。其次，CS 使用随机投影，并没有充分利用信道结构。第三，用于信号重建的现有CS 算法通常是迭代方法，其具有缓慢的重建。在本研究中，我们使用深度学习（DL ）解决了上述问题。
在对波束空间mmWave 大规模MIMO 系统的深度学习的初步结果，可将信道矩阵视为2D 自然图像，并应用学习的基于去噪的近似消息传递神经网络，其将去噪卷积神经网络结合到迭代稀疏信号恢复算法中。在另一方面，使用深度学习技术进行波束空间信道估计也是一种可靠以及新颖的方式。近似消息传递神经网络利用大量信道矩阵作为训练数据，并且可以应用于各种选择网络。此外，我们提供了一个关于近似消息传递神经网络在信道估计中的渐近性能的分析框架。
尽管深度学习在自然图像重建中表现出最先进的性能，但是深度学习在无线信道重建的研究仍未完备，且这种重建比图像重建更复杂。图2为基于深度学习的MIMO 信号检测框图，拟合过信道的MIMO 信号特征，实现MIMO 各独立信息的提取。发送端使用空时编码将串行信号编码至符合发送天线数目
的并行形式，利用成型脉冲将数字编码信号D/A 转换，附至载波并从天线发送出去。并使之经过卷积形式的无线多径信道。目前，研究者已经着手于基于深度学习的CSI 减少和恢复方法，其中基于深度学习的CSI 编码已经用于闭环MIMO 系统。深度学习的非线性激活函数能对信号序列提取稀
疏特征，并完整的将信号序列恢复。
图2 基于深度学习的MIMO信号检测框图
2 结束语
自动涂装线
大规模MIMO 技术理论上可成倍的提高系统容量，而在应用方面，关于深度学习的大规模MIMO 研究仍在少数，本文结合深度学习，提出了一种新颖的MIMO 信号检测技术，提高接收端的误比特性能及信道状态信息（CSI ）的反馈准确率。使用深度学习可实现CSI 传感和恢复机制，学习如何有效地利用训练样本中的信道结构。深度学习从CSI 到近似最佳数量的表示（或代码字）的转换以及从码字到CSI 的逆变换。与现有的基于压缩感知（CS ）的方法相比，深度学习能够显著的改善重建质量并恢复CSI 。即使在基于压缩感知方法无法工作，以及压缩区域过低的情况下，深度学习在大规模MIMO 中也能保持有效的波束成形增益。
铝方通吊顶工艺
作者简介：宗志辉（1993—），男，硕士研究生，研究方向：无线通信与机器学习。
（上接第174页）
下，智能家居设备无需配置路由和网关，可以实现持续在线。用户只需要一台智能手机，就可以遥控家里的任意智能联网家电设备。3.3 智慧工厂
当前，传统的工厂正在朝着智能工厂的方向转型，物联网技术在连接人、机器和设备中起到了极为关键的作用，这种工业互联的需求是很复杂的，5G 技术必须为不同的工业场景提供灵活的无线连接方案，这将给5G 技术的发展带来了巨大的机遇。当前许多大型工厂已经实现了以闭环控制为核心技术的自动化功能，但闭环控制要求低于毫秒级的通信时延，这在4G 时代仍然很难得到保证。而5G 通信技术可以提供低于0.5ms 的时延，支持连接数量大幅提高，使得闭环控制应用由无线网络连接成为现实。3.4 智慧物流
随着在线购物的日益流行，要求智慧物流更加智能化。当前智慧物流已经有了一些商业化产品，但高昂的连接成本阻碍了其向市场推广应用。在5G 时代，在深覆盖、低功耗、大规模、低成本以及3GPP 标准技术方面将得以重大突破，大连接技术将可以广泛推向市场。对于虚拟工厂而言，一方面，需要满足在途商品的动态跟踪要求，另一方面还要通过端到端的整合实现与已售商品的持续连接，从而实现对产品全部生命周期的管理。而这些工作，都可以在5G 网络中以低成本的形式来完成。3.5 智慧
停车
在5G 技术背景下，智慧停车将由NB-IOT 技术实现，首先在车位下方安装地磁传感器，用于动态检测是否有车辆停入，信号通过5G 信号传输出去，由运营商无线网络转发至用户的终端设备，其最大的优点在于无需部署网关设备，进一步降低了硬件投入和维护费用。另外，地磁传感器的部署也是十分方便的，它可以实现即插即用，进一
步简化了系统结构，提高了灵活性。传感器信号由内置NB-IOT 模组实时传输至管理平台上，平台系统再根据停车时长计算出计费信息。3.6 共享单车
共享单车是4G 时代的新事物，不难预见，它将在5G 时代迎来更大的发展。目前，ofo 与中国电信、华为等运营商和设备商共同推出了NB-IoT 智能锁，使结单时间大大减少，可以达到5秒以内完成信息的传输，进一步提升了共享单车的便捷性。在功耗上，5G 技术支持下的共享单车功耗更低，无需搭载发电设备，在同样的电量下可以使用至少2年的时间，不但节省硬件投资、减轻了单车重量，还降低了后期运维成本。
4 结语
物联网技术的发展推动了5G 技术的日益成熟，而5G 技术的应用则为物联网的发展提供了广阔的前景，
因此，5G 通信技术和物联网之间是相互促进、相辅相成的一对整体。5G 技术的优势绝不仅仅是网速的提高和带宽的扩展，它使万物互联成为了现实。基于蜂窝的窄带物联网作为万物互联网络的重要基础，将完全支撑起物联网的各种应用。不难预测，在未来的十年内，人们对移动互联网大流量应用的需求及万物互联的需求是十分巨大的，智能电网、智能家居、智慧城市、智慧工厂、智慧物流等物联网应用将作为先导，迅速带动整个5G 物联网的应用的兴起，各种基于5G 技术的物联网解决方案也将不断涌现，真实带领人类进入万物联网的全新时代。
作者简介：余世平（1985—），男，江西新余人，大学本科，中级职称，从事通信规划设计工作。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议