MIMO检测算法与深度学习方法探讨

• 作者: 姜述超 孙超 朱啸豪
• 来源期刊: 微型电脑应用
• 学科: 工学
• 关键词: 大规模MIMO 深度神经网络 5G 信号检测
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 研究与设计
• 页码范围: 94-97
• 页数: 4页
• 分类号: TN92
• 字数: 2417字
• 语种: 中文

摘要

作为未来5G通信的核心技术之一,大规模多输入多输出(multiple-input multiple-output,MIMO)技术获得了广泛的研究.但是,“大规模”带来显著性能增益的同时,也给接收机设计带来了挑战,尤其是考虑到资源和成本限制,基站天线在满足性能需求的同时,需要尽可能少.论文首先讨论了MIMO情景下的传统检测算法,如最大似然(maximum likelihood,ML)检测算法、迫零(zero-forcing,ZF)检测算法及线性最小均方误差(linear minimum mean square error,LMMSE)检测算法等.仿真结果表明最优的ML算法的复杂度随着用户数指数增加.在接收天线数不是充分多时,次优的ZF和LMMSE算法都会有显著的性能损失.针对这一问题,讨论了基于深度学习框架的解决方案,包括目前已有的LAMP(learned approximate message passing)检测算法和神经网络DetNet算法;基于全连接网络结构做了初步探索.经过对它们的仿真比较,发现基于深度神经网络的MIMO检测算法,确实可以提升传统检测算法的性能;但对神经网络系数的优化,可能会导致较高的训练复杂度,论文讨论了可能的解决方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙超	复旦大学通信科学与工程系	28	66	4.0	7.0
2	姜述超	复旦大学通信科学与工程系	3	0	0.0	0.0
3	朱啸豪	复旦大学通信科学与工程系	2	0	0.0	0.0