摘要：大规模多输入多输出(multiple-input multiple-output,MIMO)是5G和未来移动无线网络的关键技术之一。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。基于深度学习和近似信息传递(approximate message passing,AMP)检测算法,提出了一种新的深度学习网络AMP-net,用于MIMO检测。在提出的算法中,将AMP算法的每一次迭代作为单层网络的基础架构,同时加入非线性神经单元及可训练权重系数,以实现在固定网络层数时得到更低的误码率。仿真结果证明,对比迭代次数为L的AMP算法,网络层数也为L的AMP-net可以得到较低的误码率,但和无限迭代的AMP算法还是有差距。同时也讨论了可训练的阈值函数对AMP-net的影响。仿真结果证明,使用一个小的全连接网络来作为阈值函数,比较其余阈值函数可以得到更低的误码率。

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。

摘要：现代蜂窝通信系统中,由于小区间的互相干扰,小区边缘用户成为性能提升的瓶颈.针对这一问题,本文考虑采用多小区联合检测来提高小区边缘用户的性能,重点关注干扰信号采用空时编码时的检测问题.通过将相关符号周期的传输综合建模,本文提出了一种联合最小均方误差(Joint-Minimum Mean-Squared Error,J-MMSE)检测算法;并分别讨论了服务小区采用空时编码和空分复用传输时的算法设计.仿真结果表明,与传统检测算法相比,所提的J-MMSE检测算法,可以以较低的复杂度获得显著的性能增益;为多小区联合检测提供了一个有吸引力的选择.