基于深度學(xué)習(xí)和AMP的MIMO檢測算法

朱嘯豪 孫超 姜述超

摘 要：大規(guī)模多輸入多輸出（multiple-input multiple-output，MIMO）是5G和未來移動無線網(wǎng)絡(luò)的關(guān)鍵技術(shù)之一。但是，“大規(guī)?！睅盹@著性能增益的同時，也給接收機(jī)設(shè)計帶來了挑戰(zhàn)?；谏疃葘W(xué)習(xí)和近似信息傳遞（approximate message passing，AMP）檢測算法，提出了一種新的深度學(xué)習(xí)網(wǎng)絡(luò)AMP-net，用于MIMO檢測。在提出的算法中，將AMP算法的每一次迭代作為單層網(wǎng)絡(luò)的基礎(chǔ)架構(gòu)，同時加入非線性神經(jīng)單元及可訓(xùn)練權(quán)重系數(shù)，以實現(xiàn)在固定網(wǎng)絡(luò)層數(shù)時得到更低的誤碼率。仿真結(jié)果證明，對比迭代次數(shù)為L的AMP算法，網(wǎng)絡(luò)層數(shù)也為L的AMP-net可以得到較低的誤碼率，但和無限迭代的AMP算法還是有差距。同時也討論了可訓(xùn)練的閾值函數(shù)對AMP-net的影響。仿真結(jié)果證明，使用一個小的全連接網(wǎng)絡(luò)來作為閾值函數(shù)，比較其余閾值函數(shù)可以得到更低的誤碼率。

關(guān)鍵詞：大規(guī)模MIMO;深度神經(jīng)網(wǎng)絡(luò);5G;信號檢測

Abstract：Massive multiple-input multiple-output （MIMO） is one of the key technologies for 5G and future mobile wireless networks. However， "large scale" brings significant performance gains， but also poses challenges for receiver design. Based on deep learning and AMP （approximate message passing） detection algorithms， this paper proposes a new deep learning network AMP-net for MIMO detection. In the algorithm， each iteration of the AMP algorithm is used as the infrastructure of the single-layer network， and the nonlinear neural unit and the trainable weight coefficient are added to achieve a lower error rate when the network layer is fixed. The simulation results show that comparing the AMP algorithm with the number of iterations L， the AMP-net with the network layer number L can get a lower bit error rate， but there is still a gap between the AMP algorithm of infinite iteration. At the same time， we also discuss the impact of the trainable threshold function on AMP-net. The simulation results show that using a small fully connected network as the threshold function can achieve a lower bit error rate compared with the remaining threshold functions.

Key words：massive MIMO;deep neural network;5G;signal detection

0 引言

與第四代（4G）無線網(wǎng)絡(luò)相比，第五代（5G）無線網(wǎng)絡(luò)的數(shù)據(jù)速率有望提高約1 000倍[1]。 高頻譜效率和足夠的空間自由度使大規(guī)模多輸入多輸出（MIMO）成為5G和未來移動無線網(wǎng)絡(luò)的關(guān)鍵技術(shù)之一。但是，大規(guī)模MIMO面臨許多挑戰(zhàn)，特別是在接收器的檢測方面[2]。盡管最大似然（maximum likelihood， ML）檢測算法可以獲得最低的誤碼率（bit error rate，BER），但是隨著天線數(shù)量的增加，計算復(fù)雜度也隨之增加。例如，對于一個具有64個發(fā)射天線的MIMO系統(tǒng)，使用BPSK調(diào)制，ML檢測算法需要經(jīng)過檢索1.84×1019個不同的情況才能獲得最佳檢測結(jié)果。傳統(tǒng)的線性檢測算法，例如迫零（zero-forcing， ZF）檢測和線性最小均方誤差（linear minimum mean square error， LMMSE）檢測算法，具有較低的復(fù)雜度，但其獲得的BER與ML算法之間存在較大差距。更高級的檢測器包括決策反饋均衡（decision feedback equalization，DFE），近似消息傳遞（AMP）[3]和半確定松弛（semidefinite relaxation，SDR）[4-5]，在許多實際情況下，AMP和SDR均可提供接近最佳的精度，并且AMP在實踐中實現(xiàn)簡單。

近年來，深度學(xué)習(xí)在計算機(jī)視覺和自然語言除了等領(lǐng)域取得了成功的應(yīng)用，也有部分學(xué)者開始研究在通信上應(yīng)用深度學(xué)習(xí)，這些網(wǎng)絡(luò)通常是具有許多非線性操作單元和層的神經(jīng)網(wǎng)絡(luò)。有一種設(shè)計深層架構(gòu)的有前途的方法是展開現(xiàn)有的迭代算法[6]。每次迭代都被視為一個層，這種迭代算法就變成了一個網(wǎng)絡(luò)。

本文將傳統(tǒng)的AMP迭代檢測算法與深度學(xué)習(xí)相結(jié)合，提出了一種新的深度學(xué)習(xí)網(wǎng)絡(luò)AMP-net，用于MIMO檢測。傳統(tǒng)的AMP算法在不同信噪比和不同信道時，迭代至收斂的次數(shù)不一致。在本文提出的算法中，將AMP算法的每一次迭代作為單層網(wǎng)絡(luò)的基礎(chǔ)架構(gòu)，同時加入非線性神經(jīng)單元及可訓(xùn)練權(quán)重系數(shù)，以實現(xiàn)在固定網(wǎng)絡(luò)層數(shù)時得到更低的誤碼率。仿真結(jié)果表明，對比迭代次數(shù)為L的AMP算法，網(wǎng)絡(luò)層數(shù)也為L的AMP-net可以得到較低的誤碼率，但和無限迭代的AMP算法還是有差距。同時本文也討論了可訓(xùn)練的閾值函數(shù)對AMP-net的影響，仿真結(jié)果表明，使用一個小的全連接網(wǎng)絡(luò)來作為閾值函數(shù)，對比其余閾值函數(shù)可以得到更低的誤碼率。

論文接下來將首先介紹大規(guī)模MIMO的系統(tǒng)模型;然后在第2部分簡單介紹AMP檢測算法，第3部分基于AMP算法和深度學(xué)習(xí)提出了AMP-net架構(gòu);在第4部分，對AMP-net和不同閾值函數(shù)進(jìn)行了仿真分析;最后進(jìn)行總結(jié)。

1 大規(guī)模MIMO系統(tǒng)模型

在上行鏈路中，一個大規(guī)模MIMO系統(tǒng)一般由具有Nr個天線的基站（base station， BS）和Nt個單天線用戶組成。系統(tǒng)原型如圖1所示。

此外，為了進(jìn)一步提高AMP-net的性能，受ResNet[9]啟發(fā)，引入了殘差的概念，其中每一層的輸出是與前一層輸出的加權(quán)平均值。

4 仿真結(jié)果

此部分通過仿真實驗驗證所提出的算法的優(yōu)異性能，仿真場景如下：

收發(fā)天線數(shù)：Nr=Nt=32，

訓(xùn)練集信噪比：5-15 dB，

測試集信噪比：0-16 dB。

仿真中使用Adam Optimizer[10]優(yōu)化神經(jīng)網(wǎng)絡(luò)。在每次迭代中使用5 000個隨機(jī)數(shù)據(jù)樣本進(jìn)行批處理訓(xùn)練，并對網(wǎng)絡(luò)進(jìn)行50 000次迭代訓(xùn)練。每個樣本是根據(jù)x，H和噪聲的統(tǒng)計從（1）獨立生成的。關(guān)于噪聲，其方差是未知的，因此也是隨機(jī)產(chǎn)生的，因此SNR將均勻地分布在U（SNRmin，SNRmax）上。這種方法使本文提出的算法能夠檢測更加廣泛的SNR值，如圖3所示。

圖3展示了在不同收發(fā)天線數(shù)量的情況下，6層AMP-net比6次迭代的AMP算法對比，誤碼率為10-3時信噪比提高了1.7 dB，與無限迭代直至收斂的AMP算法只落后1 dB，如圖4所示。

圖4是L=6時，不同閾值函數(shù)的AMP-net對比。結(jié)果說明采用一個全連接網(wǎng)絡(luò)作為閾值函數(shù)可以達(dá)到更好的檢測效果，誤碼率為10-3時比其余閾值函數(shù)提高至少0.5 dB。

5 總結(jié)

本文基于深度學(xué)習(xí)和AMP檢測算法提出了AMP-net網(wǎng)絡(luò)架構(gòu)，對比同樣迭代次數(shù)的AMP算法，檢測效果有顯著提高，且可預(yù)見的是可以通過改善網(wǎng)絡(luò)結(jié)構(gòu)和閾值函數(shù)進(jìn)一步提高算法性能。鑒于提出這種結(jié)構(gòu)的思路，傳統(tǒng)的迭代檢測算法都可以展開成深度神經(jīng)網(wǎng)絡(luò)，這給當(dāng)下檢測算法和深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)的研究提供了一個新的思路。這也將是我們未來的工作。

參考文獻(xiàn)

[1] Andrews-J-G.， Buzzi-S.， Choi-W. What will 5G be？. IEEE Journal on selected areas in communications， 2014，32（6）， 1065-1082.

[2] E G Larsson. MIMO detection methods：How they work[J]. IEEE Signal Process. Mag.， 2009，26（3）：91-95.

[3] C Jeon， R Ghods， A Maleki， et al. Optimality of large mimo detection via approximate message passing[C]// IEEE International Symposium on Information Theory （ISIT）. IEEE， 2015：1227-1231.

[4] Z Q Luo， W K Ma， A M So， et al. Semidefinite relaxation of quadratic optimization problems[J]. IEEE Signal Processing Magazine， 2010， 27（3）：20-34.

[5] J Jalden， B Ottersten. The diversity order of the semide？nite relaxation detector[J]. IEEE Transactions on Information Theory，2008，54（4）：1406-1422.

[6] J R Hershey， J L Roux， F Weninger. Deep unfolding：Model-based inspiration of novel deep architectures[J]. arXiv preprint arXiv：1409.2574， 2014.

[7] Senel K， Larsson E G. Device activity and embedded information bit detection using AMP in massive MIMO[J]. arXiv preprint arXiv：1709.05161， 2017.

[8] Donoho D L， Maleki A， Montanari A. Message-passing algorithms for compressed sensing[J]. Proceedings of the National Academy of Sciences of the United States of America， 2009， 106（45）：18914.

[9] K. He， X Zhang， S Ren， et al. Deep residual learning for image recognition[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016：770-778.

[10] Kingma-D-P， Ba-J. Adam：A Method for Stochastic Optimization. international conference on learning representations， 2015.

（收稿日期：2019.11.14）