论文部分内容阅读
目前,智能通信作为无线通信领域主流的研究方向之一,积极将人工智能技术引入在无线通信系统中的各个层面,这已经成为探索智能通信领域的有效方法。由于多输入多输出(Multiple Input Multiple Output,MIMO)系统收发端配置的天线数量增加,将会导致通信系统接收端中的信号处理过程变得较为复杂。为较好地实现MIMO系统信号检测性能与复杂度地折中,本文研究了深度学习算法来联合解决MIMO系统信号检测和信道译码问题;同时,提出了运用深度学习方法将传统MIMO系统物理层的功能模块进行联合优化。论文的主要研究内容总结如下:1.提出运用深度学习方法来联合解决MIMO信号检测与信道译码问题。首先,构建了基于神经网络的MIMO系统模型,分别将深度神经网络(Deep Neural Network,DNN)与自动编码器(Auto Encoder,AE)神经网络引入传统MIMO系统接收端,以获取发射端传输的信息比特或码字及信道状态信息;然后,将DNN和AE网络模型采用端到端的训练方式,使两种神经网络可“学习”系统收发端传输信息比特或码字的映射关系,以联合实现MIMO系统检测与译码,同时具有较低的复杂度;再次,将训练好的网络模型进行性能测试;最终,仿真结果表明,所提方法能够提高检测与译码性能。2.提出一种基于深度学习的MIMO系统联合优化方案。针对面向传统MIMO系统物理层功能模块的联合优化问题,本文研究了深度学习算法来解决MIMO系统的全局优化问题。首先,提出运用自动编码器神经网络来构建多用户的通信系统模型,传统MIMO系统发射端和接收端分别可视为自动编码器神经网络的编码器和译码器;然后,采用交叉熵损失加权和函数的方法对系统模型进行训练,从而获得具有最优传输性能的系统模型,并在一定信噪比(Signal-to-Noise Ratio,SNR)范围内,将训练好的系统模型进行性能测试,分别得出每个用户的误比特率和整个多用户的平均误比特率;最终,仿真结果表明,基于自动编码器的MIMO通信系统相比传统MIMO系统具有更好的系统性能。