【CN109921882A】一种基于深度学习的MIMO解码方法、装置及存储介质【专利】

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910125325.5
(22)申请日 2019.02.20
(71)申请人 深圳市宝链人工智能科技有限公司
地址 518000 广东省深圳市南山区沙河街
道侨城东路99号产业楼1楼101
(72)发明人 王滔滔　张立豪　张胜利　汪炜　
岳力　
(74)专利代理机构 深圳市恒申知识产权事务所
(普通合伙) 44312
代理人 袁文英
(51)Int.Cl.
H04L 1/00(2006.01)
H04B 7/0413(2017.01)
G06N 3/04(2006.01)
(54)发明名称一种基于深度学习的MIMO解码方法、装置及存储介质(57)摘要本发明实施例公开了一种基于深度学习的MIMO解码方法、装置及存储介质，通过构建MIMO 解码的训练数据集合，训练数据集合中包括多个训练数据；然后基于训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；在接收到待解码MIMO信号时，将待解码MIMO信号输入至神经网络模型进行MIMO解码，然后得到神经网络模型所输出的MIMO解码结果。

通过本发明的实施，基于深度学习来设计用于联合MIMO检测和信道解码的神经网络模型，将MIMO检测和信道解码视为联合解码过程，并且通过训练来改善神经网络模型所输出结果的近似性，保证了MIMO解码的整体性能，具有更高的解码准确性以及更快的解
码速度。

权利要求书2页 说明书8页 附图2页CN 109921882 A 2019.06.21
C N 109921882
A
1.一种基于深度学习的MIMO解码方法，其特征在于，包括：
构建多输入多输出MIMO解码的训练数据集合，所述训练数据集合中包括多个训练数据；
基于所述训练数据集合对神经网络进行训练，得到训练完成的神经网络模型；
在接收到待解码MIMO信号时，将所述待解码MIMO信号输入至所述神经网络模型进行MIMO解码，然后得到所述神经网络模型所输出的MIMO解码结果。

2.如权利要求1所述的基于深度学习的MIMO解码方法，其特征在于，所述神经网络包括深度神经网络DNN、卷积神经网络CNN、循环神经网络RNN中任意一种。

3.如权利要求2所述的基于深度学习的MIMO解码方法，其特征在于，所述DNN包括：一个输入层、六个隐藏层以及一个输出层；其中，所述输入层以及隐藏层的激活函数为线性整流单元ReLu函数，所述输出层的激活函数为Sigmoid函数，所述隐藏层的所述ReLu函数之前还具有批标准化层。

4.如权利要求1至3中任意一项所述的基于深度学习的MIMO解码方法，其特征在于，所述构建多输入多输出MIMO解码的训练数据集合包括：对接收到的导频信号进行信道估计而得到信道矩阵估计值并基于所模拟的MIMO发射器功能模块对源比特随机生成器所生成的多个二进制矢量b (i)，i＝1,2,…,Z，分别进行
处理而变换为数据矩阵对各所述以及预设的加性高斯白噪声矩阵AWGN进行函数计算，得到对应的训练数据；
所述函数描述如下：
其中，M T 为所模拟的MIMO发射器功能模块中天线的数量，为所述AWGN；
将所有的所述训练数据构建为MIMO解码的训练数据集合；所述训练数据集合描述如
下：
5.如权利要求4所述的基于深度学习的MIMO解码方法，其特征在于，所述b (i)为短代码。

6.如权利要求4所述的基于深度学习的MIMO解码方法，其特征在于，在所述神经网络为DNN时，所述基于所述训练数据集合对神经网络进行训练包括：将所述训练数据集合以及所述同时输入至所述DNN；
采用随机梯度下降SGD算法对所述DNN进行训练；
所述算法描述如下：
其中，θ是所述DNN中权重的集合，
为第k个所述b (i)中的第k个目标信息比特，为所述的软估计值。

7.一种基于深度学习的MIMO解码装置，其特征在于，包括：
权　利　要　求　书1/2页2CN 109921882 A。