【摘 要】为了解决经典的信号检测方法在性能或复杂度方面存在的不足,根据智能反射面辅助通信的特点,利用深度学习方法设计了一种新型的面向智能反射面辅助通信的信号检测网络。根据梯度下降算法的展开思想,网络采用多个相似的单元结构级联,在每个单元中通过设计短路直连结构强化部分输入的影响,并通过单元权重系数对网络不同单元的重要性进行调节。仿真结果表明,提出的深度检测网络相较传统线性检测算法在多种规模的智能反射面辅助通信系统中均有较大的性能提升,并具有较低的复杂度。
【关键词】多输入多输出系统;信号检测;智能反射面;深度学习
0 引言
大规模毫米波多输入多输出(MIMO, Multi-Input Multi-Output)相较于传统的MIMO技术的收发天线数较大,这带来了性能优势的同时信号检测的复杂度也随之增大。传统的检测方案中,性能最优的最大似然(ML, Maximum Likelihood)信号检测方法计算复杂度极高,随着传送天线数以及调制维度的增加,该算法的复杂度呈指数增加。复杂度低的一些线性检测算法如最小均方误差(MMSE, Minimum Mean Squared Error)检测算法,受复杂信道环境、信道估计误差及大量非线性因素影响,性能往往比ML差3 dB以上[1]。
深度学习(DL, Deep Learning)利用深度神经网络(DNN, Deep Neural Networks)已经成功地应用于通信中的各种场景[2]。深度学习以其独特的训练原理,不需要了解具体的工作机制,只需要合适的网络和足够的训练数据就能解决问题,在处理非线性问题上已经显示出巨大的潜