面向智能反射面辅助通信的深度学习信号检测

?《移动通信》2022年第4期目录

01

《移动通信》2022年第4期

专题“面向6G的智能感知与信息处理”

面向智能反射面辅助通信的深度学习信号检测*

霍浩淼1，许威1,2，陈栋3

【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

doi:10.3969/j.issn.1006-1010.2022.04.001

中图分类号：TN929.5 文献标志码：A

文章编号：1006-1010(2022)04-0002-05

引用格式：霍浩淼,许威,陈栋. 面向智能反射面辅助通信的深度学习信号检测[J]. 移动通信, 2022,46(4): 02-06.

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力。文献[3]提出了一种被采用较多的检测网络（DetNet, Detection Network），它的结构可以看作是一个展开的递归神经网络，性能优于一般的线性检测算法，但DetNet网络设计中的辅助输入输出结构增加了检测的复杂度。

智能反射面（IRS, Intelligent Reflecting Surface）是一种面向后5G的新型通信方法 [4] 。它是由大量可重构无源元件组成的平面阵列，通过智能控制器，每个元件都能够独立地在入射信号上产生一定大小的相移，改变反射信号的传播。IRS通过将来自发射端的信号反射到接收端来协助通信，因为引入了智能反射面，IRS辅助通信的检测问题参数维度更大，复杂度也更高。

考虑到IRS辅助通信系统中应用DL进行信号检测的潜力，本文根据IRS信道特点和梯度下降更新思想，设计了一种应用于IRS辅助通信的低复杂度深度检测网络，并给出了智能反射面辅助通信深度检测网络的仿真结果，最后对复杂度和误码率性能进行了对比。

1 系统模型

图1为基站和终端借助智能反射面进行辅助通信的系统，IRS通过将来自基站S的信号反射到终端D协助通信。其中，基站S天线数为M，终端D天线数为N，IRS由K个被动的反射元件组成，这些元件可以使用面向通信的软件进行控制并重新配置。

终端接收到的信号为：

其中，表示IRS可调相位角的对角矩阵，θ n 表示第n个反射元件的实际相位调整， x为发射信号，y为接收信号，基站到IRS信道矩阵记为H1 ，IRS到终端信道矩阵记为 H2 ，基站到终端信道矩阵记为 H0 ，三段信道均可由信道估计得到， n为噪声。

2 智能反射面辅助通信深度检测网络

2.1 最大似然检测算法

ML检测算法是性能最优的信号检测算法，其判决准则为选择使得信道转移概率最大的向量作为发射符号向量的估计值，即令，在所有可能的发射集合中找出满足的发送集合。其中，表示所有发射符号向量的集合。

MIMO信道的信道转移概率是一个多维高斯分布，求得最大似然检测的解为：

2.2 梯度下降思想迭代检测算法

采用深度学习解决信号检测问题，可以描述为设计恰当的检测网络结构，训练适合的网络参数，使得检测网络的输出与实际传输信号的损失函数最小，以代替ML等传统检测器的作用。因此，智能反射面辅助通信检测问题就转化为了求解下述优化问题：

其中，W表示网络权重，b表示网络偏置，表示检测网络输出的发射信号，表示网络损失函数。

在IRS-MIMO检测问题中采用梯度下降算法更新x的近似值为：

对于一次梯度下降迭代更新过程，信道矩阵通过信道估计得到，式子右边的部分均为已知量，根据梯度下降更新算法的思想进行检测网络的结构设计。

2.3 智能反射面辅助通信深度学习检测网络结构设计

根据式(5)，本文提出了一种智能反射面辅助通信深度学习检测网络，将式中的已知量作为网络设计的参数，根据展开式设计网络的输入输出形式。网络结构如图2所示，由L个结构相似的单元级联组成，每个检测网络单元的输入为、和，输出为

，其中每个单元的输出作为下一个单元的输入，也可以作为整个网络的输出。随着网络单元数的增加，检测网络的输出更接近于发送信号。

每个单元由三层全连接层和一个短路直连结构组成：第一层为3M*1的输入层，对应式(5)中的输入参数，M表示基站发射天线数，串联连接所有输入向量，并转换成一维向量，然后输出通过一个具有大量节点的全连接网络，采用sigmod函数作为激活函数，输出和一个关于的短路直连一起作为下一层的输入。通过引入短路直连结构，可以强化部分输入的作用，充分挖掘复杂信道的非线性关系。第二层为4M*1的隐藏层，采用tanh函数作为激活函数。第三层为M*1的输出层，每个单元的输出均可以作为下一个单元的输入或整个网络的输出。

每个网络单元在检测网络中具有不同的重要性，研究证明靠前的网络单元在网络中的作用大于靠后的单元，因此本文在检测网络中引入权重缩放向量系数，将单调的非递增系数应用于单元权重系数，按照重要性递减方式选择单元权重，忽略不重要的网络单元，降低了训练检测器的计算复杂度。网络选取的权重缩放向量系数为半指数函数：

为了降低网络训练过程的复杂度，设计了不包含矩阵求逆过程的网络损失函数为：

其中，表示网络第n个单元的输出。

根据设计的智能反射面辅助通信深度检测网络，本文提出的智能反射面辅助通信深度学习信号检测算法如下：

步骤：

（1）根据信道估计获得矩阵数据，组合 y、H0 、H1 、H2 和 φ ，获得输入向量；

（2）训练数据输入检测网络，计算损失函数；

（3）采用Adam优化算法和端到端学习方式，优化深度检测网络的参数，使得损失函数最小；

（4）重复步骤（2）、（3）直到收敛；

（5）输出估计向量，保存网络参数。

3 仿真结果与复杂度分析

为了验证提出的检测网络的有效性，本节仿真了智能反射面辅助通信系统深度学习检测网络的误码率性能曲线，并与经典检测算法的性能进行比较。仿真的系统模型调制方式为QPSK，基站天线数M为8，终端天线数N为2，深度检测网络单元数为90，系统样本数为10 000，其中80%用于训练集、10%用于测试集、10%用于验证集，网络采用变化的学习率，初始学习率为0.001，衰变因子和衰变步长分别为0.97、1 000。

图3、图4和图5展示了具有不同大小的IRS阵列的通信系统在7～15 dB信噪比（SNR, Signal-to-Noise Ratios）下的误码率性能曲线。

图3展示了IRS单元数K=16时的误码率性能曲线。可以看出，智能反射面辅助通信深度学习检测网络具有远优于MMSE等线性检测算法的误码率性能。在SNR为11 dB时，智能反射面辅助通信深度学习检测网络相较于MMSE检测方法有接近2 dB的性能增益，与ML最优检测算法的差距在0.8 dB左右。

图4展示了IRS单元数K=36时的误码率性能曲线。可以看出，智能反射面辅助通信深度学习检测网络仍然具有优越的误码率性能。在SNR为11 dB时，智能反射面辅助通信深度学习检测网络相较于MMSE检测方法有接近2.2 dB的性能增益，与ML最优检测算法的差距在0.6 dB左右。

图5展示了IRS单元数K=64时的误码率性能曲线。可以看出，在配备更大IRS阵列的通信系统中，智能反射面辅助通信深度学习检测网络仍然具有优越的误码率性能。在SNR为11 dB时，智能反射面辅助通信深度学习检测网络相较于MMSE检测方法有接近2.2 dB的性能增益。

表1对比了深度学习检测网络与一些经典检测方法的计算复杂度，其中Q表示调制阶数。智能反射面辅助通信深度学习检测网络的计算量可以用浮点运算数表示，计算为(2× 3M-1)×M×L=6M 2 L-ML ，因此深度学习检测网络的复杂度量级为O( M 2 L )。从表1中可以看出，智能反射面辅助通信深度学习检测网络具有和线性检测算法同一量级的复杂度，远低于ML最优检测算法的复杂度。

4 结束语

本文根据检测问题中梯度下降更新算法的展开式，设计了一种低复杂度的面向智能反射面辅助通信的深度学习检测网络。该网络采用多个具有相似结构的单元级联，在单元中引入短路直连结构加强部分输入的影响，并通过单元权重系数对不同单元的重要性进行调节。仿真结果表明，智能反射面辅助通信深度学习检测网络具有和线性检测算法相当的计算复杂度，远低于最大似然检测，并且具有优于MMSE等线性检测算法的误码率性能。在未来的工作中，可考虑将此检测网络推广到更大规模智能反射阵列和高阶调制方案上。

★扫描 二维码，到知网阅读下载本篇论文

★原文发表于《 移动通信》2022年第4期★

doi:10.3969/j.issn.1006-1010.2022.04.001

中图分类号：TN929.5 文献标志码：A

文章编号：1006-1010(2022)04-0002-05

引用格式：霍浩淼,许威,陈栋. 面向智能反射面辅助通信的深度学习信号检测[J]. 移动通信, 2022,46(4): 02-06.

简介

陈栋：硕士毕业于东南大学无线电工程系，现任小米科技有限责任公司专家工程师，主要从事移动通信标准化工作，专注于6G的研究。

《移动通信》投稿方式为在线投稿

请您登录网页投稿系统

链接地址：http://ydtx.cbpt.cnki.net

【2022 · 5G网络创新研讨会】征文6月截稿

【面向6G的边缘人工智能】2022年第9期专题征稿

【空天地海一体化】2022年第10期专题 征稿

【100篇】《移动通信》2021年1—6期专题论文集合

#扫码关注我们#

《移动通信》

用论文解读通信

《移动通信》杂志由中国电子科技集团公司主管，中国电子科技集团公司第七研究所主办，是中国科技核心期刊、中国期刊方阵“双效期刊”、工业和信息化部精品电子期刊、广东省优秀期刊、中国科技论文统计源刊。国内连续出版物号：CN44-1301/TN，国际连续出版物号：ISSN1006-1010，邮发代号：46-181。

来源：资讯AD知识分享