本發明涉及信號檢測，尤其涉及一種基于深度學習的廣度優先樹搜索信號檢測方法及系統。

背景技術：

1、多輸入多輸出(mimo)技術是實現信道容量和頻譜效率提升的核心技術，同時也是現有無線移動通信的關鍵技術。收發端配備多根天線，增加了信號處理的難度，信號檢測也成了mimo系統中亟待解決的重要問題，信號檢測正確與否直接決定通信質量的好壞。

2、傳統的信號檢測方法主要分為線性檢測器和非線性檢測器兩大類。傳統線性檢測器主要包括迫零(zf)檢測和最小均方誤差(lmmse)檢測等，其檢測復雜度較低，但其檢測性能較差；非線性檢測包括最大似然(ml)檢測等方法，其檢測精度高，但其復雜度也很高，尤其是ml檢測算法，雖然具有最優的檢測性能，是檢測算法的性能下界，但其采用暴力搜索的方式，其復雜度隨著天線數目、調制方式等的增加呈指數增長。因此，研究者們致力于尋求一種檢測器，能提供與ml相似的檢測性能，并能大大降低ml的檢測復雜度，由于球形譯碼方法(sd)能滿足上述兩種條件，受到了研究者的廣泛研究。

3、傳統sd方法主要由兩種搜索方式，即深度優先和廣度優先樹搜索方法。深度優先樹搜索過程，其搜索方向有兩種，從上至下和從下至上。其方法為從根節點出發，每層只搜索一個節點，搜索完該節點后，利用給定的初始半徑等信息計算下層可搜索的節點范圍，并在該范圍內繼續搜索該節點的一個子節點，直到搜索至最后一層，則返回上層可搜索的節點，依此方法，直到回到根節點。由于每一層的搜索范圍是根據上一層的搜索結果確定的，其搜索范圍是動態可變的，因此，深度優先樹搜索方法的復雜性是波動的。盡管深度優先方法在低噪聲場景下能在保證優良的檢測性能條件下具有較低的復雜度，然而在大規模mimo和高階調制場景下，該方法往往因其復雜度過高難以滿足需求。廣度優先樹搜索過程，其搜索方向只有一個，即從上至下搜索。與深度優先策略相比，廣度優先策略具有相似的性能，但由于廣度優先方法可同時存儲多個節點的信息，并且多個節點并行搜索，因此其搜索效率更高。

4、近年來，深度學習(dl)在計算機視覺，自動語音識別和無線通信等多個領域獲得廣泛應用。dl的主要優勢在于出色的學習能力外、優異的泛化特性和較低的計算復雜度。因此，利用dl實現在保證sd算法的檢測精度條件下，降低廣度優先樹搜索算法的復雜度是一個極具價值的方向點。

技術實現思路

1、本發明提供一種基于深度學習的廣度優先樹搜索信號檢測方法及系統，用以解決現有信號檢測復雜度高、檢測性能差的問題。

2、本發明提供一種基于深度學習的廣度優先樹搜索信號檢測方法，包括：

3、通過天線陣列獲取帶噪聲的接收數據，通過發送端發送調制信號，通過接收端和無線信道分別獲取發送信號、接收信號和信道矩陣；

4、對所述信道矩陣進行正交三角分解，將多輸入多輸出檢測模型進行優化變形，得到等同的信道矩陣和接收信號，拼接后組成特征矩陣；

5、將所述特征矩陣輸入至預訓練的神經網絡，通過預訓練收斂后的神經網絡輸出發送信號的初始檢測結果；

6、根據所述初始檢測結果獲取廣度優先樹搜索算法每層的搜索門限值，基于所述搜索門限值執行樹搜索過程，得到發送信號的最終檢測結果。

7、根據本發明提供的一種基于深度學習的廣度優先樹搜索信號檢測方法，所述通過天線陣列獲取帶噪聲的接收數據，通過發送端發送調制信號，通過接收端和無線信道分別獲取發送信號、接收信號和信道矩陣，具體包括：

8、通過對天線陣列獲取的信道矩陣每列的范數值從小到大進行排序；

9、根據排序索引對發送端發送的信號進行排序，確定信號的檢測順序。

10、根據本發明提供的一種基于深度學習的廣度優先樹搜索信號檢測方法，所述對所述信道矩陣進行正交三角分解，將多輸入多輸出檢測模型進行優化變形，得到等同的信道矩陣和接收信號，拼接后組成特征矩陣，具體包括：

11、對信道矩陣進行正交三角分解，基于正交三角分解結果對多輸入多輸出檢測模型進行優化變形；

12、將等同接收信號和正交三角分解后的上三角矩陣組成特征矩陣。

13、根據本發明提供的一種基于深度學習的廣度優先樹搜索信號檢測方法，所述神經網絡構建方法為：

14、所述神經網絡包括多個深度神經網絡塊，每個發送信號利用一個深度神經網絡塊檢測，通過多個深度神經網絡塊進行疊加獲取所有發送信號的檢測概率；

15、每個深度神經網絡塊包括五層神經網絡層，輸入層和隱藏層的神經元數目為256，采用的激活函數為leaky?relu函數，輸出層具有與調制階數相同的神經元數目，并采用softmax函數作為激活函數；

16、相鄰深度神經網絡塊之間進行連接，上層的深度神經網絡塊每層神經網絡的輸出作為下一個深度神經網絡塊下一層的輸入，從而構建神經網絡。

17、根據本發明提供的一種基于深度學習的廣度優先樹搜索信號檢測方法，將所述特征矩陣輸入至預訓練的神經網絡，通過預訓練收斂后的神經網絡輸出發送信號的初始檢測結果，具體包括：

18、將所述特征矩陣輸入至預訓練的神經網絡，輸出每個發送信號的軟判決概率；

19、根據每個發送信號對應深度神經網絡塊的輸出獲取所有發送信號的檢測概率，概率最大的類別即為發送信息的初始檢測結果。

20、根據本發明提供的一種基于深度學習的廣度優先樹搜索信號檢測方法，根據所述初始檢測結果獲取廣度優先樹搜索算法每層的搜索門限值，基于所述搜索門限值執行樹搜索過程，得到發送信號的最終檢測結果，具體包括：

21、基于獲取的初始檢測結果，計算獲得的每層累加距離，獲取樹搜索每層的搜索門限值；

22、累加距離大于門限值的節點被剪除，小于等于門限值的節點被保留，獲取候選節點；

23、在下一層的搜索中，擴展所有候選節點的子節點，根據子節點計算的累加距離及當前層搜索門限，獲取當前層的候選節點集合；

24、當搜索至最后一層，具有最小累加距離的節點即為最優節點，從根節點至最優節點的路徑經過的所有節點即為最終的檢測結果。

25、本發明還提供一種基于深度學習的廣度優先樹搜索信號檢測系統，所述系統包括：

26、信號接收模塊，用于通過天線陣列獲取帶噪聲的接收數據，通過發送端發送調制信號，通過接收端和無線信道分別獲取發送信號、接收信號和信道矩陣；

27、特征矩陣生成模塊，用于對所述信道矩陣進行正交三角分解，將多輸入多輸出檢測模型進行優化變形，得到等同的信道矩陣和接收信號，拼接后組成特征矩陣；

28、初始檢測模塊，用于將所述特征矩陣輸入至預訓練的神經網絡，通過預訓練收斂后的神經網絡輸出發送信號的初始檢測結果；

29、最終檢測模塊，用于根據所述初始檢測結果獲取廣度優先樹搜索算法每層的搜索門限值，基于所述搜索門限值執行樹搜索過程，得到發送信號的最終檢測結果。

30、本發明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上述任一種所述基于深度學習的廣度優先樹搜索信號檢測方法。

31、本發明還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上述任一種所述基于深度學習的廣度優先樹搜索信號檢測方法。

32、本發明還提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現如上述任一種所述基于深度學習的廣度優先樹搜索信號檢測方法。

33、本發明提供的一種基于深度學習的廣度優先樹搜索信號檢測方法及系統，通過基于深度學習的廣度優先樹搜索信號檢測技術，利用排序策略，對檢測系統模型進行優化，將接收信號和上三角矩陣作為網絡的輸入，發送信號的真實值作為網絡訓練的標簽，通過訓練使得網絡參數收斂和損失函數值最小化。訓練好的網絡輔助廣度優先樹搜索過程，能夠實現接近傳統球形譯碼算法的檢測精度，并能降低其檢測復雜度。