【摘要】：然而，由于其深度学习算法具有较高的复杂性，解耦信道估计和符号检测仍然是实际通信系统中广泛采用的方法。对于时不变信道和随机变量已知的信道场景，提出了基于最大似然检测算法和投影梯度下降法，得到了适用于二进制数据检测的Det Net网络结构。研究表明，Det Net网络的信号检测精度可以达到传统算法SDR的精度，并且检测速度达到SDR的30倍。
随着深度学习理论的广泛运用，有学者利用深度学习理论以一种端到端的方式解决联合信道估计和符号检测问题，提出基于深度学习的信道状态信息估计，直接恢复出传输的符号信息，在训练导频较少、没有循环前缀、非线性限幅噪声存在的情况下，具有更好的检测性能和系统稳健性。该方法是将深度神经网络作为“黑匣子”，基于大量的训练集学习输入值与输出值之间的内在关系，从而有效应用于信号检测中。然而，由于其深度学习算法具有较高的复杂性，解耦信道估计和符号检测仍然是实际通信系统中广泛采用的方法。目前，研究者将一些传统方法以展开的思想构建神经网络框架，从而进一步提升信号检测的性能。对于时不变信道和随机变量已知的信道场景，提出了基于最大似然检测算法和投影梯度下降法，得到了适用于二进制数据检测的Det Net网络结构。研究表明，Det Net网络的信号检测精度可以达到传统算法SDR的精度，并且检测速度达到SDR的30倍。另外，基于正交近似消息传递（Orthogonal Approximate Message Passing，OAMP）算法搭建神经网络框架，基于置信传播（Belief Propagation，BP）算法为底层图搭建神经网络结构，这些网络都是通过优化一些参数从而达到可以处理时变信道的效果。研究结果表明，在独立的瑞利和相关的MIMO信道下，神经网络的性能明显优于传统算法本身。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
