基于深度神经网络的MIMO软判决信号检测联合训练

根据上一节所描述的，系统进行信号检测时，接收端天线接收到的信号经过分接单元后，分别通过信道估计模块和数据接收信号模块得到实时的信道状态信息以及数据信号，将其输入优化的神经网络进行计算，可直接获取发送端发送的信息符号。基于深度学习的MIMO检测，避免了高维矩阵求逆和循环迭代的过程，从而降低了复杂度，将信道状态信息输入神经网络，可以适应时变信道。然而，系统通常采用信道编码来提高误码性能，信道译码时，需要信号检测提供每个发送比特的软判决结果。神经网络采用硬判决技术直接输出数据信息，会使误码性能下降。因此，本节提出一种基于深度神经网络的MIMO软判决信号检测方案。

为了实现神经网络的软判决输出，训练时，神经网络的任意一个隐藏层的激活函数都用Relu函数，而输出层用Sigmoid函数作为激活函数。优化后的神经网络用于进行MIMO信号检测时，将Sigmoid激活函数丢弃，Sigmoid函数输入值的相反数可直接作为软输出LLR，避免了计算LLR值的过程，同时达到了软判决输出的效果，最终提高检测性能。该方法实现软判决输出的证明如下。(www.xing528.com)

由式（8-7）可知，神经网络输出层各个神经元的软判决LLR值为实际输出值yi的相反数。该方法避免了传统计算似然比LLR值的复杂度问题。此外，实验结果显示，神经网络的性能也有所提升。