具体实施方式

下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。

参见图1，图1是本发明一实施例提供的一种快速MIMO信号搜索方法流程示意图，该方法包括：

S1.获取接收信号，并根据所述接收信号的信道矩阵构建决策树。

本实施例在信号接收端获取接收信号，所述接收信号具体为：

y＝H*s+w

式中，H∈C^n×m表示信道矩阵，表示待恢复真实信号，w表示系统噪声。

本实施例对信道矩阵H进行QR分解，得到：

式中，R∈C^m×m表示上三角矩阵，Q₁∈C^n×m和Q₂∈C^n×(n-m)均为正交列组成的矩阵。

本实施例通过分解得到的矩阵Q₁和Q₂对接收信号y进行正交变换，得到层数为m，每个节点分支数量为|Ω|的完美多叉决策树，其中，Ω是系统采用的调制信号符号表，|Ω|是集合的基数，在本实施例中，所述决策树的数学模型为：

式中，(·)^H为共轭转置，s^*表示待恢复真实信号的最优估计。

S2.对所述决策树逐层搜索，在每一层的搜索中，将该层树节点的节点向量输入深度神经网络，得到对应树节点的启发值。

在一个实施例中，本实施例在信号接收端设置一个深度神经网络，以通过深度神经网络计算树节点对应的启发值，如图2所示，在32*32的MIMO系统中，本实施例采用有多个全连接层与ReLU激活函数串联组成的全连接神经网络估计树节点的启发值。

本实施例通过选取的搜索算法对所述决策树逐层搜索，在每一层的搜索中，本实施例将该层树节点的节点向量输入深度神经网络，得到该树节点对应的启发值，所述节点向量包括正交变换后的接收信号x、上三角矩阵R以及当前搜索到的树节点s^k，所述深度神经网络的训练过程包括：

随机采样一个批次的样本数据，记为：

式中，表示第t个时隙采样得到的第k组样本数据，每一个批次的样本数据包含T个时隙，每个时隙包含(m-1)组样本，每组样本具体为：

式中，x_t表示t时刻的经正交变换后的接收信号；R_t表示t时刻的上三角矩阵；表示t时刻传输的真实信号，在本实施例中，也可以为根据x_t和R_t解出的最大似然估计；表示从根节点到叶子节点路径上的第k个节点，是的父节点，是的|Ω|个子节点中的第j个节点。

将中的每组样本输入深度神经网络，得到对应各个树节点的启发值，在本实施例中，该批次数据的平均损失值的计算公式为：

其中，

式中，γ表示平均损失值，θ表示神经网络参数，表示神经网络镜像参数，是的所有子节点中代价最小的节点，即：

式中，s^k+1是s^k的任意子节点。

本实施例根据平均损失值计算神经网络参数θ所对应的梯度，然后通过给定步长的随机梯度下降法对深度神经网络中的每一个可训练神经网络参数θ进行迭代，以更新此神经网络参数；同时，每间隔一定步长后，本实施例进行镜像参数的同步当达到预设的最大的迭代次数时，训练完成，退出迭代过程。

S3.将启发值输入代价模型，得到对应树节点的代价值。

在一个实施例中，本实施例通过深度神经网络得到的启发值输入代价模型，得到当前访问的树节点的代价值，在本实施例中，所述代价模型具体为：

式中，f(s^k；θ)表示代价值，h(·；θ)表示深度神经网络所表达的非线性函数，x表示正交变换后的接收信号，R表示上三角矩阵，r_i，j表示上三角矩阵中的元素，s_j表示待恢复真实信号中的元素，θ表示神经网络参数，s^k表示决策树的第k层中的一个树节点。

需要说明的是，在本实施例中，所述搜索算法的选取条件包括：通过所述代价模型计算当前访问的树节点的代价值，并根据所述代价值进行搜索具有最小代价值的搜索算法；比如：深度优先、深度优先分支界定、球形解码、最优优先、A*、simplified memory-bounded A*(SMA*)等最短路径搜索算法，为了便于理解，本实施例提供了采用A*算法、SMA*算法作为最短路径搜索算法时的搜索流程伪代码，在一个实施例中，本发明实施例提供的采用A*算法作为最短路径搜索算法进行搜索的流程伪代码为：

在一个实施例中，本发明实施例提供的采用SMA*算法作为最短路径搜索算法进行搜索的流程伪代码具体为：

S4.根据所述代价值进行搜索，并将最后一层代价值最小的树节点作为待恢复真实信号的检测结果。

在一个实施例中，最短路径搜索算法根据所述代价值进行搜索，当所述最短路径搜索算法访问到当前树节点s^k为最下层节点时，即k＝m时，将此树节点s^k作为待恢复真实信号s的检测结果输出。

在另一实施例中，本实施例在Python仿真环境下，通过计算机仿真所述接收信号的误比特率(BER)，在仿真实验中，最短路径搜索算法采用的是SMA*算法，采用的神经网络为上述训练好的深度神经网络。

在本实施例中，所述MIMO系统的发射端和接收端天线数量均为32根，MIMO系统采用QAM调制；另外，为了对比搜索算法的复杂系数，本实施例将搜索复杂度系数定义为每个维度下的平均访问节点数量，即最低搜索复杂度系数为1，本实施例在训练神经网络时，采用的训练样本包含2000万个时隙的数据包，经过至少200代训练或趋于收敛后停止训练；由于信道与噪声的随机性，在信号检测仿真时，本实施例模拟检测了2，000，000个数据包，即独立运行了288，000，000次检测循环并对结果取平均，对于每一次循环，采用如下步骤：

1)随机生成接收信号y＝H*s+w；

2)对接收信号进行QR分解，以建立决策树；

3)通过上述方法确定每个访问节点的代价值，并利用SMA*算法搜索在此代价下的从根节点出发到叶节点的最短路径作为最终的检测结果。

在图3中，HATS、MMSE、AMP、LISA、MLE分别为本实施例提供的搜索方法、最小均方误差算法、消息传递算法、深度学习搜索算法、最大似然估计的BER比较仿真曲线，根据图3的对比可知，本实施例提供的搜索方法HATS通过有效地利用深度神经网络，能准确估计每个节点的启发值，使得最终的BER性能能够几乎达到最优的MLE性能。

图4为本实施例提供的搜索方法HATS与SMA*算法在不同信噪比强度下的算法复杂度系数与内存大小的比较仿真曲线，其中，U为线性空间复杂度，U²为多项式空间复杂度，∞为不限制内存大小，根据图4的曲线对比可知，在不同的信噪比和内存限制条件下，虽然本实施例提供的搜索方法HATS的复杂系数在一定范围内高于深度学习搜索算法(LISA)，但是，由图4可知，HATS的复杂系数均明显优于SMA*算法以及信号检测(DLSD)，进一步验证了本实施例提供的搜索方法HATS的有效性。

图5为本实施例提供的搜索方法HATS与SMA*算法在不同系统规模下的算法复杂度系数与内存大小的比较仿真曲线，根据图5的曲线对比可知，在不同的系统规模和内存限制条件下，本实施例提供的搜索方法HATS的复杂系数均明显优于其它方案，进一步验证了本实施例提供的搜索方法HATS的有效性。

本实施例通过深度学习学习树节点的启发值，同时将深度学习和最短路径搜索算法相结合，不仅提高了最短路径搜索算法的效率，缩短了检测时间，而且使得最终的检测结果足够逼近最优解；本实施例提供的MIMO搜索方法，不仅能够保持最短路径搜索算法的检测性能几乎不下降，而且能够有效降低其在大规模MIMO系统下的平均复杂度。

需要说明的是，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在一个实施例中，如图6所示，提供了一种快速MIMO信号搜索系统，所述系统包括：

信号接收模块101，用于获取接收信号，并根据所述接收信号的信道矩阵构建决策树；

信号检测模块102，用于对所述决策树逐层进行搜索，在每一层的搜索中，将该层树节点的节点向量输入深度神经网络，得到对应树节点的启发值；

信号搜索模块103，用于将启发值输入代价模型，得到对应树节点的代价值；

信号输出模块104，用于根据所述代价值进行搜索，并将最后一层代价值最小的树节点作为待恢复真实信号的检测结果。

在一个实施例中，该系统还包括：

仿真输出模块，用于在仿真平台上，根据所述代价值进行搜索，并将从根节点出发到叶子节点的最短路径作为检测结果。

关于一种快速MIMO信号搜索系统的具体限定可以参见上述对于一种快速MIMO信号搜索方法的限定，此处不再赘述。本领域普通技术人员可以意识到，结合本申请所公开的实施例描述的各个模块和步骤，能够以硬件、软件或者两者结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本实施例提供的系统通过信号检测模块和信号搜索模块实现了在保持最短路径搜索算法的检测性能几乎不下降的同时，有效地降低其在大规模MIMO系统下的平均复杂度，进一步提高了检测性能；同时，本实施例在低复杂度算法下实现了低误比特率的检测性能，具有较强的适应性。

图7是本发明实施例提供的一种计算机设备，包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并可以将存储的数据传输给处理器，处理器可以执行存储器存储的程序指令，以执行上述方法的步骤。

其中，存储器可以包括易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者；处理器可以是中央处理器、微处理器、特定应用集成电路、可编程逻辑器件或其组合。通过示例性但不是限制性说明，上述可编程逻辑器件可以是复杂可编程逻辑器件、现场可编程逻辑门阵列、通用阵列逻辑或其任意组合。

另外，存储器可以是物理上独立的单元，也可以与处理器集成在一起。

本领域普通技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有相同的部件布置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。

本发明实施例提供的一种快速MIMO信号搜索方法、系统、设备及存储介质，其一种快速MIMO信号搜索方法通过深度神经网络学习树节点的启发值，从而加速了最短路径的搜索过程，提高了系统的检测性能，本实施例提供的方法在保证最短路径搜索算法的检测性能几乎不下降的同时，有效降低了其在大规模MIMO系统下的平均复杂度，显著改善了检测性能，从而使其能够很好地适应大规模MIMO的场景。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如SSD)等。

本领域技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。

以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。