一种具有干扰识别功能的基于神经网络的自适应MIMO接收机

对于多输入多输出(MIMO)系统，对数据量增长的需求促使科研者提出可以减少解码计算量并且保证接收准确性的新型技术。本文研究了基于机器学习的应用以提出一种自适应的干扰感知接收机。对于典型的接收机，干扰抑制合并(IRC)因其可以抑制干扰而能提供更好的性能，但其复杂度要高于最大比合并(MRC)。考虑到性能和计算复杂度的折中，本文提出了一种基于神经网络的自适应接收机，其可以根据信道状态在MRC和IRC间自适应切换。在本文提出的接收机中，从干扰相关矩阵中提取的特征及通过性能分析计算相应的标签用于训练神经网络。该接收机可以自动识别干扰等级并且选择合适的接收机。仿真表明本文提出的接收机可以实现更高的分类准确性，更低的计算复杂度及同IRC相近的性能。

对于无线通信系统，高速率和低失真已经成为基本的要求。

多输入多输出(MIMO)系统可以提升系统容量并且正交频分复用(OFDM)技术可以抵抗多径衰落，因此MIMO-OFDM 的结合已经得到广泛的应用[1] [2]。

在实际的MIMO-OFDM 系统中，由于存在衰落，干扰及噪声使得接收端收到的信号受到很大影响。

因此采取有效的信道均衡技术来抑制干扰并提升MIMO-OFDM 系统性能是很有必要的。

非线性接收机可以提供优秀的性能但其计算复杂度过大将增加接收机所需功率损耗及处理时间。相比于非线性接收机， 线性接收机可以提供较好的性能并且其复杂度较低。一些典型的线性接收机如最大比合并(MRC) [3] [4]和干扰抑制合并(IRC) [5] [6]得到较广泛的应用。IRC 因其可以抑制干扰可以提供更好的性能，因此更适用于干扰较大的场景。同IRC 相比，MRC 更容易实施且计算复杂度较低，但其不能有效抑制干扰，因此更适用于干扰较小的场景。

尤其在5G 场景下，干扰热噪声等级(Interference over Thermal noise, IoT)由于波束赋形而变化很快， 因此如何在信道条件不同且多变的条件下选择合适的接收机是一个急需解决的问题。A. M. Kuzminskiy提出了一种基于期望似然准则的硬切换方法，但其复杂度过大并且性能有限，尤其是在天线数目较大的情况[7]。[8]中提供一种自适应干扰意识接收机，但其门限值难以确定且自适应能力较差。近些年，随着机器学习的快速发展，其与传统通信的结合为许多问题带来了更好的解决方案[9] [10]。

基于上述本文提出了一种基于神经网络的自适应干扰感知接收机。

考虑到性能和计算复杂度的折中， 该接收机可以随着信道条件变化在MRC 和IRC 间自动地切换。我们提出了三种特征提取方法从干扰相关矩阵中提取所需特征。基于样本传输数据的训练，分类特性可以被神经网络学习并且应用于干扰识别以及接收机判决。此外，子载波组内信道相似性的应用可以进一步减小计算复杂度。仿真结果表明本文提出的自适应干扰感知接收机可以实现接收机分类高准确性，低复杂度及同IRC 相似的性能。