一种基于图神经网络的联合信道估计和符号检测方法

本发明属于无线通信领域，涉及一种基于图神经网络(graph neural network，gnn)的联合信道估计和符号检测方法，适用于块衰落信道下的多输入多输出(multiple-input and multiple-output,mimo)通信接收机设计。

背景技术：

1、随着科技的不断发展和应用场景的不断拓展，对高速率高性能通信的需求急剧攀升。大规模mimo技术由于具有高频谱效率和低延迟等特点，受到越来越多的关注，成为即将到来的第六代(sixth generation，6g)通信技术的关键技术。然而，mimo通信接收机性能在很大程度上取决于信道状态信息(channel state information，csi)估计的准确性，其中需要在接收端准确估计大量的信道系数。通常情况下，额外的导频符号传输被用于获取csi，但这又降低了能效和有效信息传输速率。

2、为了应对这一挑战，联合信道估计和数据检测(joint channel estimation anddata detection，jcd)方法被提出用于在较少牺牲能量效率和有效信息传输速率的情况下，实现与传统方法相当的信道估计性能。特别地，近似消息传递(approximate messagepassing，amp)及其衍生算法由于出色的性能和较低的复杂度，可被用于mimo通信系统中jcd接收机的统一框架设计。

3、然而，由于在迭代过程中的近似所造成的误差，基于amp类算法的jcd接收机性能在实际mimo系统中往往受到很大影响。因此，实现精确的符号接收仍然是十分困难的。而图神经网络具有出色的泛化能力和可解释性，能够通过图上特征提取的方式有效挖掘符号间相关信息，实现amp类算法中近似所造成相关性损失的补偿。

技术实现思路

1、为了解决上述问题，本公开利用在双线性广义近似消息传递(bilineargeneralized approximate message passing，big-amp)框架中信道和数据符号之间的条件相关性，提出了一个由图神经网络辅助的big-amp联合信道估计和数据检测接收机。该接收机将gnn模块集成到数据检测循环中，以弥补big-amp中边缘似然分布的近似误差。通过这种集成，接收机能够更有效地处理信道估计和数据检测之间的内在相关性，提高整体的信号处理精度和效率。

2、根据本发明的一方面，提供一种基于图神经网络的联合信道估计和符号检测方法，所述方法包括：多输入多输出(mimo)上行通信建模与初始化；使用双线性广义近似消息传递(big-amp)算法实现信道和符号的双线性推理；扩展特征提取；以及图神经网络(gnn)内循环补偿。

3、多输入多输出上行通信建模与初始化的步骤包括：

4、针对多输入多输出块衰落上行通信场景，构建接收信号模型并定义线性混合其中为块衰落等效信道矩阵，其中元素满足零均值、方差为的高斯分布，为传输符号帧，其中导频已知，数据符号满足离散均匀分布，为零均值高斯白噪声矩阵，方差为σ2；以及

5、采用因子图的方法，将每一个符号和信道系数表示为变量节点，将联合后验概率密度函数分解后得到的每一个因式表示为因式节点，并将有对应关系的变量节点与因式节点连接成边，从而形成联合信道估计和数据检测问题的因子图。

6、在使用双线性广义近似消息传递算法实现信道和符号的双线性推理的步骤包括：

7、使用真实值、零方差对因子图上的导频节点消息进行初始化，使用均值为0、方差为1，对因子图上的数据节点消息进行初始化，使用均值为基于导频信息的线性最小均方误差估计信道估计、方差为1，对因子图上的信道系数节点消息进行初始化；以及

8、对接收信号模型使用双线性广义近似消息传递算法实现因子图上的消息更新。

9、在初始化后的因子图上，执行以下步骤实现双线性推理：

10、依据初始化或上一轮迭代中变量节点的消息，计算线性混合的plug-in估计的消息，即定义和分别为第l次迭代时线性混合的plug-in估计和对应的方差，和分别为第l-1次迭代时信道系数和符号的后验估计及对应方差；

11、依据上述plug-in估计结果，计算本轮迭代中的昂萨格矫正后的消息，⊙表示矩阵点乘操作，z(l)，v(l)分别表示第l次迭代时昂萨格矫正后的的估计和对应的方差，上一轮迭代的高斯残差项，

12、依据昂萨格矫正的结果，计算本轮迭代中的后验估计的消息，分别表示第l次迭代时的后验估计和对应的方差，i为与v(l)维度相同的单位矩阵，为噪声方差；

13、依据线性混合后验估计更新结果，计算本轮迭代中高斯残差项的消息，分别表示第l次迭代时高斯残差项和对应的方差，(·)*表示求共轭矩阵操作；

14、分别计算给定估计下的似然分布的消息，和给定估计下的似然分布的消息，即与分别表示第l次迭代时似然分布的均值和方差，分别表示第l次迭代时似然分布的均值和方差，(·)t表示转置操作，(·)h表示共轭转置操作；以及

15、依据贝叶斯定理，计算信道估计的后验均值为方差为

16、扩展特征提取的步骤包括：

17、基于成对马尔可夫随机场，利用信道和接收信号计算实数域下t时刻传输数据节点i的列耦合特征，点特征为边特征为其中，yd,t是的实数值矩阵yd的第t列，和是的实数值矩阵的第i列和第j列，是数据传输阶段的接收信号矩阵；以及

18、基于以上列耦合特征，计算对应方差特征其中表示对应实数域方差矩阵的第i列，扩展点特征为扩展边特征为

19、图神经网络内循环补偿的步骤包括：

20、①利用一层多层感知器将点特征向量编码为图上点特征，作为初始化，即其中w1，b1为这层mlp的可学习参数；接着迭代执行以下步骤实现图神经网络内消息传递：

21、a.计算图神经网络传播阶段消息，定义第k次图神经网络内迭代时传播消息为其中为以relu为激活函数的mlp结构，分别代表第t个时间戳下第i个和第j个用户发送符号对应的图上点特征，代表第t个时间戳下第i个和第j个用户发送符号图上相连的扩展边特征，

22、b.依据图神经网络图上消息传播结果，在聚合阶段利用给定估计下的似然分布的消息，更新图上节点特征，即其中代表门控循环单元(gru),为第l次外迭代实数域符号xit似然分布的均值和方差，j∈ne(i)代表节点j属于节点i周围的节点集合，表示对节点i周围所有节点传向节点i的消息进行求和；

23、②步骤①中迭代过程达到图神经网络内循环最大迭代次数k后停止，利用一个读出头结合softmax激活函数，实现对改进的符号边际似然分布的读出，即其中，θ为符号实数域星座点集合，git(·)表示实数域符号xit对应的读出头输出，表示gnn读出操作，是gnn改善的边缘似然函数，exp(·)是取指数操作，是在对exp(git(sq))这一函数对sq∈θ集合中所有取值进行求和，并利用概率更新符号检测后验估计结果，即其中，为第l次外循环迭代时基于贝叶斯定理得到的图神经网络改善的后验分布，表示依分布作数学期望操作，分别表示实数域数据符号xd,it在图神经网络输出的后验分布下的均值和方差；以及

24、③判断外循环迭代，是否达到最大迭代次数l，如果否，使用双线性广义近似消息传递算法实现因子图上的消息更新，开始执行下次迭代；如果是，通过星座点上的硬判决输出符号检测结果。

25、根据本发明的另一方面，提供一种在计算机存储介质上编码的计算机程序产品，包括指令，当指令由一个或多个计算机执行时，将使一个或多个计算机执行上述方法。

26、本发明在块衰落mimo上行通信场景下，提出了一种基于big-amp信道后验估计生成gnn边点特征的方法。该方法挖掘了接收机迭代过程中信道数据符号之间的相关性，解决了csi信息缺失的条件下的gnn特征提取问题，使gnn接收补偿方法具有了更强的适用性与实用性。

27、本发明提出了一种基于不确定度的扩展特征提取方法，通过利用big-amp迭代过程中的方差信息，来衡量jcd问题的不确定性，避免了传统gnn对估计特征使用相似置信度带来的信息损失，有效提升了接收机符号检测精度。

28、这种gnn辅助big-amp算法为首创，而且是首次将这种gnn辅助jcd接收机设计领域。