多输入多输出系统的信号检测方法、装置和计算机设备与流程

1.本发明涉及信号检测技术领域，具体而言，涉及一种多输入多输出系统的信号检测方法、装置和计算机设备。


背景技术：

2.多输入多输出(multiple input multiple output，简称mimo)系统因其高频谱效率和稳定的传输性能在无线通信中发挥着重要作用。最优的mimo检测方法，比如最大似然或最大后验算法，因其指数阶的复杂度，在mimo系统中的复杂度变得无法接受。为了平衡硬件实现复杂度与检测性能，在实际系统中一般采用次最优的检测方法，使其在满足较低复杂度的情况下，并且保持较好的性能。
3.为了在最优检测器的高性能和线性检测器的低复杂度之间实现均衡，基于消息传递(message passing，简称mp)的检测方法被提出，以可接受的硬件复杂度实现接近最优检测方法的性能，这类检测方法包括置信传播(belief propagation，简称bp)检测方法和期望传播(expectation propagation，简称ep)检测方法。在算法性能方面，ep拥有比bp更低的误码率以及更好的鲁棒性，但是ep检测方法的检测精度不高，需要尽可能提升mimo系统的检测精度。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种多输入多输出系统的信号检测方法、装置和计算机设备，以至少解决现有技术中应用于mimo系统的检测方法的检测精度不高的技术问题。
6.根据本发明实施例的一个方面，提供了一种多输入多输出系统的信号检测方法，包括：获取接收信号和信道信息，以及预先设定的高斯近似先验概率分布，其中，高斯近似先验概率分布为服从高斯分布的发送信号的近似概率分布，发送信号为多输入多输出mimo系统的发送端发送的信号，接收信号是mimo系统中的接收端接收经由mimo系统的信道传输的发送信号得到的信号，信道信息表征信道的传输特征，高斯近似先验概率分布为发送端发送的发送信号的服从高斯分布的近似概率分布；采用如下更新高斯近似先验概率分布得到更新后的高斯近似先验概率分布的方法，对高斯近似先验概率分布进行迭代更新，在第n次更新得到的第n次更新后的高斯近似先验概率分布符合预定条件的情况下，确定第n次更新后的高斯近似先验概率分布为目标先验概率分布，其中，n为大于1的整数：根据接收信号、信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布；以α散度最小化为目标，确定与联合近似后验概率分布矩匹配的高斯近似后验概率分布，其中，α散度为联合近似后验概率分布与参数可变的高斯分布之间的α散度，高斯近似后验概率分布为α散度最小化时的参数可变的高斯分布，高斯近似后验概率分布服从高斯分布；根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布；根据目标先验概率分布，对发送端发送的信号进行估计，确定发送估计信号。
7.可选地，根据接收信号、信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布，包括：根据接收信号和信道信息，通过对高斯近似先验概率分布进行矩阵求逆运算，确定高斯矩阵求逆后验概率分布，其中，高斯矩阵求逆后验概率分布服从高斯分布；根据高斯近似先验概率分布，以及高斯矩阵求逆后验概率分布，确定空腔边缘分布；根据空腔边缘分布和预先设定的离散均匀先验概率分布，确定联合近似后验概率分布，其中，离散均匀先验概率分布服从离散均匀分布。
8.可选地，根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布，包括：获取预先设定的阻尼系数；根据阻尼系数，将高斯近似先验概率分布和高斯近似后验概率分布加权平均，得到更新后的高斯近似先验概率分布。
9.可选地，根据目标先验概率分布，对发送端发送的信号进行估计，确定发送估计信号，包括：根据接收信号和信道信息，通过对目标先验概率分布进行矩阵求逆运算，确定与目标先验概率分布对应的目标后验概率分布；根据目标后验概率分布，确定发送估计信号。
10.可选地，以α散度最小化为目标，确定与联合近似后验概率分布矩匹配的高斯近似后验概率分布，包括：确定联合近似后验概率分布与参数可变的高斯分布之间的α散度；以α散度最小化为目标，确定参数可变的高斯分布包括的参数，得到高斯近似后验概率分布，其中，联合近似后验概率分布和高斯近似后验概率分布的一阶矩和二阶矩对应匹配。
11.可选地，在高斯近似先验概率分布包括幂指数η的情况下，以α散度最小化为目标，确定参数可变的高斯分布包括的参数，得到高斯近似后验概率分布，包括：将联合近似后验概率分布的包括幂指数η的表达式，带入α散度矩匹配公式中；令α散度矩匹配公式中的η＝α，得到高斯近似后验概率分布的包括幂指数η的表达式，其中，在高斯近似先验概率分布包括幂指数η的情况下，η＝α等效于α散度最小化，xk表示发送信号。
12.可选地，还包括：调节空腔边缘分布的一阶矩和/或二阶矩中包括的幂指数η的值，以使得发送估计信号与发送信号的差距在预定误差范围内，其中，空腔边缘分布的一阶矩和/或二阶矩中包括幂指数η，空腔边缘分布根据高斯近似先验概率分布以及与高斯近似先验概率分布对应的后验概率分布确定。
13.可选地，还包括：调节更新后的高斯近似先验概率分布的一阶矩和/或二阶矩中包括幂指数η的值，以使得发送估计信号与发送信号的差距在预定误差范围内，其中，更新后的高斯近似先验概率分布的一阶矩和/或二阶矩中包括幂指数η。
14.根据本发明实施例的又一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述中任意一项多输入多输出系统的信号检测方法。
15.根据本发明实施例的再一方面，还提供了一种计算机设备，计算机设备包括处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项多输入多输出系统的信号检测方法。
16.在本发明实施例中，采用以α散度最小化作为检测算法中的矩匹配的目标函数，通过获取接收信号和信道信息，以及预先设定的高斯近似先验概率分布，其中，高斯近似先验概率分布为多输入多输出mimo系统的发送端发送的发送信号的服从高斯分布的近似概率分布，接收信号是多输入多输出mimo系统中的接收端对经由mimo系统的信道传输的发送信
号，信道信息表征信道的传输特征，高斯近似先验概率分布为发送端发送的发送信号的服从高斯分布的近似概率分布；采用如下更新高斯近似先验概率分布得到更新后的高斯近似先验概率分布的方法，对高斯近似先验概率分布进行迭代更新，在第n次更新得到的第n次更新后的高斯近似先验概率分布符合预定条件的情况下，确定第n次更新后的高斯近似先验概率分布为目标先验概率分布，其中，n为大于1的整数：根据接收信号、信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布；以α散度最小化为目标，确定与联合近似后验概率分布矩匹配的高斯近似后验概率分布，其中，高斯近似后验概率分布服从高斯分布；根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布；根据目标先验概率分布，对发送端发送的信号进行估计，确定发送估计信号，达到了使得高斯近似后验概率分布与实际情况更为接近的目的，从而实现了提高mimo系统的检测方法的精确度的技术效果，进而解决了现有技术中应用于mimo系统的检测方法的检测精度不高的技术问题。
附图说明
17.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
18.图1示出了一种用于实现多输入多输出系统的信号检测方法的计算机终端的硬件结构框图；
19.图2是根据本发明实施例提供的多输入多输出系统的信号检测方法的流程示意图；
20.图3是根据本发明可选实施例提供的不同(η1,η2)配置下平均后验方差与迭代次数的关系的示意图；
21.图4是根据本发明可选实施例提供的不同(η1,η2)配置下误符号率与迭代次数的关系的示意图；
22.图5是根据本发明可选实施例提供的采用16-qam和64-qam调制方式的误码率性能对比的示意图；
23.图6是根据本发明可选实施例提供的采用256-qam调制的误码率性能对比的示意图。
具体实施方式
24.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
25.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆
盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.根据本发明实施例，提供了一种多输入多输出系统的信号检测的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
27.本技术实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现多输入多输出系统的信号检测方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图中采用102a、102b，
……
，102n来示出)处理器(处理器可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为bus总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
28.应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
29.存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的多输入多输出系统的信号检测方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的多输入多输出系统的信号检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
30.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机终端10的用户界面进行交互。
31.图2是根据本发明实施例提供的多输入多输出系统的信号检测方法的流程示意图，如图2所示，该方法包括如下步骤：
32.步骤s201，获取接收信号和信道信息，以及预先设定的高斯近似先验概率分布，其中，高斯近似先验概率分布为服从高斯分布的发送信号的近似概率分布，发送信号为多输入多输出mimo系统的发送端发送的信号，接收信号是mimo系统中的接收端接收经由mimo系统的信道传输的发送信号得到的信号，信道信息表征信道的传输特征，高斯近似先验概率分布为发送端发送的发送信号的服从高斯分布的近似概率分布。
33.本步骤中，该信道信息具体可以为信道矩阵。在mimo系统中，信号由mimo系统的发
送端发出，通过信道传输至接收端，接收端可以采用检测器对接收到的信号进行检测与计算，得到信号估计结果。mimo系统中的信号检测即为接收端的检测器根据接收端接收到的接收信号以及信道的传输特征，对发送端发出的发送信号进行估计，得到的信号估计结果越接近发送信号，说明该信号检测方法的精度越高。
34.步骤s202，采用如下更新高斯近似先验概率分布得到更新后的高斯近似先验概率分布的方法，对高斯近似先验概率分布进行迭代更新，在第n次更新得到的第n次更新后的高斯近似先验概率分布符合预定条件的情况下，确定第n次更新后的高斯近似先验概率分布为目标先验概率分布，其中，n为大于1的整数：步骤s2021，根据接收信号、信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布；步骤s2022，以α散度最小化为目标，确定与联合近似后验概率分布矩匹配的高斯近似后验概率分布，其中，α散度为联合近似后验概率分布与参数可变的高斯分布之间的α散度，高斯近似后验概率分布为α散度最小化时的参数可变的高斯分布，高斯近似后验概率分布服从高斯分布；步骤s2023，根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布。
35.在步骤s202中，对于信号检测系统来说，高斯近似先验概率分布可以是技术人员根据以往的数据分析经验，设定的较为近似发送信号的概率分布。但高斯近似先验概率分布是不准确的，可以根据本次接收到的接收信号和信道信息对高斯近似先验概率分布进行调整得到的更贴合发送信号的概率分布为更新后的高斯近似先验概率分布。需要说明的是，对高斯近似先验概率分布的更新过程可以不断地在上一次的基础上重复进行，也即对高斯近似先验概率分布进行迭代更新，当第n次更新后得到的第n次更新后的高斯近似先验概率分布符合预定条件时，可以结束迭代更新，将符合预定条件的第n次更新后的高斯近似先验概率分布确定为目标先验概率分布。预定条件可以是第n次更新后的高斯近似先验概率分布的方差与第n-1次更新后的高斯近似先验概率分布的方差小于预定阈值，也即相邻两次更新得到的分布的方差的差值小于阈值时，可以停止迭代更新；预定条件还可以是更新达到预定次数即可停止更新，在此不作限定。
36.步骤s2021中，需要说明的是，为了方便进行相关分析计算，一般设定高斯近似先验概率分布为服从高斯分布的概率分布。联合近似后验概率分布可以是考虑了本次接收到的信号后，在高斯近似先验概率分布的基础上进行计算得到的后验概率分布。
37.步骤s2022中，相比于高斯分布来说，发送信号服从的概率分布更接近于离散均匀分布，而离散均匀分布不便进行数学运算，因此，可以以联合近似后验概率分布为基础，以α散度最小化为目标，求得与联合近似后验概率分布最接近的高斯分布，也即，确定与联合近似后验概率分布矩匹配的高斯近似后验概率分布。也就是说，α散度为联合近似后验概率分布与参数可变的高斯分布之间的α散度，高斯近似后验概率分布为α散度最小化时的参数可变的高斯分布。在矩匹配过程中，待求得的高斯分布是参数可变的高斯分布，当参数可变的高斯分布与联合近似后验概率分布之间的α散度最小时，可以确定这个高斯分布与联合近似后验概率分布最接近，得到高斯近似后验概率分布。
38.步骤s2023中，可以根据高斯近似后验概率分布，对高斯近似先验概率分布进行更新，确定与实际发送信号的情况更接近的高斯近似先验概率分布。
39.本步骤中，可以重复上述更新高斯近似先验概率分布的方法，对高斯近似先验概
率分布进行迭代更新，得到符合要求的、与实际发送信号的情况非常接近的目标先验概率分布。
40.具体地，相关技术中一个具有n
t
发射天线和nr接收天线的mimo系统可以建模为：是独立同分布的高斯信道矩阵，表示方差为的独立同分布循环对称高斯白噪声，是由比特信号经过信道编码，交织，m-qam调制后得到的输入信号(即上文中提到的发送信号)，是由接收端接收到的接收信号，其中，表示复数域。
41.因为在基于贝叶斯检测算法中，一个复数信号系统通常需要转换为实数系统，因此mimo系统模型也可以写成：y＝hx+w，其中此mimo系统模型也可以写成：y＝hx+w，其中其中，xk表示第k维发送信号，假设xk满足独立离散均匀分布，则分布函数为p(xk)＝1/|ω|(ω为对应的星座图坐标范围)，其中，表示数域。
42.通过贝叶斯定理，可以根据xk的概率分布p(xk)确定与p(xk)对应的后验概率分布p(x|y)，p(x|y)可以表示为：
[0043][0044]
其中，
∝
为正比符号，表示y服从均值为hx，协方差矩阵为的多维高斯分布，表示2nr×
2nr维单位矩阵，∏为累乘符号。
[0045]
可以采用一个服从高斯分布的概率分布对p(xk)进行近似，也就是说，可以对p(xk)进行高斯逼近得到可以表示为：
[0046][0047]
其中，γk表示p(xk)的均值除以方差的结果，λk表示p(xk)的方差的倒数。
[0048]
因此，与对应的后验概率分布q(x)可以用高斯分布表示为：
[0049][0050]
本发明将一般情况下设定的先验分布估计乘以一个幂指数η作为高斯近似先验概率分布的表示方式
[0051]
因此，可以根据公式(3)，确定与高斯近似先验概率分布对应的后验概率分布q(xk)，也即上述提到的：高斯矩阵求逆后验概率分布，这个后验概率分布通过对高斯近似先验概率分布进行矩阵求逆运算后得到，均服从高斯分布。
[0052]
然后可以采用如下公式(4)，可以确定空腔边缘分布q
\kη
(xk)：
[0053][0054]
然后可以使得空腔边缘分布q
\kη
(xk)与预先设定的离散均匀先验概率分布p(xk)相乘，得到联合近似后验概率分布p(xk)q
\kη
(xk)。
[0055]
α散度矩匹配公式可以写为公式(5)：
[0056][0057]
其中，q
new
(xk)表示高斯近似后验概率分布，表示在高斯簇中选取一个高斯分布g(xk)，使得联合近似后验概率分布p(xk)q
\kη
(xk)和g(xk)之间的α散度最小，而这个分布就是q
new
(xk)，即高斯近似后验概率分布，p(xk)表示离散均匀先验概率分布。
[0058]
可以令公式(5)中η＝α，实现α散度最小化，并进行化简，可以得到kl散度矩匹配公式：
[0059][0060]
其中，表示更新后的高斯近似先验概率分布，也即由高斯近似后验概率分布对高斯近似先验概率分布更新得到的更新后的高斯近似先验概率分布，表示在高斯簇上进行kl矩匹配。将联合近似后验概率分布的表达式p(xk)q
\kη
(xk)带入公式(6)，也即，将空腔边缘分布q
\kη
(xk)和离散均匀先验概率分布p(xk)带入公式(6)，即可求出更新后的高斯近似先验概率分布的表达式。
[0061]
步骤s203，根据目标先验概率分布，对发送端发送的信号进行估计，确定发送估计信号。
[0062]
本步骤中，可以根据目标先验概率分布，对接收信号对应的发送信号进行估计。在多次迭代后已经确定了较为准确的先验概率分布，可以依据目标先验概率分布确定对应的目标后验概率分布，进而可以根据目标后验概率分布对发送信号进行估计。具体地，可以将目标后验概率分布的期望作为发送估计信号，也即，接收端估计出的与接收信号对应的发送信号。
[0063]
通过上述步骤，可以达到使得高斯近似后验概率分布与实际情况更为接近的目的，从而实现了提高mimo系统的检测方法的精确度的技术效果，进而解决了现有技术中应用于mimo系统的检测方法的检测精度不高的技术问题。
[0064]
作为一种可选的实施例，根据接收信号、信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布，可以包括：根据接收信号和信道信息，通过对高斯近似先验概率分布进行矩阵求逆运算，确定高斯矩阵求逆后验概率分布，其中，高斯矩阵求逆后验概率分布服从高斯分布；根据高斯近似先验概率分布，以及高斯矩阵求逆后验概率分布，确定空腔边缘分布；根据空腔边缘分布和预先设定的离散均匀先验概率分布，确定联合近似后验概率分布，其中，离散均匀先验概率分布服从离散均匀分布。
[0065]
可选地，在获取接收信号和信道信息之后，可以通过矩阵求逆运算，在高斯近似先验概率分布的基础上，确定考虑本次接收信号的后验概率分布，这个后验概率分布与高斯近似先验概率分布对应，均服从高斯分布。但是，实际情况中，相比于高斯分布来说，发送信号服从的概率分布更接近于离散均匀分布，为了使得估计结果更为精确，可以采用矩阵求逆方法计算出与高斯近似先验概率分布对应的后验概率分布，即高斯矩阵求逆后验概率分布，将高斯矩阵求逆后验概率分布中的高斯近似先验概率分布部分，替换为预定的服从离散均匀分布的离散均匀先验概率分布，得到高斯近似后验概率分布。也就是说，可以根据高
斯近似先验概率分布，以及高斯矩阵求逆后验概率分布，确定对应的后验概率分布中与高斯近似先验概率分布独立的空腔边缘分布，然后结合空腔边缘分布和预先设定的离散均匀先验概率分布，得到联合近似后验概率分布。
[0066]
本发明将一般情况下设定的先验分布估计乘以一个幂指数η作为高斯近似先验概率分布的表示方式
[0067]
因此，可以根据公式(3)，确定与高斯近似先验概率分布对应的后验概率分布q(xk)，也即上述提到的：高斯矩阵求逆后验概率分布，这个后验概率分布通过对高斯近似先验概率分布进行矩阵求逆运算后得到，均服从高斯分布。
[0068]
然后可以采用如下公式(4)，可以确定空腔边缘分布q
\kη
(xk)：
[0069][0070]
然后可以使得空腔边缘分布q
\kη
(xk)与预先设定的离散均匀先验概率分布p(xk)相乘，得到联合近似后验概率分布p(xk)q
\kη
(xk)。
[0071]
作为一种可选的实施例，根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布，可以包括：获取预先设定的阻尼系数；根据阻尼系数，将高斯近似先验概率分布和高斯近似后验概率分布加权平均，得到更新后的高斯近似先验概率分布。
[0072]
可选地，在采用高斯近似后验概率分布更新高斯近似先验概率分布时，可以综合考虑高斯近似先验概率分布和高斯近似后验概率分布，确定更新后的高斯近似先验概率分布。具体地，可以根据仿真情况设定阻尼系数，以阻尼系数作为高斯近似先验概率分布和高斯近似后验概率分布加权平均的权值，得到更新后的高斯近似先验概率分布。
[0073]
具体地，更新后的高斯近似先验概率分布在经过阻尼系数的更新后的结果包括：
[0074][0075][0076]
其中，表示更新后的第一近似先验分布的均值除以方差的结果，表示更新后的第一近似先验分布的方差的倒数，和可以被统称为符号xk的更新后的高斯近似先验概率分布的矩匹配参数，β表示阻尼因子，μ
pk
表示第二近似后验分布的均值，表示第二近似后验分布的方差，其中，可以将公式(7)和(8)中的η命名为η2。
[0077]
作为一种可选的实施例，根据目标先验概率分布，对发送端发送的信号进行估计，确定发送估计信号，可以包括：根据接收信号和信道信息，通过对目标先验概率分布进行矩阵求逆运算，确定与目标先验概率分布对应的目标后验概率分布；根据目标后验概率分布，确定发送估计信号。
[0078]
可选地，在多次迭代后已经确定了较为准确的先验概率分布，可以依据目标先验
概率分布确定对应的目标后验概率分布，进而可以根据目标后验概率分布对发送信号进行估计。具体地，可以将目标后验概率分布的期望作为发送估计信号，也即，接收端估计出的与接收信号对应的发送信号。
[0079]
具体地，可以根据公式(3)，确定与目标先验概率分布对应的目标后验概率分布。目标后验概率分布的方差σ和均值μ分别可以写为：
[0080][0081][0082]
其中，其中，表示发送信号对应的目标先验概率分布的方差的倒数；diag表示提取矩阵中的对角元素，其中，表示发送信号对应的目标先验概率分布的均值除以方差的结果。
[0083]
作为一种可选的实施例，以α散度最小化为目标，确定与联合近似后验概率分布矩匹配的高斯近似后验概率分布，可以包括：确定联合近似后验概率分布与参数可变的高斯分布之间的α散度；以α散度最小化为目标，确定参数可变的高斯分布包括的参数，得到高斯近似后验概率分布，其中，联合近似后验概率分布和高斯近似后验概率分布的一阶矩和二阶矩对应匹配。
[0084]
可选地，矩匹配的优化目标是寻找一个新的服从高斯分布的后验概率分布，使得这个高斯分布与上述联合近似后验概率分布的散度最小化。可以将这一优化问题简化为计算上述联合近似后验概率分布的均值和方差，使得这个新的后验高斯分布的均值方差等于上述联合近似后验概率分布的均值和方差，即得到高斯近似后验概率分布。需要说明的是，概率分布的一阶矩即该概率分布的均值，二阶矩即该概率分布的方差。
[0085]
需要说明的是，联合近似后验概率分布是存在误差的，它是通过将发送信号的先验分布近似为高斯分布才能进行逆矩阵的计算。而发送信号的真实分布更趋近于离散均匀分布，因此需要逐个信号地对联合近似后验概率分布进行优化，空腔边缘分布可以理解为将联合近似后验概率分布中的不变量提取出来，将高斯近似先验概率分布替换为离散均匀分布，并计算均值方差，就可以得到更加准确的高斯近似后验概率分布的一阶矩和二阶矩。也即，需要逐个信号地对联合近似后验概率分布进行优化，得到逐个信号的高斯近似后验概率分布。
[0086]
作为一种可选的实施例，在高斯近似先验概率分布包括幂指数η的情况下，以α散度最小化为目标，确定参数可变的高斯分布包括的参数，得到高斯近似后验概率分布，包括：将联合近似后验概率分布的包括幂指数η的表达式，带入α散度矩匹配公式中；令α散度矩匹配公式中的η＝α，得到高斯近似后验概率分布的包括幂指数η的表达式，其中，在高斯近似先验概率分布包括幂指数η的情况下，η＝α等效于α散度最小化，xk表示发送信号。
[0087]
可选地，采用α散度算法确定高斯近似后验概率分布时，需要对离散均匀先验概率分布的表示方式进行更改，相对于现有技术，本发明将一般情况下设定的先验分布估计乘以一个幂指数η作为高斯近似先验概率分布的表示方式
[0088]
α散度矩匹配公式可以写为公式(5)：
[0089][0090]
其中，q
new
(xk)表示高斯近似后验概率分布，表示在高斯簇中选取一个高斯分布g(xk)，使得联合近似后验概率分布p(xk)q
\kη
(xk)和g(xk)之间的α散度最小，而这个分布就是q
new
(xk)，即高斯近似后验概率分布，p(xk)表示离散均匀先验概率分布。
[0091]
可以令公式(5)中η＝α，实现α散度最小化，并进行化简，可以得到kl散度矩匹配公式：
[0092][0093]
其中，表示更新后的高斯近似先验概率分布，也即由高斯近似后验概率分布对高斯近似先验概率分布更新得到的更新后的高斯近似先验概率分布，表示在高斯簇上进行kl矩匹配。将联合近似后验概率分布的表达式p(xk)q
\kη
(xk)带入公式(6)，也即，将空腔边缘分布q
\kη
(xk)和离散均匀先验概率分布p(xk)带入公式(6)，即可求出更新后的高斯近似先验概率分布的表达式。
[0094]
作为一种可选的实施例，还包括：调节空腔边缘分布的一阶矩和/或二阶矩中包括的幂指数η的值，以使得所述发送估计信号与所述发送信号的差距在预定误差范围内，其中，空腔边缘分布的一阶矩和/或二阶矩中包括幂指数η，所述空腔边缘分布根据所述高斯近似先验概率分布以及与所述高斯近似先验概率分布对应的后验概率分布确定。
[0095]
作为一种可选的实施例，还包括：调节所述更新后的高斯近似先验概率分布的一阶矩和/或二阶矩中包括幂指数η的值，以使得所述发送估计信号与所述发送信号的差距在预定误差范围内，其中，所述更新后的高斯近似先验概率分布的一阶矩和/或二阶矩中包括幂指数η。
[0096]
可选地，由于依然满足高斯簇分布，的分布满足公式(11)：
[0097][0098]
其中，γk表示高斯近似先验概率分布的均值除以方差的结果，λk表示高斯近似先验概率分布的方差的倒数，γk和λk都可以被称为符号xk的高斯近似先验概率分布的矩匹配参数。
[0099]
本发明提供的算法中的空腔边缘分布q
\kη
(xk)的均值和方差可以改写为公式(12)和公式(13)：
[0100][0101]
[0102]
其中，表示空腔边缘分布q
\kη
(xk)的方差，t
kη1
表示空腔边缘分布q
\kη
(xk)的均值，μk表示联合近似后验概率分布的均值，表示联合近似后验概率分布的方差。
[0103]
可以将q
\kη
(xk)的均值方差计算中的η命名为η1。
[0104]
在经过阻尼系数的更新后写成：
[0105][0106][0107]
其中，表示更新后的第一近似先验分布的均值除以方差的结果，表示更新后的第一近似先验分布的方差的倒数，和可以被统称为符号xk的更新后的高斯近似先验概率分布的矩匹配参数，β表示阻尼因子，μ
pk
表示第二近似后验分布的均值，表示第二近似后验分布的方差。
[0108]
可以将更新后的高斯近似先验概率分布的矩匹配参数中的η命名为η2，在不同的场景下可以通过分别调节η1和η2的数值，使得本发明提供的检测方法达到更好的性能，也就是说，调节η1和η2的数值，可以使得通过本发明提供的检测方法得到的发送估计信号与发送端最初发送的信号之间的差距很小，也即误差很小。可选地，可以调节η1和η2的数值，发送估计信号与发送信号的差距在预定误差范围内。
[0109]
可以调整0《η1《1以减小空腔边缘分布的方差，能够加速本发明提供的pep算法的迭代过程。还可以调整0《η2《1以放大先验方差，虽然可能减缓本发明提供的pep算法的迭代速度，但是达到收敛时能够实现更好的性能。还可以调整η2》1以减小先验方差，进一步加速本发明提供的pep算法的迭代过程。图3是根据本发明可选实施例提供的不同(η1,η2)配置下平均后验方差与迭代次数的关系的示意图；其中，图3(a)是在信噪比(snr)为20db的情况下，不同(η1,η2)配置下平均后验方差与迭代次数的关系的示意图，图3(b)是在信噪比为26db的情况下，不同(η1,η2)配置下平均后验方差与迭代次数的关系的示意图。如图3(a)和图3(b)所示，在高信噪比和低信噪比下，本发明提供的pep算法的最优参数配置不同；在低信噪比的情况下，前几次ep迭代的结果并不理想，可以放大方差提高检测性能；在高信噪比下前几次迭代的结果已经比较理想了，可以继续减小方差，实现更快的收敛速度和更好的性能。
[0110]
图4是根据本发明可选实施例提供的不同(η1,η2)配置下误符号率与迭代次数的关系的示意图，如图3和图4所示，在16
×
16天线比、16-qam mimo系统的情况下，在本发明提供的pep类算法中后验方差的变化趋势与误符号率的变化趋势基本匹配。基于本发明提供的pep算法采用神经网络训练的pepnet能够在本发明的基础上进一步提高性能，但是效果不显著，而且需要大量的预训练开销。
[0111]
从图3(a)和图4(a)对比中可以看出参数设置为(η1,η2)＝(0.8,0.8)时具有最快的迭代速度和最优的性能(其中(η1,η2)＝(1.0,1.0)就是iep算法)。从图3(b)和图4(b)的对比中可以看出参数设置为(η1,η2)＝(0.8,1.5)具有最优的性能。由于在mimo框架下所需要的
和η2的值，对高斯近似先验概率分布进行第一次更新，得到更新后的高斯近似先验概率分布的具体实施步骤可以为：首先，根据接收信号和信道信息，对高斯近似先验概率分布进行矩阵求逆运算，得到高斯矩阵求逆后验概率分布；其次，将高斯近似先验概率分布，以及高斯矩阵求逆后验概率分布带入公式(1)，确定空腔边缘分布；其次，可以根据空腔边缘分布和离散均匀先验概率分布确定联合近似后验概率分布，并且找到与联合近似后验概率分布最接近的高斯分布为高斯近似后验概率分布，也即，找到与联合近似后验概率分布矩匹配的高斯近似后验概率分布；最后，可以根据阻尼系数，将高斯近似先验概率分布和高斯近似后验概率分布加权平均，得到更新后的高斯近似先验概率分布。
[0117]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0118]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的多输入多输出系统的信号检测方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0119]
本发明的实施例可以提供一种计算机设备，可选地，在本实施例中，上述计算机设备可以位于计算机网络的多个网络设备中的至少一个网络设备。该计算机设备包括存储器和处理器。
[0120]
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的多输入多输出系统的信号检测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的多输入多输出系统的信号检测方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0121]
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取接收信号和信道信息，以及预先设定的高斯近似先验概率分布，其中，高斯近似先验概率分布为服从高斯分布的发送信号的近似概率分布，发送信号为多输入多输出mimo系统的发送端发送的信号，接收信号是mimo系统中的接收端接收经由mimo系统的信道传输的发送信号得到的信号，信道信息表征信道的传输特征，高斯近似先验概率分布为发送端发送的发送信号的服从高斯分布的近似概率分布；采用如下更新高斯近似先验概率分布得到更新后的高斯近似先验概率分布的方法，对高斯近似先验概率分布进行迭代更新，在第n次更新得到的第n次更新后的高斯近似先验概率分布符合预定条件的情况下，确定第n次更新后的高斯近似先验概率分布为目标先验概率分布，其中，n为大于1的整数：根据接收信号、信道
信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布；以α散度最小化为目标，确定与联合近似后验概率分布矩匹配的高斯近似后验概率分布，其中，α散度为联合近似后验概率分布与参数可变的高斯分布之间的α散度，高斯近似后验概率分布为α散度最小化时的参数可变的高斯分布，高斯近似后验概率分布服从高斯分布；根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布；根据目标先验概率分布，对发送端发送的信号进行估计，确定发送估计信号。
[0122]
可选地，上述处理器还可以执行如下步骤的程序代码：根据接收信号、信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布，包括：根据接收信号和信道信息，通过对高斯近似先验概率分布进行矩阵求逆运算，确定高斯矩阵求逆后验概率分布，其中，高斯矩阵求逆后验概率分布服从高斯分布；根据高斯近似先验概率分布，以及高斯矩阵求逆后验概率分布，确定空腔边缘分布；根据空腔边缘分布和预先设定的离散均匀先验概率分布，确定联合近似后验概率分布，其中，离散均匀先验概率分布服从离散均匀分布。
[0123]
可选地，上述处理器还可以执行如下步骤的程序代码：根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布，包括：获取预先设定的阻尼系数；根据阻尼系数，将高斯近似先验概率分布和高斯近似后验概率分布加权平均，得到更新后的高斯近似先验概率分布。
[0124]
可选地，上述处理器还可以执行如下步骤的程序代码：根据目标先验概率分布，对发送端发送的信号进行估计，确定发送估计信号，包括：根据接收信号和信道信息，通过对目标先验概率分布进行矩阵求逆运算，确定与目标先验概率分布对应的目标后验概率分布；根据目标后验概率分布，确定发送估计信号。
[0125]
可选地，上述处理器还可以执行如下步骤的程序代码：在高斯近似先验概率分布包括幂指数η的情况下，以α散度最小化为目标，确定参数可变的高斯分布包括的参数，得到高斯近似后验概率分布，包括：将联合近似后验概率分布的包括幂指数η的表达式，带入α散度矩匹配公式中；令α散度矩匹配公式中的η＝α，得到高斯近似后验概率分布的包括幂指数η的表达式，其中，在高斯近似先验概率分布包括幂指数η的情况下，η＝α等效于α散度最小化，xk表示发送信号。
[0126]
可选地，上述处理器还可以执行如下步骤的程序代码：还包括：调节空腔边缘分布的一阶矩和/或二阶矩中包括的幂指数η的值，以使得发送估计信号与发送信号的差距在预定误差范围内，其中，空腔边缘分布的一阶矩和/或二阶矩中包括幂指数η，空腔边缘分布根据高斯近似先验概率分布以及与高斯近似先验概率分布对应的后验概率分布确定。
[0127]
可选地，上述处理器还可以执行如下步骤的程序代码：还包括：调节更新后的高斯近似先验概率分布的一阶矩和/或二阶矩中包括幂指数η的值，以使得发送估计信号与发送信号的差距在预定误差范围内，其中，更新后的高斯近似先验概率分布的一阶矩和/或二阶矩中包括幂指数η。
[0128]
可选地，上述处理器还可以执行如下步骤的程序代码：根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布，包括：在离散均匀先验概率分布包括幂指数η的情况下，更新后的高斯近似先验概率分布的一阶矩和/
或二阶矩中包括幂指数η。
[0129]
采用本发明实施例，提供了一种多输入多输出系统的信号检测的方案。采用以α散度最小化作为检测算法中的矩匹配的目标函数，通过获取接收信号和信道信息，以及预先设定的高斯近似先验概率分布，其中，高斯近似先验概率分布为服从高斯分布的发送信号的近似概率分布，发送信号为多输入多输出mimo系统的发送端发送的信号，接收信号是mimo系统中的接收端接收经由mimo系统的信道传输的发送信号得到的信号，信道信息表征信道的传输特征，高斯近似先验概率分布为发送端发送的发送信号的服从高斯分布的近似概率分布；采用如下更新高斯近似先验概率分布得到更新后的高斯近似先验概率分布的方法，对高斯近似先验概率分布进行迭代更新，在第n次更新得到的第n次更新后的高斯近似先验概率分布符合预定条件的情况下，确定第n次更新后的高斯近似先验概率分布为目标先验概率分布，其中，n为大于1的整数：根据接收信号、信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布；以α散度最小化为目标，确定与联合近似后验概率分布矩匹配的高斯近似后验概率分布，其中，α散度为联合近似后验概率分布与参数可变的高斯分布之间的α散度，高斯近似后验概率分布为α散度最小化时的参数可变的高斯分布，高斯近似后验概率分布服从高斯分布；根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布；根据目标先验概率分布，对发送端发送的信号进行估计，确定发送估计信号，达到了使得高斯近似后验概率分布与实际情况更为接近的目的，从而实现了提高mimo系统的检测方法的精确度的技术效果，进而解决了现有技术中应用于mimo系统的检测方法的检测精度不高的技术问题。
[0130]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一非易失性存储介质中，存储介质可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(randomaccess memory，ram)、磁盘或光盘等。
[0131]
本发明的实施例还提供了一种非易失性存储介质。可选地，在本实施例中，上述非易失性存储介质可以用于保存上述实施例所提供的多输入多输出系统的信号检测方法所执行的程序代码。
[0132]
可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
[0133]
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：获取接收信号和信道信息，以及预先设定的高斯近似先验概率分布，其中，高斯近似先验概率分布为服从高斯分布的发送信号的近似概率分布，发送信号为多输入多输出mimo系统的发送端发送的信号，接收信号是mimo系统中的接收端接收经由mimo系统的信道传输的发送信号得到的信号，信道信息表征信道的传输特征，高斯近似先验概率分布为发送端发送的发送信号的服从高斯分布的近似概率分布；采用如下更新高斯近似先验概率分布得到更新后的高斯近似先验概率分布的方法，对高斯近似先验概率分布进行迭代更新，在第n次更新得到的第n次更新后的高斯近似先验概率分布符合预定条件的情况下，确定第n次更新后的高斯近似先验概率分布为目标先验概率分布，其中，n为大于1的整数：根据接收信号、信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布；以α散度最小化为目标，确定与联合近似后验概率分布矩匹配的高斯近似后验概率分布，其中，
α散度为联合近似后验概率分布与参数可变的高斯分布之间的α散度，高斯近似后验概率分布为α散度最小化时的参数可变的高斯分布，高斯近似后验概率分布服从高斯分布；根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布；根据目标先验概率分布，对发送端发送的信号进行估计，确定发送估计信号。
[0134]
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：根据接收信号、信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布，包括：根据接收信号和信道信息，通过对高斯近似先验概率分布进行矩阵求逆运算，确定高斯矩阵求逆后验概率分布，其中，高斯矩阵求逆后验概率分布服从高斯分布；根据高斯近似先验概率分布，以及高斯矩阵求逆后验概率分布，确定空腔边缘分布；根据空腔边缘分布和预先设定的离散均匀先验概率分布，确定联合近似后验概率分布，其中，离散均匀先验概率分布服从离散均匀分布。
[0135]
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布，包括：获取预先设定的阻尼系数；根据阻尼系数，将高斯近似先验概率分布和高斯近似后验概率分布加权平均，得到更新后的高斯近似先验概率分布。
[0136]
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：根据目标先验概率分布，对发送端发送的信号进行估计，确定发送估计信号，包括：根据接收信号和信道信息，通过对目标先验概率分布进行矩阵求逆运算，确定与目标先验概率分布对应的目标后验概率分布；根据目标后验概率分布，确定发送估计信号。
[0137]
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：以α散度最小化为目标，确定与联合近似后验概率分布矩匹配的高斯近似后验概率分布，包括：确定联合近似后验概率分布与参数可变的高斯分布之间的α散度；以α散度最小化为目标，确定参数可变的高斯分布包括的参数，得到高斯近似后验概率分布，其中，联合近似后验概率分布和高斯近似后验概率分布的一阶矩和二阶矩对应匹配。
[0138]
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：在高斯近似先验概率分布包括幂指数η的情况下，以α散度最小化为目标，确定参数可变的高斯分布包括的参数，得到高斯近似后验概率分布，包括：将联合近似后验概率分布的包括幂指数η的表达式，带入α散度矩匹配公式中；令α散度矩匹配公式中的η＝α，得到高斯近似后验概率分布的包括幂指数η的表达式，其中，在高斯近似先验概率分布包括幂指数η的情况下，η＝α等效于α散度最小化，xk表示发送信号。
[0139]
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：还包括：调节空腔边缘分布的一阶矩和/或二阶矩中包括的幂指数η的值，以使得发送估计信号与发送信号的差距在预定误差范围内，其中，空腔边缘分布的一阶矩和/或二阶矩中包括幂指数η，空腔边缘分布根据高斯近似先验概率分布以及与高斯近似先验概率分布对应的后验概率分布确定。
[0140]
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：还包括：调节更新后的高斯近似先验概率分布的一阶矩和/或二阶矩中包括幂指数η的值，以使得发送估计信号与发送信号的差距在预定误差范围内，其中，更新后的高斯近
似先验概率分布的一阶矩和/或二阶矩中包括幂指数η。
[0141]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0142]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0143]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0144]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0145]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0146]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0147]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种多输入多输出系统的信号检测方法，其特征在于，包括：获取接收信号和信道信息，以及预先设定的高斯近似先验概率分布，其中，所述高斯近似先验概率分布为服从高斯分布的发送信号的近似概率分布，所述发送信号为多输入多输出mimo系统的发送端发送的信号，所述接收信号是所述mimo系统中的接收端接收经由所述mimo系统的信道传输的所述发送信号得到的信号，所述信道信息表征所述信道的传输特征；采用如下更新所述高斯近似先验概率分布得到更新后的高斯近似先验概率分布的方法，对所述高斯近似先验概率分布进行迭代更新，在第n次更新得到的第n次更新后的高斯近似先验概率分布符合预定条件的情况下，确定所述第n次更新后的高斯近似先验概率分布为目标先验概率分布，其中，n为大于1的整数：根据所述接收信号、所述信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布；以α散度最小化为目标，确定与所述联合近似后验概率分布矩匹配的高斯近似后验概率分布，其中，所述α散度为所述联合近似后验概率分布与参数可变的高斯分布之间的α散度，所述高斯近似后验概率分布为所述α散度最小化时的所述参数可变的高斯分布，所述高斯近似后验概率分布服从高斯分布；根据所述高斯近似后验概率分布，更新所述高斯近似先验概率分布，得到所述更新后的高斯近似先验概率分布；根据所述目标先验概率分布，对所述发送端发送的信号进行估计，确定发送估计信号。2.根据权利要求1所述的方法，其特征在于，所述根据所述接收信号、所述信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布，包括：根据所述接收信号和所述信道信息，通过对所述高斯近似先验概率分布进行矩阵求逆运算，确定高斯矩阵求逆后验概率分布，其中，所述高斯矩阵求逆后验概率分布服从高斯分布；根据所述高斯近似先验概率分布，以及所述高斯矩阵求逆后验概率分布，确定空腔边缘分布；根据所述空腔边缘分布和预先设定的离散均匀先验概率分布，确定所述联合近似后验概率分布。3.根据权利要求1所述的方法，其特征在于，所述根据所述高斯近似后验概率分布，更新所述高斯近似先验概率分布，得到所述更新后的高斯近似先验概率分布，包括：获取预先设定的阻尼系数；根据所述阻尼系数，将所述高斯近似先验概率分布和所述高斯近似后验概率分布加权平均，得到所述更新后的高斯近似先验概率分布。4.根据权利要求1所述的方法，其特征在于，所述根据所述目标先验概率分布，对所述发送端发送的信号进行估计，确定发送估计信号，包括：根据所述接收信号和所述信道信息，通过对所述目标先验概率分布进行矩阵求逆运算，确定与所述目标先验概率分布对应的目标后验概率分布；根据所述目标后验概率分布，确定所述发送估计信号。5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述以α散度最小化为目标，确定与所述联合近似后验概率分布矩匹配的高斯近似后验概率分布，包括：确定所述联合近似后验概率分布与参数可变的高斯分布之间的α散度；
以所述α散度最小化为目标，确定所述参数可变的高斯分布包括的参数，得到所述高斯近似后验概率分布，其中，所述联合近似后验概率分布和所述高斯近似后验概率分布的一阶矩和二阶矩对应匹配。6.根据权利要求5所述的方法，其特征在于，在所述高斯近似先验概率分布包括幂指数η的情况下，所述以所述α散度最小化为目标，确定所述参数可变的高斯分布包括的参数，得到所述高斯近似后验概率分布，包括：将所述联合近似后验概率分布的包括所述幂指数η的表达式，带入α散度矩匹配公式中；令所述α散度矩匹配公式中的η＝α，得到所述高斯近似后验概率分布的包括所述幂指数η的表达式，其中，在所述高斯近似先验概率分布包括所述幂指数η的情况下，η＝α等效于所述α散度最小化，x
k
表示所述发送信号。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：调节空腔边缘分布的一阶矩和/或二阶矩中包括所述幂指数η的值，以使得所述发送估计信号与所述发送信号的差距在预定误差范围内，其中，空腔边缘分布的一阶矩和/或二阶矩中包括所述幂指数η，所述空腔边缘分布根据所述高斯近似先验概率分布以及与所述高斯近似先验概率分布对应的后验概率分布确定。8.根据权利要求6所述的方法，其特征在于，所述方法还包括：调节所述更新后的高斯近似先验概率分布的一阶矩和/或二阶矩中包括的所述幂指数η的值，以使得所述发送估计信号与所述发送信号的差距在预定误差范围内，其中，所述更新后的高斯近似先验概率分布的一阶矩和/或二阶矩中包括所述幂指数η。9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至8中任意一项所述多输入多输出系统的信号检测方法。10.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器存储有计算机程序；所述处理器，用于执行所述存储器中存储的计算机程序，所述计算机程序运行时使得所述处理器执行权利要求1至8中任意一项所述多输入多输出系统的信号检测方法。

技术总结
本发明公开了一种多输入多输出系统的信号检测方法、装置和计算机设备。其中，该方法包括：获取接收信号和信道信息，以及预先设定的高斯近似先验概率分布；采用如下方法，对高斯近似先验概率分布进行迭代更新，确定目标先验概率分布：根据接收信号、信道信息和预先设定的高斯近似先验概率分布，确定联合近似后验概率分布；以α散度最小化为目标，确定与联合近似后验概率分布矩匹配的高斯近似后验概率分布；根据高斯近似后验概率分布，更新高斯近似先验概率分布，得到更新后的高斯近似先验概率分布；根据目标先验概率分布，确定发送估计信号。本发明解决了现有技术中应用于MIMO系统的检测方法的检测精度不高的技术问题。检测方法的检测精度不高的技术问题。检测方法的检测精度不高的技术问题。


技术研发人员：张川 丁明远 谈晓思 冀贞昊 张在琛 黄永明 尤肖虎
受保护的技术使用者：网络通信与安全紫金山实验室
技术研发日：2023.07.19
技术公布日：2023/10/15