CN114257477A - 一种信号检测方法及相关设备 - Google Patents

Abstract

本申请实施例提供了一种信号检测方法及相关设备，用于优化比特软信息估计的处理过程，提升通信效率。在该方法中，可以利用神经网络将待检测信号的统计特征进行处理后输出对应的比特软信息，相较于传统max‑log算法中的比较操作，替换为神经网络处理过程中更加通用和高效的乘加操作。此外，在该方法中，还可以根据接收信号的滤波参数对该接收信号进行随机采样的方式，得到用于指示该待检测信号的后验概率的离散信息的采样结果，相较于通过多次QR分解参与计算的实现过程，通过随机采样的方式可以降低计算过程的复杂度。从而，优化信号检测装置的信号处理过程，并提升通信效率。

Description

一种信号检测方法及相关设备

技术领域

本申请涉及通信领域，尤其涉及一种信号检测方法及相关设备。

背景技术

多输入多输出(multiple-input and multiple-output，MIMO)技术是无线通信领域目前研究的热点，各种新型移动通信系统中都采用MIMO技术来提高系统的频谱效率。其中，MIMO技术可以增加数据复用的空间维度，使多份数据空间复用到相同的时频资源，也可以用多个天线上发送同样的数据和/或用多个接收天线接收同样的数据，获得空间分集增益。

在应用MIMO技术的传输过程中，信号发射端将比特信息映射为星座符号，并将星座符号调制为信号，通过发射天线发送信号。相应的，信号接收端通过接收天线接收信号，将信号解调为星座符号的搜索路径结果，即解调得到星座符号的后验概率的离散信息，并在该搜索路径结果中确定比特信息。一般地，在信号接收端中，将信号解调为星座符号的搜索路径结果的过程中一般通过多次QR运算的计算过程得到，此外，将星座符号映射为比特信息的过程中一般通过max-log算法近似计算得到。

然而，在上述信号接收端实现比特软信息估计的处理过程中，多次QR运算的计算过程和max-log算法的计算过于复杂，并且计算过程中存在非规整的查找、比较操作，不利于通用处理器的高效实现，影响通信效率。

发明内容

本申请实施例提供了一种信号检测方法及相关设备，用于优化比特软信息估计的处理过程，提升通信效率。

本申请实施例第一方面提供了一种信号检测方法，该方法应用于信号检测装置，该信号检测装置可以为网络设备或者是终端设备，也可以为网络设备或者是终端设备的部件(例如处理器、芯片或芯片系统等)。在该方法中，信号检测装置在接收到接收信号之后，确定接收信号的信道状态信息，该接收信号包括待检测信号；然后，该装置根据该信道状态信息确定该接收信号的滤波参数；此后，该装置根据该接收信号和该接收信号的滤波参数确定该待检测信号的目标统计特征，其中，该目标统计特征用于指示该待检测信号的后验概率的统计信息；最后，该装置采用神经网络对该目标统计特征进行至少一次处理后输出该待检测信号对应的目标比特软信息。其中，信号检测装置根据接收信号的滤波参数确定待检测信号的统计特征，采用神经网络对所述目标统计特征进行至少一次处理后输出所述待检测信号对应的目标比特软信息，即利用神经网络将待检测信号的统计特征进行处理后输出对应的比特软信息，相较于传统max-log算法中的比较操作，替换为神经网络处理过程中更加通用和高效的乘加操作，优化信号检测装置的信号处理过程，提升通信效率。

在本申请实施例第一方面的一种可能的实现方式中，采用神经网络对该目标统计特征进行至少一次处理后输出该待检测信号对应的目标比特软信息的过程具体可以包括：在该神经网络中，对该目标统计特征进行映射处理后输出该待检测信号对应的比特软信息。

本实施例中，信号检测装置在神经网络中可以通过多种方式对待检测信号的目标统计特征进行至少一次处理过程，输出对应的目标比特软信息，其中，在得到待检测信号的目标统计特征之后，通过神经网络中的映射处理，得到待检测信号的目标比特软信息。从而，提供了在神经网络中处理输出该目标比特软信息的具体实现方式，提升方案的可实现性。

在本申请实施例第一方面的一种可能的实现方式中，采用神经网络对该目标统计特征进行至少一次处理后输出该待检测信号对应的目标比特软信息的过程具体可以包括：在该神经网络中，对该目标统计特征进行融合处理，得到第一统计特征，该第一统计特征用于指示该目标比特软信息的统计信息；对该第一统计特征进行映射处理后输出该待检测信号对应的目标比特软信息。

本实施例中，信号检测装置在神经网络中可以通过多种方式对待检测信号的目标统计特征进行至少一次处理过程，输出对应的目标比特软信息，其中，在得到待检测信号的目标统计特征之后，通过神经网络中的融合处理得到用于指示目标比特软信息的统计信息的第一统计特征之后，对该第一统计特征进行映射处理，输出待检测信号的目标比特软信息。从而，通过融合处理过程优化映射处理过程的输入，并且，提供了在神经网络中处理输出该目标比特软信息的具体实现方式，提升方案的可实现性。

在本申请实施例第一方面的一种可能的实现方式中，采用神经网络对该目标统计特征进行至少一次处理后输出该待检测信号对应的目标比特软信息包括：在该神经网络中，对该目标统计特征进行映射处理，得到该待检测信号对应的第一比特软信息；根据第一取值范围对该待检测信号对应的第一比特软信息的取值进行修正处理，输出该待检测信号对应的目标比特软信息。

本实施例中，信号检测装置在神经网络中可以通过多种方式对待检测信号的目标统计特征进行至少一次处理过程，输出对应的目标比特软信息，其中，在得到待检测信号的目标统计特征之后，通过神经网络中的映射处理得到待检测信号对应的第一比特软信息之后，根据第一取值范围对该待检测信号对应的第一比特软信息进行修正处理，输出待检测信号的目标比特软信息。从而，通过修正处理过程优化映射处理过程的映射结果，并且，提供了在神经网络中处理输出该目标比特软信息的具体实现方式，提升方案的可实现性。

在本申请实施例第一方面的一种可能的实现方式中，采用神经网络对该目标统计特征进行至少一次处理后输出该待检测信号对应的目标比特软信息包括：在该神经网络中，对该目标统计特征进行融合处理，得到第二统计特征，该第二统计特征用于指示该待检测信号对应的第二比特软信息的统计信息；对该第二统计特征进行映射处理后得到该待检测信号对应的第二比特软信息；根据第二取值范围对该待检测信号对应的第二比特软信息的取值进行修正处理，输出该待检测信号对应的目标比特软信息。

本实施例中，信号检测装置在神经网络中可以通过多种方式对待检测信号的目标统计特征进行至少一次处理过程，输出对应的目标比特软信息，其中，在得到待检测信号的目标统计特征之后，通过神经网络中的融合处理得到用于指示该待检测信号对应的第二比特软信息的统计信息的第二统计特征，并对该第二统计特征进行映射处理得到第二比特软信息之后，根据第二取值范围对该第二比特软信息的取值进行修正处理，输出待检测信号的目标比特软信息。从而，通过融合处理过程优化映射处理过程的输入，并通过修正处理过程优化映射处理过程的映射结果，并且，提供了在神经网络中处理输出该目标比特软信息的具体实现方式，提升方案的可实现性。

在本申请实施例第一方面的一种可能的实现方式中，神经网络的目标激活函数包括ReLu激活函数和/或softplus激活函数和/或softmax激活函数。

本实施例中，在神经网络的至少一次处理过程中，所使用的目标激活函数可以包括ReLu激活函数和/或softplus激活函数和/或softmax激活函数等。从而，提供了在神经网络中所使用的激活函数的多种具体实现方式，提升方案的可实现性。

在本申请实施例第一方面的一种可能的实现方式中，神经网络的权重系数为该神经网络经过预设算法生成数据标签后，对预设信号进行训练得到。

本实施例中，神经网络在处理过程中，使用的权重系数为经过预设算法生成数据标签后，对预设信号进行训练得到的，相比于神经网络中使用实际发送的真实数据作为标签，计算得到的权重系数参与的处理过程相比，可以简化损失函数的设计，同时优化神经网络的处理结果，逼近预设算法的最优性能。

在本申请实施例第一方面的一种可能的实现方式中，该预设算法可以包括最大似然检测MLD算法，或者是，线性最小均方误差LMMSE算法。

本实施例中，神经网络在训练得到权重系数的过程中，可以使用MLD算法或者LMMSE算法参与实现，从而，提供了神经网络在训练得到权重系数的过程中所使用的算法的多种具体实现方式，提升方案的可实现性。

在本申请实施例第一方面的一种可能的实现方式中，根据该信道状态信息确定该接收信号的滤波参数包括：根据该信道状态信息在目标方式中确定该接收信号的初始滤波参数，其中，该目标方式包括QR分解、SQR分解处理、Cholesky分解、或线性检测处理等。

本实施例中，信号检测装置在确定接收信号的滤波参数的过程中，可以使用QR分解、SQR分解处理、Cholesky分解、或线性检测处理等方式参与计算，从而，提供了信号检测装置在确定接收信号的滤波参数的过程的多种具体实现方式，提升方案的可实现性。

在本申请实施例第一方面的一种可能的实现方式中，根据该信道状态信息确定该接收信号的滤波参数的过程具体可以包括：根据第一预设参数对该信道状态信息进行规整处理，得到处理后的信道状态信息；然后，根据第二预设参数对该接收信号进行规整处理，得到第一接收信号；之后，再根据该处理后的信道状态信息在该目标方式中确定该接收信号的滤波参数；和/或，该根据该接收信号和该接收信号的滤波参数确定所述待检测信号的目标统计特征包括：根据第三预设参数对所述接收信号进行规整处理，得到第二接收信号；然后，根据第四预设参数对所述接收信号的滤波参数进行规整处理，得到第一滤波参数；之后，再根据该第二接收信号和该第一滤波参数确定该待检测信号的目标统计特征。

本实施例中，信号检测装置在根据该信道状态信息在确定该接收信号的初始滤波参数的过程中，可以使用第一预设参数和第二预设参数在该确定过程中先分别对信道状态信息和接收信号进行规整处理，得到处理后的信道状态信息和第一接收信号之后，再进一步确定第一接收信号的滤波参数。此外，信号检测装置在根据该接收信号和该接收信号的滤波参数确定该待检测信号的目标统计特征的过程中，可以先分别对该接收信号和该接收信号的滤波参数进行模型规整处理，得到第二接收信号和第一滤波参数之后，再进一步确定待检测信号的目标统计特征。其中，该规整处理也可以称为模型规整处理，具体实现可以包括信道功率去归一化、取值范围调整、列换序等或者是其它的模型规整处理操作。相比于规整处理前的数据，规整处理后的数据更利于后续处理的取值区域(比如连续整数取值)及得到更好的排序顺序。

在本申请实施例第一方面的一种可能的实现方式中，根据该接收信号和该接收信号的滤波参数确定该待检测信号的目标统计特征的过程具体可以包括：根据该接收信号的滤波参数对接收信号进行随机采样，得到采样结果，该采样结果用于指示该待检测信号的后验概率的离散信息；根据该采样结果计算得到该待检测信号的目标统计特征。

本实施例中，信号检测装置可以根据该接收信号的滤波参数对接收信号进行随机采样，得到用于指示该待检测信号的后验概率的离散信息的采样结果，再根据该采样结果计算得到该待检测信号的目标统计特征，即通过随机采样的过程实现待检测信号的目标统计特征的确定。从而，提供了根据该接收信号和该接收信号的滤波参数确定该待检测信号的目标统计特征的具体实现方式，提升方案的可实现性。

在本申请实施例第一方面的一种可能的实现方式中，该根据该接收信号的滤波参数对接收信号进行随机采样，得到采样结果的过程具体可以包括：根据该接收信号的滤波参数以及目标采样结构对该接收信号进行随机采样，得到采样结果，该目标采样结构包括串行采样结构和/或并行采样结构。

本实施例中，信号检测装置可以通过串行采样结构和/或并行采样结构对接收信号进行随机采样，得到采样结果。从而，提供了随机采样过程的具体实现方式，提升方案的可实现性。

本申请实施例第二方面提供了一种信号检测方法，该方法应用于信号检测装置，该信号检测装置可以为网络设备或者是终端设备，也可以为网络设备或者是终端设备的部件(例如处理器、芯片或芯片系统等)。在该方法中，信号检测装置在接收到接收信号之后，确定接收信号的信道状态信息，该接收信号包括待检测信号；根据该信道状态信息确定该接收信号的滤波参数；根据该接收信号的滤波参数对该接收信号进行随机采样，得到采样结果，该采样结果用于指示该待检测信号的后验概率的离散信息；根据该采样结果得到该待检测信号对应的目标比特软信息。其中，信号检测装置根据接收信号的滤波参数对该接收信号进行随机采样的方式，得到用于指示该待检测信号的后验概率的离散信息的采样结果，相较于通过多次QR分解参与计算的实现过程，通过随机采样的方式可以降低计算过程的复杂度，优化信号检测装置的信号处理过程，提升通信效率。

在本申请实施例第二方面的一种可能的实现方式中，根据该信道状态信息确定该接收信号的滤波参数包括：根据该信道状态信息在目标方式中确定该接收信号的初始滤波参数，其中，该目标方式包括QR分解、SQR分解处理、Cholesky分解、或线性检测处理等。

本实施例中，信号检测装置在确定接收信号的滤波参数的过程中，可以使用QR分解、SQR分解处理、Cholesky分解、或线性检测处理等方式参与计算，从而，提供了信号检测装置在确定接收信号的滤波参数的过程的多种具体实现方式，提升方案的可实现性。

在本申请实施例第二方面的一种可能的实现方式中，根据该信道状态信息确定该接收信号的滤波参数的过程具体可以包括：根据第一预设参数对该信道状态信息进行规整处理，得到处理后的信道状态信息；然后，根据第二预设参数对该接收信号进行规整处理，得到第一接收信号；之后，再根据该处理后的信道状态信息在该目标方式中确定该接收信号的滤波参数；和/或，该根据该接收信号和该接收信号的滤波参数确定该待检测信号的目标统计特征包括：根据第三预设参数对该接收信号进行规整处理，得到第二接收信号；然后，根据第四预设参数对该接收信号的滤波参数进行规整处理，得到第一滤波参数；之后，再根据该第二接收信号和该第一滤波参数确定该待检测信号的目标统计特征。

本实施例中，信号检测装置在根据该信道状态信息确定该接收信号的初始滤波参数的过程中，可以使用第一预设参数和第二预设参数在该确定过程中先分别对信道状态信息和接收信号进行规整处理，得到处理后的信道状态信息和第一接收信号之后，再进一步确定第一接收信号的滤波参数。此外，信号检测装置在根据该接收信号和该接收信号的滤波参数确定该待检测信号的目标统计特征的过程中，可以先分别对该接收信号和该接收信号的滤波参数进行模型规整处理，得到第二接收信号和第一滤波参数之后，再进一步确定待检测信号的目标统计特征。其中，该规整处理也可以称为模型规整处理，具体实现可以包括信道功率去归一化、取值范围调整、列换序等或者是其它的模型规整处理操作。相比于规整处理前的数据，规整处理后的数据更利于后续处理的取值区域(比如连续整数取值)及得到更好的排序顺序。

在本申请实施例第二方面的一种可能的实现方式中，该根据该接收信号的滤波参数对接收信号进行随机采样，得到采样结果的过程具体可以包括：根据该接收信号的滤波参数以及目标采样结构对该接收信号进行随机采样，得到采样结果，该目标采样结构包括串行采样结构和/或并行采样结构。

本实施例中，信号检测装置可以通过串行采样结构和/或并行采样结构对接收信号进行随机采样，得到采样结果。从而，提供了随机采样过程的具体实现方式，提升方案的可实现性。

本申请实施例第三方面提供了一种信号检测装置，该信号检测装置可以为网络设备或者是终端设备，也可以为网络设备或者是终端设备的部件(例如处理器、芯片或芯片系统等)。该装置包括确定单元和处理单元：该确定单元，用于确定接收信号的信道状态信息，该接收信号包括待检测信号；该确定单元，还用于根据该信道状态信息确定该接收信号的滤波参数；该确定单元，还用于根据该接收信号和该接收信号的滤波参数确定该待检测信号的目标统计特征，该目标统计特征用于指示该待检测信号的后验概率的统计信息；该处理单元，用于采用神经网络对该目标统计特征进行至少一次处理后输出该待检测信号对应的目标比特软信息。其中，信号检测装置中的处理单元根据接收信号的滤波参数确定待检测信号的统计特征，采用神经网络对该目标统计特征进行至少一次处理后输出该待检测信号对应的目标比特软信息，即利用神经网络将待检测信号的统计特征进行处理后输出对应的比特软信息，相较于传统max-log算法中的比较操作，替换为神经网络处理过程中更加通用和高效的乘加操作，优化信号检测装置的信号处理过程，提升通信效率。

在本申请实施例第三方面的一种可能的实现方式中，该处理单元具体用于：

在该神经网络中，对该目标统计特征进行映射处理后输出该待检测信号对应的比特软信息。

在本申请实施例第三方面的一种可能的实现方式中，该处理单元具体用于：

在该神经网络中，对该目标统计特征进行融合处理，得到第一统计特征，该第一统计特征用于指示该目标比特软信息的统计信息；

对该第一统计特征进行映射处理后输出该待检测信号对应的目标比特软信息。

在本申请实施例第三方面的一种可能的实现方式中，该处理单元具体用于：

在该神经网络中，对该目标统计特征进行映射处理，得到该待检测信号对应的第一比特软信息；

根据第一取值范围对该待检测信号对应的第一比特软信息的取值进行修正处理，输出该待检测信号对应的目标比特软信息。

在本申请实施例第三方面的一种可能的实现方式中，该处理单元具体用于：

在该神经网络中，对该目标统计特征进行融合处理，得到第二统计特征，该第二统计特征用于指示该待检测信号对应的第二比特软信息的统计信息；

对该第二统计特征进行映射处理后得到该待检测信号对应的第二比特软信息；

根据第二取值范围对该待检测信号对应的第二比特软信息的取值进行修正处理，输出该待检测信号对应的目标比特软信息。

在本申请实施例第三方面的一种可能的实现方式中，该神经网络的目标激活函数包括ReLu激活函数和/或softplus激活函数和/或softmax激活函数。

在本申请实施例第三方面的一种可能的实现方式中，该神经网络的权重系数为该神经网络经过预设算法生成数据标签后，对预设信号进行训练得到。

在本申请实施例第三方面的一种可能的实现方式中，该预设算法包括最大似然检测MLD算法，或者是，线性最小均方误差LMMSE算法。

在本申请实施例第三方面的一种可能的实现方式中，该确定单元具体用于：

根据该信道状态信息在目标方式中确定该接收信号的滤波参数，该目标方式包括Cholesky分解处理、QR分解处理、SQR分解处理或线性检测处理。

在本申请实施例第三方面的一种可能的实现方式中，该确定单元具体用于：根据第一预设参数对该信道状态信息进行规整处理，得到处理后的信道状态信息；根据第二预设参数对该接收信号进行规整处理，得到第一接收信号；根据该处理后的信道状态信息在该目标方式中确定该第一接收信号的滤波参数；

和/或，

根据第三预设参数对该接收信号进行规整处理，得到第二接收信号；

根据第四预设参数对该接收信号的滤波参数进行规整处理，得到第一滤波参数；

根据该第二接收信号和该第一滤波参数确定该待检测信号的目标统计特征。

在本申请实施例第三方面的一种可能的实现方式中，该确定单元具体用于：

根据该接收信号的滤波参数对接收信号进行随机采样，得到采样结果，该采样结果用于指示该待检测信号的后验概率的离散信息；

根据该采样结果计算得到该待检测信号的目标统计特征。

在本申请实施例第三方面的一种可能的实现方式中，该处理单元具体用于：

根据该接收信号的滤波参数以及目标采样结构对该接收信号进行随机采样，得到采样结果，该目标采样结构包括串行采样结构和/或并行采样结构。

本申请实施例第三方面中，信号检测装置的组成模块还可以用于执行第一方面的各个可能实现方式中所执行的步骤，具体均可以参阅第一方面，此处不再赘述。

本申请实施例第四方面提供了一种信号检测装置，该装置包括确定单元和处理单元：

该确定单元，用于确定接收信号的信道状态信息，该接收信号包括待检测信号；

该确定单元，还用于根据该信道状态信息确定该接收信号的滤波参数；

该确定单元，还用于根据该接收信号的滤波参数对该接收信号进行随机采样，得到采样结果，该采样结果用于指示该待检测信号的后验概率的离散信息；

该处理单元，用于根据该采样结果得到该待检测信号对应的目标比特软信息。

在本申请实施例第四方面的一种可能的实现方式中，该确定单元具体用于：

根据该信道状态信息在目标方式中确定该接收信号的滤波参数，该目标方式包括Cholesky分解处理、QR分解处理、SQR分解处理或线性检测处理。

在本申请实施例第四方面的一种可能的实现方式中，该确定单元具体用于：

根据第一预设参数对该信道状态信息进行规整处理，得到处理后的信道状态信息；

根据第二预设参数对该接收信号进行规整处理，得到第一接收信号；

根据该处理后的信道状态信息在该目标方式中确定该第一接收信号的滤波参数；

和/或，

根据第三预设参数对该接收信号进行规整处理，得到第二接收信号；

根据第四预设参数对该接收信号的滤波参数进行规整处理，得到第一滤波参数；

根据该第二接收信号和该第一滤波参数确定该待检测信号的目标统计特征。

在本申请实施例第四方面的一种可能的实现方式中，该确定单元具体用于：

根据该接收信号的滤波参数以及目标采样结构对该接收信号进行随机采样，得到该采样结果，该目标采样结构包括串行采样结构和/或并行采样结构。

本申请实施例第四方面中，信号检测装置的组成模块还可以用于执行第二方面的各个可能实现方式中所执行的步骤，具体均可以参阅第二方面，此处不再赘述。

本申请实施例第五方面提供一种通信装置，其中，该通信装置包括处理器和通信接口，该通信接口和该处理器耦合，该处理器用于运行计算机程序或指令，使得前述第一方面或第一方面任意一种可能的实现方式所述的方法被执行，或者，使得前述第二方面或第二方面任意一种可能的实现方式所述的方法被执行。

本申请实施例第六方面提供一种存储一个或多个计算机执行指令的计算机可读存储介质，当计算机执行指令被处理器执行时，该处理器执行如上述第一方面或第一方面任意一种可能的实现方式所述的方法；或者，当计算机执行指令被处理器执行时，该处理器执行如上述第二方面或第二方面任意一种可能的实现方式所述的方法。

本申请实施例第七方面提供一种存储一个或多个计算机的计算机程序产品(或称计算机程序)，当计算机程序产品被该处理器执行时，该处理器执行上述第一方面或第一方面任意一种可能实现方式的方法；或者，当计算机程序产品被该处理器执行时，该处理器执行上述第二方面或第二方面任意一种可能实现方式的方法。

本申请实施例第八方面提供了一种芯片系统，该芯片系统包括处理器，用于支持网络设备实现上述第一方面或第一方面任意一种可能的实现方式中所涉及的功能；或者，用于支持网络设备实现上述第二方面或第二方面任意一种可能的实现方式中所涉及的功能。在一种可能的设计中，该芯片系统还可以包括存储器，存储器，用于保存该网络设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件。

本申请实施例第九方面提供了一种通信系统，该通信系统至少包括上述第三方面的通信装置，或，该通信系统至少包括上述第四方面的通信装置，或，该通信系统至少包括上述第五方面的通信装置。

从以上技术方案可以看出，本申请实施例具有以下优点：信号检测装置可以根据接收信号的滤波参数确定待检测信号的统计特征，采用神经网络对所述目标统计特征进行至少一次处理后输出所述待检测信号对应的目标比特软信息，即利用神经网络将待检测信号的统计特征进行处理后输出对应的比特软信息，相较于传统max-log算法中的比较操作，替换为神经网络处理过程中更加通用和高效的乘加操作，优化信号检测装置的信号处理过程。此外，信号检测装置也可以根据接收信号的滤波参数对该接收信号进行随机采样的方式，得到用于指示该待检测信号的后验概率的离散信息的采样结果，相较于通过多次QR分解参与计算的实现过程，通过随机采样的方式可以降低计算过程的复杂度，优化信号检测装置的信号处理过程，提升通信效率。

附图说明

图1为本申请实施例中通信系统的一种示意图；

图2为信号检测装置使用QR算法实现的信号处理过程的一种示意图；

图3为本申请实施例提供的一种信号处理方法的一种示意图；

图4-1为本申请实施例提供的一种信号处理方法的另一种示意图；

图4-2为本申请实施例提供的一种信号处理方法的另一种示意图；

图4-3为本申请实施例提供的一种信号处理方法的另一种示意图；

图5为本申请实施例提供的一种信号处理方法的另一种示意图；

图6为本申请实施例提供的一种信号处理装置的一种示意图；

图7为本申请实施例提供的一种信号处理装置的另一种示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

首先，对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。

1、终端设备：可以是能够接收网络设备调度和指示信息的无线终端设备，无线终端设备可以是指向用户提供语音和/或数据连通性的设备，或具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。

终端设备可以经无线接入网(radio access network，RAN)与一个或多个核心网或者互联网进行通信，终端设备可以是移动终端设备，如移动电话(或称为“蜂窝”电话，手机(mobile phone))、计算机和数据卡，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。例如，个人通信业务(personal communication service，PCS)电话、无绳电话、会话发起协议(SIP)话机、无线本地环路(wireless local loop，WLL)站、个人数字助理(personal digital assistant，PDA)、平板电脑(Pad)、带无线收发功能的电脑等设备。无线终端设备也可以称为系统、订户单元(subscriber unit)、订户站(subscriber station)，移动站(mobile station)、移动台(mobile station，MS)、远程站(remote station)、接入点(access point，AP)、远程终端设备(remote terminal)、接入终端设备(access terminal)、用户终端设备(userterminal)、用户代理(user agent)、用户站(subscriber station，SS)、用户端设备(customer premises equipment，CPE)、终端(terminal)、用户设备(user equipment，UE)、移动终端(mobile terminal，MT)等。终端设备也可以是可穿戴设备以及下一代通信系统，例如，5G通信系统中的终端设备或者未来演进的公共陆地移动网络(public land mobilenetwork，PLMN)中的终端设备等。

2、网络设备：可以是无线网络中的设备，例如网络设备可以为将终端设备接入到无线网络的无线接入网(radio access network，RAN)节点(或设备)，又可以称为基站。目前，一些RAN设备的举例为：5G通信系统中的新一代基站(generation Node B，gNodeB)、传输接收点(transmission reception point，TRP)、演进型节点B(evolved Node B，eNB)、无线网络控制器(radio network controller，RNC)、节点B(Node B，NB)、基站控制器(basestation controller，BSC)、基站收发台(base transceiver station，BTS)、家庭基站(例如，home evolved Node B，或home Node B，HNB)、基带单元(base band unit，BBU)，或无线保真(wireless fidelity，Wi-Fi)接入点(access point，AP)等。另外，在一种网络结构中，网络设备可以包括集中单元(centralized unit，CU)节点、或分布单元(distributedunit，DU)节点、或包括CU节点和DU节点的RAN设备。

其中，网络设备能够向终端设备发送配置信息(例如承载于调度消息和/或指示消息中)，终端设备进一步根据该配置信息进行网络配置，使得网络设备与终端设备之间的网络配置对齐；或者，通过预设于网络设备的网络配置以及预设于终端设备的网络配置，使得网络设备与终端设备之间的网络配置对齐。具体来说，“对齐”是指网络设备与终端设备之间存在交互消息时，两者对于交互消息收发的载波频率、交互消息类型的确定、交互消息中所承载的字段信息的含义、或者是交互消息的其它配置的理解一致。

此外，在其它可能的情况下，网络设备可以是其它为终端设备提供无线通信功能的装置。本申请的实施例对网络设备所采用的具体技术和具体设备形态不做限定。为方便描述，本申请实施例并不限定。

网络设备还可以包括核心网设备，核心网设备例如包括访问和移动管理功能(access and mobility management function，AMF)、用户面功能(user plane function，UPF)或会话管理功能(session management function，SMF)等。

本申请实施例中，用于实现网络设备的功能的装置可以是网络设备，也可以是能够支持网络设备实现该功能的装置，例如芯片系统，该装置可以被安装在网络设备中。在本申请实施例提供的技术方案中，以用于实现网络设备的功能的装置是网络设备为例，描述本申请实施例提供的技术方案。

3、神经网络：神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距1为输入的运算单元，该运算单元的输出可以为：

其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。其中，一个神经网络可以包括有多个神经单元组成的“层”，例如输入层、隐藏层及输出层。输入层负责接收输入数据并分发到隐藏层这些隐藏层负责所需的计算及输出结果给输出层，再由输出层对输出结果进行输出。

4、本申请实施例中的术语“系统”和“网络”可被互换使用。“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、同时存在A和B、单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如“A，B和C中的至少一个”包括A，B，C，AB，AC，BC或ABC。以及，除非有特别说明，本申请实施例提及“第一”、“第二”等序数词是用于对多个对象进行区分，不用于限定多个对象的顺序、时序、优先级或者重要程度。

图1为本申请中通信系统的一种示意图。在图1所示通信系统中，包括至少一个网络设备和至少一个终端设备，例如图1所示网络设备101、以及终端设备102、终端设备103、终端设备104、终端设备105、终端设备106以及终端设备107等。在图1所示的示例中，是以终端设备102为交通工具，终端设备103为智能空调，终端设备104为智能加油机，终端设备105为手机，终端设备106为智能茶杯，终端设备107为打印机进行举例说明的。

在图1所示通信系统的通信过程中，信号发射端可以是网络设备和/或终端设备，信号接收端也可以是网络设备和/或终端设备，且在信号发射端与信号接收端之间的信号传输过程可以应用多输入多输出(multiple-input and multiple-output，MIMO)技术。MIMO技术是无线通信领域目前研究的热点，各种新型移动通信系统中都采用MIMO技术来提高系统的频谱效率。其中，MIMO技术可以增加数据复用的空间维度，使多份数据空间复用到相同的时频资源，也可以用多个天线上发送同样的数据和/或用多个接收天线接收同样的数据，获得空间分集增益。

在应用MIMO技术的传输过程中，信号发射端将比特信息映射为星座符号，并将星座符号调制为信号，通过发射天线发送信号。相应的，信号接收端通过接收天线接收信号，将信号解调为星座符号的发送概率，并根据该概率结果确定比特软信息，最后根据比特软信息进行译码，例如通过搜索路径结果，并在该搜索路径结果中确定比特信息。其中，在信号发射端中，基带处理通常会包含信道编码和调制两个重要过程，相对应地，在信号接收端中，基带处理则有解调和信道译码过程。下面将分别对信号发射端和信号接收端的处理过程进行描述。

在信号发射端中，调制过程即将编码后的比特信息(取值为0或1)映射为星座符号，以正交振幅调制(quadrature amplitude modulation，QAM)调制中的16QAM调制为例，即将每4比特(对应2^4＝16种状态)信息映射为一个二维(通常称为I/Q路)平面的星座符号，并且每种比特组合状态与每个调制符号间存在固定的映射关系，比如格雷码(graycode)映射。然后，发射端将星座符号进行载波调制并发送，其中，载波调制可以通过正交频分复用技术(orthogonal frequency division multiplexing，OFDM)实现。

在信号接收端中，信号接收端需要计算比特软信息，即根据比特状态和调制符号的固定映射关系得到每个信息比特取值为0或取值为1的概率，该过程可以通过公式(1)表示：

在公式(1)中，P_s(i)表示第i个符号对应的解调概率，P_b(j)表示第j个比特对应的概率。

此后，信号接收端中的译码器根据比特软信息的对数比值(即

和/或，

)，实现译码。显然，在公式(1)中，将第j个比特取值为0，以及第j个比特取值为1对应的所有星座符号概率求和，可得：P_b(b_j＝0)+P_b(b_j＝1)＝1。

此外，由于实际通信系统中存在噪声、干扰等影响，以及MIMO技术的广泛运用，在星座解调前，即计算公式(1)过程之前，需要利用MIMO检测技术来获得星座概率估计结果，其中，星座概率估计结果可以记为P_s(i)。具体地，在高斯噪声假设和理想信道信息假设下，最大似然检测(maximal likelihood detection，MLD)为最优的检测算法，但是其复杂度随着调制方式和MIMO复用流数的升高呈指数级增长，实际系统不可实现。实际可实现的算法可分为线性检测算法和非线性检测算法，非线性检测算法又可称为次优MLD算法，其性能逼近最优的MLD算法。其中，线性检测算法的实现复杂度低，但性能与最优的MLD算法相比，损失较大；非线性检测算法性能逼近于最优的MLD算法，但实现复杂度高，且不利于用通用处理器的友好实现，比如图形处理器(graphic processing unit，GPU)，数字信号处理器(digital signal processor，DSP)等。

其中，对于信号接收端来说，接收信号模型可以通过公式(2)表示：

y＝Hs+n (2)

在公式(2)中，y表示接收信号向量，H表示MIMO系统的信道矩阵，s表示发送星座符号向量，n表示独立的加性零均值复高斯噪声。

其中，在实际的通信系统中，n为一个未知的随机噪声，y为接收信号，且接收信号y至少包括导频符号(s已知)和数据符号(s未知)。对于信号接收端来说，可以通过导频符号(已知y和s)估计得到H(称为信道估计)，然后将此信道估计结果用于数据符号一起用于s的估计。

基于公式(2)所示接收信号模型，使用非线性检测算法进行次优MLD软检测过程可以通过公式(3)近似表示：

在公式(3)中，||y-Hs||²表示度量值，

表示星座符号s的所有可能集合，{s₁,s₂,…,s_K}表示星座符号s在度量值取值最小时对应的k种星座组合路径。

进一步，考虑到高斯加性噪声影响，为了求解公式(1)，一般可以采用max-log算法近似计算得到比特软信息，即逐比特从集合{s₁,s₂,…,s_K}种挑选最小的度量值作为输出，记为

即通过公式(4)表示：

此后，将每个比特取0和取1的结果相减得到最终的比特对数似然比(log-likelihood ratio，LLR)，即有

或

为了求解公式(3)，可采用经典的多路并行搜索算法，整体方案的实现框图如图2所示，具体包括：

步骤1、对信道矩阵H进行列置换，从而得到不同列排序组合的信道矩阵结果，记为：{H₁,H₂,…,H_M}，其中，H_m＝HP_m,m＝1,2,…,M，P_m为列置换矩阵。

步骤2、对步骤1得到的所有排序后的信道矩阵依次进行正交三角(QR)分解，即有H_m＝Q_mR_m,m＝1,2,…,M。这里Q_m为酉阵，即

R_m为上三角矩阵。

步骤3、用矩阵

对接收信号y和信道矩阵H进行滤波即可得到等效接收信号模型，即有：

步骤4、利用R_m矩阵的三角结构，通过串行解方程的方式可以实现对星座点的搜索及相应度量值计算。具体地，为了表示简洁，记

)，可得：

其中，对上述最末的第N层而言，可以求得

然后根据调制方式，从星座集合

挑选距离

最近的P个星座作为候选星座，然后将该星座值带入前面各层构成的方程中进行消除，将方程解硬判至星座集合

中的最近星座点，并带入前面各层中，即实现多路并行的串行干扰消除(successive interference cancellation,SIC)。最后计算每组搜索结果对应的度量值，第i组对应的度量值计算表达式为:

η_i＝||y-Hs_i||²,i＝1,2,…,M×P，

其中，s_i为第i组星座搜索结果，η_i为该组搜索结果对应的度量值。

对步骤1中的每种列置换结果均执行上述步骤2至步骤4，总共可以得到M×P种星座路径搜索结果及其度量值，最后按照公式(4)的求解方法近似解决公式(1)的问题，从而得到比特对数似然比LLR值。

由上述内容可知，信号接收端在实现比特软信息估计的处理过程中，至少存在以下问题：在进行LLR计算时，即公式(4)的求解过程中，采用max-log算法需逐比特从搜索星座路径结果中进行挑选，均是非规整的查找、比较操作，不利于通用处理器的高效实现；此外，在非线性检测过程中，即公式(3)的求解过程中，需要进行多次的QR分解，使得算法实现复杂度高，影响通信效率。

为了解决上述在实现比特软信息估计的处理过程效率较低的问题，本申请实施例提供了多种方案，可以从解决问题的不同角度分别实现，下面将详细介绍。

图3为本申请实施例中信号检测方法的一种示意图，如图3所示，该信号检测方法包括如下步骤。

S101、确定接收信号的信道状态信息；

本实施例中，信号检测装置在接收到接收信号之后，确定该接收信号的信道状态信息，其中，该接收信号包括待检测信号。

具体地，该信号检测装置可以为网络设备或者是终端设备，也可以为网络设备或者是终端设备的部件(例如处理器、芯片或芯片系统等)。

在步骤S101中，信号检测装置可以通过有线通信或者无线通信的方式获取得到包含有待检测信号的接收信号，并确定该接收信号的信道状态信息。其中，接收信号可以由多个不同发射端的发射信号组成，对于该信号检测装置来说，接收信号中包含有多个发射端的待检测信号，通过本实施例中步骤S101至步骤S104的过程将各个发射端的待检测信号进行检测，得到各个待检测信号对应的软比特信息。

示例性地，在步骤S101中，信号检测装置可以通过公式(2)所示模型确定接收信号的信道状态信息，即将公式(2)中用于表示MIMO系统的信道矩阵H确定为接收信号的信道状态信息。

S102、根据所述信道状态信息确定所述接收信号的滤波参数；

本实施例中，信号检测装置可以根据步骤S101确定得到的信道状态信息，进一步确定出接收信号的滤波参数。

在一种可能的实现方式中，在步骤S102的实现过程中，信号检测装置可以根据信道状态信息在目标方式中确定该接收信号的滤波参数，其中，该目标方式可以包括Cholesky分解处理、QR分解处理、按序QR分解(sorted QR decomposition，SQR)处理或线性检测处理，或者是其它的处理方式实现，此处不做限定。下面将通过具体的示例进行描述：

方式A、步骤S102中确定接收信号的滤波参数的过程可以通过Cholesky分解处理得到，具体包括以下步骤：

步骤A1、根据信道状态信息计算信道相关矩阵，即：

R_hh＝H^HH+I；

其中，R_hh为信道相关矩阵，H^H为H的转置共轭矩阵，I用于指示噪声协方差信息。

具体地，当复高斯噪声的方差为1时，用于指示噪声协方差信息的I为单位矩阵。更一般地，当噪声为由干扰等因素引起的有色噪声时，噪声协方差信息可以为其他形式，但都可以通过白化操作进行等效变换为单位矩阵。示例性地，白化操作是指，对于一般的噪声协方差矩阵R_uu，可以对其进行Cholesky分解得到R_uu＝LL^H，然后对分解结果求逆得到白化矩阵L^-1，用此白化矩阵乘以接收信号和信道矩阵H即可得到等效模型的噪声协方差矩阵为单位矩阵I。

步骤A2、对信道相关矩阵进行Cholesky分解，得到：

其中，L_h为下三角矩阵，

为L_h的转置共轭矩阵。

步骤A4、对求取下三角矩阵L_h的逆，记为：

并使用

对接收信号进行滤波，得到：

或

其中，y用于指示滤波前的接收信号或模型规整后的等效信号，

用于指示滤波后的信号。滤波参数包括L_h、

H^H和

H^H中的一个或多个，或者是由此变换得到的其他形式，此处不做限定。

方式B，步骤S102中确定接收信号的滤波参数的过程可以通过QR分解处理得到，具体包括以下步骤：

步骤B1、根据信道状态信息进行QR分解或SQR分解，得到：

其中，I用于指示噪声协方差信息；Q、R用于指示分解后得到的酉阵和上三角矩阵；SQR分解得到分解结果的形式与QR分解完全一致，不同在于其多了一个关于列置换的矩阵P。

步骤B2、根据QR分解的结果可以得到：

其中y用于指示滤波前的接收信号或模型规整后的等效信号，

用于指示滤波后的信号。滤波参数包括Q^H和R，以及由此变换或从中抽取的部分元素，比如分块矩阵抽取，即从

抽取Q₁、Q₁、Q₂、Q₃、Q₄中的一个或多个作为滤波参数，以及由此变换得到的其他形式，此处不做限定。

方式C，步骤S102中确定接收信号的滤波参数的过程可以通过线性检测方法处理得到，例如线性最小均方误差(linear minimum mean square error，LMMSE)算法、最大比合并检测算法、迫零检测算法等实现。此处以线性最小均方误差(linear minimum meansquare error，LMMSE)算法作为线性检测方法的一种示例进行说明。通过LMMSE算法可以得到：

步骤C1：利用LMMSE对应的滤波参数对接收信号或模型规整后的等效信号进行滤波，即：

其中，I用于指示噪声协方差信息，(H^HH+I)^-1H^H为滤波参数，或者是由此变换得到的其他形式，此处不做限定。

可选地，在步骤S102的实现过程中，还可以进一步根据引入规整处理过程加以优化，其中，该规整处理也可以称为模型规整处理，具体实现可以包括信道功率去归一化、取值范围调整、列换序等或者是其它的模型规整处理操作。相比于规整处理前的数据，规整处理后的数据更利于后续处理的取值区域(比如连续整数取值)及得到更好的排序顺序。

具体地，信号检测装置在步骤S102的实现过程中，模型规整处理的过程可以对信道状态信息进行模型规整处理后，进一步确定接收信号的滤波参数。即信号检测装置根据第一预设参数对信道状态信息进行规整处理，得到处理后的信道状态信息，并根据第二预设参数对接收信号进行规整处理，得到第一接收信号；然后，再执行上述方式A中步骤A1、步骤A2和步骤A3，或，再执行上述方式B中步骤B1、步骤B2，或，再执行上述方式C中步骤C1，即根据处理后的信道状态信息确定第一接收信号的滤波参数。其中，第一预设参数和第二预设参数的实现，可以是预设的数值取值范围、也可以是预设的向量、也可以是预设的矩阵或者是其它的参数实现，此处不做限定。

示例性的，步骤S102的模型规整的实现过程中，具体包括如下步骤实现：

首先根据待检测信号的调制方式完成模型规整操作，目的是将待检测信号变换至更利于后续处理的取值区域(比如连续整数取值)及得到更好的排序顺序。以无线通信系统为长期演进(long term evolution，LTE)系统或新无线(new radio，NR)系统中常用的QAM调制发送方式为例，可以将信道状态信息变换为：

相应的，可以进一步将接收信号变换为：

其中，e表示各元素全为1的列向量，其维度与H的列数相同；γ向量由待检测信号的调制方式确定的功率归一化因子，根据调制方式的不同取值如下表1中所示；diag{γ}表示由向量γ组成的对角矩阵(即第一预设参数通过上述公式中的2diag{γ}实现，第二预设参数通过上述公式中的Hdiag{γ}e实现)。

可选的，可以进一步对矩阵

进行适当的列置换操作，实现各流的重排序。排列顺序或列置换矩阵P可通过对

进行SQRD操作得到也可以通过其他方式预设配置。那么重排序后的等效信道为

此外，模型规整操作的处理过作为一种可选的实现方式，在本实施例及后续实施例的处理过程中，可以使用模型规整操作得到的

或

作为信道状态信息、

作为接收信号参与计算，也可以不经过模型规整操作使用H作为信道状态信息、y作为接收信号参与计算，此处不做限定。

表1

S103、根据所述接收信号和所述接收信号的滤波参数确定所述待检测信号的目标统计特征；

本实施例中，信号检测装置根据接收信号和步骤S102中得到的接收信号的滤波参数确定待检测信号的目标统计特征，其中，目标统计特征用于指示待检测信号的后验概率的统计信息。

在一种可能的实现方式中，也可以进一步根据引入规整处理过程加以优化，其中，该规整处理也可以称为模型规整处理，具体实现可以包括信道功率去归一化、取值范围调整、列换序等或者是其它的模型规整处理操作。相比于规整处理前的数据，规整处理后的数据更利于后续处理的取值区域(比如连续整数取值)及得到更好的排序顺序。

具体地，信号检测装置在步骤S103的实现过程中，模型规整处理的过程可以对接收信号和该接收信号的滤波参数进行模型规整处理之后，得到第二接收信号和第一滤波参数之后，再进一步确定待检测信号的目标统计特征。其中，第三预设参数和第四预设参数可以是预设的数值取值范围、也可以是预设的向量、也可以是预设的矩阵或者是其它的参数实现，此处不做限定。

示例性的，以步骤S102中通过方式A，即Cholesky分解得到接收信号的滤波参数为

的过程为例进行说明，在步骤S103的模型规整的实现过程中，可以将接收信号变换为：

可以将接收信号的滤波参数变换为：

其中，

ρ为矩阵

的主对角线元素组成的对角矩阵；γ为待检测信号由于星座调制产生的功率归一化因子组成的对角矩阵，不同调制方式下对应的功率归一化因子如前述表1所示实现内容。

此外，模型规整操作的处理过作为一种可选的实现方式，在本实施例及后续实施例的处理过程中，可以使用模型规整操作得到的

作为接收信号的滤波参数、

作为接收信号参与计算，也可以不经过模型规整操作使用

(或者前述方式A、方式B、方式C中的其他形式)作为接收信号的滤波参数、y作为接收信号参与计算，此处不做限定。

在一种可能的实现方式中，在步骤S103中，可以通过线性处理过程确定出待检测信号的目标统计特征，具体该线性处理过程可以通过LMMSE算法、最大比合并检测算法、迫零检测算法等实现，此处不做限定。

此处以步骤S102中通过LMMSE算法的实现过程(即方式C)为例，通过方式C可以确定出接收信号的滤波参数为(H^HH+I)^-1H^H；滤波结果

就是相应的一阶矩统计特征，(H^HH+I)^{- 1}H^HH所示矩阵的主对角线元素就是相应的二阶矩统计特征，即通过LMMSE算法在步骤S103中可以确定，待检测信号的目标统计特征包括一阶矩统计特征

和二阶矩统计特征(H^HH+I)^{- 1}H^HH。

在一种可能的实现方式中，在步骤S103中，根据该接收信号和该接收信号的滤波参数确定该待检测信号的目标统计特征的过程具体可以包括：根据该接收信号的滤波参数对接收信号进行随机采样，得到采样结果，该采样结果用于指示该待检测信号的后验概率的离散信息；根据该采样结果计算得到该待检测信号的目标统计特征。其中，随机采样的作用是以极大的概率选中搜索度量值最小的多种星座组合路径，即确定出用于指示待检测信号的后验概率的统计信息的目标统计特征。

具体地，该根据该接收信号的滤波参数对接收信号进行随机采样，得到采样结果的过程具体可以包括：根据该接收信号的滤波参数以及目标采样结构对该接收信号进行随机采样，得到采样结果，该目标采样结构包括串行采样结构和/或并行采样结构。即，信号检测装置可以通过串行采样结构和/或并行采样结构对接收信号进行随机采样，得到采样结果。

在步骤S103中的随机采样过程得到采样结果可以通过多种算法实现，本实施例中提供一种示例性地采样算法，以步骤B2中得到的接收信号

和滤波参数R为例，具体包括：

步骤D1、利用矩阵R的上三角结构，通过串行流间干扰消除的方式，从下至上逐层估计待检测信号(第i层的估计结果记为

并根据各层/流的调制方式，将估计结果随机量化至候选星座点记为

比如方式一：

其中Q(.)表示最近星座量化操作，ε_i表示预设定随机采样数；方式二：

其中Q(.)表示最近星座量化操作，Δ_i表示合法的星座随机偏移量，将当前星座随机偏移至其他星座点，可通过预先配置给出；或者是通过其它的方式实现，此处不作限定。

步骤D2、独立多次重复步骤D1(即配置不同的随机采样数或偏移量)，如此可得到多组采样结果，或称为采样路径结果，记为：

其中，N为采样总次数，

表示采样路径结果，这里N_t为待检测信号的总流数。

步骤D3、计算每条采样路径结果对应的度量值得到η＝[η₁,…,η_N]。

一种可能的计算方法为：

其中，||.||²取模平方操作。此外，还可以其他利用滤波参数等效计算得到该度量值，此处不再赘述。

可选地，将上述步骤D1～D3中的输出由步骤B2中得到的接收信号

和滤波参数分别替换为，方式A的步骤A3中得到的接收信号

和滤波参数

然后执行步骤D1～D4亦可得到采样结果及相应的度量值，或者是通过方式C以及其它方式实现，实现过程与上述步骤D1～D3，此处不再赘述。

可选地，上述随机采样算法中步骤D1、步骤D2和步骤D3中使用的是串行采样结构，可以替换为并行采样结构进行调整，以步骤A3中得到的接收信号

和滤波参数

为例，具体如下：

步骤E1、计算随机采样估计结果：

其中，ε表示预先设定的随机扰动向量。

步骤E2、对采样结果进行最近星座点量化：

其中，Q(.)表示最近星座量化操作。

步骤E3、独立多次重复步骤E1～E2(配置不同的随机扰动向量ε)，可得到多组采样结果，记为：

其中，N为采样总次数，

表示采样路径结果，这里N_t为待检测信号的总流数。

步骤E4、计算每条采样路径对应的度量值得到η＝[η₁,…,η_N]。

一种可能的计算方法为：

其中，||.||²取模平方操作。此外，还可以其他利用滤波参数等效计算得到该度量值，此处不再赘述。

此外，信号检测装置在得到采样结果之后，可以进一步根据该采样结果计算得到该待检测信号的目标统计特征，此处基于上述随机采样算法的示例得到的采样结果

和η进行说明，该计算过程包括：

步骤F1、计算路径归一化概率，得到：

p＝softmax(η)

其中，p用于指示路径归一化概率行向量，其每个元素表示该采样路径对应的归一化概率值，softmax()表示激活函数，用于将输入向量归一化为概率值，第n个输出值的计算表达式为

η用于指示采样路径对应的度量值。

步骤F2、分实部和虚部分别计算一阶矩特征，得到：

其中，μ_r/i用于指示每流的实部/虚部对应的一阶特征矩组成的列向量，real/imag()用于指示取实部/虚部操作，p^T用于指示p的转置矩阵。

步骤F3、分实部和虚部分别计算二阶矩特征，得到：

其中，

用于指示每流的实部/虚部对应的额二阶矩特征，e用于指示维度与采样路径数N相等的全1行向量，p^T用于指示p的转置矩阵。

由上述计算过程可得，在步骤S103中可以确定待检测信号的目标统计特征包括上述一阶矩特征μ_r/i和二阶矩特征

S104、采用神经网络对所述目标统计特征进行至少一次处理后输出所述待检测信号对应的目标比特软信息。

本实施例中，信号检测装置在步骤S103中得到目标统计特征之后，将该目标统计特征作为神经网络的输入，经过神经网络对目标统计特征进行至少一次处理后，输出得到待检测信号对应的目标比特软信息，从而完成接收信号中待检测信号的检测过程。

下面将对本申请中涉及的神经网络的训练过程进行示例性的说明。

参见图4-1，本发明实施例提供了一种系统架构100。数据采集设备160用于采集接收信号和/或接收信号中待检测信号的目标统计特征作为输入数据并存入数据库130，训练设备120基于数据库130中维护的输入数据生成目标模型/规则101。下面将更详细地描述训练设备120如何基于输入数据得到目标模型/规则101。

深度神经网络中的每一层的工作可以用数学表达式

来描述：从物理层面深度神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作，完成输入空间到输出空间的变换(即矩阵的行空间到列空间)，这五种操作包括：1、升维/降维；2、放大/缩小；3、旋转；4、平移；5、“弯曲”。其中1、2、3的操作由

完成，4的操作由+b完成，5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物，而是一类事物，空间是指这类事物所有个体的集合。其中，W是权重向量，该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换，即每一层的权重W控制着如何变换空间。训练深度神经网络的目的，也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。

因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)。比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到神经网络能够预测出真正想要的目标值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objectivefunction)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。

训练设备120得到的目标模型/规则可以应用不同的系统或设备中。在图4-1中，执行设备110配置有I/O接口112，与外部设备进行数据交互，“用户”可以通过客户设备140向I/O接口112输入数据。

执行设备110可以调用数据存储系统150中的数据、代码等，也可以将数据、指令等存入数据存储系统150中。其中，本申请实施例中的信号检测装置可以包括该执行设备110实现神经网络的处理过程，或者是通过外接该执行设备110以实现神经网络的处理过程，此处不做限定。

计算模块111使用目标模型/规则101对输入的数据进行处理，例如在步骤S104中，使用该计算模块111将输入的目标统计特征进行至少一次处理，得到待检测信号对应的目标比特软信息

最后，I/O接口112将处理结果返回给客户设备140，提供给用户。

更深层地，训练设备120可以针对不同的目标，基于不同的数据生成相应的目标模型/规则101，以给用户提供更佳的结果。

值得注意的，图4-1仅是本发明实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图4-1中，数据存储系统150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统150置于执行设备110中。

在一种可能的实现方式中，在步骤S104中，信号检测装置在神经网络中可以通过多种方式对待检测信号的目标统计特征进行至少一次处理过程，输出对应的目标比特软信息，具体来说，可以在得到待检测信号的目标统计特征之后，通过神经网络中的映射处理，得到待检测信号的目标比特软信息。

示例性地，该映射过程以图4-2为例，在输入层中，以目标统计特征(一阶矩特征μ_r/i和二阶矩特征

)作为输入数据，经过隐藏层的映射处理之后，输出为比特软信息。其中，隐藏层中可以存在若干个计算节点，对于不同的调制方式，该节点个数可以存在不同的取值(例如4、8、16…)。其中，输出节点数用于指示调制比特数，跟调制方式有关。示例性的，以256QAM调制为例，并且比特映射采用格雷映射，即每个星座符号对应8比特(由于2⁸＝256)，格雷映射下，每个星座符号的实部和虚部分别独立映射，即各占4比特，所以输出节点为4；以16QAM调制为例，并且比特映射采用格雷映射，即每个星座符号对应4比特(由于2⁴＝16)，格雷映射下，每个星座符号的实部和虚部分别独立映射，即各占2比特，所以输出节点为2。

在一种可能的实现方式中，在步骤S104中，信号检测装置在神经网络中可以通过多种方式对待检测信号的目标统计特征进行至少一次处理过程，输出对应的目标比特软信息，其中，在得到待检测信号的目标统计特征之后，通过神经网络中的融合处理得到用于指示目标比特软信息的统计信息的第一统计特征之后，对该第一统计特征进行映射处理，输出待检测信号的目标比特软信息。

以图4-2所示为例，通过神经网络中的融合处理得到用于指示目标比特软信息的统计信息的第一统计特征的过程具体包括：将输入的目标统计特征的多种(一阶矩特征和二阶矩特征)合并为一种，使得合并后的特征维度大于输入合并前的特征维度。示例性地，可以将输入一阶矩取绝对值操作得到|μ|，并经过一个线性变换，然后将变换结果乘以二阶矩非线性变换值(此处以

为例，也可选择设计其他随着σ²变大而单调变小的函数形式，或者通过网络结构变换后的形式)，再经过一个非线性激活函数的计算过程，得到计算结果作为隐藏层的输出。其中，该激活函数可以采用ReLu激活函数和/或softplus激活函数和/或softmax激活函数，以softplus激活函数实现为例，形式为f(x)＝ln(1+e^x)。

在一种可能的实现方式中，在步骤S104中，信号检测装置在神经网络中可以通过多种方式对待检测信号的目标统计特征进行至少一次处理过程，输出对应的目标比特软信息，其中，在得到待检测信号的目标统计特征之后，通过神经网络中的映射处理得到待检测信号对应的第一比特软信息之后，根据第一取值范围对该待检测信号对应的第一比特软信息进行修正处理，输出待检测信号的目标比特软信息。

以图4-2所示为例，根据第一取值范围对该待检测信号对应的第一比特软信息进行修正处理的过程具体可以包括：根据输入的目标统计特征的不同，确定出不同的第一取值范围，例如该第一取值范围可以为(a，0)、或者是(0，b)、或者是(c，d)，其中，a小于0，b大于0，d大于c；进一步地，根据该第一取值范围进行相应的输出符号调整(即可能取相反数)，或者是，修正对比特软信息的取值范围进行了最大最小值限定。示例性地，可以根据输入一阶矩μ_r/i的(正或负)符号，对输出的低位比特结果(即图4-2中η₀)进行修正，即如果μ大于0，η₀的结果取反输出。

在一种可能的实现方式中，在步骤S104中，信号检测装置在神经网络中可以通过多种方式对待检测信号的目标统计特征进行至少一次处理过程，输出对应的目标比特软信息，其中，在得到待检测信号的目标统计特征之后，通过神经网络中的融合处理得到用于指示该待检测信号对应的第二比特软信息的统计信息的第二统计特征，并对该第二统计特征进行映射处理得到第二比特软信息之后，根据第二取值范围对该第二比特软信息的取值进行修正处理，输出待检测信号的目标比特软信息。

本实施例中，映射处理、融合处理和修正处理的过程可以参考前述关于图4-2所示内容的描述，此处不再赘述。

在一种可能的实现方式中，神经网络在处理过程中，使用的权重系数为经过预设算法生成数据标签后，对预设信号进行训练得到的，相比于神经网络中使用实际发送的真实数据作为标签，计算得到的权重系数参与的处理过程相比，可以简化损失函数的设计，同时优化神经网络的处理结果，逼近预设算法的最优性能。具体地，该预设算法可以包括最大似然检测MLD算法，或者是，线性最小均方误差LMMSE算法，或者是其它的算法实现，此处不做限定。

优选的，神经网络的权重系数可以为该神经网络经过最大似然检测MLD算法生成数据标签后，对预设信号进行训练得到。具体地，由于在信号检测处理的过程中，在高斯噪声假设和理想信道信息假设下，MLD为最优的检测算法，因此，在神经网络中应用经过MLD算法生成数据标签后对预设信号进行训练得到的权重系数，可以优化神经网络的后续处理过程。

本实施例中，信号检测装置在接收到接收信号之后，确定接收信号的信道状态信息，所述接收信号包括待检测信号；根据所述信道状态信息确定所述接收信号的滤波参数；根据所述接收信号和所述接收信号的滤波参数确定所述待检测信号的目标统计特征，所述目标统计特征用于指示所述待检测信号的后验概率的统计信息；采用神经网络对所述目标统计特征进行至少一次处理后输出所述待检测信号对应的目标比特软信息。其中，信号检测装置根据接收信号的滤波参数确定待检测信号的统计特征，采用神经网络对所述目标统计特征进行至少一次处理后输出所述待检测信号对应的目标比特软信息，即利用神经网络将待检测信号的统计特征进行处理后输出对应的比特软信息，相较于传统max-log算法中的比较操作，替换为神经网络处理过程中更加通用和高效的乘加操作，优化信号检测装置的信号处理过程，提升通信效率。

图4-3为本申请实施例中信号检测方法的一种示意图，如图4-3所示，该信号检测方法包括如下步骤。

S1、根据信道信息和噪声协方差信息对接收信号进行线性处理；

本实施例中，信号检测装置获取得到接收信号，可以通过公式(2)的处理过程得到信道信息H(即信道状态信息)，并根据噪声协方差信息I对该接收信号y进行线性处理，得到线性处理结果。

其中，在步骤S1线性处理过程中，可以参考前述步骤S101中方式A、方式B、方式C及其相关步骤实现，此处不再赘述。

S2、根据线性处理后的结果和等效协方差矩阵进行随机采样；

本实施例中，信号检测装置根据线性处理后的结果和等效协方差矩阵进行随机采样，得到随机采样结果。

其中，在步骤S2的随机采样过程可以参考前述步骤S103中采样过程，即步骤D1至步骤D3，以及步骤E1至步骤E4及其相关步骤的实现过程，此处不再赘述。

S3、根据采样结果计算每个采样维度对应的矩特征值；

本实施例中，信号检测装置根据采样结果计算每个采样维度对应的矩特征值。

其中，在步骤S3的计算矩特征值的过程可以参考前述步骤S103中步骤F1至步骤F3及其相关步骤的实现过程，此处不再赘述。

S4、将矩特征映射为最终的比特LLR值输出；

本实施例中，将步骤S3得到的每一个矩特征对，根据接收信号的调制方式，依次在神经网络中映射为对应的比特LLR值输出，映射方法为将输入经过一个给定的神经网络即可。

其中，在步骤S4的在神经网络(例如图4-2所示)的映射处理过程可以参考前述步骤S104中的实现过程，此处不再赘述。

本实施例中，在与处理部分，等价只需进行单次Cholesky分解，与基于多次QR分解的方案明显具有更低的复杂度，此外，在LLR映射部分，利用神经网络将矩特征直接映射为LLR值，将传统max-log算法中的比较操作，替换为更加通用和高效的乘加操作；进一步地，上述计算过程的性能逼近最优的MLD性能，在实际场景中较低复杂度的线性处理方法有明显的性能增益。

图5为本申请实施例中信号检测方法的一种示意图，如图4-3所示，该信号检测方法包括如下步骤。

S201、确定接收信号的信道状态信息；

本实施例中，信号检测装置在接收到接收信号之后，确定该接收信号的信道状态信息，其中，该接收信号包括待检测信号。

其中，在步骤S201的实现过程可以参考前述步骤S101中的相关步骤实现，此处不再赘述。

S202、根据所述信道状态信息确定所述接收信号的滤波参数；

本实施例中，信号检测装置可以根据步骤S201确定得到的信道状态信息，进一步确定出接收信号的滤波参数。

其中，在步骤S202的实现过程可以参考前述步骤S102中的相关步骤实现，此处不再赘述。

S203、根据所述接收信号的滤波参数对所述接收信号进行随机采样，得到采样结果；

本实施例中，信号检测装置根据步骤S202得到的接收信号的滤波参数对接收信号进行随机采样，得到采样结果。其中，该采样结果用于指示该待检测信号的后验概率的离散信息。

在一种可能的实现方式中，该根据该接收信号的滤波参数对接收信号进行随机采样，得到采样结果的过程具体可以包括：根据该接收信号的滤波参数以及目标采样结构对该接收信号进行随机采样，得到采样结果，该目标采样结构包括串行采样结构和/或并行采样结构。即，信号检测装置可以通过串行采样结构和/或并行采样结构对接收信号进行随机采样，得到采样结果。

在步骤S203中的随机采样过程得到采样结果可以通过多种算法实现，可以参考前述步骤S103中采样过程，即步骤D1至步骤D3，以及步骤E1至步骤E4及其相关步骤中，计算得到采样结果(或者采样路径结果)的实现过程，此处不再赘述。

S204、根据所述采样结果得到所述待检测信号对应的目标比特软信息。

本实施例中，信号检测装置根据步骤S203得到的采样结果进一步计算得到待检测信号对应的目标软比特信息。

在一种可能的实现方式中，根据采样结果得到待检测信号对应的目标软比特信息的过程可以通过前述公式(4)的方式实现。示例性地，以采样结果通过步骤E1至步骤E4计算得到为例，采样结果可以表示为：

其中，N为采样总次数，

表示采样路径结果，这里N_t为待检测信号的总流数。

进一步地，考虑到高斯加性噪声影响，为了求解公式(1)，一般可以采用max-log算法近似计算得到比特软信息，即逐比特从集合

种挑选最小的度量值作为输出，记为

即通过公式(4)表示：

此后，将每个比特取0和取1的结果相减得到最终的比特对数似然比(log-likelihood ratio，LLR)，即得到待检测信号对应的目标比特软信息为

和/或

在一种可能的实现方式中，在步骤S204中，计算得到待检测信号对应的目标比特软信息的实现过程也可以参考前述步骤S104中通过神经网络的实现，此处不再赘述。

本实施例中，信号检测装置在接收到接收信号之后，确定接收信号的信道状态信息，该接收信号包括待检测信号；根据该信道状态信息确定该接收信号的滤波参数；根据该接收信号的滤波参数对该接收信号进行随机采样，得到采样结果，该采样结果用于指示该待检测信号的后验概率的离散信息；根据该采样结果得到该待检测信号对应的目标比特软信息。其中，信号检测装置根据接收信号的滤波参数对该接收信号进行随机采样的方式，得到用于指示该待检测信号的后验概率的离散信息的采样结果，相较于通过多次QR分解参与计算的实现过程，通过随机采样的方式可以降低计算过程的复杂度，优化信号检测装置的信号处理过程，提升通信效率。

上面从方法的角度对本申请实施例进行了说明，下面从具体装置实现的角度对本申请实施例中的信号检测装置进行介绍。

请参阅图6，本申请实施例提供了一种信号检测装置600的示意图，其中，该信号检测装置600至少包括确定单元601、以及处理单元602。

在信号检测装置600的一种实现方式中，

该确定单元601，用于确定接收信号的信道状态信息，该接收信号包括待检测信号；

该确定单元601，还用于根据该信道状态信息确定该接收信号的滤波参数；

该确定单元601，还用于根据该接收信号和该接收信号的滤波参数确定该待检测信号的目标统计特征，该目标统计特征用于指示该待检测信号的后验概率的统计信息；

该处理单元602，还用于采用神经网络对该目标统计特征进行至少一次处理后输出该待检测信号对应的目标比特软信息。

在一种可能的实现方式中，该处理单元602具体用于：

在该神经网络中，对该目标统计特征进行映射处理后输出该待检测信号对应的比特软信息。

在一种可能的实现方式中，该处理单元602具体用于：

在该神经网络中，对该目标统计特征进行融合处理，得到第一统计特征，该第一统计特征用于指示该目标比特软信息的统计信息；

对该第一统计特征进行映射处理后输出该待检测信号对应的目标比特软信息。

在一种可能的实现方式中，该处理单元602具体用于：

在该神经网络中，对该目标统计特征进行映射处理，得到该待检测信号对应的第一比特软信息；

根据第一取值范围对该待检测信号对应的第一比特软信息的取值进行修正处理，输出该待检测信号对应的目标比特软信息。

在一种可能的实现方式中，该处理单元602具体用于：

在该神经网络中，对该目标统计特征进行融合处理，得到第二统计特征，该第二统计特征用于指示该待检测信号对应的第二比特软信息的统计信息；

对该第二统计特征进行映射处理后得到该待检测信号对应的第二比特软信息；

根据第二取值范围对该待检测信号对应的第二比特软信息的取值进行修正处理，输出该待检测信号对应的目标比特软信息。

在一种可能的实现方式中，该神经网络的目标激活函数包括ReLu激活函数和/或softplus激活函数和/或softmax激活函数。

在一种可能的实现方式中，该神经网络的权重系数为该神经网络经过预设算法生成数据标签后，对预设信号进行训练得到。

在一种可能的实现方式中，该预设算法包括最大似然检测MLD算法，或者是，线性最小均方误差LMMSE算法。

在一种可能的实现方式中，该确定单元601具体用于：

根据该信道状态信息在目标方式中确定该接收信号的滤波参数，该目标方式包括Cholesky分解处理、QR分解处理或线性检测处理。

在一种可能的实现方式中，该确定单元601具体用于：

根据第一预设参数对该信道状态信息进行规整处理，得到处理后的信道状态信息；

根据第二预设参数对该接收信号进行规整处理，得到第一接收信号；

根据该处理后的信道状态信息在该目标方式中确定该第一接收信号的滤波参数；

和/或，

根据第三预设参数对该接收信号进行规整处理，得到第二接收信号；

根据第四预设参数对该接收信号的滤波参数进行规整处理，得到第一滤波参数；

根据该第二接收信号和该第一滤波参数确定该待检测信号的目标统计特征。

在一种可能的实现方式中，该确定单元601具体用于：

根据该接收信号的滤波参数对接收信号进行随机采样，得到采样结果，该采样结果用于指示该待检测信号的后验概率的离散信息；

根据该采样结果计算得到该待检测信号的目标统计特征。

在一种可能的实现方式中，该确定单元601具体用于：

根据该接收信号的滤波参数以及目标采样结构对该接收信号进行随机采样，得到采样结果，该目标采样结构包括串行采样结构和/或并行采样结构。

需要说明的是，上述信号检测装置600的单元的信息执行过程等内容，具体可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。

在信号检测装置600的一种实现方式中，

该确定单元601，用于确定接收信号的信道状态信息，该接收信号包括待检测信号；

该确定单元601，还用于根据该信道状态信息确定该接收信号的滤波参数；

该确定单元601，还用于根据该接收信号的滤波参数对该接收信号进行随机采样，得到采样结果，该采样结果用于指示该待检测信号的后验概率的离散信息；

该处理单元602，还用于根据该采样结果得到该待检测信号对应的目标比特软信息。

在一种可能的实现方式中，该确定单元601具体用于：

根据该信道状态信息在目标方式中确定该接收信号的滤波参数，该目标方式包括Cholesky分解处理、QR分解处理或线性检测处理。

在一种可能的实现方式中，该确定单元601具体用于：

根据第一预设参数对该信道状态信息进行规整处理，得到处理后的信道状态信息；

根据第二预设参数对该接收信号进行规整处理，得到第一接收信号；

根据该处理后的信道状态信息在该目标方式中确定该第一接收信号的滤波参数；

和/或，

根据第三预设参数对该接收信号进行规整处理，得到第二接收信号；

根据第四预设参数对该接收信号的滤波参数进行规整处理，得到第一滤波参数；

根据该第二接收信号和该第一滤波参数确定该待检测信号的目标统计特征。

在一种可能的实现方式中，该确定单元601具体用于：

根据该接收信号的滤波参数以及目标采样结构对该接收信号进行随机采样，得到该采样结果，该目标采样结构包括串行采样结构和/或并行采样结构。

需要说明的是，上述信号检测装置600的单元的信息执行过程等内容，具体可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。

请参阅图7，为本申请的实施例提供的上述实施例中所涉及的通信装置的结构示意图，其中，该通信装置具体可以为前述实施例中的网络设备，该通信装置的结构可以参考图7所示的结构。

通信装置包括至少一个处理器711、至少一个存储器712、至少一个收发器713、至少一个网络接口714和一个或多个天线715。处理器711、存储器712、收发器713和网络接口714相连，例如通过总线相连，在本申请实施例中，所述连接可包括各类接口、传输线或总线等，本实施例对此不做限定。天线715与收发器713相连。网络接口714用于使得通信装置通过通信链路，与其它通信设备相连，例如网络接口714可以包括通信装置与核心网设备之间的网络接口，例如S1接口，网络接口可以包括通信装置和其他网络设备(例如其他接入网设备或者核心网设备)之间的网络接口，例如X2或者Xn接口。

处理器711主要用于对通信协议以及通信数据进行处理，以及对整个通信装置进行控制，执行软件程序，处理软件程序的数据，例如用于支持通信装置执行实施例中所描述的动作。通信装置可以可以包括基带处理器和中央处理器，基带处理器主要用于对通信协议以及通信数据进行处理，中央处理器主要用于对整个网络设备进行控制，执行软件程序，处理软件程序的数据。图7中的处理器711可以集成基带处理器和中央处理器的功能，本领域技术人员可以理解，基带处理器和中央处理器也可以是各自独立的处理器，通过总线等技术互联。本领域技术人员可以理解，网络设备可以包括多个基带处理器以适应不同的网络制式，网络设备可以包括多个中央处理器以增强其处理能力，网络设备的各个部件可以通过各种总线连接。所述基带处理器也可以表述为基带处理电路或者基带处理芯片。所述中央处理器也可以表述为中央处理电路或者中央处理芯片。对通信协议以及通信数据进行处理的功能可以内置在处理器中，也可以以软件程序的形式存储在存储器中，由处理器执行软件程序以实现基带处理功能。

存储器主要用于存储软件程序和数据。存储器712可以是独立存在，与处理器711相连。可选的，存储器712可以和处理器711集成在一起，例如集成在一个芯片之内。其中，存储器712能够存储执行本申请实施例的技术方案的程序代码，并由处理器711来控制执行，被执行的各类计算机程序代码也可被视为是处理器711的驱动程序。

图7仅示出了一个存储器和一个处理器。在实际的网络设备中，可以存在多个处理器和多个存储器。存储器也可以称为存储介质或者存储设备等。存储器可以为与处理器处于同一芯片上的存储元件，即片内存储元件，或者为独立的存储元件，本申请实施例对此不做限定。

收发器713可以用于支持通信装置与终端之间射频信号的接收或者发送，收发器713可以与天线715相连。收发器713包括发射机Tx和接收机Rx。具体地，一个或多个天线715可以接收射频信号，该收发器713的接收机Rx用于从天线接收所述射频信号，并将射频信号转换为数字基带信号或数字中频信号，并将该数字基带信号或数字中频信号提供给所述处理器711，以便处理器711对该数字基带信号或数字中频信号做进一步的处理，例如解调处理和译码处理。此外，收发器713中的发射机Tx还用于从处理器711接收经过调制的数字基带信号或数字中频信号，并将该经过调制的数字基带信号或数字中频信号转换为射频信号，并通过一个或多个天线715发送所述射频信号。具体地，接收机Rx可以选择性地对射频信号进行一级或多级下混频处理和模数转换处理以得到数字基带信号或数字中频信号，所述下混频处理和模数转换处理的先后顺序是可调整的。发射机Tx可以选择性地对经过调制的数字基带信号或数字中频信号时进行一级或多级上混频处理和数模转换处理以得到射频信号，所述上混频处理和数模转换处理的先后顺序是可调整的。数字基带信号和数字中频信号可以统称为数字信号。

收发器也可以称为收发单元、收发机、收发装置等。可选的，可以将收发单元中用于实现接收功能的器件视为接收单元，将收发单元中用于实现发送功能的器件视为发送单元，即收发单元包括接收单元和发送单元，接收单元也可以称为接收机、输入口、接收电路等，发送单元可以称为发射机、发射器或者发射电路等。

需要说明的是，图7所示通信装置具体可以用于实现图3至图5对应方法实施例中网络设备所实现的步骤，此处不再一一赘述。

本申请实施例还提供一种存储一个或多个计算机执行指令的计算机可读存储介质，当计算机执行指令被处理器执行时，该处理器执行如前述实施例中通信装置可能的实现方式所述的方法，其中，该通信装置具体可以为前述实施例中通信装置。

本申请实施例还提供一种存储一个或多个计算机的计算机程序产品(或称计算机程序)，当计算机程序产品被该处理器执行时，该处理器执行上述通信装置可能实现方式的方法，其中，该通信装置具体可以为前述实施例中的通信装置。

本申请实施例还提供了一种芯片系统，该芯片系统包括处理器，用于支持通信装置实现上述通信装置可能的实现方式中所涉及的功能。在一种可能的设计中，该芯片系统还可以包括存储器，存储器，用于保存该通信装置必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件，其中，该通信装置具体可以为前述实施例中的信号检测装置。

本申请实施例还提供了一种网络系统架构，该网络系统架构包括上述通信装置，该通信装置具体可以为前述实施例中，任意一个实施例中的信号检测装置。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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网络单元上。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。

另外，在本申请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。

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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请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、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (35)

1.一种信号检测方法，其特征在于，所述方法包括：

确定接收信号的信道状态信息，所述接收信号包括待检测信号；

根据所述信道状态信息确定所述接收信号的滤波参数；

根据所述接收信号和所述接收信号的滤波参数确定所述待检测信号的目标统计特征，所述目标统计特征用于指示所述待检测信号的后验概率的统计信息；

采用神经网络对所述目标统计特征进行至少一次处理后输出所述待检测信号对应的目标比特软信息。

2.根据权利要求1所述的方法，其特征在于，所述采用神经网络对所述目标统计特征进行至少一次处理后输出所述待检测信号对应的目标比特软信息包括：

在所述神经网络中，对所述目标统计特征进行映射处理后输出所述待检测信号对应的比特软信息。

3.根据权利要求1所述的方法，其特征在于，所述采用神经网络对所述目标统计特征进行至少一次处理后输出所述待检测信号对应的目标比特软信息包括：

在所述神经网络中，对所述目标统计特征进行融合处理，得到第一统计特征，所述第一统计特征用于指示所述目标比特软信息的统计信息；

对所述第一统计特征进行映射处理后输出所述待检测信号对应的目标比特软信息。

4.根据权利要求1所述的方法，其特征在于，所述采用神经网络对所述目标统计特征进行至少一次处理后输出所述待检测信号对应的目标比特软信息包括：

在所述神经网络中，对所述目标统计特征进行映射处理，得到所述待检测信号对应的第一比特软信息；

根据第一取值范围对所述待检测信号对应的第一比特软信息的取值进行修正处理，输出所述待检测信号对应的目标比特软信息。

5.根据权利要求1所述的方法，其特征在于，所述采用神经网络对所述目标统计特征进行至少一次处理后输出所述待检测信号对应的目标比特软信息包括：

在所述神经网络中，对所述目标统计特征进行融合处理，得到第二统计特征，所述第二统计特征用于指示所述待检测信号对应的第二比特软信息的统计信息；

对所述第二统计特征进行映射处理后得到所述待检测信号对应的第二比特软信息；

根据第二取值范围对所述待检测信号对应的第二比特软信息的取值进行修正处理，输出所述待检测信号对应的目标比特软信息。

6.根据权利要求1至5任一项所述的方法，其特征在于，

所述神经网络的目标激活函数包括ReLu激活函数和/或softplus激活函数和/或softmax激活函数。

7.根据权利要求1至6任一项所述的方法，其特征在于，

所述神经网络的权重系数为所述神经网络经过预设算法生成数据标签后，对预设信号进行训练得到。

8.根据权利要求7所述的方法，其特征在于，所述预设算法包括最大似然检测MLD算法，或者是，线性最小均方误差LMMSE算法。

9.根据权利要求1至8任一项所述的方法，其特征在于，所述根据所述信道状态信息确定所述接收信号的滤波参数包括：

根据所述信道状态信息在目标方式中确定所述接收信号的滤波参数，所述目标方式包括Cholesky分解处理、QR分解处理、SQR分解处理或线性检测处理。

10.根据权利要求1至9所述的方法，其特征在于，所述根据所述信道状态信息确定所述接收信号的滤波参数包括：

根据第一预设参数对所述信道状态信息进行规整处理，得到处理后的信道状态信息；

根据第二预设参数对所述接收信号进行规整处理，得到第一接收信号；

根据所述处理后的信道状态信息在所述目标方式中确定所述第一接收信号的滤波参数；

和/或，

所述根据所述接收信号和所述接收信号的滤波参数确定所述待检测信号的目标统计特征包括：

根据第三预设参数对所述接收信号进行规整处理，得到第二接收信号；

根据第四预设参数对所述接收信号的滤波参数进行规整处理，得到第一滤波参数；

根据所述第二接收信号和所述第一滤波参数确定所述待检测信号的目标统计特征。

11.根据权利要求1至10任一项所述的方法，其特征在于，所述根据所述接收信号和所述接收信号的滤波参数确定所述待检测信号的目标统计特征包括：

根据所述接收信号的滤波参数对所述接收信号进行随机采样，得到采样结果，所述采样结果用于指示所述待检测信号的后验概率的离散信息；

根据所述采样结果计算得到所述待检测信号的目标统计特征。

12.根据权利要求11所述的方法，其特征在于，所述根据所述接收信号的滤波参数对所述接收信号进行随机采样，得到采样结果包括：

根据所述接收信号的滤波参数以及目标采样结构对所述接收信号进行随机采样，得到所述采样结果，所述目标采样结构包括串行采样结构和/或并行采样结构。

13.一种信号检测方法，其特征在于，所述方法包括：

确定接收信号的信道状态信息，所述接收信号包括待检测信号；

根据所述信道状态信息确定所述接收信号的滤波参数；

根据所述接收信号的滤波参数对所述接收信号进行随机采样，得到采样结果，所述采样结果用于指示所述待检测信号的后验概率的离散信息；

根据所述采样结果得到所述待检测信号对应的目标比特软信息。

14.根据权利要求13所述的方法，其特征在于，所述根据所述信道状态信息确定所述接收信号的滤波参数包括：

根据所述信道状态信息在目标方式中确定所述接收信号的滤波参数，所述目标方式包括Cholesky分解处理、QR分解处理、SQR分解处理或线性检测处理。

15.根据权利要求13或14所述的方法，其特征在于，所述根据所述信道状态信息确定所述接收信号的滤波参数包括：

根据第一预设参数对所述信道状态信息进行规整处理，得到处理后的信道状态信息；

根据第二预设参数对所述接收信号进行规整处理，得到第一接收信号；

根据所述处理后的信道状态信息在所述目标方式中确定所述第一接收信号的滤波参数；

和/或，

所述根据所述接收信号和所述接收信号的滤波参数确定所述待检测信号的目标统计特征包括：

根据第三预设参数对所述接收信号进行规整处理，得到第二接收信号；

根据第四预设参数对所述接收信号的滤波参数进行规整处理，得到第一滤波参数；

根据所述第二接收信号和所述第一滤波参数确定所述待检测信号的目标统计特征。

16.根据权利要求13至15任一项所述的方法，其特征在于，所述根据所述接收信号的滤波参数对所述接收信号进行随机采样，得到采样结果包括：

根据所述接收信号的滤波参数以及目标采样结构对所述接收信号进行随机采样，得到所述采样结果，所述目标采样结构包括串行采样结构和/或并行采样结构。

17.一种信号检测装置，其特征在于，所述装置包括确定单元和处理单元：

所述确定单元，用于确定接收信号的信道状态信息，所述接收信号包括待检测信号；

所述确定单元，还用于根据所述信道状态信息确定所述接收信号的滤波参数；

所述确定单元，还用于根据所述接收信号和所述接收信号的滤波参数确定所述待检测信号的目标统计特征，所述目标统计特征用于指示所述待检测信号的后验概率的统计信息；

所述处理单元，用于采用神经网络对所述目标统计特征进行至少一次处理后输出所述待检测信号对应的目标比特软信息。

18.根据权利要求17所述的装置，其特征在于，所述处理单元具体用于：

在所述神经网络中，对所述目标统计特征进行映射处理后输出所述待检测信号对应的比特软信息。

19.根据权利要求17所述的装置，其特征在于，所述处理单元具体用于：

在所述神经网络中，对所述目标统计特征进行融合处理，得到第一统计特征，所述第一统计特征用于指示所述目标比特软信息的统计信息；

对所述第一统计特征进行映射处理后输出所述待检测信号对应的目标比特软信息。

20.根据权利要求17所述的装置，其特征在于，所述处理单元具体用于：

在所述神经网络中，对所述目标统计特征进行映射处理，得到所述待检测信号对应的第一比特软信息；

根据第一取值范围对所述待检测信号对应的第一比特软信息的取值进行修正处理，输出所述待检测信号对应的目标比特软信息。

21.根据权利要求17所述的装置，其特征在于，所述处理单元具体用于：

在所述神经网络中，对所述目标统计特征进行融合处理，得到第二统计特征，所述第二统计特征用于指示所述待检测信号对应的第二比特软信息的统计信息；

对所述第二统计特征进行映射处理后得到所述待检测信号对应的第二比特软信息；

根据第二取值范围对所述待检测信号对应的第二比特软信息的取值进行修正处理，输出所述待检测信号对应的目标比特软信息。

22.根据权利要求17至21任一项所述的装置，其特征在于，

所述神经网络的目标激活函数包括ReLu激活函数和/或softplus激活函数和/或softmax激活函数。

23.根据权利要求17至22任一项所述的装置，其特征在于，

所述神经网络的权重系数为所述神经网络经过预设算法生成数据标签后，对预设信号进行训练得到。

24.根据权利要求23所述的装置，其特征在于，所述预设算法包括最大似然检测MLD算法，或者是，线性最小均方误差LMMSE算法。

25.根据权利要求17至24任一项所述的装置，其特征在于，所述确定单元具体用于：

根据所述信道状态信息在目标方式中确定所述接收信号的滤波参数，所述目标方式包括Cholesky分解处理、QR分解处理、SQR分解处理或线性检测处理。

26.根据权利要求17至25任一项所述的装置，其特征在于，所述确定单元具体用于：

根据第一预设参数对所述信道状态信息进行规整处理，得到处理后的信道状态信息；

根据第二预设参数对所述接收信号进行规整处理，得到第一接收信号；

根据所述处理后的信道状态信息在所述目标方式中确定所述第一接收信号的滤波参数；

和/或，

根据第三预设参数对所述接收信号进行规整处理，得到第二接收信号；

根据第四预设参数对所述接收信号的滤波参数进行规整处理，得到第一滤波参数；

根据所述第二接收信号和所述第一滤波参数确定所述待检测信号的目标统计特征。

27.根据权利要求17至26任一项所述的装置，其特征在于，所述确定单元具体用于：

根据所述接收信号的滤波参数对所述接收信号进行随机采样，得到采样结果，所述采样结果用于指示所述待检测信号的后验概率的离散信息；

根据所述采样结果计算得到所述待检测信号的目标统计特征。

28.根据权利要求27所述的装置，其特征在于，所述确定单元具体用于：

根据所述接收信号的滤波参数以及目标采样结构对所述接收信号进行随机采样，得到所述采样结果，所述目标采样结构包括串行采样结构和/或并行采样结构。

29.一种信号检测装置，其特征在于，所述装置包括确定单元和处理单元：

所述确定单元，用于确定接收信号的信道状态信息，所述接收信号包括待检测信号；

所述确定单元，还用于根据所述信道状态信息确定所述接收信号的滤波参数；

所述确定单元，还用于根据所述接收信号的滤波参数对所述接收信号进行随机采样，得到采样结果，所述采样结果用于指示所述待检测信号的后验概率的离散信息；

所述处理单元，用于根据所述采样结果得到所述待检测信号对应的目标比特软信息。

30.根据权利要求29所述的装置，其特征在于，所述确定单元具体用于：

根据所述信道状态信息在目标方式中确定所述接收信号的滤波参数，所述目标方式包括Cholesky分解处理、QR分解处理、SQR分解处理或线性检测处理。

31.根据权利要求29或30所述的装置，其特征在于，所述确定单元具体用于：

根据第一预设参数对所述信道状态信息进行规整处理，得到处理后的信道状态信息；

根据第二预设参数对所述接收信号进行规整处理，得到第一接收信号；

根据所述处理后的信道状态信息在所述目标方式中确定所述第一接收信号的滤波参数；

和/或，

根据第三预设参数对所述接收信号进行规整处理，得到第二接收信号；

根据第四预设参数对所述接收信号的滤波参数进行规整处理，得到第一滤波参数；

根据所述第二接收信号和所述第一滤波参数确定所述待检测信号的目标统计特征。

32.根据权利要求29或31所述的装置，其特征在于，所述确定单元具体用于：

根据所述接收信号的滤波参数以及目标采样结构对所述接收信号进行随机采样，得到所述采样结果，所述目标采样结构包括串行采样结构和/或并行采样结构。

33.一种通信装置，其特征在于，包括至少一个处理器和接口电路，其中，

所述接口电路，用于为所述至少一个处理器提供程序或指令；

所述至少一个处理器用于执行所述程序或指令，使得所述通信装置实现权利要求1至12任一项所述的方法，或者，使得所述通信装置实现权利要求13至16任一项所述的方法。

34.一种计算机可读存储介质，其上存储有指令，当所述指令被计算机执行时，实现权利要求1至12任一项所述的方法，或者，实现权利要求13至16任一项所述的方法。

35.一种通信系统，其特征在于，所述通信系统包括权利要求17至28任一项所述的信号处理装置，或，所述通信系统包括权利要求29至32任一项所述的信号处理装置，或，所述通信系统包括如权利要求33所述的通信装置。

Images