本發(fā)明屬于無線通信技術領域,具體涉及一種面向多輸入多輸出檢測的模型驅動的深度神經(jīng)網(wǎng)絡方法。符號檢測方法是提高系統(tǒng)頻譜效率的重要一環(huán),所以本發(fā)明致力于設計更優(yōu)的符號檢測器,以此來提升系統(tǒng)性能以及降低時間復雜度。本發(fā)明采用基于模型驅動的深度學習方法,將貝葉斯估計算法展開成多層深度學習網(wǎng)絡,通過最大化松弛的證據(jù)下界(ELBO)來優(yōu)化學習參數(shù),可以獲得具有性能優(yōu)勢和較低時間復雜度的檢測器。不同于現(xiàn)有深度學習方案,本發(fā)明所提出的方案無需知道噪聲方差,這是由于本發(fā)明所提出的方法可以自動更新噪聲,這具有現(xiàn)實意義。同時,本發(fā)明所提出方案適用于離線和在線訓練兩種模式。
聲明:
“面向多輸入多輸出檢測的模型驅動的深度神經(jīng)網(wǎng)絡方法” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究,如用于商業(yè)用途,請聯(lián)系該技術所有人。
我是此專利(論文)的發(fā)明人(作者)