基于Transformer架构的DNN多输入多输出信号检测器在下一代无线网络中的应用研究

为解决MIMO通信系统中传统信号检测方法在高复杂度与低准确性之间的平衡难题，研究人员开展基于Transformer架构的DNN检测器研究。该研究通过多头自注意力机制捕获信道时空依赖性，在瑞利衰落信道下实现近1.5 dB的SNR增益，其BER性能较传统线性检测器显著提升，为6G智能通信系统提供新范式。

　　

随着第五代移动通信技术的规模化部署和第六代无线网络研究序幕的拉开，多输入多输出（Multiple Input Multiple Output, MIMO）系统作为提升频谱效率和通信可靠性的核心技术，正面临日益复杂的信号检测挑战。传统检测方法如最大似然检测（Maximum Likelihood Detection, MLD）虽具有最优性能，但其计算复杂度随天线数量和调制阶数呈指数级增长，在大规模MIMO场景中难以实际应用。而线性检测器如迫零（Zero Forcing, ZF）和最小均方误差（Minimum Mean Square Error, MMSE）虽然计算效率较高，但在低信噪比（Signal-to-Noise Ratio, SNR）环境下性能显著下降。近年来，基于深度学习（Deep Learning, DL）的方法为MIMO信号检测提供了新思路，但仍存在难以捕获长程依赖关系、计算资源需求大等问题。

为突破这些瓶颈，Gevira Omondi与Thomas O. Olwal在《Journal of Information and Intelligence》发表研究，提出了一种基于Transformer架构的深度神经网络（DNN）MIMO信号检测器。该研究首次将Transformer中的多头自注意力机制（Multi-Head Attention, MHA）引入MIMO信号检测任务，能够同时建模信号在空间与时间维度上的依赖关系，显著提升了检测精度与系统鲁棒性。

在方法学上，本研究主要采用了以下关键技术：首先，设计了一套针对复值MIMO信号的预处理流程，包括实虚部分解、标准化和信道状态信息（Channel State Information, CSI）拼接；其次，构建了基于编码器结构的Transformer模型，利用位置编码（Positional Encoding）和位置前馈网络（Position-wise Feedforward Network）处理序列化信号；最后，采用分类交叉熵损失函数和Adam优化器进行端到端训练。模型在包含16-QAM、64-QAM和256-QAM调制信号的数据集上进行验证，该数据集通过模拟瑞利平坦衰落信道和加性高斯白噪声（Additive White Gaussian Noise, AWGN）环境生成。

研究结果主要体现在以下几个方面：

• •

  在系统模型与检测技术对比中，所提方法在2×2和4×4天线配置下的各调制方案中均一致优于ZF、MMSE等线性检测器，在64-QAM 4×4 MIMO系统中于BER=10^–5处取得近1.5 dB的SNR增益。

• •

  通过复杂度分析发现，Transformer检测器在低SNR时需更多计算资源，但在高SNR环境下可通过注意力头剪枝、令牌丢弃和混合精度计算等自适应机制降低计算量，其复杂度增长仅为多项式级（O(N_t²d_model)），远低于MLD的指数级复杂度。

• •

  在8×8大规模MIMO系统中，该方法仍保持良好性能，虽然略逊于球型解码（Sphere Decoding, SD），但显著优于线性检测器，且具备并行计算优势，在GPU硬件上延迟降低40%。

• •

  与当前主流深度学习方法（如VAE-DNN-Det、RE-MIMO和TransDetector）的对比表明，该方案在BER性能、并行化能力和CSI利用方面具有综合优势，在20 dB SNR下BER低至6.4×10^–6。

研究结论表明，基于Transformer的MIMO信号检测器不仅具备优异的符号检测精度，还通过自适应计算和硬件加速策略实现了复杂性与性能的平衡。该研究为下一代无线通信系统中智能信号处理提供了新思路，特别在应对高维MIMO、高频谱效率和高动态环境方面展现出显著潜力。尽管目前工作假设接收端具备完美CSI，且仅在瑞利衰落信道中验证，但其框架具备向更复杂信道条件和实际系统扩展的潜力。未来工作可进一步探索轻量化模型设计、跨场景泛化能力以及与其他深度学习模块的融合，推动通信与人工智能的深度融合。