CN102868422A - 一种基于神经网络的mmse-bdfe多用户检测系统及其工作方法 - Google Patents

Abstract

一种基于神经网络的MMSE-BDFE多用户检测系统，其特征在于它包括接收机、加噪器、采样器、滤波器、信道估计单元和神经网络信号检测处理单元；其工作方法为接收信号、获取噪声、采样滤波、数据函数处理以及信号输出；其优越性为结构简单，操作方便，MMSE-BDFE计算复杂度降低；将MMSE-BDFE优化和神经网络交叉，抑制多址干扰，提高通信质量和系统稳定性；将多用户检测的优化问题与Hopfield神经网络的能量函数对应起来，提高了可实时性。

Description

一种基于神经网络的MMSE-BDFE多用户检测系统及其工作方法

（一）技术领域：

本发明涉及信号处理领域，特别是一种基于神经网络的MMSE-BDFE（Minimum Mean Square Error Block Decision Feedback Equalizer——最小均方误差数据块判决反馈均衡器）多用户检测系统及其工作方法。

（二）背景技术：

由于无线信道的多径效应和时变性，码字不可能完全正交，因此TD-SCDMA系统中必然存在多 址 干 扰 （Multiple Access Interference, MAI）。随着用户数的增多或某些用户信号功率的加强，MAI 就会成为 CDMA系统的主要干扰。另一方面，移动用户的位置不断变化及深度衰落的存在，强功率用户的信号会抑制弱功率用户的信号，系统性能严重恶化，即所谓的“远近效应”。这些问题的存在都严重地限制了CDMA系统的容量和性能。

多用户检测技术(MUD)充分利用扩频码的结构信息与统计信息联合检测多个用户的信号，能够很好地抑制MAI。MMSE-BDFE是在最小均方误差的基础上发展起来的检测技术，它利用反馈来降低干扰对信号的影响，具有更好的检测性能，但它的算法复杂度很高，因此在实际应用中实现起来较为困难。Hopfield神经网络成功地引入了“能量函数”的概念，给出了网络的稳定性判据，当用于优化计算时，网络的连接权值是确定的。本文通过将目标函数与能量函数相对应，使得高复杂度的多用户检测问题转化成神经网络的能量函数求解问题。正因为Hopfield神经网络在解决组合优化问题方面的独特魅力，它才被广泛用于多用户检测之中。

（三）发明内容：

本发明的目的在于提供一种基于神经网络的MMSE-BDFE多用户检测系统及其工作方法，它可以克服现有技术的不足，是一种并行处理能力强，而且运行速度快，可以有效降低多用户检测技术复杂度的系统及方法。

本发明的技术方案：一种基于神经网络的MMSE-BDFE多用户检测系统，其特征在于它包括接收机、加噪器、采样器、滤波器、信道估计单元和神经网络信号检测处理单元；其中，所述接收机的输入端在空间信道接收来自天线的用户信息，其输出端连接采样器的输入端；所述加噪器的输出端将噪声输送给采样器的输入端；所述采样器的输出端连接滤波器的输入端；所述滤波器的输出端连接信道估计单元的输入端；所述信道估计单元的输出端连接神经网络信号检测处理单元的输入端；所述神经网络信号检测处理单元的输出端输出所需信号。

所述加噪器输出的是高斯白噪声。

所述神经网络信号检测处理单元是由矩阵计算模块、分离实部和虚部模块、神经网络模块、取实部模块、相乘模块和判决模块构成；其中，所述矩阵计算模块接收用户发送的信号幅度A、经过信道干扰后的扩频码S信号；其输出端连接分离实部和虚部模块的输入端；所述神经网络模块的输入端连接分离实部和虚部模块的输出端，其输出端与相乘模块的输入端连接；所述相乘模块的输入端还与取实部模块的输出端连接，其输出端与判决模块的输入端连接；所述取实部模块的输入端提取接收机接收的信号。

所述S是1×K矩阵，其第k列为第k个用户的经过信道干扰后的扩频码；所述A表示用户发送的信号的幅度，是K×K矩阵。

一种上述基于神经网络的MMSE-BDFE多用户检测系统的工作方法，其特征在于它包括以下步骤：

①收机天线接收到来自空间信道的用户信息r，基站接收机先进行帧同步和时隙同步处理，然后由加噪器加入白噪声n，以获取含有噪声的信息r`，作为采样器的输入；

②步骤①中得到的信息r`以脉冲的形式进入信道，产生等效的冲激响应h^(k)(τ)，于是用户在接收端的等效信号就是e_equ(t)， e_equ(t)是关于h^(k)(τ)的函数，经过采样器和滤波器后，对h^(k)(τ)在T时刻采样，得到接受信号的样点值

，

e_i是滤波器的输入，目的是滤掉带外辐射，N为用户发送的符号数目，Q为扩频系数，W是h^(k)(τ)的有效窗长。

③将滤波后的信号输入到信道估计模块进行处理；在此模块中产生每个时隙中第k个用户训练序列m^(k)，训练序列经过信道产生冲激响应e^(k)=m^(k)*h^(k)，在此m^(k)用一个新的移位矩阵G^(k)来替代，

，所以e^(k)=G^(k)*h^(k)，考虑到高斯噪声，

$e^{\left(k\right)}=\left[\begin{array}{c}{e}^{\left(1\right)}\\ e^{\left(2\right)}\\ .\\ .\\ .\\ e^{\left(k\right)}\end{array}\right]=[G^{\left(1\right)},G^{\left(2\right)}...,G^{\left(K\right)}]\left[\begin{array}{c}{h}^{\left(1\right)}\\ h^{\left(2\right)}\\ .\\ .\\ .\\ h^{\left(k\right)}\end{array}\right]+\left[\begin{array}{c}{n}^{\left(1\right)}\\ n^{\left(2\right)}\\ .\\ .\\ .\\ n^{\left(k\right)}\end{array}\right]=\mathrm{Gh}+n---\left(2\right)$

反卷积得到每个用户信息的冲激响应h^(k)，正确的提取了用户信息，输入到信号检测处理单元；

④在信号检测处理单元中，步骤③中e^(k)对应的信号向量形式r(n)=SAb(n)+n(n)，其中，S是1×K矩阵；A是K×K矩阵, 为多用户信号幅度组成的对角线矩阵；b是K×1矩阵，表示用户发送的数据，它们输入到矩阵计算模块，得到矩阵Q=RA²+σ²I，其中，R为扩频序列的互相关矩阵；σ²是噪声功率，I是单位阵；信号向量通过信号检测单元的分离实部和虚部模块得到实部Q_R和虚部Q_I；矩阵Q对应于神经网络的连接权矩阵W，从而得到神经网络的能量函数：

$E\left(v\right)=-\frac{1}{2}{v}^T\mathrm{Wv}-I^{T}v---\left(3\right)$

⑤将各用户发送的信息数据b设置为Hopfield神经网络的输出向量v，取偏置电流I作为用户的扩频序列s，其中，s=A_ks_k； 分离实部和虚部同时，取实部模块对信号向量r提取实部r_R，神经网络连接权矩阵W与信号向量的实部结合，通过判决模块进行函数

处理，最后输出

的信号，完成工作。

本发明的工作原理：加噪器输出的是高斯白噪声；采样器，是对接收到的数据信息进行抽样处理；滤波器，这里采用脉冲成形滤波，作用是把矩形脉冲数据变换成适合信道传播的波形，通过使发送信号的频谱严格限制在带宽内来减少符号间干扰；信道估计，首先对处理过后的突发进行解复用，分为混合数据部分和混合的midamble序列；在接收端，后者用来进行信道估计，它的作用是从含噪声信号中恢复出各用户原始信息序列h^(k)；信号检测处理单元，用于实时接收解调出的用户数据。在信号检测处理时，由于接收端的信号一般为复数信号，通过分离接收端的信号向量的实部和虚部，得到MMSE-BDFE代价函数的实数形式；将MMSE-BDFE的代价函数与神经网络的能量函数E(v)互相关联，MMSE-BDFE算法的优化问题转化成Hopfield神经网络的能量函数最小化问题，以致于能够统一地估计出所有用户的信息序列而更好地抑制多址干扰。

本发明的优越性在于：结构简单，操作方便，MMSE-BDFE计算复杂度降低；将MMSE-BDFE优化和神经网络互相渗透，抑制多址干扰，提高通信质量和系统稳定性；将多用户检测的优化问题与Hopfield神经网络的能量函数对应起来，提高了可实时性。

（四）附图说明：

图1是本发明提供的一种基于神经网络的MMSE-BDFE多用户检测器的结构示意图；

图2是本发明提供的一种基于神经网络的MMSE-BDFE检测方法的信号检测处理单元。

（五）具体实施方式：

实施例：一种基于神经网络的MMSE-BDFE多用户检测系统（见图1），其特征在于它包括接收机、加噪器、采样器、滤波器、信道估计单元和神经网络信号检测处理单元；其中，所述接收机的输入端在空间信道接收来自天线的用户信息，其输出端连接采样器的输入端；所述加噪器的输出端将噪声输送给采样器的输入端；所述采样器的输出端连接滤波器的输入端；所述滤波器的输出端连接信道估计单元的输入端；所述信道估计单元的输出端连接神经网络信号检测处理单元的输入端；所述神经网络信号检测处理单元的输出端输出所需信号。

所述加噪器（见图1）输出的是高斯白噪声。

所述神经网络信号检测处理单元（见图2）是由矩阵计算模块、分离实部和虚部模块、神经网络模块、取实部模块、相乘模块和判决模块构成；其中，所述矩阵计算模块接收用户发送的信号幅度A、经过信道干扰后的扩频码S信号；其输出端连接分离实部和虚部模块的输入端；所述神经网络模块的输入端连接分离实部和虚部模块的输出端，其输出端与相乘模块的输入端连接；所述相乘模块的输入端还与取实部模块的输出端连接，其输出端与判决模块的输入端连接；所述取实部模块的输入端提取接收机接收的信号。

所述S是1×K矩阵，其第k列为第k个用户的经过信道干扰后的扩频码；所述A表示用户发送的信号的幅度，是K×K矩阵。

一种上述基于神经网络的MMSE-BDFE多用户检测系统的工作方法（见图2），其特征在于它包括以下步骤：

①收机天线接收到来自空间信道的用户信息r，基站接收机先进行帧同步和时隙同步处理，然后由加噪器加入白噪声n，以获取含有噪声的信息r`，作为采样器的输入；

②步骤①中得到的信息r`以脉冲的形式进入信道，产生等效的冲激响应h^(t)(τ)，于是用户在接收端的等效信号就是e_equ(t)， e_equ(t)是关于h^(t)(τ)的函数，经过采样器和滤波器后，对h^(t)(τ)在T时刻采样，得到接受信号的样点值

，

e_i是滤波器的输入，目的是滤掉带外辐射，N为用户发送的符号数目，Q为扩频系数，W是h^(t)(τ)的有效窗长。

③将滤波后的信号输入到信道估计模块进行处理；在此模块中产生每个时隙中第k个用户训练序列m^(t)，训练序列经过信道产生冲激响应e^(t)=m^(t)*h^(t)，在此m^(t)用一个新的移位矩阵G^(t)来替代，，所以e^(t)=G^(t)h^(t)，考虑到高斯噪声，

$e^{\left(k\right)}=\left[\begin{array}{c}{e}^{\left(1\right)}\\ e^{\left(2\right)}\\ .\\ .\\ .\\ e^{\left(k\right)}\end{array}\right]=[G^{\left(1\right)},G^{\left(2\right)}...,G^{\left(K\right)}]\left[\begin{array}{c}{h}^{\left(1\right)}\\ h^{\left(2\right)}\\ .\\ .\\ .\\ h^{\left(k\right)}\end{array}\right]+\left[\begin{array}{c}{n}^{\left(1\right)}\\ n^{\left(2\right)}\\ .\\ .\\ .\\ n^{\left(k\right)}\end{array}\right]=\mathrm{Gh}+n---\left(2\right)$

反卷积得到每个用户信息的冲激响应h^(t)，正确的提取了用户信息，输入到信号检测处理单元；

④在信号检测处理单元中，步骤③中e^(t)对应的信号向量形式r(n)=SAb(n)+n(n)，其中，S是1×K矩阵；A是K×K矩阵, 为多用户信号幅度组成的对角线矩阵；b是K×1矩阵，表示用户发送的数据，它们输入到矩阵计算模块，得到矩阵Q=RA²+σ²I，其中，R为扩频序列的互相关矩阵；σ²是噪声功率，I是单位阵；信号向量通过信号检测单元的分离实部和虚部模块得到实部Q_R和虚部Q_I；矩阵Q对应于神经网络的连接权矩阵W，从而得到神经网络的能量函数：

$E\left(v\right)=-\frac{1}{2}{v}^T\mathrm{Wv}-I^{T}v---\left(3\right)$

⑤将各用户发送的信息数据b设置为Hopfield神经网络的输出向量v，取偏置电流I作为用户的扩频序列s，其中，s=A_ks_k； 分离实部和虚部同时，取实部模块对信号向量r提取实部r_R，神经网络连接权矩阵W与信号向量的实部结合，通过判决模块进行函数处理，最后输出

的信号，完成工作。

Claims (5)

1.一种基于神经网络的MMSE-BDFE多用户检测系统，其特征在于它包括接收机、加噪器、采样器、滤波器、信道估计单元和神经网络信号检测处理单元；其中，所述接收机的输入端在空间信道接收来自天线的用户信息，其输出端连接采样器的输入端；所述加噪器的输出端将噪声输送给采样器的输入端；所述采样器的输出端连接滤波器的输入端；所述滤波器的输出端连接信道估计单元的输入端；所述信道估计单元的输出端连接神经网络信号检测处理单元的输入端；所述神经网络信号检测处理单元的输出端输出所需信号。

2.根据权利要求1所述一种基于神经网络的MMSE-BDFE多用户检测系统，其特征在于所述加噪器输出的是高斯白噪声。

3.根据权利要求1所述一种基于神经网络的MMSE-BDFE多用户检测系统，其特征在于所述神经网络信号检测处理单元是由矩阵计算模块、分离实部和虚部模块、神经网络模块、取实部模块、相乘模块和判决模块构成；其中，所述矩阵计算模块接收用户发送的信号幅度A、经过信道干扰后的扩频码S信号；其输出端连接分离实部和虚部模块的输入端；所述神经网络模块的输入端连接分离实部和虚部模块的输出端，其输出端与相乘模块的输入端连接；所述相乘模块的输入端还与取实部模块的输出端连接，其输出端与判决模块的输入端连接；所述取实部模块的输入端提取接收机接收的信号。

4.根据权利要求3所述一种基于神经网络的MMSE-BDFE多用户检测系统，其特征在于所述S是1×K矩阵，其第k列为第k个用户的经过信道干扰后的扩频码；所述A表示用户发送的信号的幅度，是K×K矩阵。

5.一种权利要求1所述基于神经网络的MMSE-BDFE多用户检测系统的工作方法，其特征在于它包括以下步骤：

①接收机天线接收到来自空间信道的用户信息r，基站接收机先进行帧同步和时隙同步处理，然后由加噪器加入白噪声n，以获取含有噪声的信息r`，作为采样器的输入；

②步骤①中得到的信息r`以脉冲的形式进入信道，产生等效的冲激响应h^(k)(τ)，于是用户在接收端的等效信号就是e_equ(t)，e_equ(t)是关于h^(k)(τ)的函数，经过采样器和滤波器后，对h^(k)(τ)在T时刻采样，得到接受信号的样点值

，

e_i是滤波器的输入，目的是滤掉带外辐射，N为用户发送的符号数目，Q为扩频系数，W是h^(k)(τ)的有效窗长。

③将滤波后的信号输入到信道估计模块进行处理；在此模块中产生每个时隙中第k个用户训练序列m^(k)，训练序列经过信道产生冲激响应e^(k)=m^(k)*h^(k)，在此m^(k)用一个新的移位矩阵G^(k)来替代，

，所以e^(k)=G^(k)h^(k)，考虑到高斯噪声，

$e^{\left(k\right)}=\left[\begin{array}{c}{e}^{\left(1\right)}\\ e^{\left(2\right)}\\ .\\ .\\ .\\ e^{\left(k\right)}\end{array}\right]=[G^{\left(1\right)},G^{\left(2\right)}...,G^{\left(K\right)}]\left[\begin{array}{c}{h}^{\left(1\right)}\\ h^{\left(2\right)}\\ .\\ .\\ .\\ h^{\left(k\right)}\end{array}\right]+\left[\begin{array}{c}{n}^{\left(1\right)}\\ n^{\left(2\right)}\\ .\\ .\\ .\\ n^{\left(k\right)}\end{array}\right]=\mathrm{Gh}+n---\left(2\right)$

反卷积得到每个用户信息的冲激响应，正确的提取了用户信息，输入到信号检测处理单元；

④在信号检测处理单元中，步骤③中e^(k)对应的信号向量形式r(n)=SAb(n)+n(n)，其中，S是1×K矩阵；A是K×K矩阵, 为多用户信号幅度组成的对角线矩阵；b是K×1矩阵，表示用户发送的数据，它们输入到矩阵计算模块，得到矩阵Q=RA²+σ²I，其中，R为扩频序列的互相关矩阵；σ²是噪声功率，I是单位阵；信号向量通过信号检测单元的分离实部和虚部模块得到实部Q_R和虚部Q_I；矩阵Q对应于神经网络的连接权矩阵W，从而得到神经网络的能量函数：

$E\left(v\right)=-\frac{1}{2}{v}^T\mathrm{Wv}-I^{T}v---\left(3\right)$

⑤将各用户发送的信息数据b设置为Hopfield神经网络的输出向量v，取偏置电流I作为用户的扩频序列s，其中，s=A_ks_k； 分离实部和虚部同时，取实部模块对信号向量r提取实部r_R，神经网络连接权矩阵W与信号向量的实部结合，通过判决模块进行函数

处理，最后输出

的信号，完成工作。

Images