CN108768585B - 基于深度学习的上行免信令非正交多址接入noma系统多用户检测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的上行免信令NOMA系统多用户检测方法，该方法包括对接收信号建模，将接收信号稀疏表示和训练用于稀疏信号恢复的深度结构三个部分；本发明利用NOMA系统中用户的稀疏性以及在不同时隙的发送信号之间存在的联系，使用结构化压缩感知理论进行多用户检测，并利用深度学习理论来解决稀疏重构问题，能够实现低复杂度且高性能的多用户检测，结合用户在不同时隙的发送信号之间存在的相关性，使用结构化压缩感知理论实现多用户检测；利用深度学习理论来解决信号恢复的欠定逆问题，基于深度学习的方法从优化参数、训练稀疏表示以及神经网络三个方面进一步改进了稀疏重构算法的重构精度并提高了重构效率。

Description

基于深度学习的上行免信令非正交多址接入NOMA系统多用户 检测方法

技术领域

本发明涉及一种基于深度学习的上行免信令NOMA系统多用户检测方法，属于电子技术领域。

背景技术

随着智能终端普及应用、物联网(IoT)的快速发展、人工智能和大数据的爆发及移动新业务需求持续增长，无线传输速率需求也呈指数增长，无线通信的传输速率将难以满足未来通信的应用需求。非正交多址接入(NOMA)作为第五代移动通信(5G)的关键技术之一，可以在满足用户体验需求的前提下更加高效的利用频谱资源，并为超密集组网的部署提供理论基础，因此对于NOMA系统的研究受到了广泛的关注。

为了获得通信服务，用户需要接入网络获得无线传输资源，网络通过用户的接入申请为其分配无线传输资源，而用户接入网络的过程会产生正比于用户数的接入信令开销，这对于服务海量用户的下一代无线通信系统来说是难以承受的。因此，无需信令交互的上行传输成为NOMA技术中几乎必须采用的传输机制。通过非正交扩展，系统允许相当多的用户使用相同的时频资源，而在免信令的NOMA系统中，基站(BS)在数据传输之前并不能获得用户活动信息，必须在免信令的NOMA系统中检测用户的活动情况。

目前科研人员已经意识到了NOMA系统中用户的稀疏性，即虽然系统中存在海量的连接用户，但同时接入系统的用户只是少部分，因此基于压缩感知(CS)理论框架的多用户检测方法受到了广泛研究。该类方法通过将多用户检测问题建模为稀疏信号恢复问题，并通过迭代阈值算法(ITA)和贪婪算法(GA)来进行稀疏信号恢复。但现有的基于压缩感知的多用户检测方法通常在不同的时隙中独立实现，并且计算量大且恢复精度不够高。因此需要考虑不同时隙中发送信号的相关性来对接收端的信号进行建模，并采用新的压缩感知重构算法来提高多用户检测方法的性能。

目前结构化压缩感知和深度学习技术还较少运用到多用户检测上，针对基于深度学习的上行免信令NOMA系统多用户检测方法尚未有相关专利进行披露。

发明内容

本发明所要解决的技术问题：

问题1：现有技术，缺乏针对基于结构化的压缩感知稀疏信号恢复算法的研究，现有方法致力于将基于压缩感知理论框架的用户检测方法在不同的时隙中独立实现，而忽略了不同时隙中传输的信号之间存在的相关性，例如几个连续时隙中的用户活动可能是相似的，导致建模不充分。

问题2：现有技术缺乏针对基于深度神经网络的稀疏重构算法的研究，现有方法采用迭代阈值算法(ITA)和贪婪算法(GA)进行稀疏信号恢复，但计算量大且恢复精度不够高。

本发明为解决上述技术问题采用以下技术方案：

一种基于深度学习的上行免信令NOMA系统多用户检测方法，包括以下步骤：

步骤1，用连续时隙动态模型对基站端的接收信号进行建模；

步骤2，用K-SVD方法训练稀疏表示字典，用于将接收信号稀疏表示；

步骤3，建立多层降噪自动编码机(SDA)结构，构建训练集、误差函数和训练深度结构，基于测试集测试性能，最后用优化后的SDA恢复接收信号。

较优地，步骤1具体包括以下步骤：

根据用户的活动情况在连续的时隙内存在的相关性，采用连续时隙动态模型将基站接收信号建模为结构化的信号；

连续时隙动态模型的目的在于恢复发送信号X；

X＝[x^[1]，x^[2]，…，x^[t]，…，x^[T]]，式中x^[t]为第t个时隙的发送信号，Y＝[y^[1]，y^[2]，…，y^[t]，…，y^[T]]表示T个连续时隙的接收信号，y^[t]为第t个时隙的接收信号，将第t个时隙的接收信号y^[t]表示为单时隙静态模型式(1)：

式中

A^[t]为融合了信道增益和扩频信息的等效信道矩阵；N×K表示等效矩阵的大小，其中N表示基站处配置的天线数，K表示配置了单根接收天线的被服务用户数；

表示第k个用户和基站之间的信道向量；

表示高斯噪声向量，

表示第t个时隙第N个子载波上的高斯噪声，且

即服从均值为0，方差为δ²的复高斯分布，

表示任意t。

较优地，步骤2采用K-SVD方法从给定的接收信号Y中训练出稀疏表示字典，目标函数表示为式(2)：

式中

和

分别表示字典D和加权系数矩阵X的可允许集，||·||_F表示Frobenius范数；

K-SVD方法每次只更新稀疏表示字典中的一个原子，即字典矩阵D的任一列d_i：

式中

表示矩阵E_i中的第w_i列，

表示估计误差矩阵，

表示

的支撑集，

表示加权系数矩阵X的第i行，||·||₂表示2范数；s.t.表示subject to，表示前面的公式受约束于后面的条件；

用训练出的稀疏表示字典将多用户检测时的接收信号进行稀疏表示。

较优地，步骤3具体包括以下步骤：

(301)、建立一个4层的多层降噪自动编码机(SDA)结构式(4)：

式中

和

为加权矩阵，

和

为偏差向量，x_h1、x_h2和x_h3分别为第1、2和3层的输出，

为输出信号；

为非线性的算法，y表示接收信号；

(302)，由l对接收信号与相对应的发送信号(y⁽ⁱ⁾，x⁽ⁱ⁾)构建训练集D_train：

D_train＝{(y⁽¹⁾，x⁽¹⁾)，(y⁽²⁾，x⁽²⁾)，…，(y⁽ⁱ⁾，x⁽ⁱ⁾)，...，(y^(l)，x^(l))}， (5)

在无监督的学习框架下，学习一个从接收信号y到发送信号x的非线性映射；i＝1，2...l；

(303)、定义一个非线性映射

式中Ω_L＝{W₁，b₁，W₂，b₂，W₃，b₃，W₄，b₄}为参数集，利用均方误差MSE函数作为训练集D_train的误差函数：

(304)、利用反向传播算法最小化误差函数；

(305)、由s对接收信号与相对应的发送信号(y⁽ⁱ⁾，x⁽ⁱ⁾)组成测试集D_test：

D_test＝{(y⁽¹⁾，x⁽¹⁾)，(y⁽²⁾，x⁽²⁾)，…，(y⁽ⁱ⁾，x⁽ⁱ⁾)，…，(y^(s)，x^(s))}， (8)

在测试集D_test上测试SDA的性能，将测试集代入误差函数，误差函数的值小于设定的阈值则结束优化，大于设定的阈值则重新构建训练集；i＝1，2...s。

较优地，步骤(304)具体包括以下步骤：

(a)将训练集D_train代入误差函数，计算出SDA输出信号

和实际发送信号x之间的误差L(Ω_L)；

(b)将误差L(Ω_L)从输出层向输入层反向传播，反向传播的过程中，根据误差使用梯度下降法调整参数集Ω_L中参数的值：

ΔΩ_L＝input*η*L(Ω_L)， (7)

式中ΔΩ_L为各个参数的变化量组成的集合，input为各个参数所在节点的输入值组成的集合，η表示学习速率；

(c)将训练集输入调整后的SDA，计算误差；

(d)迭代步骤(a)-(c)，直至误差函数的值小于设定的阈值。

较优地，非线性算法

本发明的有益效果包括：

本发明公开的一种基于深度学习的上行免信令NOMA系统多用户检测方法，能够实现低复杂度且高性能的多用户检测，结合用户在不同时隙的发送信号之间存在的相关性，使用结构化压缩感知理论实现多用户检测；利用深度学习理论来解决信号恢复的欠定逆问题，与传统的压缩感知重构算法相比，基于深度学习的方法从优化参数、训练稀疏表示以及神经网络三个方面进一步改进了稀疏重构算法的重构精度并提高了重构效率；

本发明基于深度学习的系统可以自动从原始数据中学习特征，并通过参数调整来调整模型结构，从而优化端到端的性能，相较于现有技术的手动特征提取算法，深度学习取得的效果更为准确，同时深度学习的模块化特点，使得它的特征提取以及结构调整更具灵活性；利用深度学习来恢复结构化稀疏信号可以有效提高重构精度和重构效率。

附图说明

下面结合附图和实施例对本发明进一步说明；

图1是本发明一种基于深度学习的上行免信令NOMA系统多用户检测方法流程图；

图2为4层SDA结构示意图。

具体实施方式

下面结合附图并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效，且为了使该评价方法易于明白了解，下面结合具体实施例，进一步阐述本发明。

一种基于深度学习的上行免信令NOMA系统多用户检测方法，其特征在于，包括以下步骤：

步骤1，用连续时隙动态模型对基站端的接收信号进行建模；

步骤2，用K-SVD方法训练稀疏表示字典，用于将接收信号稀疏表示；

步骤3，建立多层降噪自动编码机(SDA)结构，构建训练集、误差函数和训练深度结构，基于测试集测试性能，最后用优化后的SDA(多层降噪自动编码机)恢复接收信号。

步骤1具体包括以下步骤：

根据用户的活动情况在连续的时隙内存在的相关性，例如时间相关性，采用连续时隙动态模型将基站接收信号建模为结构化的信号；

连续时隙动态模型的目的在于恢复发送信号X；

X＝[x^[1]，x^[2]，…，x^[t]，…，x^[T]]，式中x^[t]为第t个时隙的发送信号，Y＝[y^[1]，y^[2]，…，y^[t]，…，y^[T]]表示T个连续时隙的接收信号，y^[t]为第t个时隙的接收信号，将第t个时隙的接收信号y^[t]表示为单时隙静态模型式(1)：

式中

A^[t]为融合了信道增益和扩频信息的等效信道矩阵；N×K表示等效矩阵的大小，其中N表示基站处配置的天线数，K表示配置了单根接收天线的被服务用户数；

表示第k个用户和基站之间的信道向量；

表示高斯噪声向量，

表示第t个时隙第N个子载波上的高斯噪声，且

即服从均值为0，方差为δ²的复高斯分布，

表示任意t。

步骤2采用K-SVD方法从给定的接收信号Y中训练出稀疏表示字典，目标函数表示为式(2)：

式中

和

分别表示字典D和加权系数矩阵X的可允许集，||·||_F表示Frobenius范数；

K-SVD方法每次只更新稀疏表示字典中的一个原子，即字典矩阵D的任一列d_i：

式中

表示矩阵E_i中的第w_i列，

表示估计误差矩阵，

表示

的支撑集，

表示加权系数矩阵X的第i行，||·||₂表示2范数；s.t.表示subject to，表示前面的公式受约束于后面的条件；

用训练出的稀疏表示字典将多用户检测时的接收信号进行稀疏表示。

步骤3具体包括以下步骤：

(301)、如图2所示，建立一个4层的多层降噪自动编码机(SDA)结构式(4)：

式中

和

为加权矩阵，

和

为偏差向量，x_h1、x_h2和x_h3分别为第1、2和3层的输出，

为输出信号；

为非线性的算法，本实施例

y表示接收信号。

(302)，由l对接收信号与相对应的发送信号(y⁽ⁱ⁾，x⁽ⁱ⁾)构建训练集D_train：

D_train＝{(y⁽¹⁾，x⁽¹⁾)，(y⁽²⁾，x⁽²⁾)，…，(y⁽ⁱ⁾，x⁽ⁱ⁾)，...，(y^(l)，x^(l))}， (5)

在无监督的学习框架下，学习一个从接收信号y到发送信号x的非线性映射；i＝1，2...l；

(303)、定义一个非线性映射

式中Ω_L＝{W₁，b₁，W₂，b₂，W₃，b₃，W₄，b₄}为参数集，利用均方误差MSE函数作为训练集D_train的误差函数：

(304)、利用反向传播算法最小化误差函数。

步骤(304)具体包括以下步骤：

(a)将训练集D_train代入误差函数，计算出SDA输出信号

和实际发送信号x之间的误差L(Ω_L)；

(b)将误差L(Ω_L)从输出层向输入层反向传播，反向传播的过程中，根据误差使用梯度下降法调整参数集Ω_L中参数的值：

ΔΩ_L＝input*η*L(Ω_L)， (7)

式中ΔΩ_L为各个参数的变化量组成的集合，input为各个参数所在节点的输入值组成的集合，η表示学习速率。

(c)将训练集输入调整后的SDA，计算误差；

(d)迭代步骤(a)-(c)，直至误差函数的值小于设定的阈值。

(305)、由s对接收信号与相对应的发送信号(y⁽ⁱ⁾，x⁽ⁱ⁾)组成测试集D_test：

D_test＝{(y⁽¹⁾，x⁽¹⁾)，(y⁽²⁾，x⁽²⁾)，…，(y⁽ⁱ⁾，x⁽ⁱ⁾)，…，(y^(s)，x^(s))}， (8)

在测试集D_test上测试SDA的性能，将测试集代入误差函数，误差函数的值小于设定的阈值则结束优化(误差函数的值小于设定的阈值表示SDA的性能好)，大于设定的阈值则重新构建训练集(误差函数的值大于设定的阈值表示SDA的性能不好)；i＝1，2...s。设定的阈值的本领域技术人员可以根据经验设置。

本领域内的技术人员可以对本发明进行改动或变型的设计但不脱离本发明的思想和范围。因此，如果本发明的这些修改和变型属于本发明权利要求及其等同的技术范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，包括以下步骤：

步骤1，用连续时隙动态模型对基站端的接收信号进行建模；

步骤2，用K-SVD方法训练稀疏表示字典，用于将接收信号稀疏表示；

步骤3，建立多层降噪自动编码机SDA结构，构建训练集、误差函数和训练深度结构，基于测试集测试性能，最后用优化后的自动编码机SDA恢复接收信号；

步骤3具体包括以下步骤：

(301)、建立一个4层的多层降噪自动编码机SDA结构式(4)：

式中

和

为加权矩阵，

和

为偏差向量，x_h1、x_h2和x_h3分别为第1、2和3层的输出，

为输出信号；

为非线性的算法，y表示接收信号；

(302)，由l与接收信号相对应的发送信号(y⁽ⁱ⁾，x⁽ⁱ⁾)构建训练集D_train：

D_train＝{(y⁽¹⁾，x⁽¹⁾)，(y⁽²⁾，x⁽²⁾)，…，(y⁽ⁱ⁾，x⁽ⁱ⁾)，...，(y⁽ⁱ⁾，x^(l))}， (5)

在无监督的学习框架下，学习一个从接收信号y到发送信号x的非线性映射；i＝1，2...l；

(303)、定义一个非线性映射

式中Ω_L＝{W₁，b₁，W₂，b₂，W₃，b₃，W₄，b₄}为参数集，利用均方误差MSE函数作为训练集D_train的误差函数：

(304)、利用反向传播算法最小化误差函数；

(305)、由s对接收信号与相对应的发送信号(y⁽ⁱ⁾，x⁽ⁱ⁾)组成测试集D_test：

D_test＝{(y⁽¹⁾，x⁽¹⁾)，(y⁽²⁾，x⁽²⁾)，…，(y⁽ⁱ⁾，x⁽ⁱ⁾)，…，(y^(s)，x^(s))}， (8)

在测试集D_test上测试SDA的性能，将测试集代入误差函数，误差函数的值小于设定的阈值则结束优化，大于设定的阈值则重新构建训练集；i＝1，2...s。

2.根据权利要求1所述的一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，

步骤1具体包括以下步骤：

根据用户的活动情况在连续的时隙内存在的相关性，采用连续时隙动态模型将基站接收信号建模为结构化的信号；

连续时隙动态模型的目的在于恢复发送信号X；

X＝[x^[1]，x^[2]，…，x^[t]，…，x^[T]]，式中x^[t]为第t个时隙的发送信号，Y＝[y^[1]，y^[2]，…，y^[t]，…，y^[T]]表示T个连续时隙的接收信号，y^[t]为第t个时隙的接收信号，将第t个时隙的接收信号y^[t]表示为单时隙静态模型式(1)：

式中

A^[t]为融合了信道增益和扩频信息的等效信道矩阵；N×K表示等效矩阵的大小，其中N表示基站处配置的天线数，K表示配置了单根接收天线的被服务用户数；

表示第k个用户和基站之间的信道向量；

表示高斯噪声向量，

表示第t个时隙第N个子载波上的高斯噪声，且

即服从均值为0，方差为δ²的复高斯分布。

3.根据权利要求1所述的一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，

步骤2采用K-SVD方法从给定的接收信号Y中训练出稀疏表示字典，目标函数表示为式(2)：

式中

和

分别表示字典D和加权系数矩阵X的可允许集，||·||_F表示Frobenius范数；

K-SVD方法每次只更新稀疏表示字典中的一个原子，即字典矩阵D的任一列d_i：

式中

表示矩阵E_i中的第w_i列，

表示估计误差矩阵，

表示

的支撑集，

表示加权系数矩阵X的第i行，||·||₂表示2范数；s.t.表示subject to，表示前面的公式受约束于后面的条件；

用训练出的稀疏表示字典将多用户检测时的接收信号进行稀疏表示。

4.根据权利要求1所述的一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，

步骤(304)具体包括以下步骤：

(a)将训练集D_train代入误差函数，计算出SDA输出信号

和实际发送信号x之间的误差L(Ω_L)；

(b)将误差L(Ω_L)从输出层向输入层反向传播，反向传播的过程中，根据误差使用梯度下降法调整参数集Ω_L中参数的值：

ΔΩ_L＝input*η*L(Ω_L)， (7)

式中ΔΩ_L为各个参数的变化量组成的集合，input为各个参数所在节点的输入值组成的集合，η表示学习速率；

(c)将训练集输入调整后的SDA，计算误差；

(d)迭代步骤(a)-(c)，直至误差函数的值小于设定的阈值。

5.根据权利要求4所述的一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，

非线性算法

Images