CN109039534A - 一种基于深度神经网络的稀疏码分多址信号检测方法 - Google Patents
一种基于深度神经网络的稀疏码分多址信号检测方法 Download PDFInfo
- Publication number
- CN109039534A CN109039534A CN201810635535.4A CN201810635535A CN109039534A CN 109039534 A CN109039534 A CN 109039534A CN 201810635535 A CN201810635535 A CN 201810635535A CN 109039534 A CN109039534 A CN 109039534A
- Authority
- CN
- China
- Prior art keywords
- neural network
- user
- resource
- node
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0052—Realisations of complexity reduction techniques, e.g. pipelining or use of look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0047—Decoding adapted to other signal detection operation
- H04L1/0048—Decoding adapted to other signal detection operation in conjunction with detection of multiuser or interfering signals, e.g. iteration between CDMA or MIMO detector and FEC decoder
Abstract
本发明公开了一种基于深度神经网络的稀疏码分多址信号检测方法,首先将用户与资源的关系表示成因子图形式,接着将因子图上信息的迭代传递转化成神经网络的前向传递,然后进行信号检测误差估计并将估计值作为神经网络的输入数据,之后使用梯度下降法训练该网络得到更优的系数,最后使用训练好的网络来进行SCMA信号检测。由于使用了神经网络的架构,因此该方法可以在相应的AI芯片上实现。与传统方法相比,该方法在获得一定的性能提升同时可以将相关计算转移到高速并行处理的AI芯片上,有效减小SCMA信号检测带来的时延。
Description
技术领域
本发明涉及一种基于深度神经网络的SCMA信号检测算法,属于多用户检测技术领域。
背景技术
多址接入技术在移动通信系统中已经有了广泛的应用。现有基于正交多址技术的接入方法都是将不同的用户分配到正交的资源块上去,以此来避免多用户检测,这种方法的频率效率上不高。随着互联网的发展,对数据通信的需求也爆发式增长,5G技术因此追求更高的频谱效率,并且需要支持大量的不同设备接入。非正交多址接入(NOMA)技术具有较高的频谱利用率,且接入灵活,系统吞吐量高,为满足该需求提供了可能性。
稀疏码分多址(SCMA)技术一种重要的码域的非正交多址(NOMA)技术,是5G通信系统中一项重要的多址技术。在SCMA技术中,比特数据流通过码本映射到资源块上,多个用户的信息交织在一起,必须通过有效的检测算法来进行用户符号检测。通常会选择使用置信传播算法(MPA)进行检测。它将多用户检测模型转化为一个因子图,信息在因子图的连边上进行传播。MPA算法中引入了一个高斯分布,用于计算每个资源块上发送符号组合的概率信息。为了求取在当前接收信号下,各个用户发送符号情况的概率,需要对所有可能的组合情况进行概率计算,因此实现时会消耗大量的计算资源。
相比于资源紧缺的FPGA,人工智能(AI)芯片更加适合承担高复杂度的计算任务。
发明内容
发明目的:本发明的目的在于解决现有的基于MPA算法的SCMA检测方式具有较高的计算复杂度,因此会产生大量的FPGA资源消耗的问题。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于深度神经网络的稀疏码分多址信号检测算法,包括以下步骤:
1)将因子图的节点表示成神经网络的节点,将因子图上的边表示成神经网络的连边,将因子图上传递的信息值表示成神经网络节点的输出值;
2)对于使用传统迭代方法求解的MPA算法,使用一个稀疏连接的多层深度神经网络来等效替代;
3)初始化时,将所有连边的参数设为相同的非零数值即可得到与MPA算法等同的性能,接着利用梯度下降算法对神经网络参数进行调优,最终得到一个性能优于传统MPA算法的SCMA信号检测方法。
进一步地,该方法的具体实现步骤如下:
(1)对于一个具有J个用户,K个资源的SCMA系统,按照通用方法将其转化成典型因子图形式,在因子图中,定义两个集合:
V(k)={j|(F)k,j=1},k=1,2,···,K
C(j)={k|(F)k,j=1},j=1,2,···,J
其中V(k)表示用户节点的集合,k表示资源节点的标号,C(j)表示资源节点的集合,其中j表示用户节点的标号,F表示因子图矩阵,其维度为K行J列;
其中F矩阵的k行j列元素值取值1表示第j个用户在第k个资源上有传输信号,否则表示无传输信号;
(2)设置每个用户可以发送的调制符号阶数为2,则对应的发送二进制序列集合为{00,01,10,11},将每个用户的发送序列映射为对应的调制符号,记第j个用户所发送的调制符号为xj;初始化设置每个用户发送任一调制符号的概率相等,即其中p(xj)表示发送调制符号为xj的概率,M表示发送二进制序列集合中的元素个数;
(3)根据公式计算在当前信道下Ak的值,Ak表示接收信号与所有可能的发送信号的差值的平方,其中yk代表在第k个资源块上的接收信号值,代表第j1个用户在第k个资源上的信道增益值,代表第j1个用户在第k个资源上的发送信号;
(4)构建一个层数为L的神经网络,将计算值Ak(k=1,...,K)作为神经网络的输入值,在该神经网络中每两层组合成一个模块,模块中的前一层表示第j个用户节点传给第k个资源节点的信息加权组合,计算公式如下:
其中b2l+1,j,k,w2l+1,k',j,k为神经网络待训练参数,为第2l层的网络输出,Lp(xj)=ln(p(xj)),为第j个用户节发送xj信号概率的对数值,此处为常数并取值为ln(0.25),uj代表第j个用户节点,Rk与Rk'分别代表第k个与第k'个资源节点,ln()代表底为自然数的对数函数;
(5)模块中的后一层表示第k个资源节点给第j个用户节点传递的信息加权组合,计算公式如下:
其中为神经网络待训练参数,Ak为神经网络输入数据,为第2l+1层的网络输出,β为常数且取值为σ2为单个资源上的噪声方差XV(k)\j代表V(k)中除去用户j之外,其他用户发送的调制符号的所有组合;
(6)网络最终输出层的计算公式为:
(7)训练开始时,首先将网络所有参数初始化为1;
(8)训练过程中使用损失函数进行优化;
(9)训练结束后,使用如下判决准则判断每个用户发送的符号:
进一步地,所述步骤(3)中,该步骤中将计算所有资源k=1,...,K上所对应的Ak的所有可能取值,得到的计算结果Ak(k=1,...,K)将作为神经网络的输入。
进一步地,所述步骤(3)中,Ak表示接收信号与所有可能的发送信号的差值的平方,故Ak可表示为:
其中yk代表在第k个资源块上的接收信号值,代表第j1个用户在第k个资源上的信道增益值,代表第j1个用户在第k个资源上的发送信号。
进一步地,所述步骤(8)中,采用的损失函数为
其中E{}表示期望,在实际训练过程中使用统计平均值代替,x'j表示网络对第j个用户发送符号的检测结果,exp()表示指数运算,I()表示指示函数,具有如下形式:
有益效果:本发明与现有技术相比:
1、经过训练的神经网络检测方法在性能上有略微的优势;
2、该方法的计算量可以由原本就闲置的AI芯片承担,从而减轻了FPGA上的计算压力;
3、该方法的原理以及实现方法都很简单。
附图说明
图1为4个用户6个资源情况下的因子图;
图2为本发明方法在4个用户6个资源情况下神经网络框图;
图3为在加性白高斯噪声(AWGN)信道下MPA算法在迭代次数为2,神经网络使用2个模块堆叠(4层深度)情况下的符号错误率;
图4为在AWGN信道下MPA算法在迭代次数为4,神经网络使用4个模块堆叠(8层深度)情况下的符号错误率。
具体实施方式
下面结合附图对本发明作更进一步的说明。
多个用户的复数信号叠加正在多个资源块上,且用户数大于资源数,此时一个资源块上承载了多个用户的信息。传统的解决方法是使用置信传播算法,将信息在因子图的连边上进行迭代,经过几次迭代算法收敛,但是基于该原理的MPA算法的计算复杂度高,会消耗大量的FPGA资源。为此,本方法中提供了一种基于深度神经网络的SCMA检测算法,将计算力的消耗转移到现阶段闲置的AI芯片上去,并且通过参数的训练,该方法还得到了少量的性能提升。本方法具体包括如下步骤:
(1)对于一个具有J个用户,K个资源的SCMA系统,按照通用方法将其转化成典型因子图形式。在因子图中,定义两个集合:
V(k)={j|(F)k,j=1},k=1,2,···,K
C(j)={k|(F)k,j=1},j=1,2,···,J
其中V(k)表示用户节点的集合,k表示资源节点的标号,C(j)表示资源节点的集合,其中j表示用户节点的标号,F表示因子图矩阵,其维度为K行J列。
假设系统具有6个用户,4个资源,那么一个典型的SCMA系统的因子图矩阵可表示为:
其中F矩阵的k行j列元素值取值1表示第j个用户在第k个资源上有传输信号,否则表示无传输信号。
(2)设置每个用户可以发送的调制符号阶数为2,则对应的发送二进制序列集合为{00,01,10,11}。将每个用户的发送序列映射为对应的调制符号,记第j个用户所发送的调制符号为xj。初始化设置每个用户发送任一调制符号的概率相等,即其中p(xj)表示发送调制符号为xj的概率,M表示发送二进制序列集合中的元素个数。
(3)根据公式计算在当前信道下Ak的值,接收信号与所有可能的发送信号的差值的平方,其中yk代表在第k个资源块上的接收信号值,代表第j1个用户在第k个资源上的信道增益值,代表第j1个用户在第k个资源上的发送信号。该步骤中将计算所有资源k=1,...,K上所对应的Ak的所有可能取值,得到的计算结果Ak(k=1,...,K)将作为神经网络的输入。
(4)构建一个层数为L的神经网络,将计算值Ak(k=1,...,K)作为神经网络的输入值。在该神经网络中每两层组合成一个模块。模块中的前一层表示第j个用户节点传给第k个资源节点的信息加权组合,计算公式如下:
其中b2l+1,j,k,w2l+1,k',j,k为神经网络待训练参数,为第2l层的网络输出,Lp(xj)=ln(p(xj)),为第j个用户节发送xj信号概率的对数值,此处为常数并取值为ln(0.25),uj代表第j个用户节点,Rk与Rk'分别代表第k个与第k'个资源节点,ln()代表底为自然数的对数函数。
(5)模块中的后一层表示第k个资源节点给第j个用户节点传递的信息加权组合,计算公式如下:
其中为神经网络待训练参数,Ak为神经网络输入数据,为第2l+1层的网络输出,β为常数且取值为σ2为单个资源上的噪声方差XV(k)\j代表V(k)中除去用户j之外,其他用户发送的调制符号的所有组合。
(6)网络最终输出层的计算公式为:
(7)训练开始时,首先将网络所有参数初始化为1
(8)训练过程中使用如下损失函数进行优化:
其中E{}表示期望,在实际训练过程中使用统计平均值代替,x'j表示网络对第j个用户发送符号的检测结果,exp()表示指数运算,I()表示指示函数,具有如下形式:
(9)训练结束,使用如下判决准则判断每个用户发送的符号:
如图2所示,该网络由多层模块组成,每个模块由两层网络构成,其中每个模块的第一排节点只作为占位符来保存输入值,它与后一排节点共同组成一层网络。
如图3所示,MPA算法在迭代次数为2,网络模块数目为2(深度为4)情况下,在AWGN信道下的性能对比图,可以看出,在信噪比较高的情况下,基于深度神经网络的方法具有一定的增益。
如图4所示,MPA算法在迭代次数为4,网络模块数目为4(深度为8)情况下,在AWGN信道下的性能对比图,可以看出,在信噪比较高的情况下,基于深度神经网络的方法具有增益。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于深度神经网络的稀疏码分多址信号检测算法,其特征在于:包括以下步骤:
1)将因子图的节点表示成神经网络的节点,将因子图上的边表示成神经网络的连边,将因子图上传递的信息值表示成神经网络节点的输出值;
2)对于使用传统迭代方法求解的MPA算法,使用一个稀疏连接的多层深度神经网络来等效替代;
3)初始化时,将所有连边的参数设为相同的非零数值即可得到与MPA算法等同的性能,接着利用梯度下降算法对神经网络参数进行调优,最终得到一个性能优于传统MPA算法的SCMA信号检测方法。
2.根据权利要求1所述的基于深度神经网络的SCMA信号检测算法,其特征在于:该方法的具体实现步骤如下:
(1)对于一个具有J个用户,K个资源的SCMA系统,按照通用方法将其转化成典型因子图形式,在因子图中,定义两个集合:
V(k)={j|(F)k,j=1},k=1,2,···,K
C(j)={k|(F)k,j=1},j=1,2,···,J
其中V(k)表示用户节点的集合,k表示资源节点的标号,C(j)表示资源节点的集合,其中j表示用户节点的标号,F表示因子图矩阵,其维度为K行J列;
其中F矩阵的k行j列元素值取值1表示第j个用户在第k个资源上有传输信号,否则表示无传输信号;
(2)设置每个用户可以发送的调制符号阶数为2,则对应的发送二进制序列集合为{00,01,10,11},将每个用户的发送序列映射为对应的调制符号,记第j个用户所发送的调制符号为xj;初始化设置每个用户发送任一调制符号的概率相等,即其中p(xj)表示发送调制符号为xj的概率,M表示发送二进制序列集合中的元素个数;
(3)根据公式计算在当前信道下Ak的值,Ak表示接收信号与所有可能的发送信号的差值的平方,其中yk代表在第k个资源块上的接收信号值,代表第j1个用户在第k个资源上的信道增益值,代表第j1个用户在第k个资源上的发送信号;
(4)构建一个层数为L的神经网络,将计算值Ak(k=1,...,K)作为神经网络的输入值,在该神经网络中每两层组合成一个模块,模块中的前一层表示第j个用户节点传给第k个资源节点的信息加权组合,计算公式如下:
其中b2l+1,j,k,w2l+1,k',j,k为神经网络待训练参数,为第2l层的网络输出,Lp(xj)=ln(p(xj)),为第j个用户节发送xj信号概率的对数值,此处为常数并取值为ln(0.25),uj代表第j个用户节点,Rk与Rk'分别代表第k个与第k'个资源节点,ln()代表底为自然数的对数函数;
(5)模块中的后一层表示第k个资源节点给第j个用户节点传递的信息加权组合,计算公式如下:
其中为神经网络待训练参数,Ak为神经网络输入数据,为第2l+1层的网络输出,β为常数且取值为σ2为单个资源上的噪声方差XV(k)\j代表V(k)中除去用户j之外,其他用户发送的调制符号的所有组合;
(6)网络最终输出层的计算公式为:
(7)训练开始时,首先将网络所有参数初始化为1;
(8)训练过程中使用损失函数进行优化;
(9)训练结束后,使用如下判决准则判断每个用户发送的符号:
3.根据权利要求2所述的基于深度神经网络的SCMA信号检测算法,其特征在于:所述步骤(3)中,该步骤中将计算所有资源k=1,...,K上所对应的Ak的所有可能取值,得到的计算结果Ak(k=1,...,K)将作为神经网络的输入。
4.根据权利要求2所述的基于深度神经网络的SCMA信号检测算法,其特征在于:所述步骤(3)中,Ak表示接收信号与所有可能的发送信号的差值的平方,故Ak可表示为:
其中yk代表在第k个资源块上的接收信号值,代表第j1个用户在第k个资源上的信道增益值,代表第j1个用户在第k个资源上的发送信号。
5.根据权利要求2所述的基于深度神经网络的SCMA信号检测算法,其特征在于:所述步骤(8)中,采用的损失函数为
其中E{}表示期望,在实际训练过程中使用统计平均值代替,x'j表示网络对第j个用户发送符号的检测结果,exp()表示指数运算,I()表示指示函数,具有如下形式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635535.4A CN109039534B (zh) | 2018-06-20 | 2018-06-20 | 一种基于深度神经网络的稀疏码分多址信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635535.4A CN109039534B (zh) | 2018-06-20 | 2018-06-20 | 一种基于深度神经网络的稀疏码分多址信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109039534A true CN109039534A (zh) | 2018-12-18 |
CN109039534B CN109039534B (zh) | 2021-06-11 |
Family
ID=64610003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810635535.4A Active CN109039534B (zh) | 2018-06-20 | 2018-06-20 | 一种基于深度神经网络的稀疏码分多址信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109039534B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109995449A (zh) * | 2019-03-15 | 2019-07-09 | 北京邮电大学 | 一种基于深度学习的毫米波信号检测方法 |
CN110099019A (zh) * | 2019-04-24 | 2019-08-06 | 西安电子科技大学 | 基于深度学习的LoRa调制信号检测方法 |
CN110336594A (zh) * | 2019-06-17 | 2019-10-15 | 浙江大学 | 一种基于共轭梯度下降法的深度学习信号检测方法 |
CN110474716A (zh) * | 2019-08-14 | 2019-11-19 | 安徽大学 | 基于降噪自编码器的scma编解码器模型的建立方法 |
CN113273108A (zh) * | 2019-01-07 | 2021-08-17 | 诺基亚技术有限公司 | 使用神经网络检测帧中传输的控制信息 |
CN113381799A (zh) * | 2021-06-08 | 2021-09-10 | 哈尔滨工业大学 | 基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法 |
CN113890622A (zh) * | 2021-11-08 | 2022-01-04 | 西南交通大学 | 一种基于图神经网络的长距离无源光网络解调方法 |
CN113992313A (zh) * | 2021-10-25 | 2022-01-28 | 安徽大学 | 一种基于深度学习的均衡网络辅助scma编解码方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933090A (zh) * | 2016-04-14 | 2016-09-07 | 电子科技大学 | 一种多核并行scma译码系统 |
CN106464314A (zh) * | 2014-03-31 | 2017-02-22 | 华为技术有限公司 | 用于稀疏码多址接入传输的资源分配的系统及方法 |
US9595350B2 (en) * | 2012-11-05 | 2017-03-14 | Nxp Usa, Inc. | Hardware-based memory initialization |
CN107276725A (zh) * | 2017-07-31 | 2017-10-20 | 北京交通大学 | Scma系统中多用户检测方法 |
CN108171321A (zh) * | 2017-12-07 | 2018-06-15 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于SoC芯片的深度神经网络嵌入式实现方法 |
-
2018
- 2018-06-20 CN CN201810635535.4A patent/CN109039534B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9595350B2 (en) * | 2012-11-05 | 2017-03-14 | Nxp Usa, Inc. | Hardware-based memory initialization |
CN106464314A (zh) * | 2014-03-31 | 2017-02-22 | 华为技术有限公司 | 用于稀疏码多址接入传输的资源分配的系统及方法 |
CN105933090A (zh) * | 2016-04-14 | 2016-09-07 | 电子科技大学 | 一种多核并行scma译码系统 |
CN107276725A (zh) * | 2017-07-31 | 2017-10-20 | 北京交通大学 | Scma系统中多用户检测方法 |
CN108171321A (zh) * | 2017-12-07 | 2018-06-15 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于SoC芯片的深度神经网络嵌入式实现方法 |
Non-Patent Citations (1)
Title |
---|
MINHOE KIM ET AL.: "Deep Learning-Aided SCMA", 《IEEE COMMUNICATIONS LETTERS》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113273108A (zh) * | 2019-01-07 | 2021-08-17 | 诺基亚技术有限公司 | 使用神经网络检测帧中传输的控制信息 |
CN109995449A (zh) * | 2019-03-15 | 2019-07-09 | 北京邮电大学 | 一种基于深度学习的毫米波信号检测方法 |
CN110099019A (zh) * | 2019-04-24 | 2019-08-06 | 西安电子科技大学 | 基于深度学习的LoRa调制信号检测方法 |
CN110099019B (zh) * | 2019-04-24 | 2020-04-07 | 西安电子科技大学 | 基于深度学习的LoRa调制信号检测方法 |
CN110336594A (zh) * | 2019-06-17 | 2019-10-15 | 浙江大学 | 一种基于共轭梯度下降法的深度学习信号检测方法 |
CN110474716A (zh) * | 2019-08-14 | 2019-11-19 | 安徽大学 | 基于降噪自编码器的scma编解码器模型的建立方法 |
CN110474716B (zh) * | 2019-08-14 | 2021-09-14 | 安徽大学 | 基于降噪自编码器的scma编解码器模型的建立方法 |
CN113381799A (zh) * | 2021-06-08 | 2021-09-10 | 哈尔滨工业大学 | 基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法 |
CN113381799B (zh) * | 2021-06-08 | 2022-11-01 | 哈尔滨工业大学 | 基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法 |
CN113992313A (zh) * | 2021-10-25 | 2022-01-28 | 安徽大学 | 一种基于深度学习的均衡网络辅助scma编解码方法 |
CN113890622A (zh) * | 2021-11-08 | 2022-01-04 | 西南交通大学 | 一种基于图神经网络的长距离无源光网络解调方法 |
CN113890622B (zh) * | 2021-11-08 | 2023-01-10 | 西南交通大学 | 一种基于图神经网络的长距离无源光网络解调方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109039534B (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109039534A (zh) | 一种基于深度神经网络的稀疏码分多址信号检测方法 | |
CN110474716B (zh) | 基于降噪自编码器的scma编解码器模型的建立方法 | |
Lee et al. | Deep power control: Transmit power control scheme based on convolutional neural network | |
CN105721106B (zh) | 基于串行策略的scma上行通信系统多用户检测方法 | |
CN106130688B (zh) | 一种低复杂度的稀疏码多址接入检测方法 | |
CN113381828B (zh) | 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法 | |
CN107872256B (zh) | 无线光通信中盲检测及调制星座优化方法、存储介质 | |
CN110098870B (zh) | 基于ob-mmse检测算法的光广义空间调制方法 | |
CN109525369B (zh) | 一种基于循环神经网络的信道编码类型盲识别方法 | |
CN107743056B (zh) | 一种基于压缩感知辅助的scma多用户检测方法 | |
CN107864029A (zh) | 一种降低多用户检测复杂度的方法 | |
CN107425889B (zh) | 一种5g通信系统接收端基带信号联合处理方法 | |
CN108737022B (zh) | 基于量子计算的低复杂度scma解码方法及装置 | |
CN108736935B (zh) | 一种用于大规模mimo系统信号检测的通用下降搜索方法 | |
CN110113057A (zh) | 一种利用深度学习的极化码译码器 | |
Jamali et al. | Massive coded-NOMA for low-capacity channels: A low-complexity recursive approach | |
CN110365414B (zh) | 一种适合于对数正态湍流信道的增强型光空间调制方法 | |
CN112215335A (zh) | 一种基于深度学习的系统检测方法 | |
CN115309869A (zh) | 一种一对多的多用户语义通信模型及通信方法 | |
Miao et al. | A low complexity multiuser detection scheme with dynamic factor graph for uplink SCMA systems | |
CN114268328A (zh) | 一种基于双向lstm的卷积码译码方法与卷积码编码和译码方法 | |
CN109981219A (zh) | 一种基于分布式压缩感知的非正交多址系统信号检测方法 | |
CN109586848A (zh) | Scma系统中一种消息传递解码算法 | |
CN113839744B (zh) | 一种基于深度学习的广义无线光mimo系统的盲检测方法 | |
Chen et al. | Research on improved receiver of NOMA-OFDM signal based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |