CN109981219B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109981219B CN109981219B CN201910194477.0A CN201910194477A CN109981219B CN 109981219 B CN109981219 B CN 109981219B CN 201910194477 A CN201910194477 A CN 201910194477A CN 109981219 B CN109981219 B CN 109981219B
- Authority
- CN
- China
- Prior art keywords
- support set
- signal
- iteration
- norm
- sparsity
- 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.)
- Active
Links
Images
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
- H04L1/0047—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
-
- 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
- H04L1/005—Iterative decoding, including iteration between signal detection and decoding operation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开了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,属于无线通信信号检测技术领域。本发明通过第一部分的基于块稀疏的自适应子空间追踪算法(步骤1‑步骤10),本发明方法可以准确地找到公共支撑集位置。接着,在第二部分基于置信支撑集的自适应子空间追踪算法中(步骤11‑步骤24),以第一部分所估计出的公共支撑集作为先验置信支撑集,可以准确找到动态支撑集并恢复出发射信号。从附图3中可以看出,本发明方法在用户活跃度未知的情况下,SER性能仍远优于已知用户活跃度的SP和OMP算法。
Description
技术领域
本发明属于无线通信信号检测技术领域,涉及一种基于分布式压缩感知的免调度非正交多址系统信号检测方法。
背景技术
大规模机器通信是未来5G的核心应用场景之一,它为大量的低成本、低功耗的设备提供了有效地连接方式,并拥有着海量连接、低时延通信和高可靠性等特点。现有的多址技术已难以满足大规模机器通信对海量设备连接的需求。因此,非正交多址技术被认为是一种更适合于大规模机器通信的方案;其次,大规模机器通信的上行链路普遍存在零星通信的特点,即,在某一个时刻接入基站的用户数要远小于总用户数。由于大规模机器通信的这种海量连接和稀疏接入的特点,传统的信令调度方案不仅不能够满足低时延的通信要求,而且显得尤为冗余。同时,优秀的信号检测方法则对大规模机器通信的高可靠性起着至关重要的作用。大规模机器通信模型如附图1所示,活跃用户为在一帧内与基站保持通信的用户,非活跃用户为在此期间保持静默的用户,并且其数量远大于在某一帧内保持活跃的用户。在无须信令交换的免调度通信系统中,基站不仅需要检测出哪些用户活跃,而且要检测活跃用户发送的数据。基于此,在申请号为201710599448.3的发明专利“一种块压缩感知非正交多址系统多用户检测中”,作者提出了一种基于块压缩感知的多用户检测方法,在免除了信令开销的同时,实现了用户活跃度(即用户处于静默或是维持通信的状态)和发送数据(针对活跃用户)的联合检测。具体地,该发明采用了非正交多址技术,使用的是传输资源数要小于实际的用户数的过载CDMA(Code Division Multiple Access,码分多址接入)技术。并且,该发明所采用的基于块稀疏的压缩感知算法有着较好的信号重构性能。但是,该发明假设了一帧时间内活跃用户与非活跃用户均维持不变(即用户活跃度不变),这在实际的通信场景中并不完全适用。
发明内容
本发明针对背景技术未能充分考虑实际通信中结构化的稀疏特性,考虑了一种混合稀疏模型(如附图2所示),即为由公共支撑集与动态支撑集组合而成,其中公共支撑集即为一帧时间内均维持通信状态的活跃用户,动态支撑集则表示在一帧时间内时而通信,时而静默的用户(随机接入)。本发明针对这种混合稀疏模型,提出了一种基于分布式压缩感知的信号检测方法。该方法将免调度非正交多址系统的信号检测分成了两步。第一步,利用块稀疏自适应的子空间追踪算法求得公共支撑集;第二步,利用基于置信支撑集的自适应子空间追踪算法求得动态支撑集。该方法在不需要用户活跃度已知的条件下,SER(SymbolError Rate,误符号率)性能相比于已知用户活跃度的SP(Subspace Pursuit,子空间追踪)算法有着较大提升。
本发明的技术方案如下:
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,主要包括两大部分:基于自适应块稀疏的子空间追踪算法和基于置信支撑集的子空间追踪算法。其中,基于自适应块稀疏的子空间追踪算法(步骤1-步骤10)包括结构化稀疏重组为块稀疏信号、迭代参数初始化、公共支撑集的估计、最小二乘法的计算、公共支撑集的修剪、稀疏度估计终止条件的判决、更新公共支撑集等步骤。其特征在于公共支撑集能量集中的特点将在重组后的块稀疏信号中体现得尤其明显,这一特点有助于准确地寻找公共支撑集。而基于置信支撑集的子空间追踪算法(步骤11-步骤24)是分时隙进行信号恢复的,其步骤大致包括时隙索引初始化、迭代参数初始化、备选支撑集的估计、最小二乘法的估计、支撑集的修剪、稀疏度估计终止门限的判决、恢复估计信号等。在利用了公共支撑集作为置信支撑集后,该部分的信号恢复性能得到了提升。同时,仿真结果表明本发明方法在用户活跃度未知的条件下,SER性能比用户活跃度已知的SP算法有着较大的增益。
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,具体包括以下步骤:
步骤1、重组块稀疏信号:上行通信系统接收到的信号为Y=[y1,y2,...,yJ],其中J为一帧内的时隙数,yj,j∈1,2,...,J为第j个时隙接收到的信号;等价的信道系数矩阵示为H;首先将接收的二维信号Y按各个时隙重组为一维信号p=vec(YT);
则有p=[Y(1,1),Y(1,2),…,Y(1,J),…,Y(N,1),…,Y(N,J)]T,其中Y(i,j)表示接收信号矩阵Y的第i行第j列的值,N为扩频序列长度,符号(·)T表示矩阵或矢量的转置;对应地,将信道系数矩阵重组得到扩展的信道系数矩阵
步骤2、迭代参数初始化:初始化估计的公共支撑集为空集:Γ(0)表示初始估计的公共支撑集,公共支撑集表示一个时隙内一直保持通信的用户序号集合;残差R(0)表示实际接收信号与恢复的接收信号的差,初始化为接收信号p,即R(0)=p;用户活跃度s初始化为1,即,假设保持通信的用户数量为1,其余用户保持静默;最后,初始化迭代次数l=1;
步骤3、迭代开始,更新备选公共支撑集;首先分别计算扩展后的信道矩阵G[i]各列与第l-1次迭代得到的残差值R(l-1)的内积:Di=GH[i]R(l-1),i=1,2,…,K,其中符号(·)H表示矩阵的共轭转置;然后将得到内积以此按块长J进行分类,得到K个长度为J的内积组成的向量,接着计算这K个向量的二范数并找到其中最大的s个值对应的位置组成的集合,该集合为{1,2,…,K}的子集,且其中元素个数为s,最后将得到的最大值位置的集合与上次迭代估计的公共支撑集Γ(l-1)合并,得到新的公共支撑集该支撑集的大小s*最大为2s;
步骤4、最小二乘法估计;为了不失一般性,将公共支撑集表示为其中θi∈{1,2,…,K},i=1,2,…,s*;沿用步骤1中的定义,将G[Γ(l)]定义为:利用G[Γ(l)]和接收信号p,根据最小二乘法可以得到:其中符号表示矩阵的伪逆;
步骤7、残差更新;活跃用户对应的标号组成的支撑集为其传输信号的估计值为则非活跃用户的标号的集合为的补集,即其对应的传输信号为0;将活跃用户的数据和非活跃用户的数据按照和其补集组成完整的传输信号的估计即可计算出对接收信号的估计为则残差更新为
步骤8、如果得到的残差值的2-范数||R(l)||2小于上次迭代得到的残差值的2-范数||R(l-1)||2,即||R(l)||2<||R(l-1)||2,则更新估计的公共支撑集:迭代次数加1:l←l+1,然后跳回步骤3;否则,执行步骤9;
步骤11、寻找动态支撑集的迭代开始时隙索引初始化;时隙索引j=1
步骤12、第j个时隙迭代参数初始化:第j个时隙的初始支撑集为基于块稀疏的自适应子空间追踪算法所估计得到的公共支撑集,即初始化用户稀疏度即假设当前稀疏度为公共支撑集的大小;假设置信支撑集为Γc;置信稀疏度
步骤14、第j个时隙迭代开始:更新备选支撑集;首先分别计算信道矩阵H的每列与第l-1次迭代得到的残差的内积:并计算内积的二范数;其次,在与置信支撑集中元素序号相对应的位置的二范数中,找出最大的个位置,对应序号构成集合Λ1;之后,在除去集合Λ1中元素序号相对应的位置的剩余二范数中,找出最大的个位置,对应序号构成集合Λ2;于是,将备选支撑集Λ表示为
步骤16、支撑集的修剪;首先,计算z(l)各个位置的二范数大小;其次,在与置信支撑集中元素序号相对应位置的二范数中,找出最大的个位置,对应序号构成集合τ1;之后,在除去集合τ1中元素序号相对应的位置的剩余二范数中,找出最大的个位置,对应序号构成集合τ2;于是,第l次循环估计的支撑集表示为
步骤17、信号估计;第l次循环估计的信号表示为此时活跃用户支撑集为对应的信号估计值为非活跃用户支撑集,即的补集所对应的信号标记为一个值全为零的矢量0;将活跃用户的数据和非活跃用户的数据按照和其补集组成完整的传输信号的估计值
步骤22、第j个时隙迭代结束;第j个时隙的恢复信号为其活跃用户支撑集为非活跃用户支撑集,即的补集,所对应的信号标记为一个值全为零的矢量0;将活跃用户的数据和非活跃用户的数据按照和其补集组成完整的传输信号的估计值
步骤23、j=j+1,若j>J时,迭代结束;否则,返回步骤12;
本发明的有益效果为:
通过第一部分的基于块稀疏的自适应子空间追踪算法(步骤1-步骤10),本发明方法可以准确地找到公共支撑集位置。接着,在第二部分基于置信支撑集的自适应子空间追踪算法中(步骤11-步骤24),以第一部分所估计出的公共支撑集作为先验置信支撑集,可以准确找到动态支撑集并恢复出发射信号。从附图3中可以看出,本发明方法在用户活跃度未知的情况下,SER性能仍远优于已知用户活跃度的SP和OMP算法。
附图说明
图1为大规模机器通信场景模型;
图2为本发明的混合稀疏信号示意图;
图3为OMP算法、SP算法和本发明方法的SER性能对比图。
具体实施方式
下面结合附图和实施例,详述本发明方法的技术方案。
根据传输条件及检测过程的程序,初始化设置以下参数:
潜在通信的用户总数为K=200,扩频序列的长度为N=80,扩频序列采用了高斯的伪随机序列,系统过载率用户活跃度为S~U(18,20)(即用户活跃度服从18,19,20的均匀分布),公共支撑集的大小||Γc||0~U(13,15)(即公共支撑集的大小服从13,14,15的均匀分布),一帧内连续时隙数为J=7,活跃用户在某一时隙保持与基站的通信,非活跃用户则在该时隙保持静默;信道模型为平坦瑞利衰落信道;系统的调制方式为QPSK调制,在单个时隙内,活跃用户传送的信息比特映射为QPSK符号,经过扩频信号处理后传输,接收信号y在第j个时隙为
xi,k是第k个用户在i个时隙传送的QPSK符号,是第k个用户的高斯伪随机扩频序列,是第k个用户和基站之间的信道衰落系数,其中各个元素满足 是服从均值为0,方差为σ2的复高斯白噪声;将接收的信号yi可以等价的表示为yi=Hxi+ni,是所有K个用户在第j个时隙传送的符号向量,是等价的信道系数矩阵,它的第n行第k列的元素为Hn,k=hn,ksn,k;进一步地,所有J个时隙的接收信号可以表示为Y=HX+Z,在基于块稀疏的自适应子空间追踪算法中,门限Pth在所有信噪比下均为5.3,而在基于置信支撑集的自适应子空间追踪算法中,门限Vth在信噪比为0dB,3dB,6dB,9dB,12dB,15dB分别为0.68,0.51,0.34,0.27,0.21和0.14。
接收机处于一种块压缩感知非正交多址系统信号检测方法,包括以下步骤:
则更新稀疏度s←s+1并跳回步骤3;否则,执行步骤9;
步骤10、寻找动态支撑集的迭代开始,时隙索引初始化;时隙索引j=1
步骤11、第j个时隙迭代参数初始化:第j个时隙的初始支撑集为基于块稀疏的自适应子空间追踪算法得到的公共支撑集(即),其中,这里的支撑集表示在第j个时隙维持通信的用户序号;初始化用户稀疏度即假设当前稀疏度为公共支撑集的大小;假设置信支撑集为Γc;置信稀疏度其中最后,初始化迭代次数l=1;
步骤12、第j个时隙重构残差初始化:第j个时隙的重构残差可以表示为:
步骤13、第j个时隙迭代开始:更新备选支撑集;首先分别将信道矩阵H的每列与第l-1次迭代得到的残差的内积:并计算内积的二范数。其次,在与置信支撑集Γc中元素序号相对应的位置的二范数中,找出最大的个位置,对应序号构成集合Λ1;之后,在除去集合Λ1中元素序号相对应的位置的剩余二范数中,找出最大的个位置,对应序号构成集合Λ2。于是,将备选支撑集Λ表示为
步骤15、支撑集的修剪;首先,计算z(l)各个位置的二范数大小。其次,在与置信支撑集Γc中元素序号相对应位置的二范数中,找出最大的个位置,对应序号构成集合τ1;之后,在除去集合τ1中元素序号相对应的位置的剩余二范数中,找出最大的个位置,对应序号构成集合τ2。于是,第l次循环估计的支撑集可表示为
步骤16、信号估计;第l次循环估计的信号可表示为此时活跃用户支撑集为对应的信号估计值为非活跃用户,即的补集,所对应的信号为0(一个值全为零的矢量)。将活跃用户的数据和非活跃用户的数据按照和其补集组成完整的传输信号的估计值
步骤22、j=j+1,若j>7时,迭代结束;否则,返回步骤11。
利用Matlab仿真软件对本发明实施例的基于分布式压缩感知的免调度非正交多址系统信号检测方法、已知真实的用户活跃度的SP算法以及已知真实的用户活跃度的OMP算法在平坦瑞利衰落信道下的SER性能进行仿真对比分析。仿真结果如附图3所示,所提检测方法的SER性能明显优于其他两种非自适应的压缩感知算法。这是因为所提检测方法有着针对用户稀疏度估计的门限设计,使得所提方法可以自适应地估计用户活跃度,因而在用户活跃度不断变化时依旧有着很好地重构性能。反观其他两个算法,由于不具备自适应估计用户活跃度的能力,SP算法和OMP算法的SER性能始终维持在一个较低的水平,不适用于实际的通信系统。
Claims (1)
1.一种基于分布式压缩感知的非正交多址系统信号检测方法,具体包括以下步骤:
步骤1、重组块稀疏信号:上行通信系统接收到的信号为Y=[y1,y2,...,yJ],其中J为一帧内的时隙数,yj,j∈1,2,...,J为第j个时隙接收到的信号;等价的信道系数矩阵示为H;首先将接收的二维信号Y按各个时隙重组为一维信号p=vec(YT);
则有p=[Y(1,1),Y(1,2),…,Y(1,J),…,Y(N,1),…,Y(N,J)]T,其中Y(i,j)表示接收信号矩阵Y的第i行第j列的值,N为扩频序列长度,符号(·)T表示矩阵或矢量的转置;对应地,将信道系数矩阵重组得到扩展的信道系数矩阵
步骤2、迭代参数初始化:初始化估计的公共支撑集为空集:Γ(0)表示初始估计的公共支撑集,公共支撑集表示一个时隙内一直保持通信的用户序号集合;残差R(0)表示实际接收信号与恢复的接收信号的差,初始化为接收信号p,即R(0)=p;用户活跃度s初始化为1,即,假设保持通信的用户数量为1,其余用户保持静默;最后,初始化迭代次数l=1;
步骤3、迭代开始,更新备选公共支撑集;首先分别计算扩展后的信道矩阵G[i]各列与第l-1次迭代得到的残差值R(l-1)的内积:Di=GH[i]R(l-1),i=1,2,…,K,其中符号(·)H表示矩阵的共轭转置;然后将得到内积以此按块长J进行分类,得到K个长度为J的内积组成的向量,接着计算这K个向量的二范数并找到其中最大的s个值对应的位置组成的集合,该集合为{1,2,…,K}的子集,且其中元素个数为s,最后将得到的最大值位置的集合与上次迭代估计的公共支撑集Γ(l-1)合并,得到新的公共支撑集该支撑集的大小s*最大为2s;
步骤4、最小二乘法估计;为了不失一般性,将公共支撑集表示为其中θi∈{1,2,…,K},i=1,2,…,s*;沿用步骤1中的定义,将G[Γ(l)]定义为:利用G[Γ(l)]和接收信号p,根据最小二乘法可以得到:其中符号表示矩阵的伪逆;
步骤7、残差更新;活跃用户对应的标号组成的支撑集为其传输信号的估计值为则非活跃用户的标号的集合为的补集,即其对应的传输信号为0;将活跃用户的数据和非活跃用户的数据按照和其补集组成完整的传输信号的估计即可计算出对接收信号的估计为则残差更新为
步骤8、如果得到的残差值的2-范数||R(l)||2小于上次迭代得到的残差值的2-范数||R(l-1)||2,即||R(l)||2<||R(l-1)||2,则更新估计的公共支撑集:迭代次数加1:l←l+1,然后跳回步骤3;否则,执行步骤9;
步骤11、寻找动态支撑集的迭代开始时隙索引初始化;时隙索引j=1;
步骤12、第j个时隙迭代参数初始化:第j个时隙的初始支撑集为基于块稀疏的自适应子空间追踪算法所估计得到的公共支撑集,即初始化用户稀疏度即假设当前稀疏度为公共支撑集的大小;假设置信支撑集为Γc,置信稀疏度
步骤14、第j个时隙迭代开始:更新备选支撑集;首先分别计算信道矩阵H的每列与第l-1次迭代得到的残差的内积:并计算内积的二范数;其次,在与置信支撑集中元素序号相对应的位置的二范数中,找出最大的个位置,对应序号构成集合Λ1;之后,在除去集合Λ1中元素序号相对应的位置的剩余二范数中,找出最大的个位置,对应序号构成集合Λ2;于是,将备选支撑集Λ表示为
步骤16、支撑集的修剪;首先,计算z(l)各个位置的二范数大小;其次,在与置信支撑集中元素序号相对应位置的二范数中,找出最大的个位置,对应序号构成集合τ1;之后,在除去集合τ1中元素序号相对应的位置的剩余二范数中,找出最大的个位置,对应序号构成集合τ2;于是,第l次循环估计的支撑集表示为
步骤17、信号估计;第l次循环估计的信号表示为此时活跃用户支撑集为对应的信号估计值为非活跃用户支撑集,即的补集所对应的信号标记为一个值全为零的矢量0;将活跃用户的数据和非活跃用户的数据按照和其补集组成完整的传输信号的估计值
步骤22、第j个时隙迭代结束;第j个时隙的恢复信号为其活跃用户支撑集为非活跃用户支撑集,即的补集,所对应的信号标记为一个值全为零的矢量0;将活跃用户的数据和非活跃用户的数据按照和其补集组成完整的传输信号的估计值
步骤23、j=j+1,若j>J时,迭代结束;否则,返回步骤12;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910194477.0A CN109981219B (zh) | 2019-03-14 | 2019-03-14 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910194477.0A CN109981219B (zh) | 2019-03-14 | 2019-03-14 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109981219A CN109981219A (zh) | 2019-07-05 |
CN109981219B true CN109981219B (zh) | 2021-07-06 |
Family
ID=67079003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910194477.0A Active CN109981219B (zh) | 2019-03-14 | 2019-03-14 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109981219B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110784286B (zh) * | 2019-11-01 | 2022-05-03 | 重庆邮电大学 | 基于压缩感知的非正交多址接入系统的多用户检测方法 |
CN113114428A (zh) * | 2021-05-21 | 2021-07-13 | 唐山学院 | 一种基于上行免调度noma系统的多用户检测方法 |
CN116208169B (zh) * | 2023-03-02 | 2023-08-22 | 哈尔滨工程大学 | 一种基于联合匹配准则的分布式压缩感知重构方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120179833A1 (en) * | 2010-06-02 | 2012-07-12 | Onmobile Global Limited | Method and apparatus for adapting media |
CN105554901B (zh) * | 2015-12-11 | 2019-01-11 | 清华大学 | 随机接入方法 |
CN106130688B (zh) * | 2016-06-13 | 2019-06-21 | 电子科技大学 | 一种低复杂度的稀疏码多址接入检测方法 |
CN107248902B (zh) * | 2017-07-21 | 2019-08-02 | 电子科技大学 | 一种块压缩感知非正交多址系统多用户检测方法 |
CN107294659B (zh) * | 2017-07-21 | 2019-08-09 | 电子科技大学 | 一种基于交叉验证非正交多址系统多用户检测方法 |
CN107949065B (zh) * | 2018-01-12 | 2019-11-08 | 中国矿业大学 | 一种noma的自适应比特功率分配方法 |
CN111918320B (zh) * | 2020-07-14 | 2022-05-24 | 吉林大学 | 时分双工下非正交多址接入的无线通信资源优化分配方法 |
-
2019
- 2019-03-14 CN CN201910194477.0A patent/CN109981219B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109981219A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109981219B (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 | |
CN111698182A (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
CN107135041B (zh) | 一种基于相空间重构的rbf神经网络信道预测方法 | |
CN109327850B (zh) | 基于梯度追踪和多步拟牛顿法技术的非正交多址接入系统多用户检测方法 | |
CN107743056B (zh) | 一种基于压缩感知辅助的scma多用户检测方法 | |
CN109474388B (zh) | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 | |
CN105071843B (zh) | 大规模mimo系统低复杂度多项式展开矩阵求逆方法及应用 | |
CN105721106A (zh) | 基于串行策略的scma上行通信系统多用户检测方法 | |
CN103685088A (zh) | 稀疏信道的导频优化方法、装置和信道估计方法 | |
CN114285523B (zh) | 面向多业务需求的大规模mtc免授权多用户检测方法及系统 | |
CN111865845A (zh) | 一种mimo用户检测与信道估计装置及方法 | |
CN111478749A (zh) | 基于优化初值快收敛mimo迭代检测方法、系统及应用 | |
CN113114313A (zh) | 一种mimo-noma系统导频辅助信号检测方法、系统及存储介质 | |
CN108566227B (zh) | 一种多用户检测方法 | |
WO2014149570A1 (en) | Communication system and method using subspace interference cancellation | |
CN106878997B (zh) | 一种基于分布式网络的节点采样速率自适应调整方法 | |
CN103346984A (zh) | 基于bsl0的局部聚类稀疏信道估计方法 | |
CN116032317B (zh) | 一种免授权的联合活跃用户与数据检测方法 | |
CN107465472B (zh) | 一种基于路径合成的多径时延估计方法 | |
CN110086734A (zh) | 一种时变大规模mimo系统中的信道追踪和恢复方法 | |
CN110492956B (zh) | 一种用于musa系统的误差补偿多用户检测方法及装置 | |
Zou et al. | Joint user activity and data detection in grant-free NOMA using generative neural networks | |
CN102891816B (zh) | 一种基于mimo-ofdm相关信道的去耦合预测方法 | |
CN108736940B (zh) | 一种空分复用的方法及装置 | |
CN114978254B (zh) | 基于ofdm系统的机器学习辅助低复杂度鲁棒预编码算法 |
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 |