CN110086557B - 一种免调度多用户检测方法 - Google Patents

Abstract

一种免调度多用户检测方法，包括以下步骤：步骤A、利用混合高斯聚类算法，将接收信号y＝[y₁,y₂,…y_N]^T的N个分量聚成L个类，建立噪声混合高斯模型，并得到最终L值；步骤B、构建一个分层贝叶斯先验模型，推导噪声混合高斯模型

中的权重w_l、高斯分量方差

信道H和发射信号α的更新公式，多次迭代后得到发射信号估计值，即为多用户检测结果；本发明利用稀疏贝叶斯学习算法，迭代计算信道估计和发射信号估计值，消除信道估计误差，提高多用户检测性能。

Description

一种免调度多用户检测方法

技术领域

本发明涉及无线通信技术领域，特别涉及一种免调度多用户检测方法。

背景技术

随着无线通信技术的发展，现有的第四代移动通信系统显然已经无法满足未来大容量，低时延，高速率的要求。在5G时代，通信界希望实现“万物互联”这一理想。通信系统将不再是现在的以人与人之间的通信为主，而是有海量的机器设备连接到通信网络中。现有的频谱资源已经很紧缺，必须考虑在相同的频谱资源上容纳更多的用户，也就是提高频谱利用率。

传统的多址技术都是对资源的正交复用，受到时频资源的限制，系统所能容纳的用户很有限。随着无线通信设备指数倍的增长，这些技术显然已经不能满足5G时代的海量连接需求。于是非正交多址(Non-orthogonal Multiple Access,NOMA)技术开始受到广泛关注。

NOMA允许用户共享同一时频资源，频谱利用率大大提高，但这也意味着在接收端会存在用户间信息的干扰。因此需要多用户检测技术来消除用户间信息的干扰。而在现有的多用户检测技术中，大都将信道中的噪声当作高斯噪声来处理。然而信道中的噪声形式很复杂且往往是非高斯的，包括脉冲噪声，高斯噪声，拉普拉斯噪声等多种形式，如果将它们简单地当作高斯噪声来处理，在检测中势必会造成了误差。

同时，现有的多用户检测方法在接收端进行多用户检测时，将信道信息当成是已知的。事实上，接收端只有接收信息是已知，信道信息需要通过导频估计，盲估计等信道估计方法得到。因为信道中的噪声及干扰因素，得到的信道估计值肯定与真实值之间存在误差。在不准确的信道信息条件下，多用户检测恢复出来的发射信号值也会不准确。

发明内容

为了克服NOMA系统中多用户检测中存在信道估计误差的问题，本发明的目的在于提供了一种免调度多用户检测方法，先对信道噪声v＝[v₁,v₂…,v_N]^T进行混合高斯建模，再利用稀疏贝叶斯学习算法，通过信道H与发射信号α相互迭代来消除信道估计误差。

一种免调度多用户检测方法，包括以下步骤：

步骤A、利用混合高斯聚类算法，将接收信号y＝[y₁,y₂,…y_N]^T的N个分量聚成L个类，建立噪声混合高斯模型，并得到最终L值；

步骤B、构建一个分层贝叶斯先验模型，推导噪声混合高斯模型

中的权重w_l、高斯分量方差

信道H和发射信号α的更新公式，多次迭代后得到发射信号估计值，即为多用户检测结果。

所述步骤A具体包括：

A1、给L选取一个相对大的初始值，建立一个L阶的混合高斯模型；

其中w_l代表混合高斯中第l个分量的权重；CN(μ_l,σ_l ²)代表一个复高斯函数的均值为μ_l，方差为σ_l ²；

A2、利用混合高斯聚类算法，将接收信号y＝[y₁,y₂,…y_N]^T的N个分量聚成L个类，计算每个类的均值μ_l和方差σ_l；

A3、检查是否存在两个相似的高斯分量，即两个高斯分量的均值μ_i,μ_j和方差σ_i ²,σ_j ²是否满足以下条件：

其中threshold1,threshold2都为预设门限值；

A4、若步骤A3条件满足，则L＝L-1，返回步骤A2；否则输出L的值作为最终L值。

所述步骤B具体包括：

B1、基于最大后验估计，先获得α的后验概率函数p(α|y)，

B2、引入中间变量γ来控制发射信号α的稀疏性，即

p(α)＝p(α|γ)p(γ)

为了进一步具体化变量γ，再引入变量η来控制先验变量γ，即

p(γ)＝p(γ|η)p(η)

这样，获得了一个3层的贝叶斯稀疏先验模型；

B3、利用稀疏贝叶斯学习算法，得到每个变量的更新公式，

其中，

<H>＝[h₁,h₂,…,h_N]^T，

A_l＝<λ_l>^Nexp{-<λ_l>(y-<H><α>)^H(y-<H><α>)}，

B＝<λ_L>^Nexp{-<λ_L>(y-<H><α>)^H(y-<H><α>)}，

本发明的优点：

1、在大规模机器通信网络中，同一时刻只有少量的机器设备发送信号，其余大多数设备都处于不活跃状态，所以发射信号矢量具有稀疏性。本发明利用这一稀疏性，将发射信号恢复问题转化为稀疏向量重构问题。

2、基于混合高斯函数可以逼近任意分布函数，本发明提出用一种普适的混合高斯模型来拟合信道中的噪声，提高噪声建模精度。

3、本发明设计了一种多用户检测算法能消除信道估计误差，得到更加准确的信号检测值。

附图说明

图1为多用户检测方法流程图。

图2为系统因子图(圆圈表示变量节点，方块表示因子节点)。

图3为几种算法的误码率性能比较图。

具体实施方式

下面结合附图对本发明进行进一步的说明，其中包括本发明的实施例。所描述的实施例仅用于解释本发明，不代表全部实施例。

本发明实施例考虑一个典型的NOMA上行链路，包括一个基站，K个用户，N个传输子载波(N＜K)。用户k发送的信号α_k经过扩频序列s_k调制到N个子载波上传输，所有活跃用户信号在子载波上叠加。在基站端子载波n的接收信号可表示为：

其中，g_nk表示用户k在子载波n上的信道增益；s_nk表示扩频序列s_k的第n个分量；α_k表示第k个用户的发送信号；v_n表示子载波n上的噪声。

将所有接收信号组合起来用矩阵的形式表示为：

y＝Hα+v

其中，y＝[y₁,y₂,…,y_N]^T表示接收信号矢量；H表示N×K维的信道等效矩阵，它的第n行的第k列的元素可表示为h_nk＝g_nk·s_nk；α＝[α₁,α₂.L,α_K]^T表示发射信号矢量；v＝[v₁,v₂,L,v_N]^T表示噪声矢量。

基于上述场景，如图1所示，本发明的具体方法步骤如下：

A、利用混合高斯聚类算法，将基站接收信号y＝[y₁,y₂,…,y_N]^T建模为混合高斯模型并计算出混合高斯的阶次L。具体步骤如下：

A1、给L选取一个相对大的初始值，建立一个L阶的混合高斯模型；

其中w_l代表混合高斯中第l个分量的权重；CN(μ_l,σ_l ²)代表一个复高斯函数的均值为μ_l，方差为σ_l ²；

A2、利用混合高斯聚类算法，将接收信号y＝[y₁,y₂,…y_N]^T的N个分量聚成L个类，计算每个类的均值μ_l和方差σ_l；

A3、检查是否存在两个相似的高斯分量，即两个高斯分量的均值μ_i,μ_j和方差σ_i ²,σ_j ²是否满足以下条件：

其中threshold1,threshold2都为预设门限值。

A4、若步骤A3条件满足，则L＝L-1，返回步骤A2；否则输出L的值作为最终L值。

B、从最大后验估计准则出发，构建分层贝叶斯先验模型来描述每个变量之间的关系；即构建一个分层贝叶斯先验模型，推导噪声混合高斯模型

中的权重w_l、高斯分量方差

信道H和发射信号α的更新公式，多次迭代后得到发射信号估计值，即为多用户检测结果。

具体步骤如下：

B1、基于最大后验估计，要先获得α的后验概率函数p(α|y)，

B2、引入中间变量γ来控制发射信号α的稀疏性。即

p(α)＝p(α|γ)p(γ)

为了进一步具体化变量γ，再引入变量η来控制先验变量γ。即

p(γ)＝p(γ|η)p(η)

这样，我们获得了一个3层的贝叶斯稀疏先验模型如图2。

S303，利用稀疏贝叶斯学习算法，得到每个变量的更新公式如下：

其中，

<H>＝[h₁,h₂,…,h_N]^T，

A_l＝<λ_l>^Nexp{-<λ_l>(y-<H><α>)^H(y-<H><α>)}，

B＝<λ_L>^Nexp{-<λ_L>(y-<H><α>)^H(y-<H><α>)}，

S304，信道信息和信号信息相互迭代，消除信道估计误差。

S305迭代计算变量的更新公式，当α的均值不再发生改变，终止迭代，将最后一次迭代的<α>输出作为发射信号的估计值。

如图3给出的在不同信噪比(Signal-to-Noise Ratio,SNR)条件下的，各种算法的比特误码率(Bit Error Ratio,BER)性能比较。其中Proposed是本文提出的算法，epsilon＝0表示参数ε取0，epsilon＝1表示参数ε取1；MMSE是最小均方误差算法；independent MUD表示单纯的多用户检测算法，即未消除信道估计误差，将有误差的信道估计值当作真实的信道值直接做多用户检测。从图中可以看出，本文提出算法比另外两种算法性能更优，特别是epsilon＝0的条件下，ε控制信号稀疏特性，ε取0比取1更容易得到稀疏解，所以取得的性能更好。

Claims (1)

1.一种免调度多用户检测方法，其特征在于，包括以下步骤：

步骤A、利用混合高斯聚类算法，将接收信号y＝[y₁,y₂,…y_N]^T的N个分量聚成L个类，建立噪声混合高斯模型，并得到最终L值；

步骤B、构建一个分层贝叶斯先验模型，推导噪声混合高斯模型

中的权重w_l、高斯分量方差

信道H和发射信号α的更新公式，多次迭代后得到发射信号估计值，即为多用户检测结果；

所述步骤A具体包括：

A1、给L选取一个相对大的初始值，建立一个L阶的混合高斯模型；

其中w_l代表混合高斯中第l个分量的权重；

代表一个复高斯函数的均值为μ_l，方差为σ_l ²；

A2、利用混合高斯聚类算法，将接收信号y＝[y₁,y₂,…y_N]^T的N个分量聚成L个类，计算每个类的均值μ_l和方差σ_l；

A3、检查是否存在两个相似的高斯分量，即两个高斯分量的均值μ_i,μ_j和方差σ_i ²,σ_j ²是否满足以下条件：

其中threshold1,threshold2都为预设门限值；

A4、若步骤A3条件满足，则L＝L-1，返回步骤A2；否则输出L的值作为最终L值；

所述步骤B具体包括：

B1、基于最大后验估计，先获得α的后验概率函数p(α|y)，

B2、引入中间变量γ来控制发射信号α的稀疏性，即

p(α)＝p(α|γ)p(γ)

为了进一步具体化变量γ，再引入变量η来控制先验变量γ，即

p(γ)＝p(γ|η)p(η)

这样，获得了一个3层的贝叶斯稀疏先验模型；

B3、利用稀疏贝叶斯学习算法，得到每个变量的更新公式，

其中，

<H>＝[h₁，h₂，…，h_N]^T，

A_l＝<λ_l>^Nexp{-<λ_l>(y-<H><α>)^H(y-<H><α>)}，

B＝<λ_L>^Nexp{-<λ_L>(y-<H><α>)^H(y-<H><α>)}，

Images