CN111565061A - 一种基于深度神经网络的mimo-scma下行链路通信方法 - Google Patents
一种基于深度神经网络的mimo-scma下行链路通信方法 Download PDFInfo
- Publication number
- CN111565061A CN111565061A CN202010466449.2A CN202010466449A CN111565061A CN 111565061 A CN111565061 A CN 111565061A CN 202010466449 A CN202010466449 A CN 202010466449A CN 111565061 A CN111565061 A CN 111565061A
- Authority
- CN
- China
- Prior art keywords
- user
- scma
- antenna
- dnn
- mimo
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004891 communication Methods 0.000 title claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000008054 signal transmission Effects 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 39
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000000654 additive Substances 0.000 claims description 8
- 230000000996 additive effect Effects 0.000 claims description 8
- 238000005562 fading Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000006386 neutralization reaction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0452—Multi-user MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2697—Multicarrier modulation systems in combination with other modulation techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于深度神经网络的MIMO‑SCMA下行链路通信方法,与现有技术相比解决了SCMA与MIMO技术难以有效结合的缺陷。本发明包括以下步骤:MIMO‑SCMA下行链路系统的设计;MIMO‑SCMA基站端进行数据发送;下行链路接收端进行数据接收并进行解码。本发明将深度神经网络合理地应用于MIMO‑SCMA下行链路信号传输与检测,提出了基于深度神经网络的MIMO‑SCMA下行链路系统设计方法。
Description
技术领域
本发明涉及无线通讯技术领域,具体来说是一种基于深度神经网络的MIMO-SCMA下行链路通信方法。
背景技术
MIMO-SCMA系统将SCMA与MIMO技术结合,可以充分利用SCMA的过载性和MIMO的空间复用性,进一步提升移动通信系统频谱利用率和通信容量,以满足广连结、低延时的通信需求。但SCMA与MIMO技术的结合面临以下问题:
1、接收端需进行MIMO检测和SCMA多用户检测,导致复杂度呈指数型上升,尤其是下行链路系统中用户端设备难以负荷。
2、SCMA码本设计没有结合多天线传输的特点,如图1所示,发射机的不同天线使用同一个SCMA码本,导致误码率性能没有得到足够的提升。
同时,传统MIMO-SCMA给每个用户分配固定码本的SCMA编码方式,且现有的MIMO-SCMA接收机大部分需分别进行MIMO检测和SCMA多用户检测才能恢复出每个用户的原始发送数据,导致检测复杂度太高。即使有一些联合检测算法的设计,由于采用基于因子图的消息传递算法,受制于天线数、用户数的影响,检测复杂度仍然呈指数型上升。
如何提出一种行之有效的MIMO-SCMA下行链路通信方法已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中SCMA与MIMO技术难以有效结合的缺陷,提供一种基于深度神经网络的MIMO-SCMA下行链路通信方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于深度神经网络的MIMO-SCMA下行链路通信方法,包括以下步骤:
MIMO-SCMA下行链路系统的设计:基于深度神经网络对MIMO-SCMA下行链路系统进行设计和训练;
MIMO-SCMA基站端进行数据发送:基站端根据配置的发射天线数目将用户的发送数据进行分组和调制,每个分组送入对应天线的SCMA编码器,得到编码输出x,并发送至下行链路的接收端;
下行链路接收端进行数据接收并进行解码:经通信信道传输后,下行链路的接收端接收信号y;由每个用户对接收到的信号yj通过联合解码器进行联合解码,得到每个用户符号对所有用户符号进行解调,恢复出原始的用户发送数据。
所述的MIMO-SCMA下行链路系统的设计包括以下步骤:
建立多天线SCMA编码器:设定在MIMO-SCMA下行链路系统基站端设置若干个全连接的深度神经网络DNN单元,通过DNN单元建立基站端SCMA编码器;
建立联合解码器:设定在MIMO-SCMA下行链路系统接收端采用全连接的DNN建立联合解码器;
对MIMO-SCMA下行链路系统进行训练。
所述建立多天线SCMA编码器包括以下步骤:
其中,是用户j的第m个分组的符号,是该DNN单元的输入;是该DNN单元的权值和偏置,k∈[1,2,…,K],k的取值由映射矩阵Fm的第j列向量中非零元素值所在的位置决定;下标kj是该DNN单元的标号;
设定深度神经网络DNN单元的输出为:
设定每个DNN的隐藏层节点数、隐藏层数、权值与偏置参数的初值;
将第m根发射天线上所有的码字映射器的输出进行连接,具体连接方法如下:第m根天线的码字映射器中,所有下标为k的码字映射器的输出连接到同一个加法器上,记为 是第m根发射天线在第k个子载波上输出的SCMA码字;
当映射矩阵Fm中与的下标(k,j)所对应的第k行第j列的元素取值为零时,表示在第m根天线上,第j个用户将不会占用第k个子载波资源进行信号传输,此时令该对应下标的则每个码字映射器的输出都按照映射矩阵Fm进行连接,构成了针对每根发射天线的SCMA编码器;
对基站的其余发射天线均构造自身的SCMA编码器,组成多天线SCMA编码器;
所述建立联合解码器包括以下步骤:
在接收端对每个用户配置Nr根接收天线,在第n根接收天线上接收到的信号为表示基站第m根发射天线和第j个用户的第n根接收天线之间的信道系数向量;表示接收端第j个用户的第n根天线上的信道噪声,这里采用加性高斯白噪声,
在接收端给每个用户的天线后端均设置一个全连接DNN单元构成联合解码器,第j个用户所有天线上接收到总信号为作为联合解码器的输入,计算yj的信号维数dim(yj),设计DNN输入层节点数等于dim(yj);
设定该DNN的隐藏层节点数、隐藏层数、权值与偏置参数的初值;
y=[y1,y2,…,yJ]T;θ2是接收端所有DNN的权值和偏置的集合,θ2={θ2,j}。
所述的对MIM0-SCMA下行链路系统进行训练包括以下步骤:
具体采用均方误差损失函数N为训练神经网络一个批次的大小,s为发送端全部的用户分组经调制后的符号,为接收端经解码器解码后的全部的用户分组符号,θ1,θ2分别为多天线SCMA编码器和接收端联合解码器全部的DNN单元的权重和偏置;
基站端根据配置的发射天线数目Nt将用户的发送数据进行分组和调制;
基站端根据系统过载率生成Nt个映射矩阵;
下行链路的接收端进行接收,每个用户配置Nr根接收天线,总接收信号表示为y=[y1,y2,...,yJ]T,其中yj∈y,表示第j个用户的接收信号,受信道衰落和噪声的影响,yj=Hjx+zj,Hj是信道衰落系数矩阵
表示接收端第j个用户的噪声,为加性高斯白噪声,通过在每个接收用户端建立的全连接DNN联合解码器,一次解码同时完成MIMO和SCMA检测,得到该用户所有Nt个分组符号所有用户的解码输出表示为g(y;θ2)表示接收端的全部接收用户的联合解码器;
调整隐藏层节点数以及隐藏层数,采用Adam优化器更新神经网络的权重和偏置{θ1,θ2},使得损失函数的值收敛到最小;当损失函数的值收敛到最小时,权值和偏置{θ1,θ2}保持不变,则整个MIMO-SCMA下行链路系统训练完成。
所述基站端根据配置的发射天线数目将用户的发送数据进行分组和调制包括以下步骤:
根据MIMO-SCMA系统的发射天线数,确定每个用户发送数据的分组数,设发射天线数为Nt,则将每个用户的待发送数据分为Nt组;
根据调制阶数M确定每个分组的数据长度,
将每个分组的l比特数据进行调制,调制阶数为M,则一共有M种不同的调制符号,这里把每种调制符号用一个{0,1}1×M向量表示,其中每个向量只有1个元素为1,其余均为0,称之为单热向量,建立信息比特与单热向量的一一映射关系,按照此映射关系将每个分组内的l比特信息调制为对应的单热向量符号
有益效果
本发明的一种基于深度神经网络的MIMO-SCMA下行链路通信方法,与现有技术相比将深度神经网络合理地应用于MIMO-SCMA下行链路信号传输与检测,提出了基于深度神经网络的MIMO-SCMA下行链路系统设计方法。其具有以下优点:
(1)本发明设计了基于DNN单元的多天线SCMA编码器,针对每根天线建立映射矩阵,并根据映射矩阵的非零元素位置索引连接DNN单元的输出,实现对每根发射天线单独的SCMA编码。没有固定码本,利用DNN单元的学习性,能够自适应每根发射天线的信道状态变化,自主学习到更具有鲁棒性的SCMA码字,使得相比于传统的MIMO-SCMA具有更好的误码率性能。
(2)本发明设计了基于DNN的MIMO-SCMA下行链路联合解码器,无需单独的MIMO检测与SCMA多用户检测,根据天线规模、子载波资源数与调制阶数等参数建立DNN,设计合理的神经网络结构,通过神经网络的训练求解得到最终的权值和偏置。训练好的神经网络仅需一次计算即可直接恢复出对应用户的发送数据,大大降低了检测复杂度。
附图说明
图1为现有技术中2×2MIMO-SCMA下行链路系统原理图;
图2为本发明的方法顺序图;
图3为本发明所述实施例中基于深度神经网络的2×2MIMO-SCMA下行链路系统发射机原理图;
图4为本发明所述实施例中基于深度神经网络的2×2MIMO-SCMA下行链路系统第j个用户的接收机原理图;
图5为本发明所述实施例与现有传统2×2MIMO-SCMA下行链路系统的误码率性能对比图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图2所示,本发明所述的一种基于深度神经网络的MIMO-SCMA下行链路通信方法,包括以下步骤:
第一步,MIMO-SCMA下行链路系统的设计:基于深度神经网络对MIMO-SCMA下行链路系统进行设计和训练。整个系统使用大量的深度神经网络DNN单元,结合MIMO-SCMA同时实现信道资源过载和多天线空间复用传输的特点,分别在发送端和接收端进行基于多DNN单元的发射机和接收机结构设计。发送端设计无固定码本的多天线SCMA编码器,根据天线数与过载率给每个用户配置相应数目的DNN单元,通过DNN单元的组合与连接方法,实现替代传统SCMA码本的多天线SCMA编码。接收端设计基于DNN单元的联合解码器,通过DNN单元合理的结构和参数设计,代替传统的MIMO检测器和SCMA译码器,一次解码实现MIMO和SCMA的联合检测。其具体步骤如下:
(1)建立多天线SCMA编码器:设定在MIMO-SCMA下行链路系统基站端设置若干个全连接的深度神经网络DNN单元,通过DNN单元建立基站端SCMA编码器。利用多个DNN单元组合、连接以及每个DNN单元具备的学习能力,实现每个用户针对不同发射天线的SCMA编码,突破传统MIMO-SCMA技术中每个用户只有一个固定码本,在所有发射天线上均使用同一码本导致误码性能得不到有效提升的技术瓶颈。
其中,是用户j的第m个分组的符号,是该DNN单元的输入;是该DNN单元的权值和偏置,k∈[1,2,…,K],k的取值由映射矩阵Fm的第j列向量中非零元素值所在的位置决定;下标kj是该DNN单元的标号;
设定深度神经网络DNN单元的输出为:
设定每个DNN的隐藏层节点数、隐藏层数、权值与偏置参数的初值;
A2)将第m根发射天线上所有的码字映射器的输出进行连接,具体连接方法如下:第m根天线的码字映射器中,所有下标为k的码字映射器的输出连接到同一个加法器上,记为 是第m根发射天线在第k个子载波上输出的SCMA码字;
当映射矩阵Fm中与的下标(k,j)所对应的第k行第j列的元素取值为零时,表示在第m根天线上,第j个用户将不会占用第k个子载波资源进行信号传输,此时令该对应下标的则每个码字映射器的输出都按照映射矩阵Fm进行连接,构成了针对每根发射天线的SCMA编码器。
A3)对基站的其余发射天线均构造自身的SCMA编码器,组成多天线SCMA编码器;
(2)建立联合解码器:设定在MIMO-SCMA下行链路系统接收端采用全连接的DNN建立联合解码器。由于每根接收天线都包含了所有发送端的用户数据,通过在单个用户的所有天线后端设置一个全连接DNN单元,以所有接收天线接收到的信号作为DNN单元的输入,设计DNN单元结构与参数,一次计算同时实现MIMO检测与SCMA译码。其具体步骤如下:
B1)在接收端对每个用户配置Nr根接收天线,在第n根接收天线上接收到的信号为表示基站第m根发射天线和第j个用户的第n根接收天线之间的信道系数向量;表示接收端第j个用户的第n根天线上的信道噪声,这里采用加性高斯白噪声,
在接收端给每个用户的天线后端均设置一个全连接DNN单元构成联合解码器,第j个用户所有天线上接收到总信号为作为联合解码器的输入,计算yj的信号维数dim(yj),设计DNN输入层节点数等于dim(yj)。
B4)设定该DNN的隐藏层节点数、隐藏层数、权值与偏置参数的初值;
y=[y1,y2,…,yJ]T;θ2是接收端所有DNN的权值和偏置的集合,θ2={θ2,j}。
(3)对MIMO-SCMA下行链路系统进行训练,其具体步骤如下:
具体采用均方误差损失函数N为训练神经网络一个批次的大小,s为发送端全部的用户分组经调制后的符号,为接收端经解码器解码后的全部的用户分组符号,θ1,θ2分别为多天线SCMA编码器和接收端联合解码器全部的DNN单元的权重和偏置。
C2)基站端根据配置的发射天线数目Nt将用户的发送数据进行分组和调制,其步骤如下:
C21)根据MIMO-SCMA系统的发射天线数,确定每个用户发送数据的分组数,设发射天线数为Nt,则将每个用户的待发送数据分为Nt组;
C22)根据调制阶数M确定每个分组的数据长度,
C23)将每个分组的l比特数据进行调制,调制阶数为M,则一共有M种不同的调制符号,这里把每个调制符号用一个{0,1}1×M向量表示,其中每个向量只有1个元素为1,其余均为0,称之为单热向量,建立信息比特与单热向量的一一映射关系,按照此映射关系将每个分组内的l比特信息调制为对应的单热向量符号
C3)基站端根据系统过载率按传统方式生成Nt个映射矩阵。
C5)下行链路的接收端进行接收,每个用户配置Nr根接收天线,总接收信号表示为y=[y1,y2,...,yJ]T,其中yj∈y,表示第j个用户的接收信号,受信道衰落和噪声的影响,yj=Hjx+zj,Hj是信道衰落系数矩阵
表示接收端第j个用户的噪声,为加性高斯白噪声,通过在每个接收用户端建立的全连接DNN联合解码器,一次解码同时完成MIMO和SCMA检测,得到该用户所有Nt个分组符号所有用户的解码输出表示为g(y;θ2)表示接收端的全部接收用户的联合解码器。
C6)调整隐藏层节点数以及隐藏层数,采用Adam优化器更新神经网络的权重和偏置{θ1,θ2},使得损失函数的值收敛到最小;当损失函数的值收敛到最小时,权值和偏置{θ1,θ2}保持不变,则整个MIMO-SCMA下行链路系统训练完成。
第二步,MIMO-SCMA基站端进行数据发送:基站端根据配置的发射天线数目将用户的发送数据进行分组和调制,每个分组送入对应天线的SCMA编码器,得到编码输出x,并发送至下行链路的接收端。
第三步,下行链路接收端进行数据接收并进行解码:经通信信道传输后,下行链路的接收端接收信号y;由每个用户对接收到的信号yj通过联合解码器进行联合解码,得到每个用户符号对所有用户符号进行解调,恢复出原始的用户发送数据。
在此,提供以6个用户,4个子载波,2根发射天线,2根接收天线的2×2MIMO-SCMA下行链路系统为实施例,进行说明。
(1)基站端根据配置的发射天线数目将每个用户的发送数据进行分组和调制。如基站发射天线数为Nt,首先将每个用户的发送数据分为Nt组,再针对每个发送数据分组进行调制,则用户j的发送数据经过分组和调制后,可表示为 表示用户j的第m个分组符号,m=1,2,…,Nt。经分组和调制后,总的用户发送符号可表示为s=[s1,s2,…,sJ]T,J为总用户数。
(1a)根据MIMO-SCMA系统的发射天线数,确定每个用户发送数据的分组数。这里发射天线数Nt=2,则将每个用户的待发送数据分为2组。
(1b)根据调制阶数M,确定每个分组的数据长度。这里调制阶数M=4,计算l=log2M=2,将每个用户的二进制原始输入数据以2比特为1组,分成2组,则第j个用户的原始输入数据分组记为6个用户的数据分组重新排列为其中由发射天线1传输,由发射天线2传输。
(1c)将每个分组的2比特数据进行调制。调制阶数为4,则一共有4种不同的调制符号,这里把每个调制符号用一个{0,1}1×4向量表示,其中每个向量只有1个元素为1,其余均为0,称之为单热向量符号,建立信息比特与单热向量符号的一一映射关系,按照此映射关系即可将每个分组内的2比特信息调制为对应的单热向量符号如(00)可调制为单热向量符号[1000]T,(01)可调制为单热向量符号[0100]T,依次类推。经分组和调制后,用户j的符号向量可表示为总的用户发送符号可表示为s=[s1,s2,…,s6]T。
(2)基站端根据系统过载率生成Nt=2个映射矩阵,映射矩阵的生成方式与SCMA映射矩阵相同。每个映射矩阵Fm∈{0,1}K×J,K代表每根发射天线拥有的OFDM子载波数目,这里K=4。每根天线都有4个子载波资源,同时有J=6个用户分组利用这些子载波资源传输信息。映射矩阵的每一列代表所对应用户占用子载波的情况,如生成的映射矩阵每一列非零元素个数都为2,则每一个用户分组同时占用了2个子载波资源进行信息传输。矩阵在位置(1,2)、(4,2)处,元素取值都为1,则用户2的第m个分组同时占用子载波1和子载波4进行信息传输。
(3)基站端每根发射天线都对应一个映射矩阵Fm,根据映射矩阵Fm的结构,放置多个深度神经网络DNN单元,如采用步骤(2)的映射矩阵,则每个用户均配置2个码字映射器,将DNN单元通过适当的连接,建立针对每根发射天线的SCMA编码器。用户的分组符号s送入对应天线的SCMA编码器进行编码,编码输出x=[x1,x2]T,
(3a)将基站的单根发射天线m,与映射矩阵Fm相对应,计算映射矩阵Fm第j列向量中非零元素的个数则第m根天线上给第j个用户分组配置个码字映射器。本实施例中,第1根发射天线上,映射矩阵采用步骤(2)的映射矩阵,则第j个用户分组配置2个码字映射器。每一个码字映射器结构上采用一个全连接的深度神经网络DNN单元,记为 是用户j的第1个分组的符号,计算维数为DNN单元输入层的节点数目,为该码字映射器的输入;DNN单元的输出为用户分组在对应子载波的SCMA码字符号 是该DNN单元的权值和偏置,k∈[1,2,…,K];k的取值取决于映射矩阵F1的第j列向量中非零元素值所在的位置,可表示为(k,j)。如本实施例中,第1根天线上的第2个用户分组配置了2个码字映射器由于天线1对应的映射矩阵F1,其第2列向量的非零元素位置分别为(1,2)、(4,2),k的取值分别为1和4,码字映射器为和根据经验设定每个DNN的隐藏层节点数、隐藏层数、权值与偏置等参数的初值。
(3b)将第m根发射天线上所有的码字映射器的输出进行连接。具体到本实施例的连接方法如下:第1根天线的码字映射器中,所有下标为k的码字映射器的输出连接到同一个加法器上,记为 是第1根发射天线在第k个子载波上输出的码字。则每个码字映射器的输出都按照映射矩阵进行了适当的连接,构成了针对每根发射天线的SCMA编码器。
(3c)基站的第2根发射天线按照步骤(3a)和(3b)的方法构造自己的SCMA编码器。所有用户的分组符号s送入对应天线的SCMA编码器进行编码,记为f(s;θ1),编码输出x=f(s;θ1)=[x1,x2]T,xm是其中第m根发射天线的SCMA编码输出,θ1是基站端所有DNN单元的权值和偏置的集合, 本实施例的发射机结构如图3所示。
表示接收端第j个用户的噪声,这里采用加性高斯白噪声,这里Nr=Nt=2,在每个接收用户端建立联合解码器,该联合解码器是也采用全连接的深度神经网络,一次解码同时完成MIMO和SCMA检测,得到该用户所有Nt个分组符号所有用户的解码输出表示为
(4a)每个用户配置2根接收天线,在第n根接收天线上接收到的信号表示为表示基站第m根发射天线和第j个用户的第n根接收天线之间的信道系数向量;表示接收端第j个用户的第n根天线上的噪声,这里采用加性高斯白噪声,从接收信号表达式可以看出,第n根天线的接收信号包含了基站所有发射天线的信号,同时也包含了所有用户的分组符号,因此,单个用户的MIMO和SCMA联合解码器需要采用全连接的DNN。
(4e)接收端其它用户都按照步骤(4a)-(4d)设计自己的联合解码器,记所有解码器的输出为θ2是接收端所有DNN的权值和偏置的集合,θ2={θ2,1,θ2,2,θ2,3,θ2,4,θ2,5,θ2,6}。
(5)建立整个MIMO-SCMA下行链路系统的端到端损失函数其中θ1为发送端所有深度神经网络的权值和偏置,θ2为接收端所有深度神经网络的权值和偏置。对整个系统进行训练求解,求得当前信道条件下最佳的θ1和θ2取值。整个MIMO-SCMA下行链路系统设计完成。
(5a)建立端到端损失函数
(5b)调整隐藏层节点数以及隐藏层数,采用Adam优化器更新神经网络的权重和偏置,使得损失函数的值收敛到最小。当损失函数的值收敛到最小时,权值和偏置θ1和θ2保持不变,则整个MIMO-SCMA下行链路系统设计完成。
(6)、将用户数据按步骤(1)分组调制后,每个分组送入对应天线的SCMA编码器,得到编码输出x;经信道传输后,再由每个用户对接收到的信号yj进行联合解码,得到用户符号对所有进行解调,恢复出原始的用户数据。
为了验证本实施例的性能,本发明使用50000组数据进行测试,在Eb/N0=1~14dB时,分别计算了系统的BER。
如图5所示,DAE-MIMO-SCMA代表本实施例的系统,相较于使用JMPA解码算法的传统MIMO-SCMA系统,本实施例的系统具有更好的BER性能,在Eb/N0>8dB,信道条件较好时,优势明显。
由于本实施例采用具有自适应性学习率的Adam优化器,将数据集训练10次左右就可以使神经网络损失值收敛得到优化的神经网络模型,训练好的神经网络模型仅通过一次检测即可完成接收端的解码过程,且检测过程中的计算均为乘法和加法。而JMPA算法需要迭代计算多次才能达到较好的BER性能,并且JMPA算法的复杂度为其中K表示码本维度,数值上等于单根天线的OFDM子载波数,表示信道资源的复用数,Nt表示发送天线数,dr表示单根天线上的信道资源的复用数,本实施例中取值为6。因此JMPA算法的复杂度随着基站端的天线数以及复用资源块数目,呈指数级增长。因此DAE-MIMO-SCMA系统相比于JMPA算法降低了系统的解码复杂度。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (6)
2.根据权利要求1所述的一种基于深度神经网络的MIMO-SCMA下行链路通信方法,其特征在于,所述的MIMO-SCMA下行链路系统的设计包括以下步骤:
21)建立多天线SCMA编码器:设定在MIMO-SCMA下行链路系统基站端设置若干个全连接的深度神经网络DNN单元,通过DNN单元建立基站端SCMA编码器;
22)建立联合解码器:设定在MIMO-SCMA下行链路系统接收端采用全连接的DNN建立联合解码器;
23)对MIMO-SCMA下行链路系统进行训练。
3.根据权利要求2所述的一种基于深度神经网络的MIMO-SCMA下行链路通信方法,其特征在于,所述建立多天线SCMA编码器包括以下步骤:
其中,是用户j的第m个分组的符号,是该DNN单元的输入;是该DNN单元的权值和偏置,k∈[1,2,…,K],k的取值由映射矩阵Fm的第j列向量中非零元素值所在的位置决定;下标kj是该DNN单元的标号;
设定深度神经网络DNN单元的输出为:
设定每个DNN的隐藏层节点数、隐藏层数、权值与偏置参数的初值;
32)将第m根发射天线上所有的码字映射器的输出进行连接,具体连接方法如下:第m根天线的码字映射器中,所有下标为k的码字映射器的输出连接到同一个加法器上,记为 是第m根发射天线在第k个子载波上输出的SCMA码字;
当映射矩阵Fm中与的下标(k,j)所对应的第k行第j列的元素取值为零时,表示在第m根天线上,第j个用户将不会占用第k个子载波资源进行信号传输,此时令该对应下标的则每个码字映射器的输出都按照映射矩阵Fm进行连接,构成了针对每根发射天线的SCMA编码器;
33)对基站的其余发射天线均构造自身的SCMA编码器,组成多天线SCMA编码器;
4.根据权利要求2所述的一种基于深度神经网络的MIMO-SCMA下行链路通信方法,其特征在于,所述建立联合解码器包括以下步骤:
41)在接收端对每个用户配置Nr根接收天线,在第n根接收天线上接收到的信号为表示基站第m根发射天线和第j个用户的第n根接收天线之间的信道系数向量;表示接收端第j个用户的第n根天线上的信道噪声,这里采用加性高斯白噪声,
42)在接收端给每个用户的天线后端均设置一个全连接DNN单元构成联合解码器,第j个用户所有天线上接收到总信号为作为联合解码器的输入,计算yj的信号维数dim(yj),设计DNN输入层节点数等于dim(yj);
44)设定该DNN的隐藏层节点数、隐藏层数、权值与偏置参数的初值;
y=[y1,y2,…,yJ]T;θ2是接收端所有DNN的权值和偏置的集合,θ2={θ2,j}。
5.根据权利要求2所述的一种基于深度神经网络的MIMO-SCMA下行链路通信方法,其特征在于,所述的对MIMO-SCMA下行链路系统进行训练包括以下步骤:
具体采用均方误差损失函数N为训练神经网络一个批次的大小,s为发送端全部的用户分组经调制后的符号,为接收端经解码器解码后的全部的用户分组符号,θ1,θ2分别为多天线SCMA编码器和接收端联合解码器全部的DNN单元的权重和偏置;
52)基站端根据配置的发射天线数目Nt将用户的发送数据进行分组和调制;
53)基站端根据系统过载率生成Nt个映射矩阵;
55)下行链路的接收端进行接收,每个用户配置Nr根接收天线,总接收信号表示为y=[y1,y2,…,yJ]T,其中yj∈y,表示第j个用户的接收信号,受信道衰落和噪声的影响,yj=Hjx+zj,Hj是信道衰落系数矩阵
表示接收端第j个用户的噪声,为加性高斯白噪声,通过在每个接收用户端建立的全连接DNN联合解码器,一次解码同时完成MIMO和SCMA检测,得到该用户所有Nt个分组符号所有用户的解码输出表示为g(y;θ2)表示接收端的全部接收用户的联合解码器;
56)调整隐藏层节点数以及隐藏层数,采用Adam优化器更新神经网络的权重和偏置{θ1,θ2},使得损失函数的值收敛到最小;当损失函数的值收敛到最小时,权值和偏置{θ1,θ2}保持不变,则整个MIMO-SCMA下行链路系统训练完成。
6.根据权利要求5所述的一种基于深度神经网络的MIMO-SCMA下行链路通信方法,其特征在于,所述基站端根据配置的发射天线数目将用户的发送数据进行分组和调制包括以下步骤:
61)根据MIMO-SCMA系统的发射天线数,确定每个用户发送数据的分组数,设发射天线数为Nt,则将每个用户的待发送数据分为Nt组;
62)根据调制阶数M确定每个分组的数据长度,
63)将每个分组的l比特数据进行调制,调制阶数为M,则一共有M种不同的调制符号,这里把每种调制符号用一个{0,1}1×M向量表示,其中每个向量只有1个元素为1,其余均为0,称之为单热向量,建立信息比特与单热向量的一一映射关系,按照此映射关系将每个分组内的l比特信息调制为对应的单热向量符号
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466449.2A CN111565061B (zh) | 2020-05-28 | 2020-05-28 | 一种基于深度神经网络的mimo-scma下行链路通信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466449.2A CN111565061B (zh) | 2020-05-28 | 2020-05-28 | 一种基于深度神经网络的mimo-scma下行链路通信方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111565061A true CN111565061A (zh) | 2020-08-21 |
CN111565061B CN111565061B (zh) | 2021-04-02 |
Family
ID=72072344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010466449.2A Active CN111565061B (zh) | 2020-05-28 | 2020-05-28 | 一种基于深度神经网络的mimo-scma下行链路通信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111565061B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2022052022A1 (en) * | 2020-09-11 | 2022-03-17 | Qualcomm Incorporated | Size-based neural network selection for autoencoder-based communication |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105554865A (zh) * | 2015-11-09 | 2016-05-04 | 哈尔滨工业大学 | 一种基于stbc的mimo-scma系统下行链路设计方法 |
US20170272291A1 (en) * | 2016-03-16 | 2017-09-21 | Muhammad Ahsan Naim | Selective Mapping of Coded Multi-Channel Transmission |
CN107204831A (zh) * | 2017-06-16 | 2017-09-26 | 电子科技大学 | 一种用于mimo‑scma系统的低复杂度检测方法 |
CN109743268A (zh) * | 2018-12-06 | 2019-05-10 | 东南大学 | 基于深度神经网络的毫米波信道估计和压缩方法 |
CN109768851A (zh) * | 2019-01-18 | 2019-05-17 | 重庆邮电大学 | 一种scma下行系统中基于能效的资源分配方法 |
CN109983730A (zh) * | 2016-11-22 | 2019-07-05 | 三星电子株式会社 | 无线通信系统中的信道估计和数据解码的方法和装置 |
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 |
CN110943944A (zh) * | 2019-11-07 | 2020-03-31 | 浙江大学 | 一种基于深度学习的ofdm系统的信道估计方法 |
CN111030740A (zh) * | 2019-11-20 | 2020-04-17 | 哈尔滨工业大学 | 基于分层空时结构的下行链路scma码本设计方法 |
-
2020
- 2020-05-28 CN CN202010466449.2A patent/CN111565061B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105554865A (zh) * | 2015-11-09 | 2016-05-04 | 哈尔滨工业大学 | 一种基于stbc的mimo-scma系统下行链路设计方法 |
US20170272291A1 (en) * | 2016-03-16 | 2017-09-21 | Muhammad Ahsan Naim | Selective Mapping of Coded Multi-Channel Transmission |
CN109983730A (zh) * | 2016-11-22 | 2019-07-05 | 三星电子株式会社 | 无线通信系统中的信道估计和数据解码的方法和装置 |
CN107204831A (zh) * | 2017-06-16 | 2017-09-26 | 电子科技大学 | 一种用于mimo‑scma系统的低复杂度检测方法 |
CN109743268A (zh) * | 2018-12-06 | 2019-05-10 | 东南大学 | 基于深度神经网络的毫米波信道估计和压缩方法 |
CN109768851A (zh) * | 2019-01-18 | 2019-05-17 | 重庆邮电大学 | 一种scma下行系统中基于能效的资源分配方法 |
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 |
CN110943944A (zh) * | 2019-11-07 | 2020-03-31 | 浙江大学 | 一种基于深度学习的ofdm系统的信道估计方法 |
CN111030740A (zh) * | 2019-11-20 | 2020-04-17 | 哈尔滨工业大学 | 基于分层空时结构的下行链路scma码本设计方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022052022A1 (en) * | 2020-09-11 | 2022-03-17 | Qualcomm Incorporated | Size-based neural network selection for autoencoder-based communication |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111565061B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111565061B (zh) | 一种基于深度神经网络的mimo-scma下行链路通信方法 | |
CN105554865B (zh) | 一种基于stbc的mimo-scma系统下行链路设计方法 | |
KR101208538B1 (ko) | 다중 안테나를 사용하는 시스템에서의 신호 전송 방법 | |
CN106982086B (zh) | 一种基于收发天线选择的空间调制方法 | |
JP4971174B2 (ja) | 通信システム | |
KR20090025135A (ko) | 다중 안테나 통신 시스템에서 다중 부호어를 송수신하는방법 | |
JP7127858B2 (ja) | 無線通信ネットワークにおけるデータの送信と受信 | |
CN110855328B (zh) | 一种基于天线分组的差分空间调制方法、设备及存储介质 | |
JP4652333B2 (ja) | ユニタリ時空符号による信号のマルチアンテナ送信方法、受信方法および対応する信号 | |
CN109743091A (zh) | 多秩信道矩阵之几何均值分解预编码方法 | |
CN107276935A (zh) | 用于顺序球形解码的方法和设备 | |
CN113225114B (zh) | 基于预编码联合优化的无线通信信号发送和接收方法 | |
CN108781100B (zh) | 一种传输分集方法、设备及系统 | |
Zhang et al. | SVD-embedded deep autoencoder for MIMO communications | |
WO2008014720A1 (fr) | Procédé et dispositif de transmission à antennes multiples | |
CN107911152B (zh) | 适用于任意发送天线数量的空间编码调制系统和方法 | |
Chopra et al. | Error analysis of grouped multilevel space-time trellis coding with the combined application of massive MIMO and cognitive radio | |
EP2064825A1 (en) | Multiple-input-multiple-output transmission using non-binary ldpc coding | |
CN101378283A (zh) | 基于空频编码的mimo-ofdm系统的分集方法 | |
CN101350648A (zh) | 一种实现发射的方法、系统及发射机 | |
US6693976B1 (en) | Method of wireless communication using structured unitary space-time signal constellations | |
KR101100116B1 (ko) | 송신 안테나 개수를 이용하여 프리코딩을 수행하는 개루프 통신 시스템의 송신 장치 및 방법 | |
CN112787733B (zh) | 一种双向中继方案自适应选择方法、系统、存储介质及终端 | |
CN104158628B (zh) | 基于唯一可译码的中继转发方法 | |
KR101352708B1 (ko) | 통신 시스템에서 데이터 송수신 방법 및 시스템 |
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 |