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 PDF

Info

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
Application number
CN202010466449.2A
Other languages
English (en)
Other versions
CN111565061B (zh
Inventor
蒋芳
胡梦钰
尤扬扬
王翊
许耀华
胡艳军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN202010466449.2A priority Critical patent/CN111565061B/zh
Publication of CN111565061A publication Critical patent/CN111565061A/zh
Application granted granted Critical
Publication of CN111565061B publication Critical patent/CN111565061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于深度神经网络的MIMO-SCMA下行链路通信方法
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
Figure BDA0002512802850000021
对所有用户符号
Figure BDA0002512802850000022
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：
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
Figure BDA0002512802850000023
则第m根天线上给第j个用户分组配置
Figure BDA0002512802850000024
个码字映射器；
每一个码字映射器结构为一个全连接的深度神经网络DNN单元，记为
Figure BDA0002512802850000025
表示在第m根天线上，用户j对应于第k个子载波的码字映射器，
其中，
Figure BDA0002512802850000026
是用户j的第m个分组的符号，是该DNN单元的输入；
Figure BDA0002512802850000027
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单元的输入为
Figure BDA0002512802850000028
计算维数
Figure BDA0002512802850000029
为DNN单元输入层的节点数目；
设定深度神经网络DNN单元的输出为：
用户j在对应子载波k的SCMA码字符号
Figure BDA0002512802850000031
Figure BDA0002512802850000032
Figure BDA0002512802850000033
是用户j的第m个分组符号
Figure BDA0002512802850000034
经权重和偏置为
Figure BDA0002512802850000035
的神经网络计算后的输出，
Figure BDA0002512802850000036
的下标取值和
Figure BDA0002512802850000037
的下标kj对应一致；DNN单元输出层的节点数目与
Figure BDA0002512802850000038
的维数
Figure BDA0002512802850000039
一致；
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
Figure BDA00025128028500000310
Figure BDA00025128028500000311
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
Figure BDA00025128028500000312
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
Figure BDA00025128028500000313
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
Figure BDA00025128028500000314
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，
Figure BDA00025128028500000315
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
Figure BDA00025128028500000316
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；
Figure BDA00025128028500000317
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，
Figure BDA00025128028500000318
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
Figure BDA0002512802850000041
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)；
第j个用户的解码器解出该用户在基站端的全部发送分组的符号
Figure BDA0002512802850000042
设定输出层节点数等于
Figure BDA0002512802850000043
的信号维数
Figure BDA0002512802850000044
这里
Figure BDA0002512802850000045
未知，根据调制阶数M和发送天线数Nt进行计算，即输出层节点数等于
Figure BDA0002512802850000046
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；
全连接DNN记为gj(yj；θ2，j)，yj为该解码器的输入，θ2，j为该DNN的权值与偏置，
Figure BDA0002512802850000047
接收端用户均进行对应联合解码器的设计，记所有解码器的输出为
Figure BDA0002512802850000048
y是接收端所有用户的接收信号，
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：
建立端到端损失函数
Figure BDA0002512802850000049
具体采用均方误差损失函数
Figure BDA00025128028500000410
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，
Figure BDA00025128028500000411
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；
基站端用户的分组符号s输入SCMA编码器进行编码并发送，编码输出
Figure BDA00025128028500000412
f(s；θ1)表示多天线SCMA编码器；
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，
Figure BDA00025128028500000413
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
Figure BDA0002512802850000051
Figure BDA0002512802850000052
表示接收端第j个用户的噪声，为加性高斯白噪声，
Figure BDA0002512802850000053
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
Figure BDA0002512802850000054
所有用户的解码输出表示为
Figure BDA0002512802850000055
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，
计算l＝log2M，将每个用户的二进制原始输入数据以l比特为1组，分成Nt组，则第j个用户的原始输入数据分组记为
Figure BDA0002512802850000056
Figure BDA0002512802850000057
是其中的第m个分组，长度为l比特，m＝1，2，…，Nt；
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
Figure BDA0002512802850000058
经分组和调制后，用户j的符号向量表示为
Figure BDA0002512802850000059
Figure BDA00025128028500000510
表示用户j的第m个分组的符号，m＝1，2，…，Nt，j＝1，2，…，J，J为总用户数；经分组和调制后，总的用户发送符号表示为s＝[s1，s2，…，sJ]T。
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。
A1)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
Figure BDA0002512802850000071
则第m根天线上给第j个用户分组配置
Figure BDA0002512802850000072
个码字映射器；
每一个码字映射器结构为一个全连接的深度神经网络DNN单元，记为
Figure BDA0002512802850000073
表示在第m根天线上，用户j对应于第k个子载波的码字映射器，
其中，
Figure BDA0002512802850000081
是用户j的第m个分组的符号，是该DNN单元的输入；
Figure BDA0002512802850000082
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单元的输入为
Figure BDA0002512802850000083
计算维数
Figure BDA0002512802850000084
为DNN单元输入层的节点数目；
设定深度神经网络DNN单元的输出为：
用户j在对应子载波k的SCMA码字符号
Figure BDA00025128028500000818
Figure BDA0002512802850000085
Figure BDA0002512802850000086
是用户j的第m个分组符号
Figure BDA0002512802850000087
经权重和偏置为
Figure BDA0002512802850000088
的神经网络计算后的输出，
Figure BDA0002512802850000089
的下标取值和
Figure BDA00025128028500000810
的下标kj对应一致；DNN单元输出层的节点数目与
Figure BDA00025128028500000811
的维数
Figure BDA00025128028500000812
一致；
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
Figure BDA00025128028500000813
Figure BDA00025128028500000814
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
Figure BDA00025128028500000815
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
Figure BDA00025128028500000816
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；
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
Figure BDA00025128028500000817
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，
Figure BDA0002512802850000091
(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
Figure BDA0002512802850000092
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；
Figure BDA0002512802850000093
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，
Figure BDA0002512802850000094
B2)在接收信号表达式中，第n根天线的接收信号
Figure BDA0002512802850000095
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。
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
Figure BDA0002512802850000096
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)。
B3)第j个用户的解码器解出该用户在基站端的全部发送分组的符号
Figure BDA0002512802850000097
设定输出层节点数等于
Figure BDA0002512802850000098
的信号维数
Figure BDA0002512802850000099
这里
Figure BDA00025128028500000910
未知，根据调制阶数M和发送天线数Nt进行计算，即输出层节点数等于
Figure BDA00025128028500000911
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；
全连接DNN记为gj(yj；θ2，j)，yj为该解码器的输入，θ2，j为该DNN的权值与偏置，
Figure BDA00025128028500000912
B5)接收端用户均进行对应联合解码器的设计，记所有解码器的输出为
Figure BDA00025128028500000913
y是接收端所有用户的接收信号，
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：
C1)建立端到端损失函数
Figure BDA0002512802850000101
具体采用均方误差损失函数
Figure BDA0002512802850000102
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，
Figure BDA0002512802850000103
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，
计算l＝log2M，将每个用户的二进制原始输入数据以l比特为1组，分成Nt组，则第j个用户的原始输入数据分组记为
Figure BDA0002512802850000104
Figure BDA0002512802850000105
是其中的第m个分组，长度为l比特，m＝1，2，…，Nt；
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
Figure BDA0002512802850000106
经分组和调制后，用户j的符号向量表示为
Figure BDA0002512802850000107
Figure BDA0002512802850000108
表示用户j的第m个分组的符号，m＝1，2，…，Nt，j＝1，2，…，J，J为总用户数；经分组和调制后，总的用户发送符号表示为s＝[s1，s2，…，sJ]T。
C3)基站端根据系统过载率按传统方式生成Nt个映射矩阵。
C4)基站端用户的分组符号s输入SCMA编码器进行编码并发送，编码输出
Figure BDA0002512802850000111
f(s；θ1)表示多天线SCMA编码器。
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，
Figure BDA0002512802850000112
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
Figure BDA0002512802850000113
Figure BDA0002512802850000114
表示接收端第j个用户的噪声，为加性高斯白噪声，
Figure BDA0002512802850000115
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
Figure BDA0002512802850000116
所有用户的解码输出表示为
Figure BDA0002512802850000117
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
Figure BDA0002512802850000118
对所有用户符号
Figure BDA0002512802850000119
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
Figure BDA0002512802850000121
Figure BDA0002512802850000122
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
Figure BDA0002512802850000123
6个用户的数据分组重新排列为
Figure BDA0002512802850000124
其中
Figure BDA0002512802850000125
由发射天线1传输，
Figure BDA0002512802850000126
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
Figure BDA0002512802850000127
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
Figure BDA0002512802850000128
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
Figure BDA0002512802850000129
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，
Figure BDA0002512802850000131
(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
Figure BDA0002512802850000132
则第m根天线上给第j个用户分组配置
Figure BDA0002512802850000133
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
Figure BDA0002512802850000134
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
Figure BDA0002512802850000135
Figure BDA0002512802850000136
是用户j的第1个分组的符号，计算维数
Figure BDA0002512802850000137
为DNN单元输入层的节点数目，
Figure BDA0002512802850000138
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
Figure BDA0002512802850000139
Figure BDA00025128028500001310
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
Figure BDA00025128028500001311
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
Figure BDA00025128028500001312
和
Figure BDA00025128028500001313
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
Figure BDA00025128028500001314
Figure BDA00025128028500001315
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，
Figure BDA0002512802850000141
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，
Figure BDA0002512802850000142
Figure BDA0002512802850000143
本实施例的发射机结构如图3所示。
(4)在下行链路的接收端，每个用户配置2根接收天线，总接收信号可表示为y＝[y1，y2]T，
Figure BDA0002512802850000144
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
Figure BDA0002512802850000145
Figure BDA0002512802850000146
表示接收端第j个用户的噪声，这里采用加性高斯白噪声，
Figure BDA0002512802850000147
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
Figure BDA0002512802850000148
所有用户的解码输出表示为
Figure BDA0002512802850000149
Figure BDA00025128028500001410
(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
Figure BDA00025128028500001411
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；
Figure BDA00025128028500001412
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，
Figure BDA00025128028500001413
从接收信号表达式可以看出，第n根天线的接收信号
Figure BDA00025128028500001414
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。
(4b)第j个用户所有天线上接收到信号为
Figure BDA0002512802850000151
计算yj的的信号维数dim(yj)，设计DNN输入层节点数等于dim(yj)，如图4所示。
(4c)第j个用户的解码器要解出该用户在基站端的全部发送分组的符号
Figure BDA0002512802850000152
设计输出层节点数等于
Figure BDA0002512802850000153
的信号维数
Figure BDA0002512802850000154
这里
Figure BDA0002512802850000155
未知，可以根据调制阶数M和发送天线数进行计算，因此输出层节点数等于
Figure BDA0002512802850000156
(4d)根据经验设定该DNN的隐藏层节点数、隐藏层数、权值与偏置等参数的初值。该DNN记为gj(yj；θ2，j)，yj为该解码器的输入，θ2，j为该DNN的权值与偏置，
Figure BDA0002512802850000157
(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
Figure BDA0002512802850000158
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
Figure BDA0002512802850000159
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
Figure BDA00025128028500001510
其中，h表示信道矩阵，z表示信道噪声矩阵。这里具体采用均方误差损失函数
Figure BDA00025128028500001511
N为训练神经网络一个批次的大小。
(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
Figure BDA0002512802850000164
对所有
Figure BDA0002512802850000165
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
Figure BDA0002512802850000161
其中K表示码本维度，数值上等于单根天线的OFDM子载波数，
Figure BDA0002512802850000162
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
Figure BDA0002512802850000163
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)

1.一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，包括以下步骤：
11)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；
12)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；
13)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
Figure FDA0002512802840000016
对所有用户符号
Figure FDA0002512802840000017
进行解调，恢复出原始的用户发送数据。
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：
31)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
Figure FDA0002512802840000011
则第m根天线上给第j个用户分组配置
Figure FDA0002512802840000012
个码字映射器；
每一个码字映射器结构为一个全连接的深度神经网络DNN单元，记为
Figure FDA0002512802840000013
表示在第m根天线上，用户j对应于第k个子载波的码字映射器，
其中，
Figure FDA0002512802840000014
是用户j的第m个分组的符号，是该DNN单元的输入；
Figure FDA0002512802840000015
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单元的输入为
Figure FDA0002512802840000021
计算维数
Figure FDA0002512802840000022
为DNN单元输入层的节点数目；
设定深度神经网络DNN单元的输出为：
用户j在对应子载波k的SCMA码字符号
Figure FDA0002512802840000023
Figure FDA0002512802840000024
Figure FDA0002512802840000025
是用户j的第m个分组符号
Figure FDA0002512802840000026
经权重和偏置为
Figure FDA0002512802840000027
的神经网络计算后的输出，
Figure FDA0002512802840000028
的下标取值和
Figure FDA0002512802840000029
的下标kj对应一致；DNN单元输出层的节点数目与
Figure FDA00025128028400000210
的维数
Figure FDA00025128028400000211
一致；
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
Figure FDA00025128028400000212
Figure FDA00025128028400000213
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
Figure FDA00025128028400000214
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
Figure FDA00025128028400000215
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；
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
Figure FDA00025128028400000218
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,
Figure FDA00025128028400000217
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
Figure FDA0002512802840000031
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；
Figure FDA0002512802840000032
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，
Figure FDA0002512802840000033
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
Figure FDA0002512802840000034
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)；
43)第j个用户的解码器解出该用户在基站端的全部发送分组的符号
Figure FDA0002512802840000035
设定输出层节点数等于
Figure FDA0002512802840000036
的信号维数
Figure FDA0002512802840000037
这里
Figure FDA0002512802840000038
未知，根据调制阶数M和发送天线数Nt进行计算，即输出层节点数等于
Figure FDA0002512802840000039
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；
全连接DNN记为gj(yj；θ2,j),yj为该解码器的输入，θ2,j为该DNN的权值与偏置，
Figure FDA00025128028400000310
45)接收端用户均进行对应联合解码器的设计，记所有解码器的输出为
Figure FDA00025128028400000311
y是接收端所有用户的接收信号，
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：
51)建立端到端损失函数
Figure FDA00025128028400000312
具体采用均方误差损失函数
Figure FDA00025128028400000313
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，
Figure FDA00025128028400000314
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；
54)基站端用户的分组符号s输入SCMA编码器进行编码并发送，编码输出
Figure FDA0002512802840000041
f(s；θ1)表示多天线SCMA编码器；
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，
Figure FDA0002512802840000042
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
Figure FDA0002512802840000043
Figure FDA0002512802840000044
表示接收端第j个用户的噪声，为加性高斯白噪声，
Figure FDA0002512802840000045
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
Figure FDA0002512802840000046
所有用户的解码输出表示为
Figure FDA0002512802840000047
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,
计算l＝log2M，将每个用户的二进制原始输入数据以l比特为1组，分成Nt组，则第j个用户的原始输入数据分组记为
Figure FDA0002512802840000048
Figure FDA0002512802840000049
是其中的第m个分组，长度为l比特，m＝1,2,…,Nt；
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
Figure FDA0002512802840000051
经分组和调制后，用户j的符号向量表示为
Figure FDA0002512802840000052
Figure FDA0002512802840000053
表示用户j的第m个分组的符号，m＝1,2,…,Nt，j＝1,2,…,J,J为总用户数；经分组和调制后，总的用户发送符号表示为s＝[s1,s2,…,sJ]T。
CN202010466449.2A 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 Active CN111565061B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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