CN111901069A - 一种基于神经网络与近似消息传递算法的多用户检测方法 - Google Patents

一种基于神经网络与近似消息传递算法的多用户检测方法 Download PDF

Info

Publication number
CN111901069A
CN111901069A CN202010760266.1A CN202010760266A CN111901069A CN 111901069 A CN111901069 A CN 111901069A CN 202010760266 A CN202010760266 A CN 202010760266A CN 111901069 A CN111901069 A CN 111901069A
Authority
CN
China
Prior art keywords
neural network
user
matrix
signal
approximate message
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
CN202010760266.1A
Other languages
English (en)
Other versions
CN111901069B (zh
Inventor
孙蒙江
陈鹏
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202010760266.1A priority Critical patent/CN111901069B/zh
Publication of CN111901069A publication Critical patent/CN111901069A/zh
Application granted granted Critical
Publication of CN111901069B publication Critical patent/CN111901069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • H04L1/005—Iterative decoding, including iteration between signal detection and decoding operation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于神经网络与近似消息传递算法的多用户检测方法，建立海量机器通信免握手场景上行链路的多址接入模型；通过Khatri‑Rao积将多用户检测问题对应的多观测向量问题转为压缩感知的单重测量向量问题；构建基于近似消息传递算法的神经网络模型，用于替代近似消息传递算法中对软阈值函数的更新。使用多个基于神经网络的近似消息传递算法进行多用户检测，通过多组检测结果得到活跃用户的可靠性并基于此确定检测的活跃用户。本发明性能优于多向量观测正交匹配追踪，可应用于多天线基站场景下，其适用性好、应用范围宽，同时能够达到较好的多用户检测水平。

Description

一种基于神经网络与近似消息传递算法的多用户检测方法
技术领域
本发明涉及一种基于神经网络与近似消息传递算法的多用户检测算法，该方法属于阵列信号处理技术领域。
背景技术
海量机器通信被列为第五代蜂窝移动通信的三项主要应用场景之一，其基于握手的上行链路传输方式具有过高传输时延与过大信令开销的缺陷，因此在实际应用中，免握手的非正交多址接入技术被更多采用。由于没有握手过程，基站端需要先进行多用户检测以确定活跃用户。在海量机器通信场景下，相比于总用户数，仅有少数用户是活跃的，因此多用户检测问题可以被表述为压缩感知问题。在基站端使用多天线接收时，可以进一步表述为多向量观测问题。近似消息传递算法作为近些年被提出的应用于稀疏重构的算法，以其低复杂度与高性能受到人们的关注。但在信道先验分布未知的情况下，适用的基追踪去噪近似消息传递算法只适用于解决单向量观测问题。基于正交匹配追踪的算法虽在低信噪比与少量活跃用户情况下检测效果优异，但随着活跃用户数增加而快速增大的复杂度与低信噪比或多活跃用户情况下不理想的检测性能成为了限制其使用的主要原因。
综合考虑现有的多用户检测领域，主要面临如下几个问题：
1、现有技术大多针对于传统的次最优检测器，对海量机器通信场景适用性不佳。
2、现有海量机器通信场景下的多用户检测方法基本针对单天线基站使用，对于多天线基站的多用户检测方法研究较少。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于神经网络与近似消息传递算法的多用户检测方法，设计了一种在免握手的非正交多址接入场景下被应用于多天线基站的多用户检测方法，其性能优于多向量观测正交匹配追踪，可被应用于多天线基站场景下，解决现有方法中适用性不佳、应用范围窄的问题，能够达到较好的多用户检测水平。
技术方案：为实现上述目的，本发明采用的技术方案为：
为了实现实现稀疏信号重构，本发明提供的一种基于神经网络与近似消息传递算法的多用户检测方法，旨在先通过Khatri-Rao积将多用户检测问题转为单重测量向量问题，再使用神经网络学习基追踪去噪近似消息传递算法的阈值更新方法，进而使用多个基于这样的神经网络的近似消息传递算法进行多用户检测，包括以下步骤：
步骤1，建立海量机器通信免握手场景上行链路的多址接入模型，通过多址接入模型来表示多天线基站接收的信号。
步骤2，通过Khatri-Rao积将多用户检测问题对应的多观测向量问题转为压缩感知的单重测量向量问题；
多址接入模型中观测信号的协方差矩阵表示如下：
Figure BDA0002612885330000021
其中，R表示任一基站天线观测信号的协方差矩阵，
Figure BDA0002612885330000022
表示天线i观测信号的协方差矩阵的期望值，yi表示天线i的观测信号，H表示转置符号，S表示用户导频信号矩阵，xi表示天线i与用户间的信道向量，Λ表示天线i与用户间信道向量的协方差矩阵期望值，σz表示噪声的标准差，IL表示单位矩阵，L表示导频信号长度；
通过Khatri-Rao积将观测信号的协方差矩阵表示为：
Figure BDA0002612885330000023
其中，vec(R)表示协方差矩阵的列化，S表示用户导频信号矩阵，S*表示用户导频信号矩阵的共轭，⊙表示Khatri-Rao积，diag(Λ)表示信道向量协方差矩阵的对角线值，
Figure BDA0002612885330000024
表示噪声矩阵的列化；
同时，该观测信号的协方差矩阵通过多天线基站的接收信号进行估计，即：
Figure BDA0002612885330000025
其中，
Figure BDA0002612885330000026
表示基站天线观测信号的协方差矩阵的估计值，M表示基站天线数量；
该单重测量向量问题即在观测值为
Figure BDA0002612885330000027
观测矩阵为(S*⊙S)的情况下，对diag(Λ)进行稀疏恢复；注意到(S*⊙S)，diag(Λ)均为实数矩阵，令
Figure BDA0002612885330000028
Φ＝S*⊙S,x＝diag(Λ),
Figure BDA0002612885330000029
则原多用户检测问题转换为压缩感知的单重测量向量稀疏恢复问题：
Y＝Φx+n
其中，Y表示单重测量向量，Φ表示感知矩阵，x表示待恢复的稀疏向量，n表示噪声；
步骤3，构建基于近似消息传递算法的神经网络模型，用于替代近似消息传递算法中对软阈值函数的更新。近似消息传递算法为在待估矢量先验分布未知的情况下用于解决基追踪去噪问题的基追踪去噪近似消息传递算法，其中近似消息传递算法使用的去噪函数为软阈值函数。
将当前重构的稀疏信号x'作为神经网络模型的输入，经过隐藏层，最后通过输出层输出阈值，将该阈值作为新的迭代阈值，x'作为新的稀疏信号，重复之前所述的软阈值去噪，再次通过神经网络模型确定迭代阈值。经过有限次这样的迭代，再输入到硬阈值函数ηh中，得到基于该神经网络重构的稀疏信号。
步骤4，使用多个训练好的基于神经网络的近似消息传递算法进行多用户检测，通过多组检测结果得到各个用户被检测为活跃的频率并基于此确定检测的活跃用户。
优选的：所述步骤1中的多址接入模型：
Figure BDA0002612885330000031
其中，y为观测信号，观测信号中的第i列表示第i个天线接收的长度为L的信号序列，y∈CL×M，CL×M表示行数为L,列数为M的复数矩阵，L表示导频信号长度，M表示基站天线数量，S为N个用户的长度为L的导频信号构成的矩阵,S∈RL×N，RL×N表示行数为L,列数为N的实数矩阵，N表示该区域内的用户数量，x为信道增益,x∈CN×1，CN×1表示行数为L,列数为1的复数矩阵，信道增益中的第i个元素表示基站与用户i间的信道增益，w表示加性高斯白噪声，w∈CL×M，CL×M表示行数为L,列数为M的复数矩阵。
优选的：步骤3中神经网络模型包括输入层、隐藏层以及输出层，隐藏层使用双曲正切S型函数作为激活函数，输出层使用线性传递函数作为激活函数。
优选的：步骤3中用软阈值函数恢复稀疏信号，表示为：
x'＝η(x+Φ*z,λ+γ)
z＝y-Φx
其中，x'表示当前重构的稀疏信号，x表示上一代重构的稀疏信号，η表示软阈值函数，Φ*表示观测矩阵转置，λ表示初始阈值，γ表示迭代的阈值，z表示当前的残差，Y表示单重测量向量，Φ表示观测矩阵。
优选的：步骤3中的阈值被设置为重构的稀疏信号中非零值的绝对值的平均值。
优选的：步骤4中使用多个训练好的神经网络模型对基追踪去噪近似消息传递算法(basis pursuit de-noising AMP(BPDN-AMP))软阈值函数的阈值进行迭代更新，将所有多用户检测的重构稀疏信号中非零值对应的用户编号记录，用基于不同神经网络模型的近似消息传递算法得到多组可能的活跃用户，用户状态为活跃的可能性表示为多组检测结果中该用户被检测为活跃的频率，被检测为活跃的频率高于给定频率阈值的用户被确定为检测的活跃用户。
本发明提供的基于神经网络与近似消息传递算法的多用户检测方法，旨在先通过Khatri-Rao积将多用户检测问题转为单重测量向量问题，再使用神经网络学习基追踪去噪近似消息传递算法的阈值更新方法，进而使用多个基于这样的神经网络的近似消息传递算法进行多用户检测。相较于现有技术，本发明具有如下优势：
1、适用于海量机器通信场景下多天线基站的多用户检测
本方法先使用Khatri-Rao积将多天线基站的多用户检测问题转为压缩感知的单重测量向量问题，再通过基于已训练的神经网络的近似消息传递算法进行稀疏信号重构，确定活跃用户，完全适用于海量机器通信场景。
2、高检测概率下的性能更优。
本方法在高检测概率下可以获得相比于基追踪去噪近似消息传递算法更低的漏警概率；与多观测向量正交匹配追踪算法相比，在活跃用户数较多或信噪比较低的情况下有更优的性能。
附图说明
图1为海量机器通信场景的示意图
图2为本发明神经网络算法流程图。
图3为本发明在不同活跃用户数情况下与多观测向量正交匹配追踪算法的性能对比。
图4为本发明在不同活跃用户数情况下与基追踪去噪近似消息传递算法的性能对比。。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于神经网络与近似消息传递算法的多用户检测方法，包括以下步骤：
步骤1，建立海量机器通信免握手场景上行链路的多址接入模型，通过多址接入模型来表示多天线基站接收的信号。
如图1所示，在海量机器通信场景下，可以建立上行链路传输的多址接入模型来表示多天线基站接收的信号。
多址接入模型如下：
Figure BDA0002612885330000041
其中，y为观测信号，观测信号中的第i列表示第i个天线接收的长度为L的信号序列，y∈CL×M，CL×M表示行数为L,列数为M的复数矩阵，L表示导频信号长度，M表示基站天线数量，S为N个用户的长度为L的导频信号构成的矩阵,S∈RL×N，RL×N表示行数为L,列数为N的实数矩阵，N表示该区域内的用户数量，x为信道增益,x∈CN×1，CN×1表示行数为L,列数为1的复数矩阵，信道增益中的第i个元素表示基站与用户i间的信道增益，w表示加性高斯白噪声，w∈CL×M，CL×M表示行数为L,列数为M的复数矩阵。
步骤2，通过Khatri-Rao积将多用户检测问题对应的多观测向量问题转为压缩感知的单重测量向量问题：原本的多天线基站端的多用户检测是一个多观测向量问题，通过通过Khatri-Rao积可以转为单重测量向量问题。
多址接入模型中观测信号的协方差矩阵表示如下：
Figure BDA0002612885330000051
其中，R表示任一基站天线观测信号的协方差矩阵，
Figure BDA0002612885330000052
表示天线i观测信号的协方差矩阵的期望值，yi表示天线i的观测信号，H表示转置符号，S表示用户导频信号矩阵，xi表示天线i与用户间的信道向量，Λ表示天线i与用户间信道向量的协方差矩阵期望值，σz表示噪声的标准差，IL表示单位矩阵，L表示导频信号长度；
通过Khatri-Rao积将观测信号的协方差矩阵表示为：
Figure BDA0002612885330000053
其中，vec(R)表示协方差矩阵的列化，S表示用户导频信号矩阵，S*表示用户导频信号矩阵的共轭，⊙表示哈达玛积，diag(Λ)表示信道向量协方差矩阵的对角线值，
Figure BDA0002612885330000054
表示噪声矩阵的列化；
同时，该观测信号的协方差矩阵通过多天线基站的接收信号进行估计，即：
Figure BDA0002612885330000055
其中，
Figure BDA0002612885330000056
表示基站天线观测信号的协方差矩阵的估计值，M表示基站天线数量；
该单重测量向量问题即在观测值为
Figure BDA0002612885330000057
观测矩阵为(S*⊙S)的情况下，对diag(Λ)进行稀疏恢复；注意到(S*⊙S)，diag(Λ)均为实数矩阵，令
Figure BDA0002612885330000058
Φ＝S*⊙S,x＝diag(Λ),
Figure BDA0002612885330000061
则原多用户检测问题转换为压缩感知的单重测量向量稀疏恢复问题：
Y＝Φx+n
其中，Y表示单重测量向量，Φ表示感知矩阵，x表示待恢复的稀疏向量，n表示噪声；
步骤3，构建基于近似消息传递算法的神经网络模型，用于替代近似消息传递算法中对软阈值函数的更新。神经网络模型包括输入层、隐藏层以及输出层，隐藏层使用双曲正切S型函数作为激活函数，输出层使用线性传递函数作为激活函数。神经网络模型以每一代重构的稀疏信号为输入，输出为软阈值函数下一代的阈值，随后利用该阈值重构稀疏信号并再次输入到网络中，经过有限次迭代后输出到硬阈值函数中，即可得到恢复的稀疏信号。近似消息传递算法为在待估矢量先验分布未知的情况下用于解决基追踪去噪问题的基追踪去噪近似消息传递算法，其中近似消息传递算法使用的去噪函数为软阈值函数。
用软阈值函数恢复稀疏信号，表示为：
x'＝η(x+Φ*z,λ+γ)
z＝y-Φx
其中，x'表示当前重构的稀疏信号，x表示上一代重构的稀疏信号，η表示软阈值函数，Φ*表示观测矩阵转置，λ表示初始阈值，γ表示迭代的阈值，z表示当前的残差，Y表示单重测量向量，Φ表示观测矩阵。
将当前重构的稀疏信号x'作为神经网络模型的输入，经过隐藏层，最后通过输出层输出阈值，将该阈值作为新的迭代阈值，x'作为新的稀疏信号，重复之前所述的软阈值去噪，再次通过神经网络模型确定迭代阈值。经过有限次这样的迭代，再输入到硬阈值函数ηh中，阈值被设置为重构的稀疏信号中非零值的绝对值的平均值，得到基于该神经网络重构的稀疏信号。
步骤4，使用多个训练好的基于神经网络的近似消息传递算法进行多用户检测，通过多组检测结果得到各个用户被检测为活跃的频率并基于此确定检测的活跃用户。
使用多个训练好的神经网络模型对基追踪去噪近似消息传递算法软阈值函数的阈值进行迭代更新，将所有多用户检测的重构稀疏信号中非零值对应的用户编号记录，用基于不同神经网络模型的近似消息传递算法得到多组可能的活跃用户，用户状态为活跃的可能性表示为多组检测结果中该用户被检测为活跃的频率，被检测为活跃的频率高于给定频率阈值的用户被确定为检测的活跃用户。
下面给出本发明的一个验证例，应用于海量机器通信场景，验证本发明可以获得优良的多用户检测性能。
Figure BDA0002612885330000071
表1仿真参数
仿真参数如表1所示，针对不同数量K的活跃用户，应用本发明进行多用户检测，测试结果的ROC曲线如图3与图4所示，从图3、4中可以发现在检测概率较高时，本发明的虚警概率低于基追踪去噪近似消息传递算法，在用户数量较多时，性能明显优于多观测向量正交匹配追踪算法。
本发明以海量机器通信中免握手的非正交多址接入技术为背景，验证了该算法可以达到的多用户检测能力。使用基于不同神经网络的近似消息传递算法确定多组潜在的活跃用户，并将其中频率高于一定阈值的用户作为多用户检测结果。
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 (6)

1.一种基于神经网络与近似消息传递算法的多用户检测方法，其特征在于，包括以下步骤：
步骤1，建立海量机器通信免握手场景上行链路的多址接入模型，通过多址接入模型来表示多天线基站接收的信号；
步骤2，通过Khatri-Rao积将多用户检测问题对应的多观测向量问题转为压缩感知的单重测量向量问题；
多址接入模型中观测信号的协方差矩阵表示如下：
Figure FDA0002612885320000011
其中，R表示任一基站天线观测信号的协方差矩阵，
Figure FDA0002612885320000012
表示天线i观测信号的协方差矩阵的期望值，yi表示天线i的观测信号，H表示转置符号，S表示用户导频信号矩阵，xi表示天线i与用户间的信道向量，Λ表示天线i与用户间信道向量的协方差矩阵期望值，σz表示噪声的标准差，IL表示单位矩阵，L表示导频信号长度；
通过Khatri-Rao积将观测信号的协方差矩阵表示为：
Figure FDA0002612885320000013
其中，vec(R)表示协方差矩阵的列化，S表示用户导频信号矩阵，S*表示用户导频信号矩阵的共轭，⊙表示Khatri-Rao积，diag(Λ)表示信道向量协方差矩阵的对角线值，
Figure FDA0002612885320000014
表示噪声矩阵的列化；
同时，该观测信号的协方差矩阵通过多天线基站的接收信号进行估计，即：
Figure FDA0002612885320000015
其中，
Figure FDA0002612885320000016
表示基站天线观测信号的协方差矩阵的估计值，M表示基站天线数量；
单重测量向量问题即在观测值为
Figure FDA0002612885320000017
观测矩阵为(S*⊙S)的情况下，对diag(Λ)进行稀疏恢复；注意到(S*⊙S)，diag(Λ)均为实数矩阵，令
Figure FDA0002612885320000018
Φ＝S*⊙S,x＝diag(Λ),
Figure FDA0002612885320000019
则原多用户检测问题转换为压缩感知的单重测量向量稀疏恢复问题：
Y＝Φx+n
其中，Y表示单重测量向量，Φ表示感知矩阵，x表示待恢复的稀疏向量，n表示噪声；
步骤3，构建基于近似消息传递算法的神经网络模型，用于替代近似消息传递算法中对软阈值函数的更新；近似消息传递算法为在待估矢量先验分布未知的情况下用于解决基追踪去噪问题的基追踪去噪近似消息传递算法，其中近似消息传递算法使用的去噪函数为软阈值函数；
将当前重构的稀疏信号x'作为神经网络模型的输入，经过隐藏层，最后通过输出层输出阈值，将该阈值作为新的迭代阈值，x'作为新的稀疏信号，重复之前所述的软阈值去噪，再次通过神经网络模型确定迭代阈值；经过有限次这样的迭代，再输入到硬阈值函数ηh中，得到基于该神经网络重构的稀疏信号；
步骤4，使用多个训练好的基于神经网络的近似消息传递算法进行多用户检测，通过多组检测结果得到各个用户被检测为活跃的频率并基于此确定检测的活跃用户。
2.根据权利要求1所述基于神经网络与近似消息传递算法的多用户检测方法，其特征在于：所述步骤1中的多址接入模型：
Figure FDA0002612885320000021
其中，y为观测信号，观测信号中的第i列表示第i个天线接收的长度为L的信号序列，y∈CL×M，CL×M表示行数为L,列数为M的复数矩阵，L表示导频信号长度，M表示基站天线数量，S为N个用户的长度为L的导频信号构成的矩阵,S∈RL×N，RL×N表示行数为L,列数为N的实数矩阵，N表示该区域内的用户数量，x为信道增益,x∈CN×1，CN×1表示行数为L,列数为1的复数矩阵，信道增益中的第i个元素表示基站与用户i间的信道增益，w表示加性高斯白噪声，w∈CL ×M，CL×M表示行数为L,列数为M的复数矩阵。
3.根据权利要求2所述基于神经网络与近似消息传递算法的多用户检测方法，其特征在于：步骤3中神经网络模型包括输入层、隐藏层以及输出层，隐藏层使用双曲正切S型函数作为激活函数，输出层使用线性传递函数作为激活函数。
4.根据权利要求3所述基于神经网络与近似消息传递算法的多用户检测方法，其特征在于：步骤3中用软阈值函数恢复稀疏信号，表示为：
x'＝η(x+Φ*z,λ+γ)
z＝Y-Φx
其中，x'表示当前重构的稀疏信号，x表示上一代重构的稀疏信号，η表示软阈值函数，Φ*表示观测矩阵转置，λ表示初始阈值，γ表示迭代的阈值，z表示当前的残差，Y表示单重测量向量，Φ表示观测矩阵。
5.根据权利要求4所述基于神经网络与近似消息传递算法的多用户检测方法，其特征在于：步骤3中的阈值被设置为重构的稀疏信号中非零值的绝对值的平均值。
6.根据权利要求5所述基于神经网络与近似消息传递算法的多用户检测方法，其特征在于：步骤4中使用多个训练好的神经网络模型对基追踪去噪近似消息传递算法软阈值函数的阈值进行迭代更新，将所有多用户检测的重构稀疏信号中非零值对应的用户编号记录，用基于不同神经网络模型的近似消息传递算法得到多组可能的活跃用户，用户状态为活跃的可能性表示为多组检测结果中该用户被检测为活跃的频率，被检测为活跃的频率高于给定频率阈值的用户被确定为检测的活跃用户。
CN202010760266.1A 2020-07-31 2020-07-31 一种基于神经网络与近似消息传递算法的多用户检测方法 Active CN111901069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010760266.1A CN111901069B (zh) 2020-07-31 2020-07-31 一种基于神经网络与近似消息传递算法的多用户检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010760266.1A CN111901069B (zh) 2020-07-31 2020-07-31 一种基于神经网络与近似消息传递算法的多用户检测方法

Publications (2)

Publication Number Publication Date
CN111901069A true CN111901069A (zh) 2020-11-06
CN111901069B CN111901069B (zh) 2022-08-23

Family

ID=73182974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010760266.1A Active CN111901069B (zh) 2020-07-31 2020-07-31 一种基于神经网络与近似消息传递算法的多用户检测方法

Country Status (1)

Country Link
CN (1) CN111901069B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968853A (zh) * 2021-01-29 2021-06-15 北京交通大学 一种mmtc系统多用户接入检测和信道估计的方法
CN113067668A (zh) * 2021-02-04 2021-07-02 宁波大学 针对mmv模型进行活跃性和信号联合检测的方法
CN115208944A (zh) * 2022-06-30 2022-10-18 深圳市大数据研究院 活跃用户和数据的检测方法、系统、计算机设备及介质
CN116055261A (zh) * 2023-01-17 2023-05-02 重庆邮电大学 一种基于模型驱动深度学习的otfs信道估计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110429965A (zh) * 2019-07-03 2019-11-08 北京科技大学 一种大规模多输入多输出系统上行信号检测方法
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110429965A (zh) * 2019-07-03 2019-11-08 北京科技大学 一种大规模多输入多输出系统上行信号检测方法
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李闯: ""基于深度学习的广义近似消息传递算法网络化"", 《中国优秀硕士学位论文全文数据库》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968853A (zh) * 2021-01-29 2021-06-15 北京交通大学 一种mmtc系统多用户接入检测和信道估计的方法
CN112968853B (zh) * 2021-01-29 2022-07-01 北京交通大学 一种mmtc系统多用户接入检测和信道估计的方法
CN113067668A (zh) * 2021-02-04 2021-07-02 宁波大学 针对mmv模型进行活跃性和信号联合检测的方法
CN113067668B (zh) * 2021-02-04 2022-05-20 宁波大学 针对mmv模型进行活跃性和信号联合检测的方法
CN115208944A (zh) * 2022-06-30 2022-10-18 深圳市大数据研究院 活跃用户和数据的检测方法、系统、计算机设备及介质
CN116055261A (zh) * 2023-01-17 2023-05-02 重庆邮电大学 一种基于模型驱动深度学习的otfs信道估计方法

Also Published As

Publication number Publication date
CN111901069B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN111901069B (zh) 一种基于神经网络与近似消息传递算法的多用户检测方法
CN111698182B (zh) 一种基于压缩感知的时频分块稀疏的信道估计方法
CN109560841B (zh) 基于改进的分布式压缩感知算法的大规模mimo系统信道估计方法
CN109951214B (zh) 一种适用于大规模mimo系统的信号检测方法
Hyder et al. An approximate l0 norm minimization algorithm for compressed sensing
CN113748614A (zh) 一种信道估计模型训练方法及设备
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
CN107835068B (zh) 一种具有发射分集的低复杂度正交空间调制球形译码检测算法
CN110971547B (zh) 一种基于毫米波/太赫兹的宽带大规模终端检测和信道估计方法
CN114268388B (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
Huang et al. Deep learning for super-resolution DOA estimation in massive MIMO systems
CN115022134B (zh) 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统
CN109995403A (zh) 大规模mimo系统中基于模拟退火思想改进的las检测算法
CN108199990B (zh) 一种非高斯噪声3d-mimo信道估计方法
CN112953865A (zh) 一种用于大规模多输入多输出系统的信道估计方法
US20240089152A1 (en) Angular domain channel estimation method based on matrix reconstruction for symmetrical nonuniform array
CN115865145A (zh) 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN114553640B (zh) 多频段大规模mimo系统中的跨频段统计信道状态信息估计方法
CN107346985B (zh) 一种结合发射天线选择技术的干扰对齐方法
CN115021787A (zh) 一种基于复数卷积神经网络的信道状态信息反馈方法
CN114337883A (zh) 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统
Majumder One-bit spectrum sensing using Gustafson–Kessel fuzzy clustering for cognitive radio network
Shi et al. CSI-based fingerprinting for indoor localization with multi-scale convolutional neural network
Vimala et al. Pilot design strategies for block sparse channel estimation in OFDM systems

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