CN112910806A - 基于深度神经网络的联合信道估计及用户激活检测方法 - Google Patents

Abstract

本发明涉及基于深度神经网络的联合信道估计及用户激活检测方法，属于信道估计与识别技术领域。利用深度神经网络的数据特征提取能力，实现用户识别和信道估计方案设计；搭建基于循环结构的导频检测神经网络PDNN迭代进行初步信道估计和用户激活检测，再将初步结果通过数据检测神经网络DDNN数提取据特征，即将PDNN与DDNN级联，生成用户激活检测与信道估计网络UAD‑CE‑NN，挖掘用户数据信号和导频信号信息结合，对导频信息和用户发送数据信号进行检测，实现信道估计和用户识别。增强使用导频信号检测获得的信道估计准确性，以提升信道估计和用户检测方面的精度。

Description

基于深度神经网络的联合信道估计及用户激活检测方法

本发明涉及基于深度神经网络的联合信道估计及用户激活检测方法，属于信道估计与识别技术领域。

背景技术

未来的无线系统中，在大规模连接场景下，大量用户位于小区周围以零星模式请求与小区中心连接，免授权非正交多址(Non-orthogonal Multiple Access，NOMA)能够有效降低信令开销及时延。然而，该技术也面临新的挑战。与基于授权的传输相比，由于缺少基站的调度信息，基站缺少用户活动的先验知识，因此基站需要在数据检测之前盲检测活跃用户集。与此同时，免授权场景的信道估计问题也相对于授权场景变得更为复杂。

近年来，深度学习算法被开发出来与无线网络相结合，以增强通信技术，满足越来越多的(Beyond 5th generation mobile networks，B5G)需求。与以凸优化和信息论为代表的传统通信技术不同，深度学习可以用数据驱动的方法来处理问题。深度学习在推进不同的通信模块方面显示了其巨大的潜能，并已在前期研究中与非正交多址(Non-orthogonal multiple-access,NOMA)系统相结合，提高NOMA系统的通信性能。

为了解决用户检测和信道估计问题，为每个用户预分配用户唯一的导频作为用户的标识，并且在数据之前发送导频是提高用户活动检测(user activity detection，UAD)和信道估计(channel estimation，CE)准确性的有效手段。然而，当潜在用户数量巨大时，应用正交导频序列将导致较大的开销。因此，基于NOMA，利用非正交的导频序列是导频开销和检测精度之间的折衷，也是本申请致力于解决的问题。

发明内容

本发明的目的是针对免授权传输中由于非正交导频间存在相互干扰，信道估计困难以及激活用户检测难以准确的技术缺陷，在上行免授权NOMA系统中，提出了基于深度神经网络的联合信道估计及用户激活检测方法。

本发明的核心思想为：基于循环结构的导频检测神经网络(Preamble detectionneural network，PDNN)迭代进行初步信道估计和用户激活检测，再将初步结果通过数据检测神经网络(Data detection neural network，DDNN)数提取据特征，即将PDNN与DDNN级联，挖掘用户数据信号和导频信号信息结合，对导频信息和用户发送数据信号进行检测，实现信道估计和用户识别。

为实现以上目的，本发明采用的技术方案如下：

所述基于联合改进深度神经网络的信道估计及用户激活检测方法依托的免授权NOMA系统，包括基站和N个用户，每个用户基于NOMA根据“到达即转发”模式以一定的激活概率被随机激活，并传输导频及基于导频扩频的数据块，所有潜在用户的导频组成集合，在基站端搭载设计的用户激活检测与信道估计网络(user activation detection andchannel estimation neural network,UAD-CE-NN)实现用户激活检测和信道估计；其中，UAD-CE-NN包括PDNN与DDNN。

其中，所有潜在用户导频组成的集合为S＝[s₁，s₂，…，s_N]，其中，第n个用户的导频为s_n＝[s_1，n，s_2，n…，s_H，n]^T，n的取值范围为1到N。

所述信道估计及用户激活检测方法，包括以下步骤：

步骤1、激活用户并发送数据，具体包括如下子步骤：

步骤1.1每个用户根据“到达即转发”模式以一定的激活概率被随机激活并输出激活指示因子；

其中，第n个用户的激活指示因子表示为

n的取值范围为1到N；

步骤1.2将所有为1的激活指示因子对应的用户序号，生成序号集合Γ；

步骤1.3序号集合Γ中的激活用户生成数据包并发送数据包至基站，具体为：

步骤1.3A激活用户m产生M个调制符号，利用该用户导频扩展调制符号，与该用户导频一起生成数据包；

其中，用户生成的数据包，包括导频y^P及基于导频扩频的数据块y^[m]，该数据块的个数为M个，每个数据块为对应的调制符号与导频扩展而成；m属于序号集合Γ，调制符号_xm＝[x_m ^[1]，x_m ^[2]，…，x_m ^[M]]；

步骤1.3B激活用户m发送数据包至基站；

步骤2、基站接收所有激活用户发送的数据包；

步骤3、搭建导频检测神经网络PDNN；

其中，PDNN包括T个PDNN层，每个PDNN层包括L^P个隐藏层和一个输出层；

步骤4、搭建数据检测神经网络DDNN，并产生DDNN的输入；

其中，DDNN为全连接深度神经网络，包括L^D个隐藏层以及一个输出层，DDNN的输入由y_P、

S以及PDNN的信道估计结果

构成，表达式为：

其中，y^P为基站接收数据包中的导频，

表示基于导频扩频的M个数据块，y^[m]表示其中的第m个数据块，S为所有潜在用户导频组成的集合；

步骤5、利用前向反馈及梯度下降方法，训练步骤3搭建的PDNN，得到PDNN参数矩阵，以此得到训练好的PDNN网络，利用训练好的PDNN网络得到PDNN输出，具体为：

步骤5.1设置PDNN的代价函数为第T个PDNN输出信道估计结果

的MSE

其中，MSE即Mean square error，为最小均方误差，表达式为

步骤5.2初始化PDNN的迭代次数p₁为1，并设置联合迭代次数为P；

步骤5.3判断p₁是否等于P，若否，则p₁＝p₁+1，用梯度下降法更新PDNN参数矩阵，并转至步骤5.3；若是，第P次迭代获得的PDNN参数矩阵；

其中，参数矩阵表示为

为第i个PDNN层的第l个隐藏层的权重，b^P _(i)，l为第i个PDNN层的第l个隐藏层的偏差向量；i的取值范围是1到T，l的取值范围是1到L^P；

步骤5.4利用第P次迭代获得的PDNN参数矩阵，得到训练好的PDNN网络；

步骤5.5设置i＝1，将输入信号p^P ₍₀₎输入PDNN；

其中，输入信号为

其中，y^P为基站接收数据包中的导频，

是初始化的信道估计结果，定义为

其中，S为所有潜在用户导频组成的集合；

为将y^P和

拼接起来；

步骤5.6计算第i个PDNN层的输入

步骤5.7第i个PDNN层通过L^P个隐藏层产生第i个信道估计结果

步骤5.8判断i是否等于T，若是，

将其记为PDNN信道估计结果

跳至步骤6；若否，i＝i+1，跳至步骤5.6；

步骤6、利用前向反馈及梯度下降方法，步骤4搭建的DDNN，得到DDNN参数矩阵，并基于该参数矩阵得到训练好的DDNN网络，具体为：

步骤6.1设置DDNN的代价函数为

步骤6.2判断p₂是否等于P，若否，则p₂＝p₂+1，利用梯度下降法更新DDNN参数矩阵，并转至步骤6.2；若是，则获得第P次迭代的DDNN参数矩阵；

其中，DDNN参数矩阵表示为

其中，

为DDNN层的第l个隐藏层的权重，

为DDNN层的第l个隐藏层的偏差向量，l的取值范围是1到L^D；

步骤6.3利用第P次迭代的DDNN参数矩阵，得到训练好的DDNN网络；

步骤6.4 DDNN对输入先信道估计再进行用户激活估计，输出信道估计结果

和用户激活估计结果

其中，用户激活估计结果，记为

用户激活估计结果为

通过公式

得出；

其中，

中的第j项

sgn()为符号函数，λ为平衡误警和误检概率的参数，

为用户激活估计结果

的第j项；

联合信道估计及用户激活检测结果，包括信道估计结果

和用户激活估计结果

步骤7、基于测试集，测试训练好的PDNN和DDNN，具体为：

步骤7.1 PDNN输入端口输入基站接收数据包中的导频与初始化信道估计结果，输出PDNN信道估计结果，然后产生PDNN用户检测结果；

步骤7.2 DDNN对基站接收到的数据包的导频及基于导频扩频的数据块、用户导频集合以及PDNN神经网络产生的信道估计结果进行测试，产生DDNN信道估计结果作为最终信道估计结果，产生DDNN用户检测结果作为最终用户检测结果，输出最终联合信道估计及用户激活检测结果；

至此，经过步骤1到步骤7，完成了基于深度神经网络的联合信道估计及用户激活检测方法。

有益效果

本发明基于深度神经网络的联合信道估计及用户激活检测方法，与现有技术相比，具有如下有益效果：

1.本方法依托的神经网络能实现用户激活及信道估计算法，相对于传统基于压缩感知技术的算法，能提升用户检测和信道估计的精度；

2.有效利用用户发送的数据信号中包含的信息，与导频信号的信息结合，较单独使用导频信号检测增强了获得的信道估计准确性并提升用户激活检测准确性。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定在附图中：

图1为本发明基于深度神经网络的联合信道估计及用户激活检测方法的多用户传输数据块产生示意图；

图2为本发明基于深度神经网络的联合信道估计及用户激活检测方法依托的UAD-CE-NN网络架构示意图；

图3为本发明基于深度神经网络的联合信道估计及用户激活检测方法实施例中的信道估计检测的性能仿真示意图；

图4为本发明基于深度神经网络的联合信道估计及用户激活检测方法实施例中的用户激活检测结果的性能仿真示意图。

具体实施方式

下面结合附图和具体实施例对本发明所阐述的基于深度神经网络的联合信道估计及用户激活检测方法进行详细说明。

实施例1

本发明依托的利用导频扩频叠加示意图如附图1所示，包括符号的调制，扩频，叠加。在大量机器类通信场景，大量物联网设备，如传感器等，以随机状态接入到基站，进行对环境监控数据上报、视频信号传输等工作。在一个小区内，基站接收多个分组的设备发送的上行信号并进行处理。基站一个分组内共服务20个设备，因此，此分组内设备存在干扰。基站在设备在初始注册时分配其固有的导频信号，因此设备间不存在导频选择冲突。设备在没有消息传输需求时，处于休眠状态，不向基站发送信号。当设备需要上行传输信息时，无需基站调度，采用随机接入方式向基站发送信号。

图2为利用PDNN和DDNN进行信道估计和用户检测的框图和架构示意图。本实施例考虑20个用户的场景，用户激活的概率都是0.4。使用的帧结构包括一个元数据块和5个数据块。用户使用的前导序列的长度是12。基于WBE的序列被分配给每个用户，并假设在基站是已知的。实施例中，20个用户均采用QPSK调制，信道模型为莱斯衰落信道模型。该实施例步骤如下：

步骤一、激活用户对数据进行调制扩频并发送数据。具体步骤为：

步骤1.A每个用户根据“到达即转发”模式以一定的激活概率被随机激活并输出激活指示因子；

其中，第n个用户的激活指示因子表示为

n的取值范围为1到N；

步骤1.B将所有为1的激活指示因子对应的用户序号，生成序号集合Γ

步骤1.C利用其导频扩展其调制符号生成数据信号，即用户m用其前导序列扩展x_m，产生对应于5个数据块的5个数据信号。用户n的导频扩展调制符号被获得为：

其中，s_j＝[s_1，j，s_2，j…,s_H，j]^T为用户m的前导序列，j属于生成序号集合Γ。且为保证每个用户发射功率相同，进行归一化。激活用户产生编码比特，并均采用QPSK调制将编码后比特调制成调制符号x_j＝[x_j ^[1]，x_j ^[2]，…，x_j ^[M]]，利用其导频扩展其调制符号。应用韦尔奇界等式(Welch-Bound Equality，WBE)序列作为导频，该序列已被证明对于对称高斯多址信道是最优的。

步骤1.D利用该用户导频扩展调制符号，与该用户导频一起生成数据包；

步骤二、激活用户发送数据包至基站，用户n到基站的信道表示为h_n，基站接收到所有激活用户发送数据包，基站处接收到的导频和导频扩频的数据块分别表示为：

y^P＝∑_j∈Γh_ja_js_j+n^P (1)

和

y^[m]＝∑_j∈Γh_ja_js_jx_j ^[m]+n^[m] m∈{1，2，…，M}， (2)

令z＝[z₁，z₂，…，z_N]^T，z_j＝h_ja_j表示用户j和BS之间的有效信道，h_j为用户j和BS之间的有效信道，当用户非激活时，其有效信道表示为0，n^P和n^[m]为噪声。

步骤三、搭建导频检测神经网络PDNN，具体步骤为：

步骤3.A搭建具有5个模块的PDNN，每个模块称之为一个PDNN层，每个PDNN层为3个隐藏层和1个输出层组成的神经网络。

步骤3.B设置i＝1，i_max＝5，生成输入信号，

其中

是估计结果的初始化，定义为

步骤3.C第i个PDNN层通过3个隐藏层产生信道估计结果；

其中，信道估计结果为

其中，

为第i个PDNN层的第l个隐藏层的权重，b^P _(i)，l为第i个PDNN层的第l个隐藏层的偏差向量，将PDNN的参数集合表示为

步骤3.D计算第i+1个PDNN层的输入

步骤3.E判断i是否等于5，若是，

若否，i＝i+1，跳至步骤3.C；

步骤3.F获得用户检测结果，其计算过程为

其中，收缩函数

sgn()为符号函数λ为平衡误警和误检概率的参数，具有固定值；z_j为向量

的元素。

步骤3.G输出PDNN的信道估计结果

以及用户检测结果

步骤四、搭建数据检测神经网络DDNN，且将y^P、

S以及PDNN的信道估计结果

一起构成DDNN输入x，具体为：

搭建DDNN，并产生DDNN输入；

其中，DDNN为全连接深度神经网络，其隐藏层层数为5；

其中，DDNN输入

其中，y^P为基站接收数据包中的导频，

表示基于导频扩频的M个数据块，y^[m]表示其中的第m个数据块，S为所有潜在用户导频组成的集合；

步骤五、利用前向反馈及梯度下降方法，训练步骤三搭建的导频检测神经网络PDNN，并输入PDNN输入，产生PDNN输出；

步骤5.A设置PDNN的代价函数为5个PDNN层输出信道估计结果的MSE(Mean squareerror)，表达式为

步骤5.B设置PDNN的迭代次数为P₁，DDNN的迭代次数为P₂。

步骤5.C设迭代总次数P＝100000，判断p₁是否等于P，若否，则p₁＝p₁+1，更新参数矩阵，公式如下

并转至步骤5.C；若否，则获得最终的参数矩阵Θ^P；

其中，

为求导符号。

步骤5.D设置i＝1，i_max＝5，生成输入信号，

其中

是估计结果的初始化，定义为

步骤5.E第i个PDNN层通过3个隐藏层产生信道估计结果；

其中，信道估计结果为

其中，

为第i个PDNN层的第l个隐藏层的权重，b^P _(i)，l为第i个PDNN层的第l个隐藏层的偏差向量，将PDNN的参数矩阵表示为

步骤5.F计算第i+1个PDNN层的输入

步骤5.G判断i是否等于5，若是，

若否，i＝i+1，跳至步骤5.E；

步骤3.G输出PDNN的信道估计结果

步骤六、利用前向反馈及梯度下降方法，训练步骤四搭建的数据检测神经网络DDNN,并输入DDNN输入，产生DDNN输出；

步骤6.A设置DDNN的代价函数为

步骤6.B判断p₂是否等于P，若否，则p₂＝p₂+1，更新参数矩阵，公式如下

并转至步骤6.B；若否，则获得最终的参数矩阵Θ^D。

步骤6.C产生DDNN输入为：

步骤6.D DDNN网络的层数为5，输出信道估计结果

DDNN的数据处理过程为

DDNN参数集合表示为

步骤6.E得到DDNN的用户激活估计结果，过程表示为

联合信道估计及用户激活检测结果，包括信道估计结果

和用户激活估计结果

步骤七、利用已知测试集，测试训练好的联合信道估计及用户激活检测神经网络；

步骤7.A PDNN输入端口输入基站接收数据包中的导频与初始化信道估计结果，输出PDNN信道估计结果，然后产生PDNN用户检测结果；

步骤7.B DDNN对基站接收到的数据包的导频及基于导频扩频的数据块、用户导频集合以及PDNN神经网络产生的信道估计结果进行测试，产生DDNN信道估计结果作为最终信道估计结果，产生DDNN用户检测结果作为最终用户检测结果，输出最终联合信道估计及用户激活检测结果；

图3为信道估计检测的性能对比图，以信道的归一化均方误差为评判指标，图4为用户激活检测结果的性能对比图，以检测错误的概率为评判指标。两图对比了本专利总体UAD-CE-NN网络的输出，以传统AMP算法的输出和全连接神经网络FCNN的输出作为对比。可以发现，本专利提出的用户激活检测及信道估计方案相对于传统算法和未经设计的全连接神经网络而言，可以达到更准确的估计性能。

为了说明本发明的内容及实施方法，本说明书给出了一个具体实施例。在实施例中引入细节的目的不是限制权利要求书的范围，而是帮助理解本发明所述方法。本领域的技术人员应理解：在不脱离本发明及其所附权利要求的精神和范围内，对最佳实施例步骤的各种修改、变化或替换都是可能的。因此，本发明不应局限于最佳实施例及附图所公开的内容。

Claims (7)

1.基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：依托的免授权NOMA系统，包括基站和N个用户，每个用户基于NOMA根据“到达即转发”模式以一定的激活概率被随机激活，并传输导频及基于导频扩频的数据块，所有潜在用户的导频组成集合，在基站端搭载设计的用户激活检测与信道估计网络UAD-CE-NN实现用户激活检测和信道估计；其中，UAD-CE-NN包括PDNN与DDNN；

其中，所有潜在用户导频组成的集合为S＝[s₁，s₂，…，s_N]；

所述信道估计及用户激活检测方法，包括以下步骤：

步骤1、激活用户并发送数据，具体包括如下子步骤：

步骤1.1每个用户根据“到达即转发”模式以一定的激活概率被随机激活并输出激活指示因子；

步骤1.2将所有为1的激活指示因子对应的用户序号，生成序号集合Γ；

步骤1.3序号集合Γ中的激活用户生成数据包并发送数据包至基站，具体为：

步骤1.3A激活用户m产生M个调制符号，利用该用户导频扩展调制符号，与该用户导频一起生成数据包；

步骤1.3B激活用户m发送数据包至基站；

步骤2、基站接收所有激活用户发送的数据包；

步骤3、搭建导频检测神经网络PDNN；

其中，PDNN包括T个PDNN层，每个PDNN层包括L^P个隐藏层和一个输出层；

步骤4、搭建数据检测神经网络DDNN，并产生DDNN的输入；

其中，DDNN为全连接深度神经网络，包括L^D个隐藏层以及一个输出层，DDNN的输入由y^P、

S以及PDNN的信道估计结果

构成，表达式为：

其中，y^P为基站接收数据包中的导频，

表示基于导频扩频的M个数据块，y^[m]表示其中的第m个数据块，S为所有潜在用户导频组成的集合；

步骤5、利用前向反馈及梯度下降方法，训练步骤3搭建的PDNN，得到PDNN参数矩阵，以此得到训练好的PDNN网络，利用训练好的PDNN网络得到PDNN输出，具体为：

步骤5.1设置PDNN的代价函数为第T个PDNN输出信道估计结果

的MSE；

其中，MSE即Mean square error，为最小均方误差，表达式为

步骤5.2初始化PDNN的迭代次数p₁为1，并设置联合迭代次数为P；

步骤5.3判断p₁是否等于P，若否，则p₁＝p₁+1，用梯度下降法更新PDNN参数矩阵，并转至步骤5.3；若是，第P次迭代获得的PDNN参数矩阵；

步骤5.4利用第P次迭代获得的PDNN参数矩阵，得到训练好的PDNN网络；

步骤5.5设置i＝1，将输入信号p^P ₍₀₎输入PDNN；

其中，输入信号为

其中，y^P为基站接收数据包中的导频，

是初始化的信道估计结果；

步骤5.6计算第i个PDNN层的输入

步骤5.7第i个PDNN层通过L^P个隐藏层产生第i个信道估计结果

步骤5.8判断i是否等于T，若是，

将其记为PDNN信道估计结果

跳至步骤6；若否，i＝i+1，跳至步骤5.6；

步骤6、利用前向反馈及梯度下降方法，步骤4搭建的DDNN，得到DDNN参数矩阵，并基于该参数矩阵得到训练好的DDNN网络，具体为：

步骤6.1设置DDNN的代价函数为

步骤6.2判断p₂是否等于P，若否，则p₂＝p₂+1，利用梯度下降法更新DDNN参数矩阵，并转至步骤6.2；若是，则获得第P次迭代的DDNN参数矩阵；

步骤6.3利用第P次迭代的DDNN参数矩阵，得到训练好的DDNN网络；

步骤6.4 DDNN对输入先信道估计再进行用户激活估计，输出信道估计结果

和用户激活估计结果

其中，用户激活估计结果，记为

用户激活估计结果为

通过公式

得出；

其中，

中的第j项

sgn()为符号函数，λ为平衡误警和误检概率的参数，

为用户激活估计结果

的第j项；

联合信道估计及用户激活检测结果，包括信道估计结果

和用户激活估计结果

步骤7、基于测试集，测试训练好的PDNN和DDNN，具体为：

步骤7.1 PDNN输入端口输入基站接收数据包中的导频与初始化信道估计结果，输出PDNN信道估计结果，然后产生PDNN用户检测结果；

步骤7.2 DDNN对基站接收到的数据包的导频及基于导频扩频的数据块、用户导频集合以及PDNN神经网络产生的信道估计结果进行测试，产生DDNN信道估计结果作为最终信道估计结果，产生DDNN用户检测结果作为最终用户检测结果，输出最终联合信道估计及用户激活检测结果。

2.根据权利要求1所述的基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：第n个用户的导频为s_n＝[s_1，n，s_2，n…，s_H，n]^T，n的取值范围为1到N。

3.根据权利要求2所述的基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：步骤1.1中，第n个用户的激活指示因子表示为

n的取值范围为1到N。

4.根据权利要求3所述的基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：步骤1.3A中，用户生成的数据包，包括导频y^P及基于导频扩频的数据块y^[m]，该数据块的个数为M个，每个数据块为对应的调制符号与导频扩展而成；m属于序号集合Γ，调制符号x_m＝[x_m ^[1]，x_m ^[2]，…，x_m ^[M]]。

5.根据权利要求4所述的基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：步骤5.3中，PDNN参数矩阵表示为

为第i个PDNN层的第l个隐藏层的权重，b^P _(i)，l为第i个PDNN层的第l个隐藏层的偏差向量；i的取值范围是1到T，l的取值范围是1到L^P。

6.根据权利要求5所述的基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：步骤5.4中，定义

其中，S为所有潜在用户导频组成的集合；

为将y^P和

拼接起来。

7.根据权利要求6所述的基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：步骤6.2中，DDNN参数矩阵表示为

其中，

为DDNN层的第l个隐藏层的权重，

为DDNN层的第l个隐藏层的偏差向量，l的取值范围是1到L^D。

Images