CN113067666A - Noma系统的用户活跃性和多用户联合检测方法 - Google Patents
Noma系统的用户活跃性和多用户联合检测方法 Download PDFInfo
- Publication number
- CN113067666A CN113067666A CN202110153919.4A CN202110153919A CN113067666A CN 113067666 A CN113067666 A CN 113067666A CN 202110153919 A CN202110153919 A CN 202110153919A CN 113067666 A CN113067666 A CN 113067666A
- Authority
- CN
- China
- Prior art keywords
- representing
- column
- dimension
- iteration
- matrix
- 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
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
-
- 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
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种NOMA系统的用户活跃性和多用户联合检测方法,其利用近似消息传递算法可以在未知噪声功率的情况下对噪声功率进行估计,且有良好的估计结果;其结合了近似消息传递算法和变分贝叶斯推断算法的优点,以先验概率的形式引入结构化的先验知识,进而可以方便有效地在未知用户稀疏性的情况下进行用户活跃性检测,且检测性能良好;由于其对等效信道矩阵进行了奇异值分解的预处理,因此对信道具有稳健作用。
Description
技术领域
本发明涉及一种用户活跃性和多用户联合检测技术,尤其是涉及一种NOMA(非正交多址接入)系统的用户活跃性和多用户联合检测方法。
背景技术
随着物联网(Internet of things,IoT)和移动互联网的快速发展,第五代移动通信系统需要应对高吞吐量、低延迟和大规模连接等挑战。非正交多址接入(NOMA)技术由于能利用一个资源块为多个用户提供服务而引起了人们的广泛关注。然而,大规模连接会产生信令开销和延迟的成本问题。因此,人们提出了无握手过程的免调度方案,即在基站侧同时进行用户活跃性检测和多用户检测。
在上行免调度非正交多址接入(NOMA)系统中,研究表明,即使在繁忙时间,也只有很少一部分用户同时传输数据,并且活跃用户数不超过用户总数的10%。因此,活跃用户的分布是稀疏的,即压缩感知可以用来解决用户活跃性和多用户联合检测。然而,现有的用户活跃性和多用户联合检测方法存在以下两个问题:1)有些方法需假设噪声功率已知,而在实际中大多采用低成本IoT设备,标称噪声功率与实际值会有很大的差别,极大地影响了检测效果;2)有些方法采用了贪婪思想的方法,虽能降低复杂度但要求已知用户的稀疏性,然而在实际中用户的稀疏度是未知的。
发明内容
本发明所要解决的技术问题是提供一种NOMA系统的用户活跃性和多用户联合检测方法,其在噪声功率和用户稀疏性未知的情况下,能够进行用户活跃性和多用户联合检测,且联合检测效果好。
本发明解决上述技术问题所采用的技术方案为:一种NOMA系统的用户活跃性和多用户联合检测方法,其特征在于包括以下步骤:
步骤1:在上行免调度NOMA系统中,设定在基站侧只有1个配置有单天线的基站,在用户侧共有K个配置有单天线的用户;在上行免调度NOMA系统中,考虑到信道编码因素,每个用户在J个时隙上发射符号,基站在各个时隙的N个子载波上接收信号,将第k个用户在第j个时隙上发射的符号记为将基站在第j个时隙的第n个子载波上接收到的信号记为描述为:然后将K个用户在第j个时隙上发射的符号构成的维数为K×1的列向量记为xj,将K个用户在J个时隙上发射的符号构成的维数为K×J的矩阵记为X,X=[x1,...,xj,...,xJ];并将基站在第j个时隙的N个子载波上接收到的信号构成的维数为N×1的列向量记为yj,yj描述为:yj=Gxj+wj,将基站在J个时隙的所有子载波上接收到的信号构成的维数为N×J的矩阵记为Y,Y=[y1,...,yj,...,yJ],Y描述为Y=GX+W;其中,K表示用户数量,K≥1,J表示时隙数量,J≥1,N表示子载波数量,N≥1,1≤k≤K,1≤j≤J,1≤n≤N,若第k个用户在第j个时隙上活跃则Δ表示M进制正交幅度调制的所有符号构成的集合,M进制为2i进制,即M=2i,i为正整数,1≤i≤10,表示M进制正交幅度调制的第1个符号,表示M进制正交幅度调制的第m个符号,表示M进制正交幅度调制的第M个符号,1≤m≤M,若第k个用户在第j个时隙上不活跃则为零,表示第1个用户在第j个时隙上发射的符号,表示第K个用户在第j个时隙上发射的符号,hn,k表示第k个用户在第n个子载波上的信道增益,sn,k表示第k个用户对应的扩频序列的第n个分量,扩频序列的长度为N,表示第j个时隙的第n个子载波上的噪声,服从均值为0、精度为λ即方差为λ-1的复高斯分布,即 表示复高斯分布,[]T表示向量或矩阵的转置,x1表示K个用户在第1个时隙上发射的符号构成的维数为K×1的列向量,xJ表示K个用户在第J个时隙上发射的符号构成的维数为K×1的列向量,表示基站在第j个时隙的第1个子载波上接收到的信号,表示基站在第j个时隙的第N个子载波上接收到的信号,y1表示基站在第1个时隙的N个子载波上接收到的信号构成的维数为N×1的列向量,yJ表示基站在第J个时隙的N个子载波上接收到的信号构成的维数为N×1的列向量,wj表示第j个时隙的N个子载波上的噪声构成的维数为N×1的独立同分布的加性复高斯白噪声向量, 表示第j个时隙的第1个子载波上的噪声,表示第j个时隙的第N个子载波上的噪声,W表示J个时隙的所有子载波上的噪声构成的维数为N×J的噪声矩阵,W=[w1,...,wj,...,wJ],w1表示第1个时隙的N个子载波上的噪声构成的维数为N×1的独立同分布的加性复高斯白噪声向量,wJ表示第J个时隙的N个子载波上的噪声构成的维数为N×1的独立同分布的加性复高斯白噪声向量,G表示维数为N×K的等效信道矩阵,G=[g1,...,gk,...,gK],g1表示G的第1个列向量,gk表示G的第k个列向量,gK表示G的第K个列向量,gk=[h1,ks1,k,...,hn,ksn,k,...,hN,ksN,k]T,h1,k表示第k个用户在第1个子载波上的信道增益,hN,k表示第k个用户在第N个子载波上的信道增益,s1,k表示第k个用户对应的扩频序列的第1个分量,sN,k表示第k个用户对应的扩频序列的第N个分量;
步骤2:对G进行奇异值分解,G=UΛV;然后根据Y=GX+W和G=UΛV,得到Y=UΛVX+W;接着在Y=UΛVX+W的两侧均左乘矩阵UT,得到UTY=ΛVX+UTW;再引入一个维数为N×J的矩阵D,令D=UTY=ΛVX+UTW;其中,U表示维数为N×N的正交矩阵即酉矩阵,V表示维数为K×K的正交矩阵即酉矩阵,Λ表示维数为N×K的非负实对角矩阵,D=[d1,...,dj,...,dJ],d1表示D的第1列向量,dJ表示D的第J列向量,dj表示D的第j列向量,且d1、dJ和dj的维数均为N×1,为dj中第1个元素,为dj中第n个元素,为dj中第N个元素;
步骤3:将精度λ的先验概率记为p(λ),p(λ)=Gam(λ;a,b);并将在D已知的条件下精度λ和X的后验概率记为p(X,λ|D),p(X,λ|D)∝p(D|X,λ)p(X)p(λ);其中,Gam(λ;a,b)表示λ服从参数为a和b的Gamma分布,Gam()表示Gamma分布,a和b均为接近于0的极小正数,符号“∝”表示正比于,p(D|X,λ)表示X和λ已知的条件下D的概率,C为引入的维数为N×J的辅助矩阵,p(D|C,λ)表示C和λ已知的条件下D的概率,p(C|X)表示X已知的条件下C的概率,为C的第n行第j列的元素,(ΛV)n表示矩阵ΛV的第n行,表示和λ已知的条件下的概率,表示变量服从均值为方差为λ-1的复高斯分布的概率密度函数,表示xj已知的条件下的概率,δ()表示狄拉克函数,p(X)表示X的先验概率, 表示的先验概率;
步骤4:根据p(X,λ|D)∝p(D|X,λ)p(X)p(λ)及和将p(X,λ|D)∝p(D|X,λ)p(X)p(λ)改写为然后令fλ(λ)、 和对应表示p(λ)、和将重新表示为进而得到因子图模型;其中,为引入的仅用于表示因子的一个符号,用fA(B)的形式泛指fλ(λ)、 和fA(B)中A表示因子图中的因子、B表示因子图中的变量;
步骤5:在因子图模型的基础上,对用户活跃性和多用户进行联合检测,具体过程为:
步骤5_1:将的均值的初始化值记为 将的方差的初始化值记为 并引入中间变量将的初始化值记为 引入中间变量令将的初始化值记为 令t表示外循环的迭代次数,t的初始值为0;其中,pm表示为的概率,符号“||”为取模操作符号,E()表示求期望;
步骤5_2:根据近似消息传递算法,计算在第t次迭代下因子传递给变量的后向消息的方差和均值,对应记为和 其中,符号“→”表示传递的方向,符号“||”为取模操作符号,(ΛV)n,k表示矩阵ΛV的第n行第k列的元素,t=0时即为t>0时表示在第t次迭代下的方差的值,t=0时即为t>0时表示在第t次迭代下的均值的值,t=0时即为t>0时表示在第t-1次迭代下的值;
步骤5_6:引入一个维数为(K×J)×1的中间向量r,然后将重新表示为r=[r1,...,rη,...,rL]T;接着针对r=[r1,...,rη,...,rL]T中的每个元素引入对应的一个长度为Γ的隐藏变量,将针对rη引入的对应的隐藏变量记为zη,zη为维数为1×Γ的行向量;再将针对r=[r1,...,rη,...,rL]T中的所有元素引入的对应的隐藏变量构成的维数为L×Γ的隐藏变量矩阵记为Z,Z=[z1,...,zη,...,zL]T;其中,L=K×J, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第1个用户在第1个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第1个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第1个用户在第2个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第2个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第1个用户在第3个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第3个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第J个时隙上发射的符号,1≤η≤L,z1表示针对r1引入的对应的隐藏变量,zL表示针对rL引入的对应的隐藏变量,Γ=M+1;
步骤5_7:将向量r、隐藏变量矩阵Z、参数σ、参数μ和参数τ的联合概率密度函数记为p(r,Z,σ,μ,τ),p(r,Z,σ,μ,τ)=p(r|Z,μ,τ)p(Z|σ)p(σ)p(μ|τ)p(τ);其中,p(r|Z,μ,τ)表示Z、μ和τ已知的条件下r的概率, Φ=M+1,Φ为集合Δ'中的符号的总个数,Γ=Φ, 为Z的第η行第列的元素,的取值只有0和1两种,并且行向量zη中有且只有一个1其他均为0,表示变量rη服从均值为方差为τ-1的复高斯分布的概率密度函数,在中μ为对均值进行缩放的参数、τ为精度,p(Z|σ)表示σ已知的条件下Z的概率,是多项式分布,表示长度为Φ的向量σ中的第个元素,σ表示由Φ个高斯分布的混合系数构成的向量,p(σ)表示σ的先验概率,是狄利克雷分布,为p(σ)的参数,是一个长度为Φ的向量,β0为中的元素,为p(σ)的归一化常数,p(μ|τ)表示τ已知的条件下μ的概率,表示变量μ服从均值为μ0、方差为(γ0τ)-1的高斯分布的概率密度函数,表示高斯分布,μ0和γ0均为超参数,p(τ)表示τ的先验概率,p(τ)=Gam(τ|a0,b0),Gam(τ|a0,b0)表示τ服从参数为a0和b0的Gamma分布,a0和b0均为超参数;
步骤5_8:根据变分贝叶斯推断算法,用q()表示变分分布,将隐藏变量矩阵Z、参数σ、参数μ和参数τ的变分分布记为q(Z,σ,μ,τ),q(Z,σ,μ,τ)=q(Z)q(σ)q(μ,τ);其中,q(Z)表示隐藏变量矩阵Z的变分分布, 是多项式分布, exp()表示以自然基数e为底的指数函数,ln()表示以自然基数e为底的对数函数,符号“||”为取模操作符号, 根据计算得到,q(σ)表示参数σ的变分分布,是狄利克雷分布,为q(σ)的参数,是一个长度为Φ的向量,β'为中的元素,为q(σ)的归一化常数,q(μ,τ)表示参数μ和参数τ的变分分布,μ'、γ'、a'和b'均为超参数,且a'=a0+Φ,表示变量μ服从均值为μ'、方差为(γ'τ)-1的高斯分布的概率密度函数,Gam(τ|a',b')表示τ服从参数为a'和b'的Gamma分布,E(ln(τ))=ψ(a')-ψ(b'),ψ()为digamma函数,Re()表示求复数的实部数值,()*表示复数的共轭;
步骤5_9:令t'表示内循环的迭代次数,t'的初始化值为1;
步骤5_10:计算在第t'次迭代下β'的值,记为 并计算在第t'次迭代下γ'的值,记为γ'(t'),计算在第t'次迭代下μ'的值,记为μ'(t'),计算在第t'次迭代下a'的值,记为a'(t'),a'(t')=a0+Φ;计算在第t'次迭代下b'的值,记为b'(t'),其中,β0的初始化值大于Φ,当t'=1且时等于0.5,当t'=1且时等于当t'>1时表示在第t'-1次迭代下的值,γ0的初始化值大于或等于1000,μ0的初始化值大于或等于1,a0的初始化值大于或等于100,b0的初始化值大于0且小于或等于1;
步骤5_12:判断迭代次数t'是否达到内循环最大迭代次数tmax',若达到,则停止内循环的迭代过程,再执行步骤5_13;若没有达到,则令a0=a'(t'),b0=b'(t'),μ0=μ'(t'),γ0=γ'(t'),β0=β'(t'),t'=t'+1,然后返回步骤5_10继续执行;其中,tmax'≥2000,a0=a'(t'),b0=b'(t'),μ0=μ'(t'),γ0=γ'(t'),β0=β'(t'),t'=t'+1中的“=”均为赋值符号;
步骤5_13:判断迭代次数t是否达到外循环最大迭代次数tmax,若达到,则停止外循环的迭代过程,再执行步骤6;若没有达到,则得到矩阵中的第η行第列元素为然后令t=t+1,引入长度为Φ的列向量 令 为维数为L×1的列向量,令将维数为L×1的列向量转换成维数为K×J的矩阵将维数为L×1的列向量转换成维数为K×J的矩阵转换过程均为:维数为K×J的矩阵的第1列是维数为L×1的向量的第1行至第K行,维数为K×J的矩阵的第2列是维数为L×1的向量第K+1行至第2K行,维数为K×J的矩阵的第J列是维数为L×1的向量的第K×(J-1)+1行至第L行,令等于矩阵的第k行第j列的值,令等于矩阵的第k行第j列的值,再返回步骤5_2继续执行;其中,tmax≥10,表示在第tmax'次迭代下的值,均为引入的中间向量,符号“||”为取模操作符号,t=t+1中的符号“=”为赋值符号;
步骤6:得到矩阵中的第η行第列元素为提取出的每行中的最大值及最大值所在列的列序号,将L个最大值所在列的列序号按最大值所在行的行序号的顺序排列构成维数为L×1的列向量,记为 将重新表示成维数为K×J的矩阵的第1列向量为 的第2列向量为 的第J列向量为 中的第k行第j列元素为若则认为第k个用户在第j个时隙上不活跃,且多用户检测结果为0;若则认为第k个用户在第j个时隙上活跃,且多用户检测结果为Δ'中的第个数;其中,表示在第tmax'次迭代下的值,对应表示的第1行中的最大值所在列的列序号、……、的第K行中的最大值所在列的列序号、的第K+1行中的最大值所在列的列序号、……、的第2K行中的最大值所在列的列序号、……、的第K×(J-1)+1行中的最大值所在列的列序号、……、的第L行中的最大值所在列的列序号,的值为1至Φ中的正整数,
与现有技术相比,本发明的优点在于:
1)本发明方法利用近似消息传递算法可以在未知噪声功率的情况下对噪声功率进行估计,且有良好的估计结果,而现有的结构化迭代支撑检测方法(structurediterative support detection,SISD)在进行多用户检测时需要已知噪声功率。
2)本发明方法结合了近似消息传递算法和变分贝叶斯推断算法的优点,以先验概率的形式引入结构化的先验知识,进而可以方便有效地在未知用户稀疏性的情况下进行用户活跃性检测,且检测性能良好。
3)由于本发明方法对等效信道矩阵进行了奇异值分解的预处理,因此使得本发明方法对信道具有稳健作用。
附图说明
图1为本发明方法的总体实现流程框图;
图2为本发明方法中的因子图模型的示意图;
图3为当子载波数量为N=100,用户总数为K=150,时隙数量为J=7,外循环最大迭代次数tmax=15,内循环最大迭代次数t'max=5000,活跃设备数量为20时,本发明方法(活跃用户位置和发射符号均未知)、结构化迭代支撑检测方法(structured iterativesupport detection,SISD)和本发明方法(活跃用户位置已知和发射符号未知,即矩阵X第几行有发射符号是已知的,但发射符号具体值是未知的)的误符号率随信噪比的变化曲线对比图;
图4为当子载波数量为N=100,用户总数为K=150,时隙数量为J=7,外循环最大迭代次数tmax=15,内循环最大迭代次数t'max=5000,信噪比为8dB时,本发明方法(活跃用户位置和发射符号均未知)、结构化迭代支撑检测方法(structured iterative supportdetection,SISD)和本发明方法(活跃用户位置已知和发射符号未知,即矩阵X第几行有发射符号是已知的,但发射符号具体值是未知的)的误符号率随活跃用户数的变化曲线对比图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种NOMA(非正交多址接入)系统的用户活跃性和多用户联合检测方法,其总体实现流程框图如图1所示,其特征在于包括以下步骤:
步骤1:在上行免调度NOMA系统中,设定在基站侧只有1个配置有单天线的基站,在用户侧共有K个配置有单天线的用户;在上行免调度NOMA系统中,考虑到信道编码因素,每个用户在J个时隙上发射符号,基站在各个时隙的N个子载波上接收信号,将第k个用户在第j个时隙上发射的符号记为将基站在第j个时隙的第n个子载波上接收到的信号记为描述为:然后将K个用户在第j个时隙上发射的符号构成的维数为K×1的列向量记为xj,将K个用户在J个时隙上发射的符号构成的维数为K×J的矩阵记为X,X=[x1,...,xj,...,xJ];并将基站在第j个时隙的N个子载波上接收到的信号构成的维数为N×1的列向量记为yj,yj描述为:yj=Gxj+wj,将基站在J个时隙的所有子载波上接收到的信号构成的维数为N×J的矩阵记为Y,Y=[y1,...,yj,...,yJ],Y描述为Y=GX+W;其中,K表示用户数量,K≥1,如取K=150,J表示时隙数量,J≥1,在本实施例中取J=7,N表示子载波数量,N≥1,在本实施例中取N=100,1≤k≤K,1≤j≤J,1≤n≤N,若第k个用户在第j个时隙上活跃则Δ表示M进制正交幅度调制的所有符号构成的集合,M进制为2i进制,即M=2i,i为正整数,1≤i≤10,由于目前正交幅度调制(QAM)达到1024,因此i最大为10,表示M进制正交幅度调制的第1个符号,表示M进制正交幅度调制的第m个符号,表示M进制正交幅度调制的第M个符号,1≤m≤M,若第k个用户在第j个时隙上不活跃则为零,表示第1个用户在第j个时隙上发射的符号,表示第K个用户在第j个时隙上发射的符号,表达的是经过扩频序列(扩频序列的长度为N)和信道,加上得到由于扩频序列和信道在所有时隙保持不变,因此,hn,k表示第k个用户在第n个子载波上的信道增益,sn,k表示第k个用户对应的扩频序列的第n个分量,扩频序列的长度为N,表示第j个时隙的第n个子载波上的噪声,服从均值为0、精度为λ即方差为λ-1的复高斯分布,即 表示复高斯分布,[]T表示向量或矩阵的转置,x1表示K个用户在第1个时隙上发射的符号构成的维数为K×1的列向量,xJ表示K个用户在第J个时隙上发射的符号构成的维数为K×1的列向量,表示基站在第j个时隙的第1个子载波上接收到的信号,表示基站在第j个时隙的第N个子载波上接收到的信号,y1表示基站在第1个时隙的N个子载波上接收到的信号构成的维数为N×1的列向量,yJ表示基站在第J个时隙的N个子载波上接收到的信号构成的维数为N×1的列向量,wj表示第j个时隙的N个子载波上的噪声构成的维数为N×1的独立同分布的加性复高斯白噪声向量, 表示第j个时隙的第1个子载波上的噪声,表示第j个时隙的第N个子载波上的噪声,W表示J个时隙的所有子载波上的噪声构成的维数为N×J的噪声矩阵,W=[w1,...,wj,...,wJ],w1表示第1个时隙的N个子载波上的噪声构成的维数为N×1的独立同分布的加性复高斯白噪声向量,wJ表示第J个时隙的N个子载波上的噪声构成的维数为N×1的独立同分布的加性复高斯白噪声向量,G表示维数为N×K的等效信道矩阵,G=[g1,...,gk,...,gK],g1表示G的第1个列向量,gk表示G的第k个列向量,gK表示G的第K个列向量,gk=[h1,ks1,k,...,hn,ksn,k,...,hN,ksN,k]T,h1,k表示第k个用户在第1个子载波上的信道增益,hN,k表示第k个用户在第N个子载波上的信道增益,s1,k表示第k个用户对应的扩频序列的第1个分量,sN,k表示第k个用户对应的扩频序列的第N个分量。
步骤2:对G进行奇异值分解,G=UΛV;然后根据Y=GX+W和G=UΛV,得到Y=UΛVX+W;接着在Y=UΛVX+W的两侧均左乘矩阵UT,得到UTY=ΛVX+UTW;再引入一个维数为N×J的矩阵D,令D=UTY=ΛVX+UTW;其中,U表示维数为N×N的正交矩阵即酉矩阵,V表示维数为K×K的正交矩阵即酉矩阵,Λ表示维数为N×K的非负实对角矩阵,D=[d1,...,dj,...,dJ],d1表示D的第1列向量,dJ表示D的第J列向量,dj表示D的第j列向量,且d1、dJ和dj的维数均为N×1,为dj中第1个元素,为dj中第n个元素,为dj中第N个元素。
步骤3:由于精度λ未知,因此将精度λ的先验概率记为p(λ),p(λ)=Gam(λ;a,b);并将在D已知的条件下精度λ和X的后验概率记为p(X,λ|D),p(X,λ|D)∝p(D|X,λ)p(X)p(λ);其中,Gam(λ;a,b)表示λ服从参数为a和b的Gamma分布,Gam()表示Gamma分布,a和b均为接近于0的极小正数,如取a=b=10-12,符号“∝”表示正比于,p(D|X,λ)表示X和λ已知的条件下D的概率,C为引入的维数为N×J的辅助矩阵,p(D|C,λ)表示C和λ已知的条件下D的概率,p(C|X)表示X已知的条件下C的概率,为C的第n行第j列的元素,(ΛV)n表示矩阵ΛV的第n行,表示和λ已知的条件下的概率,表示变量服从均值为方差为λ-1的复高斯分布的概率密度函数,表示xj已知的条件下的概率,δ()表示狄拉克函数,p(X)表示X的先验概率, 表示的先验概率。
步骤4:根据p(X,λ|D)∝p(D|X,λ)p(X)p(λ)及和将p(X,λ|D)∝p(D|X,λ)p(X)p(λ)改写为然后令fλ(λ)、 和对应表示p(λ)、和将重新表示为进而得到因子图模型,如图2所示;其中,为引入的仅用于表示因子的一个符号,用fA(B)的形式泛指fλ(λ)、和fA(B)中A表示因子图中的因子、B表示因子图中的变量。
步骤5:在因子图模型的基础上,对用户活跃性和多用户进行联合检测,具体过程为:
步骤5_1:将的均值的初始化值记为 将的方差的初始化值记为 并引入中间变量将的初始化值记为 引入中间变量令将的初始化值记为 令t表示外循环的迭代次数,t的初始值为0;其中,pm表示为的概率,符号“||”为取模操作符号,E()表示求期望。
步骤5_2:根据近似消息传递算法,计算在第t次迭代下因子传递给变量的后向消息的方差和均值,对应记为和 其中,符号“→”表示传递的方向,符号“||”为取模操作符号,(ΛV)n,k表示矩阵ΛV的第n行第k列的元素,t=0时即为t>0时表示在第t次迭代下的方差的值,t=0时即为t>0时表示在第t次迭代下的均值的值,t=0时即为t>0时表示在第t-1次迭代下的值。
步骤5_6:引入一个维数为(K×J)×1的中间向量r,然后将重新表示为r=[r1,...,rη,...,rL]T;接着针对r=[r1,...,rη,...,rL]T中的每个元素引入对应的一个长度为Γ的隐藏变量,将针对rη引入的对应的隐藏变量记为zη,zη为维数为1×Γ的行向量;再将针对r=[r1,...,rη,...,rL]T中的所有元素引入的对应的隐藏变量构成的维数为L×Γ的隐藏变量矩阵记为Z,Z=[z1,...,zη,...,zL]T;其中,L=K×J, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第1个用户在第1个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第1个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第1个用户在第2个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第2个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第1个用户在第3个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第3个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第J个时隙上发射的符号,1≤η≤L,z1表示针对r1引入的对应的隐藏变量,zL表示针对rL引入的对应的隐藏变量,Γ=M+1。
步骤5_7:若想检测向量r中的数据对应的符号数据,则向量r中的数据分布情况为混合高斯模型(因为对应的符号数据有Φ种情况,即有Φ个高斯分布),将向量r、隐藏变量矩阵Z、参数σ、参数μ和参数τ的联合概率密度函数记为p(r,Z,σ,μ,τ),p(r,Z,σ,μ,τ)=p(r|Z,μ,τ)p(Z|σ)p(σ)p(μ|τ)p(τ);其中,p(r|Z,μ,τ)表示Z、μ和τ已知的条件下r的概率,Φ=M+1,Φ为集合Δ'中的符号的总个数,Γ=Φ, 为Z的第η行第列的元素,的取值只有0和1两种,并且行向量zη中有且只有一个1其他均为0,表示变量rη服从均值为方差为τ-1的复高斯分布的概率密度函数,在中μ为对均值进行缩放的参数、τ为精度,p(Z|σ)表示σ已知的条件下Z的概率,是多项式分布,表示长度为Φ的向量σ中的第个元素,σ表示由Φ个高斯分布的混合系数构成的向量,p(σ)表示σ的先验概率,是狄利克雷分布,为p(σ)的参数,是一个长度为Φ的向量,β0为中的元素,为p(σ)的归一化常数,p(μ|τ)表示τ已知的条件下μ的概率,表示变量μ服从均值为μ0、方差为(γ0τ)-1的高斯分布的概率密度函数,表示高斯分布,μ0和γ0均为超参数,p(τ)表示τ的先验概率,p(τ)=Gam(τ|a0,b0),Gam(τ|a0,b0)表示τ服从参数为a0和b0的Gamma(伽马)分布,a0和b0均为超参数。
步骤5_8:根据变分贝叶斯推断算法,用q()表示变分分布,将隐藏变量矩阵Z、参数σ、参数μ和参数τ的变分分布记为q(Z,σ,μ,τ),q(Z,σ,μ,τ)=q(Z)q(σ)q(μ,τ);其中,q(Z)表示隐藏变量矩阵Z的变分分布, 是多项式分布, exp()表示以自然基数e(e=2.17…)为底的指数函数,ln()表示以自然基数e(e=2.17…)为底的对数函数,符号“||”为取模操作符号, 根据计算得到,q(σ)表示参数σ的变分分布,是狄利克雷分布,为q(σ)的参数,是一个长度为Φ的向量,β'为中的元素,为q(σ)的归一化常数,q(μ,τ)表示参数μ和参数τ的变分分布,μ'、γ'、a'和b'均为超参数,且a'=a0+Φ,表示变量μ服从均值为μ'、方差为(γ'τ)-1的高斯分布的概率密度函数,Gam(τ|a',b')表示τ服从参数为a'和b'的Gamma分布,E(ln(τ))=ψ(a')-ψ(b'),ψ()为digamma函数,Re()表示求复数的实部数值,()*表示复数的共轭。
步骤5_9:令t'表示内循环的迭代次数,t'的初始化值为1。
步骤5_10:计算在第t'次迭代下α'的值,记为β'(t'),并计算在第t'次迭代下γ'的值,记为γ'(t'),计算在第t'次迭代下μ'的值,记为μ'(t'),计算在第t'次迭代下a'的值,记为a'(t'),a'(t')=a0+Φ;计算在第t'次迭代下b'的值,记为b'(t'),其中,β0的初始化值大于Φ,如取β0的初始化值为20,当t'=1且时等于0.5,当t'=1且时等于当t'>1时表示在第t'-1次迭代下的值,γ0的初始化值大于或等于1000,如取γ0的初始化值为1000,μ0的初始化值大于或等于1,如取μ0的初始化值为1.25,a0的初始化值大于或等于100,如取a0的初始化值为100,b0的初始化值大于0且小于或等于1,如取b0的初始化值为1。
步骤5_12:判断迭代次数t'是否达到内循环最大迭代次数tmax',若达到,则停止内循环的迭代过程,再执行步骤5_13;若没有达到,则令a0=a'(t'),b0=b'(t'),μ0=μ'(t'),γ0=γ'(t'),β0=β'(t'),t'=t'+1,然后返回步骤5_10继续执行;其中,tmax'≥2000,a0=a'(t'),b0=b'(t'),μ0=μ'(t'),γ0=γ'(t'),β0=β'(t'),t'=t'+1中的“=”均为赋值符号。
步骤5_13:判断迭代次数t是否达到外循环最大迭代次数tmax,若达到,则停止外循环的迭代过程,再执行步骤6;若没有达到,则得到矩阵中的第η行第列元素为然后令t=t+1,引入长度为Φ的列向量 令 为维数为L×1的列向量,令将维数为L×1的列向量转换成维数为K×J的矩阵将维数为L×1的列向量转换成维数为K×J的矩阵转换过程均为:维数为K×J的矩阵的第1列是维数为L×1的向量的第1行至第K行,维数为K×J的矩阵的第2列是维数为L×1的向量第K+1行至第2K行,维数为K×J的矩阵的第J列是维数为L×1的向量的第K×(J-1)+1行至第L行,令等于矩阵的第k行第j列的值,令等于矩阵的第k行第j列的值,再返回步骤5_2继续执行;其中,tmax≥10,如取tmax=15,表示在第tmax'次迭代下的值,均为引入的中间向量,符号“||”为取模操作符号,t=t+1中的符号“=”为赋值符号。
步骤6:得到矩阵中的第η行第列元素为提取出的每行中的最大值及最大值所在列的列序号,将L个最大值所在列的列序号按最大值所在行的行序号的顺序排列构成维数为L×1的列向量,记为 将重新表示成维数为K×J的矩阵的第1列向量为 的第2列向量为 的第J列向量为 中的第k行第j列元素为若则认为第k个用户在第j个时隙上不活跃,且多用户检测结果为0;若则认为第k个用户在第j个时隙上活跃,且多用户检测结果为Δ'中的第个数;其中,表示在第tmax'次迭代下的值,对应表示的第1行中的最大值所在列的列序号、……、的第K行中的最大值所在列的列序号、的第K+1行中的最大值所在列的列序号、……、的第2K行中的最大值所在列的列序号、……、的第K×(J-1)+1行中的最大值所在列的列序号、……、的第L行中的最大值所在列的列序号,例如的第1行中第2列的值最大,则 的值为1至Φ中的正整数,
通过以下仿真来进一步说明本发明方法的性能,以16QAM(即M=16)为例。
图3给出的是本发明方法(活跃用户位置和发射符号均未知)、结构化迭代支撑检测方法(structured iterative support detection,SISD)和本发明方法(活跃用户位置已知和发射符号未知,即矩阵X第几行有发射符号是已知的,但发射符号具体值是未知的)的误符号率随信噪比的变化曲线对比图。在仿真中,子载波数量为N=100,用户总数为K=150,时隙数量为J=7,外循环最大迭代次数tmax=15,内循环最大迭代次数t'max=5000,活跃设备数量为20。从图3中可以看出,随着信噪比的增大,本发明方法的误符号率对比结构化迭代支撑检测方法来看下降明显,本发明方法(活跃用户位置和发射符号均未知)与本发明方法(活跃用户位置已知和发射符号未知)进行对比,可以看出3dB时已经可以准确进行用户活跃性检测(即能准确估计出活跃用户的位置)。
图4给出的是本发明方法(活跃用户位置和发射符号均未知)、结构化迭代支撑检测方法(structured iterative support detection,SISD)和本发明方法(活跃用户位置已知和发射符号未知,即矩阵X第几行有发射符号是已知的,但发射符号具体值是未知的)的误符号率随活跃用户数的变化曲线对比图。在仿真中,子载波数量为N=100,用户总数为K=150,时隙数量为J=7,外循环最大迭代次数tmax=15,内循环最大迭代次数t'max=5000,信噪比为8dB。从图4中可以看出,本发明方法一直比结构化迭代支撑检测方法的误符号率低,说明本发明方法受活跃用户数量的影响较低,本发明方法(活跃用户位置和发射符号均未知)与本发明方法(活跃用户位置已知和发射符号未知)进行对比,可以看出在活跃用户数量达到50时用户活跃性检测性能才开始降低。
Claims (1)
1.一种NOMA系统的用户活跃性和多用户联合检测方法,其特征在于包括以下步骤:
步骤1:在上行免调度NOMA系统中,设定在基站侧只有1个配置有单天线的基站,在用户侧共有K个配置有单天线的用户;在上行免调度NOMA系统中,考虑到信道编码因素,每个用户在J个时隙上发射符号,基站在各个时隙的N个子载波上接收信号,将第k个用户在第j个时隙上发射的符号记为将基站在第j个时隙的第n个子载波上接收到的信号记为描述为:然后将K个用户在第j个时隙上发射的符号构成的维数为K×1的列向量记为xj,将K个用户在J个时隙上发射的符号构成的维数为K×J的矩阵记为X,X=[x1,...,xj,...,xJ];并将基站在第j个时隙的N个子载波上接收到的信号构成的维数为N×1的列向量记为yj,yj描述为:yj=Gxj+wj,将基站在J个时隙的所有子载波上接收到的信号构成的维数为N×J的矩阵记为Y,Y=[y1,...,yj,...,yJ],Y描述为Y=GX+W;其中,K表示用户数量,K≥1,J表示时隙数量,J≥1,N表示子载波数量,N≥1,1≤k≤K,1≤j≤J,1≤n≤N,若第k个用户在第j个时隙上活跃则Δ表示M进制正交幅度调制的所有符号构成的集合,M进制为2i进制,即M=2i,i为正整数,1≤i≤10,表示M进制正交幅度调制的第1个符号,表示M进制正交幅度调制的第m个符号,表示M进制正交幅度调制的第M个符号,1≤m≤M,若第k个用户在第j个时隙上不活跃则为零,表示第1个用户在第j个时隙上发射的符号,表示第K个用户在第j个时隙上发射的符号,hn,k表示第k个用户在第n个子载波上的信道增益,sn,k表示第k个用户对应的扩频序列的第n个分量,扩频序列的长度为N,表示第j个时隙的第n个子载波上的噪声,服从均值为0、精度为λ即方差为λ-1的复高斯分布,即 表示复高斯分布,[]T表示向量或矩阵的转置,x1表示K个用户在第1个时隙上发射的符号构成的维数为K×1的列向量,xJ表示K个用户在第J个时隙上发射的符号构成的维数为K×1的列向量,表示基站在第j个时隙的第1个子载波上接收到的信号,表示基站在第j个时隙的第N个子载波上接收到的信号,y1表示基站在第1个时隙的N个子载波上接收到的信号构成的维数为N×1的列向量,yJ表示基站在第J个时隙的N个子载波上接收到的信号构成的维数为N×1的列向量,wj表示第j个时隙的N个子载波上的噪声构成的维数为N×1的独立同分布的加性复高斯白噪声向量, 表示第j个时隙的第1个子载波上的噪声,表示第j个时隙的第N个子载波上的噪声,W表示J个时隙的所有子载波上的噪声构成的维数为N×J的噪声矩阵,W=[w1,...,wj,...,wJ],w1表示第1个时隙的N个子载波上的噪声构成的维数为N×1的独立同分布的加性复高斯白噪声向量,wJ表示第J个时隙的N个子载波上的噪声构成的维数为N×1的独立同分布的加性复高斯白噪声向量,G表示维数为N×K的等效信道矩阵,G=[g1,...,gk,...,gK],g1表示G的第1个列向量,gk表示G的第k个列向量,gK表示G的第K个列向量,gk=[h1,ks1,k,...,hn,ksn,k,...,hN,ksN,k]T,h1,k表示第k个用户在第1个子载波上的信道增益,hN,k表示第k个用户在第N个子载波上的信道增益,s1,k表示第k个用户对应的扩频序列的第1个分量,sN,k表示第k个用户对应的扩频序列的第N个分量;
步骤2:对G进行奇异值分解,G=UΛV;然后根据Y=GX+W和G=UΛV,得到Y=UΛVX+W;接着在Y=UΛVX+W的两侧均左乘矩阵UT,得到UTY=ΛVX+UTW;再引入一个维数为N×J的矩阵D,令D=UTY=ΛVX+UTW;其中,U表示维数为N×N的正交矩阵即酉矩阵,V表示维数为K×K的正交矩阵即酉矩阵,Λ表示维数为N×K的非负实对角矩阵,D=[d1,...,dj,...,dJ],d1表示D的第1列向量,dJ表示D的第J列向量,dj表示D的第j列向量,且d1、dJ和dj的维数均为N×1,为dj中第1个元素,为dj中第n个元素,为dj中第N个元素;
步骤3:将精度λ的先验概率记为p(λ),p(λ)=Gam(λ;a,b);并将在D已知的条件下精度λ和X的后验概率记为p(X,λ|D),p(X,λ|D)∝p(D|X,λ)p(X)p(λ);其中,Gam(λ;a,b)表示λ服从参数为a和b的Gamma分布,Gam()表示Gamma分布,a和b均为接近于0的极小正数,符号“∝”表示正比于,p(D|X,λ)表示X和λ已知的条件下D的概率,C为引入的维数为N×J的辅助矩阵,p(D|C,λ)表示C和λ已知的条件下D的概率,p(C|X)表示X已知的条件下C的概率,为C的第n行第j列的元素,(ΛV)n表示矩阵ΛV的第n行,表示和λ已知的条件下的概率, 表示变量服从均值为方差为λ-1的复高斯分布的概率密度函数,表示xj已知的条件下的概率,δ()表示狄拉克函数,p(X)表示X的先验概率, 表示的先验概率;
步骤4:根据p(X,λ|D)∝p(D|X,λ)p(X)p(λ)及和将p(X,λ|D)∝p(D|X,λ)p(X)p(λ)改写为然后令fλ(λ)、 和对应表示p(λ)、和将重新表示为进而得到因子图模型;其中,为引入的仅用于表示因子的一个符号,用fA(B)的形式泛指fλ(λ)、 和fA(B)中A表示因子图中的因子、B表示因子图中的变量;
步骤5:在因子图模型的基础上,对用户活跃性和多用户进行联合检测,具体过程为:
步骤5_1:将的均值的初始化值记为将的方差的初始化值记为 并引入中间变量将的初始化值记为 引入中间变量令将的初始化值记为 令t表示外循环的迭代次数,t的初始值为0;其中,pm表示为的概率,符号“||”为取模操作符号,E()表示求期望;
步骤5_2:根据近似消息传递算法,计算在第t次迭代下因子传递给变量的后向消息的方差和均值,对应记为和 其中,符号“→”表示传递的方向,符号“||”为取模操作符号,(ΛV)n,k表示矩阵ΛV的第n行第k列的元素,t=0时即为t>0时表示在第t次迭代下的方差的值,t=0时即为t>0时表示在第t次迭代下的均值的值,t=0时即为t>0时表示在第t-1次迭代下的值;
步骤5_6:引入一个维数为(K×J)×1的中间向量r,然后将重新表示为r=[r1,...,rη,...,rL]T;接着针对r=[r1,...,rη,...,rL]T中的每个元素引入对应的一个长度为Γ的隐藏变量,将针对rη引入的对应的隐藏变量记为zη,zη为维数为1×Γ的行向量;再将针对r=[r1,...,rη,...,rL]T中的所有元素引入的对应的隐藏变量构成的维数为L×Γ的隐藏变量矩阵记为Z,Z=[z1,...,zη,...,zL]T;其中,L=K×J, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第1个用户在第1个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第1个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第1个用户在第2个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第2个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第1个用户在第3个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第3个时隙上发射的符号, 表示在第t次迭代下所有与变量相关的因子传递给变量的前向消息的均值,表示第K个用户在第J个时隙上发射的符号,1≤η≤L,z1表示针对r1引入的对应的隐藏变量,zL表示针对rL引入的对应的隐藏变量,Γ=M+1;
步骤5_7:将向量r、隐藏变量矩阵Z、参数σ、参数μ和参数τ的联合概率密度函数记为p(r,Z,σ,μ,τ),p(r,Z,σ,μ,τ)=p(r|Z,μ,τ)p(Z|σ)p(σ)p(μ|τ)p(τ);其中,p(r|Z,μ,τ)表示Z、μ和τ已知的条件下r的概率,Φ=M+1,Φ为集合Δ'中的符号的总个数,Γ=Φ, 为Z的第η行第列的元素,的取值只有0和1两种,并且行向量zη中有且只有一个1其他均为0,表示变量rη服从均值为方差为τ-1的复高斯分布的概率密度函数,在中μ为对均值进行缩放的参数、τ为精度,p(Z|σ)表示σ已知的条件下Z的概率,是多项式分布,表示长度为Φ的向量σ中的第个元素,σ表示由Φ个高斯分布的混合系数构成的向量,p(σ)表示σ的先验概率,是狄利克雷分布,为p(σ)的参数,是一个长度为Φ的向量,β0为中的元素,为p(σ)的归一化常数,p(μ|τ)表示τ已知的条件下μ的概率,表示变量μ服从均值为μ0、方差为(γ0τ)-1的高斯分布的概率密度函数,表示高斯分布,μ0和γ0均为超参数,p(τ)表示τ的先验概率,p(τ)=Gam(τ|a0,b0),Gam(τ|a0,b0)表示τ服从参数为a0和b0的Gamma分布,a0和b0均为超参数;
步骤5_8:根据变分贝叶斯推断算法,用q()表示变分分布,将隐藏变量矩阵Z、参数σ、参数μ和参数τ的变分分布记为q(Z,σ,μ,τ),q(Z,σ,μ,τ)=q(Z)q(σ)q(μ,τ);其中,q(Z)表示隐藏变量矩阵Z的变分分布, 是多项式分布, exp()表示以自然基数e为底的指数函数,ln()表示以自然基数e为底的对数函数,符号“||”为取模操作符号, 根据计算得到,q(σ)表示参数σ的变分分布,是狄利克雷分布,为q(σ)的参数,是一个长度为Φ的向量,β'为中的元素,为q(σ)的归一化常数,q(μ,τ)表示参数μ和参数τ的变分分布,μ'、γ'、a'和b'均为超参数,且a'=a0+Φ, 表示变量μ服从均值为μ'、方差为(γ'τ)-1的高斯分布的概率密度函数,Gam(τ|a',b')表示τ服从参数为a'和b'的Gamma分布,E(ln(τ))=ψ(a')-ψ(b'),ψ()为digamma函数,Re()表示求复数的实部数值,()*表示复数的共轭;
步骤5_9:令t'表示内循环的迭代次数,t'的初始化值为1;
步骤5_10:计算在第t'次迭代下β'的值,记为β'(t'),并计算在第t'次迭代下γ'的值,记为γ'(t'),计算在第t'次迭代下μ'的值,记为μ'(t'),计算在第t'次迭代下a'的值,记为a'(t'),a'(t')=a0+Φ;计算在第t'次迭代下b'的值,记为b'(t'),其中,β0的初始化值大于Φ,当t'=1且时等于0.5,当t'=1且时等于当t'>1时表示在第t'-1次迭代下的值,γ0的初始化值大于或等于1000,μ0的初始化值大于或等于1,a0的初始化值大于或等于100,b0的初始化值大于0且小于或等于1;
步骤5_12:判断迭代次数t'是否达到内循环最大迭代次数tmax',若达到,则停止内循环的迭代过程,再执行步骤5_13;若没有达到,则令a0=a'(t'),b0=b'(t'),μ0=μ'(t'),γ0=γ'(t'),β0=β'(t'),t'=t'+1,然后返回步骤5_10继续执行;其中,tmax'≥2000,a0=a'(t'),b0=b'(t'),μ0=μ'(t'),γ0=γ'(t'),β0=β'(t'),t'=t'+1中的“=”均为赋值符号;
步骤5_13:判断迭代次数t是否达到外循环最大迭代次数tmax,若达到,则停止外循环的迭代过程,再执行步骤6;若没有达到,则得到矩阵中的第η行第列元素为然后令t=t+1,引入长度为Φ的列向量 令 为维数为L×1的列向量,令将维数为L×1的列向量转换成维数为K×J的矩阵将维数为L×1的列向量转换成维数为K×J的矩阵转换过程均为:维数为K×J的矩阵的第1列是维数为L×1的向量的第1行至第K行,维数为K×J的矩阵的第2列是维数为L×1的向量第K+1行至第2K行,维数为K×J的矩阵的第J列是维数为L×1的向量的第K×(J-1)+1行至第L行,令等于矩阵的第k行第j列的值,令等于矩阵的第k行第j列的值,再返回步骤5_2继续执行;其中,tmax≥10,表示在第tmax'次迭代下的值,均为引入的中间向量,符号“||”为取模操作符号,t=t+1中的符号“=”为赋值符号;
步骤6:得到矩阵中的第η行第列元素为提取出的每行中的最大值及最大值所在列的列序号,将L个最大值所在列的列序号按最大值所在行的行序号的顺序排列构成维数为L×1的列向量,记为 将重新表示成维数为K×J的矩阵的第1列向量为 的第2列向量为 的第J列向量为 中的第k行第j列元素为若则认为第k个用户在第j个时隙上不活跃,且多用户检测结果为0;若则认为第k个用户在第j个时隙上活跃,且多用户检测结果为Δ'中的第个数;其中,表示在第tmax'次迭代下的值,对应表示的第1行中的最大值所在列的列序号、……、的第K行中的最大值所在列的列序号、的第K+1行中的最大值所在列的列序号、……、的第2K行中的最大值所在列的列序号、……、的第K×(J-1)+1行中的最大值所在列的列序号、……、的第L行中的最大值所在列的列序号,的值为1至Φ中的正整数,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153919.4A CN113067666B (zh) | 2021-02-04 | 2021-02-04 | Noma系统的用户活跃性和多用户联合检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153919.4A CN113067666B (zh) | 2021-02-04 | 2021-02-04 | Noma系统的用户活跃性和多用户联合检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113067666A true CN113067666A (zh) | 2021-07-02 |
CN113067666B CN113067666B (zh) | 2022-05-20 |
Family
ID=76558660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110153919.4A Active CN113067666B (zh) | 2021-02-04 | 2021-02-04 | Noma系统的用户活跃性和多用户联合检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113067666B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116032317A (zh) * | 2023-01-09 | 2023-04-28 | 西南交通大学 | 一种免授权的联合活跃用户与数据检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016119289A1 (zh) * | 2015-01-29 | 2016-08-04 | 清华大学 | 大规模多天线中多用户信号的检测方法 |
CN107294659A (zh) * | 2017-07-21 | 2017-10-24 | 电子科技大学 | 一种基于交叉验证非正交多址系统多用户检测方法 |
CN108540410A (zh) * | 2018-03-06 | 2018-09-14 | 东南大学 | 免调度传输系统联合活跃用户检测和信道估计方法 |
US10327123B1 (en) * | 2018-04-06 | 2019-06-18 | University Of South Florida | System and method for machine-to-machine communication in an internet-of-things network |
CN110677363A (zh) * | 2019-10-28 | 2020-01-10 | 重庆邮电大学 | Musa系统下基于压缩感知的多用户检测方法及装置 |
CN110784286A (zh) * | 2019-11-01 | 2020-02-11 | 重庆邮电大学 | 基于压缩感知的非正交多址接入系统的多用户检测方法 |
CN112242861A (zh) * | 2020-09-01 | 2021-01-19 | 宁波大学 | 大规模mimo系统的用户活跃性和信号联合检测方法 |
-
2021
- 2021-02-04 CN CN202110153919.4A patent/CN113067666B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016119289A1 (zh) * | 2015-01-29 | 2016-08-04 | 清华大学 | 大规模多天线中多用户信号的检测方法 |
CN107294659A (zh) * | 2017-07-21 | 2017-10-24 | 电子科技大学 | 一种基于交叉验证非正交多址系统多用户检测方法 |
CN108540410A (zh) * | 2018-03-06 | 2018-09-14 | 东南大学 | 免调度传输系统联合活跃用户检测和信道估计方法 |
US10327123B1 (en) * | 2018-04-06 | 2019-06-18 | University Of South Florida | System and method for machine-to-machine communication in an internet-of-things network |
CN110677363A (zh) * | 2019-10-28 | 2020-01-10 | 重庆邮电大学 | Musa系统下基于压缩感知的多用户检测方法及装置 |
CN110784286A (zh) * | 2019-11-01 | 2020-02-11 | 重庆邮电大学 | 基于压缩感知的非正交多址接入系统的多用户检测方法 |
CN112242861A (zh) * | 2020-09-01 | 2021-01-19 | 宁波大学 | 大规模mimo系统的用户活跃性和信号联合检测方法 |
Non-Patent Citations (3)
Title |
---|
宋晓群,金明,贾忠杰: "一种大规模MIMO系统的联合用户活跃性和信号检测方法", 《电信科学》 * |
戴维佳等: "基于期望传播的活跃用户检测和信道估计", 《中国科学技术大学学报》 * |
王元辰等: "Compressive Sensing based User Activity Detection and Channel Estimation in Uplink NOMA Systems", 《IEEE》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116032317A (zh) * | 2023-01-09 | 2023-04-28 | 西南交通大学 | 一种免授权的联合活跃用户与数据检测方法 |
CN116032317B (zh) * | 2023-01-09 | 2024-04-02 | 西南交通大学 | 一种免授权的联合活跃用户与数据检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113067666B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111698182B (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
CN107276646B (zh) | 大规模mimo-ofdm上行链路迭代检测方法 | |
CN112242861B (zh) | 大规模mimo系统的用户活跃性和信号联合检测方法 | |
CN113067666B (zh) | Noma系统的用户活跃性和多用户联合检测方法 | |
CN108512795B (zh) | 一种基于低精度adc的ofdm接收机基带处理方法和系统 | |
CN108111441A (zh) | 基于变分贝叶斯推断的信道估计方法 | |
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 | |
CN113067667B (zh) | 一种用户活跃性和多用户联合检测方法 | |
CN113541747B (zh) | 一种大规模mimo检测方法、装置和存储介质 | |
Sun et al. | Joint channel-estimation/decoding with frequency-selective channels and few-bit ADCs | |
CN112215335B (zh) | 一种基于深度学习的系统检测方法 | |
CN114205203B (zh) | 一种基于ofdm的卫星物联网大规模接入设计方法 | |
CN115250216A (zh) | 一种基于深度学习的水声ofdm联合信道估计和信号检测方法 | |
CN113067668B (zh) | 针对mmv模型进行活跃性和信号联合检测的方法 | |
JP5475351B2 (ja) | 送信機によってチャネルを通じて送信されたシンボルを仮定した少なくとも2つの受信シンボルの尤度(thelikelihood)を受信機によって推定するための方法、並びにその推定器及びコンピュータプログラム | |
Liu et al. | OFDM-Based Digital Semantic Communication with Importance Awareness | |
Huynh-The et al. | Efficient convolutional networks for robust automatic modulation classification in OFDM-based wireless systems | |
CN108566227B (zh) | 一种多用户检测方法 | |
CN109067683B (zh) | 无线通信中盲检测及调制星座优化方法、存储介质 | |
CN114172779B (zh) | 一种信道估计方法、装置、设备和存储介质 | |
CN115412416A (zh) | 一种面向高速移动场景的低复杂度otfs信号检测方法 | |
CN113014341A (zh) | 一种针对非理想稀疏信道的估计方法 | |
CN111769975A (zh) | Mimo系统信号检测方法及系统 | |
CN110098883A (zh) | 一种基于限幅噪声辅助的多用户检测方法 | |
CN114978254B (zh) | 基于ofdm系统的机器学习辅助低复杂度鲁棒预编码算法 |
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 |