CN113992313B - 一种基于深度学习的均衡网络辅助scma编解码方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的均衡网络辅助SCMA编解码方法，包括：构建用于生成发送信号的SCMA编码器，在上行链路系统中每个用户端设置一个全连接的深度神经网络，按照SCMA编码器的因子矩阵对用户与资源块之间进行连接；建立由均衡网络与多用户检测网络所构成的SCMA解码器，采用均衡网络均衡信道的输出，将均衡网络产生的输出送入多用户检测网络以解码所有用户的发送信息；对SCMA编码器和SCMA解码器进行端到端的联合训练。本发明在基于深度学习的SCMA编解码方案基础上增加了参数估计网络和信号补偿网络设计，实现手段仍采用了深度学习技术，能够提升SCMA系统在上行瑞利衰落信道的误码率性能。

Description

一种基于深度学习的均衡网络辅助SCMA编解码方法

技术领域

本发明涉及SCMA编解码技术领域，尤其是一种基于深度学习的均衡网络辅助SCMA编解码方法。

背景技术

稀疏码多址接入(Sparse Code Multiple Access,SCMA)是一种码域的非正交多址接入技术，能够提升未来移动通信网络的频谱效率和连接数量。但目前将SCMA技术用于实际工程中依旧存在以下问题：

第一，接收端接收的信号是由多个用户发送的叠加信息，通过采用消息传递算法(Message PassingAlgorithm,MPA)或最大似然(ML)等传统算法来进行译码，但该算法迭代结构会带来计算复杂度高、耗时多的问题。

第二，虽然现有的一些基于深度学习的SCMA编解码研究方案，在高斯信道环境下能够提升误码率(Bit Error Rate,BER)性能并降低解码复杂度，但实际用户所处的信道环境更接近瑞利衰落信道，这些研究方案在瑞利衰落信道环境下误码率损失严重。

发明内容

本发明的目的在于提供一种能够提升SCMA系统在上行瑞利衰落信道的误码率性能，降低解码复杂度的基于深度学习的均衡网络辅助SCMA编解码方法。

为实现上述目的，本发明采用了以下技术方案：一种基于深度学习的均衡网络辅助SCMA编解码方法，该方法包括下列顺序的步骤：

(1)构建用于生成发送信号的SCMA编码器，在上行链路系统中每个用户端设置一个全连接的深度神经网络，按照SCMA编码器的因子矩阵对用户与资源块之间进行连接；

(2)建立由均衡网络与多用户检测网络所构成的SCMA解码器，采用均衡网络均衡信道的输出，将均衡网络产生的输出送入多用户检测网络以解码所有用户的发送信息；

(3)对SCMA编码器和SCMA解码器进行端到端的联合训练。

所述步骤(1)具体包括以下步骤：

(1a)将每个用户的二进制比特信息r预编码为一个m维的单热的数据向量s，预编码后的数据向量s送入用户端的深度神经网络，用户端的深度神经网络接收到用户信息后，每个用户的深度神经网络即DNN单元自主学习用户到资源块的映射过程，输出二维码字，表示SCMA编码器的实部和虚部；

采用二进制矢量S_j＝(S₁，...，S_2K)^T来表示用户j所对应的SCMA映射矩阵；K为资源块总数，将f_kj(s_j；θ_f，kj)表示深度神经网络学习到的用户j到资源块k上映射的二维码字，s_j表示用户j送入深度神经网络的原始输入数据向量，θ_f，kj表示用户j映射到资源块k中深度神经网络的训练参数，所述训练参数为SCMA编码器中深度神经网络的权重和偏置；

通过s_j计算维数dim(s_f)，dim(s_j)为DNN单元输入层的节点数目；

设定DNN单元的输出为x_k，j，表示用户j在对应资源块k的SCMA码字符号，并且x_k，j＝f_kj(s_j；θ_f，kj)，DNN单元输出层的节点数目与x_k，j的维数dim(x_k，j)一致；

设定每个DNN单元的隐藏层数、隐藏层节点数、权重和偏置的初始值；

(1b)将第k个资源块上的所有码字映射器的输出进行连接，具体连接方式为：将下标带有k的码字映射器的输出连接到同一个加法器上，输出记为 x_k是第k个资源块上叠加的输出码字；

当SCMA因子图映射矩阵与x_k，j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k个资源块上，第j个用户将不占用该资源块进行信号传输，此时令该对应下标的x_k，j＝0，则每个码字映射器的输出都按照映射矩阵进行连接；

所述SCMA因子图映射矩阵为：

对除第j个用户之外的其余用户均构造自身的SCMA编码器连接到对应资源块上，组成整个的SCMA编码器；

所有用户预单热编码后的数据向量s经SCMA编码器编码后，记为f(s；θ_f)，θ_f是基站端所有DNN单元的权值和偏置的集合，θ_f＝{θ_f，kj}。

所述步骤(2)具体是指：建立SCMA解码器的输入层，在基站的接收端接收到的信号为其中y＝[y₁，…，y_K]^T，θ_f表示整个SCMA编码器的训练参数，h_k，j为信道增益，n＝[n₁，…，n_K]^T表示加载在K个资源块上的噪声集合；

定义在瑞利衰落信道下h_k，j～CN(0，1)，噪声n是服从均值为0，方差为σ²的加性高斯白噪声；

在基站端接收端使用由均衡网络和多用户检测网络所构成的SCMA解码器；

首先将基站的接收端接收的信号y送入均衡网络学习瑞利衰落信道的参数特性，并对信号y经由衰落信道而产生的相位偏移进行补偿；

将均衡网络处理后的信号送入多用户检测网络中，把各个用户的信息数据分割开并进行检测。

所述步骤(3)具体包括以下步骤：

(3a)建立端到端的均方误差损失函数：

其中，N为训练深度神经网络一个批次的大小，为解码器解码出的全部用户的符号数据，H为整个系统的信道向量；

(3b)采用ADAM优化器来更新SCMA系统的神经网络，包括编码端和解码端，其计算表达式为其中t为动量时间步长，/>为梯度均值的偏差修正，/>为平方梯度的偏差修正，/>

通过ADAM优化器一阶动量和二阶动量来不断更新整个深度神经网络的权重和偏置参数{θ_f，θ₁，θ₂，θ₃}，使均方误差损失函数的数值达到最优。

所述步骤(2)中的均衡网络的建立步骤如下：

采用全连接深度神经网络构建均衡网络，均衡网络接收到的信号维度为dim(y)，并将均衡网络的输入层节点数等于dim(y)；

使用基于全连接的深度神经网络构成均衡网络即参数估计网络和信号补偿网络g_ω(·)；

首先将基站的接收端接收到的信号y＝[y₁，y₂，y₃，y₄]^T送入参数估计网络做优化处理得到参数估计标量/>其中/>为学习信道参数信息后估计出的相位偏移，θ₁为参数估计网络的权重和偏置参数；

将基站的接收端接收到的信号y＝[y₁，y₂，y₃，y₄]^T和参数估计网络的输出参数估计标量进行合并送入网络的信号补偿网络的输入端，信号补偿网络对各个资源块上所叠加的信号与参数估计网络的输出进行逆向相位旋转；

即，将接收信号与信道冲激响应的逆变换相乘： 随后通过深度神经网络训练对转换信号μ进行优化，输出全部信号：

其中，g_w为信号补偿网络的函数公式，Q₀、Q_L、Q₁分别为输出层、第L层、第1层的网络权重，a₀、a_L、a₁分别为输出层、第L层、第1层的网络偏置；为每个资源块叠加的复值信号，θ₂为信号补偿网络的权重和偏置参数；

设定均衡网络的隐藏层节点数、隐藏层数、权值与偏置参数的初值。

所述步骤(2)中的多用户检测网络的检测步骤如下：

多用户检测网络g_d(·)对接收到的信号进行检测，将加载在K个资源块的用户信息区分开来，其输出为：

其中θ₃为整个多用户检测网络的权重和偏置参数；

设定多用户检测网络的隐藏层节点数、隐藏层数、权值与偏置参数的初值。

由上述技术方案可知，本发明的有益效果为：第一，本发明在基于深度学习的SCMA编解码方案基础上增加了参数估计网络和信号补偿网络设计，实现手段仍采用了深度学习技术，因此本发明相对于传统的SCMA系统和现有基于深度学习的SCMA编解码方案能够提升SCMA系统在上行瑞利衰落信道的误码率性能；第二，得益于合理的网络设计，本发明能够在维持误码率性能的前提下，相对于现有的基于深度学习方案的SCMA系统降低了解码复杂度；第三，本发明训练阶段所需的训练数据规模低于现有的基于深度学习方案的SCMA系统。

附图说明

图1为本发明中SCMA编解码器的系统框图；

图2为本发明中SCMA编码器的网络结构示意图；

图3为本发明中SCMA解码器的均衡网络结构示意图；

图4为本发明中SCMA解码器的多用户检测网络结构示意图；

图5为本发明所述实施例与现有SCMA编解码方案的误码率性能对比示意图；

图6为本发明与基于深度学习方案的SCMA算法复杂度对比示意图。

具体实施方式

如图1所示，一种基于深度学习的均衡网络辅助SCMA编解码方法，该方法包括下列顺序的步骤：

(1)构建用于生成发送信号的SCMA编码器，在上行链路系统中每个用户端设置一个全连接的深度神经网络，按照SCMA编码器的因子矩阵对用户与资源块之间进行连接；

(2)建立由均衡网络与多用户检测网络所构成的SCMA解码器，采用均衡网络均衡信道的输出，将均衡网络产生的输出送入多用户检测网络以解码所有用户的发送信息；

(3)对SCMA编码器和SCMA解码器进行端到端的联合训练。

所述步骤(1)具体包括以下步骤：

(1a)将每个用户的二进制比特信息r预编码为一个m维的单热的数据向量s，预编码后的数据向量s送入用户端的深度神经网络，用户端的深度神经网络接收到用户信息后，每个用户的深度神经网络即DNN单元自主学习用户到资源块的映射过程，输出二维码字，表示SCMA编码器的实部和虚部；

如图2所示，采用二进制矢量S_f＝(S₁，...，S_2K)^T来表示用户j所对应的SCMA映射矩阵；K为资源块总数，将f_kj(s_j；θ_f，kj)表示深度神经网络学习到的用户j到资源块k上映射的二维码字，s_j表示用户j送入深度神经网络的原始输入数据向量，θ_f，kj表示用户j映射到资源块k中深度神经网络的训练参数，所述训练参数为SCMA编码器中深度神经网络的权重和偏置；

通过s_j计算维数dim(s_j)，dim(s_j)为DNN单元输入层的节点数目；

设定DNN单元的输出为x_k，j，表示用户j在对应资源块k的SCMA码字符号，并且x_k，j＝f_kj(s_j；θ_f，kj)，DNN单元输出层的节点数目与x_k，j的维数dim(x_k，j)一致；

设定每个DNN单元的隐藏层数、隐藏层节点数、权重和偏置的初始值；

(1b)将第k个资源块上的所有码字映射器的输出进行连接，具体连接方式为：将下标带有k的码字映射器的输出连接到同一个加法器上，输出记为 x_k是第k个资源块上叠加的输出码字；

当SCMA因子图映射矩阵与x_k，j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k个资源块上，第j个用户将不占用该资源块进行信号传输，此时令该对应下标的x_k，j＝0，则每个码字映射器的输出都按照映射矩阵进行连接；

所述SCMA因子图映射矩阵为：

对除第j个用户之外的其余用户均构造自身的SCMA编码器连接到对应资源块上，组成整个的SCMA编码器；

所有用户预单热编码后的数据向量s经SCMA编码器编码后，记为f(s；θ_f)，θ_f是基站端所有DNN单元的权值和偏置的集合，θ_f＝{θ_f，kj}。

所述步骤(2)具体是指：建立SCMA解码器的输入层，在基站的接收端接收到的信号为其中y＝[y₁，…，y_K]^T，θ_f表示整个SCMA编码器的训练参数，h_k，j为信道增益，n＝[n₁，…，n_K]^T表示加载在K个资源块上的噪声集合；

定义在瑞利衰落信道下h_k，j～CN(0，1)，噪声n是服从均值为0，方差为σ²的加性高斯白噪声；

在基站端接收端使用由均衡网络和多用户检测网络所构成的SCMA解码器；

首先将基站的接收端接收的信号y送入均衡网络学习瑞利衰落信道的参数特性，并对信号y经由衰落信道而产生的相位偏移进行补偿；

将均衡网络处理后的信号送入多用户检测网络中，把各个用户的信息数据分割开并进行检测。

所述步骤(3)具体包括以下步骤：

(3a)建立端到端的均方误差损失函数：

其中，N为训练深度神经网络一个批次的大小，为解码器解码出的全部用户的符号数据，H为整个系统的信道向量；

(3b)采用ADAM优化器来更新SCMA系统的神经网络，包括编码端和解码端，其计算表达式为其中t为动量时间步长，/>为梯度均值的偏差修正，/>为平方梯度的偏差修正，/>

通过ADAM优化器一阶动量和二阶动量来不断更新整个深度神经网络的权重和偏置参数{θ_f，θ₁，θ₂，θ₃}，使均方误差损失函数的数值达到最优。

如图3所示，所述步骤(2)中的均衡网络的建立步骤如下：

采用全连接深度神经网络构建均衡网络，均衡网络接收到的信号维度为dim(y)，并将均衡网络的输入层节点数等于dim(y)；

使用基于全连接的深度神经网络构成均衡网络即参数估计网络和信号补偿网络g_ω(·)；

首先将基站的接收端接收到的信号y＝[y₁，y₂，y₃，y₄]^T送入参数估计网络做优化处理得到参数估计标量/>其中/>为学习信道参数信息后估计出的相位偏移，θ₁为参数估计网络的权重和偏置参数；

将基站的接收端接收到的信号y＝[y₁，y₂，y₃，y₄]^T和参数估计网络的输出参数估计标量进行合并送入网络的信号补偿网络的输入端，信号补偿网络对各个资源块上所叠加的信号与参数估计网络的输出进行逆向相位旋转；

即，将接收信号与信道冲激响应的逆变换相乘：

随后通过深度神经网络训练对转换信号μ进行优化，输出全部信号：

其中，g_w为信号补偿网络的函数公式，Q₀、Q_L、Q₁分别为输出层、第L层、第1层的网络权重，a₀、a_L、a₁分别为输出层、第L层、第1层的网络偏置；为每个资源块叠加的复值信号，θ₂为信号补偿网络的权重和偏置参数；

设定均衡网络的隐藏层节点数、隐藏层数、权值与偏置参数的初值。

如图4所示，所述步骤(2)中的多用户检测网络的检测步骤如下：

多用户检测网络g_d(·)对接收到的信号进行检测，将加载在K个资源块的用户信息区分开来，其输出为：

其中θ₃为整个多用户检测网络的权重和偏置参数；

设定多用户检测网络的隐藏层节点数、隐藏层数、权值与偏置参数的初值。

实施例一

以6个用户，4个资源块的上行SCMA系统作为实施例，进行说明。

如图1所示，将6个用户经单热调制后的输入数据通过SCMA编码器映射为码字，并按照SCMA因子图矩阵以非正交的方式叠加在4个资源块上传输，信号经过瑞利衰落信道后会受到瑞利衰落以及噪声的影响，接收端建立由均衡网络与多用户检测网络所构成的SCMA解码器，通过均衡网络对信号受信道影响产生的相位偏移进行补偿，并将均衡网络的输出送入多用户检测网络中以解码所有用户的发送信息，具体步骤如下：

构建用于生成发送信号的SCMA编码器，将所有用户的原始输入数据进行码字映射，具体步骤如下：

将每个用户的二进制比特信息r预编码为一个m维的单热的数据向量s，这里每个用户的二进制原始输入数据以2比特为1组，在预调制成单热向量后的维度为4，每个单热向量内只有一个元素为1，其余均为0，以此代表2比特数据的四种可能信息。如单热向量{1，0，0，0}表示为二进制比特数据的00，以此类推{0，1，0，0}表示为二进制比特数据的01。

为了使码字具有稀疏性，采用二进制矢量S_j＝(S₁，...，S_2K)^T来表示用户j所对应的SCMA映射矩阵，如果用户j映射到第3资源块和第4资源块，那么s_j表示为[0，0，1，1，0，0，1，1]^T。这里6个用户会占据四个资源块进行传播，根据映射矩阵F的每一列代表所对应用户占据资源块的情况，其映射矩阵：

每一列的零元素为2，非零元素也为2，零元素表示未占用该资源块，非零元素表示占用该资源块。

上行链路系统的6个用户端都设置一个全连接DNN单元，按照上述的映射矩阵F与4个资源块进行连接，每个用户端的DNN单元在接收到经预单热编码后的输入数据，自主学习用户到资源块的映射过程，输出二维码字。

将f_kj(s_j；θ_f，kj)表示DNN学习到的用户j到资源块k上映射的二维码字，s_j表示用户j送入神经网络的原始输入数据向量，θ_f，kj表示用户j映射到资源块k中DNN的训练参数，具体为SCMA编码器中深度神经网络的权重和偏置。例如当取k＝2，j＝1时，f₂₁(s₁；θ_f，21)表示用户1到第2个资源块的二维码字映射。并根据经验设定每个DNN单元的隐藏层节点数、隐藏层数、权值与偏置等参数的初值。

将第k个资源块上的所有码字映射器的输出进行连接，具体到本实施例的连接方式为：将下标带有k＝1的码字映射器的输出连接到同一个加法器上，输出记为x₁是第1个资源块上叠加的输出码字；对所有的6个用户均构造自身的SCMA编码器连接到对应资源块上，以组成整个的SCMA系统编码器；

所有用户预单热编码后的数据向量s＝[s₁，s₂，s₃，s₄，s₅，s₆]^T经SCMA编码器编码后，可记为f(s；θ_f)，θ_f是基站端所有DNN单元的权值和偏置的集合，θ_f＝{θ_f，kj}。

建立基于深度学习的均衡网络辅助SCMA的解码器，具体步骤如下：

在基站的接收端接收到的信号为其中y＝[y₁，…，y_K]^T，θ_f表示整个SCMA编码器的训练参数，h_k，j为信道增益，规定每次传输都是静态不发生变化的，n＝[n₁，…，n_K]^T表示加载在K个资源块上的噪声集合；

规定在瑞利衰落信道下h_k，j～CN(0，1)，噪声n是服从均值为0，方差为σ²的加性高斯白噪声；

在基站端使用由均衡网络和多用户检测网络所构成的SCMA解码器；

首先将接收的信号y送入均衡网络学习瑞利衰落信道的参数特性，并对信号y经由衰落信道而产生的相位偏移等影响进行补偿；

将均衡网络处理后的信号送入多用户检测网络中，把各个用户的信息数据分割开并进行检测；

所述建立均衡网络的步骤如下：

采用全连接DNN单元构建均衡网络，均衡网络接收到的信号维度为dim(y)，在这里为维度dim(y)＝8，并将均衡网络的输入层节点数等于dim(y)＝8；

使用两个基于全连接的DNN网络构成均衡网络即参数估计网络和信号补偿网络g_ω(·)；

首先将信号y＝[y₁，y₂，y₃，y₄]^T送入参数估计网络做优化处理得到参数估计向量/>其中/>为学习信道参数信息后估计出的相位偏移，θ₁为参数估计网络的权重和偏置参数；

将原始接收信号y＝[y₁，y₂，y₃，y₄]^T和参数估计网络的输出进行合并送入信号补偿网络的输入端，对各个资源块上所叠加的信号与参数估计网络的输出进行逆向相位旋转；

即，将接收信号与信道冲激响应的逆变换相乘： 随后通过深度神经网络训练对转换信号μ进行优化，输出全部信号

其中K＝4，/>为每个资源块叠加的复值信号，θ₂为信号补偿网络的权重和偏置参数；

设定均衡网络的隐藏层节点数、隐藏层数、权值与偏置参数的初值；

多用户检测网络g_d(·)对接收到的信号进行检测，将加载在4个资源块的用户信息区分开来，其输出为：

其中，θ₃为整个多用户检测网络的权重和偏置参数；

设定多用户网络的隐藏层节点数、隐藏层数、权值与偏置参数的初值；

建立端到端的均方误差损失函数：

N为训练神经网络一个批次的大小，s为所有用户经预单热编码后的数据向量，其中s＝[s₁，s₂，s₃，s₄，s₅，s₆]^T，为解码器解码出的全部用户的符号数据，其中H为整个系统的信道向量；

采用ADAM(Adaptive Moment Estimation)优化器来更新网络，基本计算表达式为其中t为动量时间步长，/>为梯度均值的偏差修正，/>为平方梯度的偏差修正，/>以避免除数为0；

调整网络隐藏层节点数以及隐藏层数，并通过ADAM优化器一阶动量和二阶动量来不断更新整个神经网络的权重和偏置参数{θ_f，θ₁，θ₂，θ₃}，使均方误差损失函数的数值达到最优；

为了验证本实施例的性能，本发明使用300000组数据进行测试，在E_b/N₀＝0～18dB时，分别计算了系统的BER。

如图5所示，EN-DAE-SCMA代表本实施例的系统，相较于使用MPA解码算法和基于深度学习的D-SCMA解码算法，本实施例的系统具有更好的BER性能，在E_b/N₀＞6dB，信道条件较好时，优势明显。

相比于D-SCMA，所需的训练数据集大大减少，由于本实施例采用具有自适应性学习率的Adam优化器，20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，为了公平起见，选择比较使用深度学习的各种算法，都使用相同的实验平台和模拟机，以仿真消耗时间来表示复杂度。图6中得到的结果表明，所提出方案的计算时间低于D-SCMA方案。因此，所提出的EN-DAE-SCMA方案执行较低的计算复杂度。

综上所述，本发明在基于深度学习的SCMA编解码方案基础上增加了参数估计网络和信号补偿网络设计，实现手段仍采用了深度学习技术，因此本发明相对于传统的SCMA系统和现有基于深度学习的SCMA编解码方案能够提升SCMA系统在上行瑞利衰落信道的误码率性能；得益于合理的网络设计，本发明能够在维持误码率性能的前提下，相对于现有的基于深度学习方案的SCMA系统降低了解码复杂度；本发明训练阶段所需的训练数据规模低于现有的基于深度学习方案的SCMA系统。

Claims (5)

1.一种基于深度学习的均衡网络辅助SCMA编解码方法，其特征在于：该方法包括下列顺序的步骤：

(1)构建用于生成发送信号的SCMA编码器，在上行链路系统中每个用户端设置一个全连接的深度神经网络，按照SCMA编码器的因子矩阵对用户与资源块之间进行连接；

(2)建立由均衡网络与多用户检测网络所构成的SCMA解码器，采用均衡网络均衡信道的输出，将均衡网络产生的输出送入多用户检测网络以解码所有用户的发送信息；

(3)对SCMA编码器和SCMA解码器进行端到端的联合训练；

所述步骤(2)中的均衡网络的建立步骤如下：

采用全连接深度神经网络构建均衡网络，均衡网络接收到的信号维度为dim(y)，并将均衡网络的输入层节点数等于dim(y)；

使用基于全连接的深度神经网络构成均衡网络即参数估计网络和信号补偿网络g_ω(·)；

首先将基站的接收端接收到的信号y＝[y₁,y₂,y₃,y₄]^T送入参数估计网络做优化处理得到参数估计标量/>其中/>为学习信道参数信息后估计出的相位偏移，θ₁为参数估计网络的权重和偏置参数；

将基站的接收端接收到的信号y＝[y₁,y₂,y₃,y₄]^T和参数估计网络的输出参数估计标量进行合并送入网络的信号补偿网络的输入端，信号补偿网络对各个资源块上所叠加的信号与参数估计网络的输出进行逆向相位旋转；

即，将接收信号与信道冲激响应的逆变换相乘： 随后通过深度神经网络训练对转换信号μ进行优化，输出全部信号：

其中，g_w为信号补偿网络的函数公式，Q₀、Q_L、Q₁分别为输出层、第L层、第1层的网络权重，a₀、a_L、a₁分别为输出层、第L层、第1层的网络偏置；为每个资源块叠加的复值信号，θ₂为信号补偿网络的权重和偏置参数；

设定均衡网络的隐藏层节点数、隐藏层数、权值与偏置参数的初值。

2.根据权利要求1所述的基于深度学习的均衡网络辅助SCMA编解码方法，其特征在于：所述步骤(1)具体包括以下步骤：

(1a)将每个用户的二进制比特信息r预编码为一个m维的单热的数据向量s，预编码后的数据向量s送入用户端的深度神经网络，用户端的深度神经网络接收到用户信息后，每个用户的深度神经网络即DNN单元自主学习用户到资源块的映射过程，输出二维码字，表示SCMA编码器的实部和虚部；

采用二进制矢量S_j＝(S₁,…,S_2K)^T来表示用户j所对应的SCMA映射矩阵；K为资源块总数，将f_kj(s_j；θ_f,k_j)表示深度神经网络学习到的用户j到资源块k上映射的二维码字，s_j表示用户j送入深度神经网络的原始输入数据向量，θ_f,kj表示用户j映射到资源块k中深度神经网络的训练参数，所述训练参数为SCMA编码器中深度神经网络的权重和偏置；

通过s_j计算维数dim(s_j)，dim(s_j)为DNN单元输入层的节点数目；

设定DNN单元的输出为x_k,j,表示用户j在对应资源块k的SCMA码字符号，并且x_k,j＝f_kj(x_j；θ_f,kj)，DNN单元输出层的节点数目与x_k,j的维数dim(x_k,j)一致；

设定每个DNN单元的隐藏层数、隐藏层节点数、权重和偏置的初始值；

(1b)将第k个资源块上的所有码字映射器的输出进行连接，具体连接方式为：将下标带有k的码字映射器的输出连接到同一个加法器上，输出记为 x_k是第k个资源块上叠加的输出码字；

当SCMA因子图映射矩阵与x_k,j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k个资源块上，第j个用户将不占用该资源块进行信号传输，此时令该对应下标的x_k,j＝0，则每个码字映射器的输出都按照映射矩阵进行连接；

所述SCMA因子图映射矩阵为：

对除第j个用户之外的其余用户均构造自身的SCMA编码器连接到对应资源块上，组成整个的SCMA编码器；

所有用户预单热编码后的数据向量s经SCMA编码器编码后，记为f(s；θ_f),θ_f是基站端所有DNN单元的权值和偏置的集合,θ_f＝{θ_f,k_j}。

3.根据权利要求1所述的基于深度学习的均衡网络辅助SCMA编解码方法，其特征在于：所述步骤(2)具体是指：建立SCMA解码器的输入层，在基站的接收端接收到的信号为其中y＝[y₁,…,y_K]^T,θ_f表示整个SCMA编码器的训练参数，h_k,j为信道增益，n＝[n₁,…,n_K]^T表示加载在K个资源块上的噪声集合；

定义在瑞利衰落信道下h_k,j～CN(0,1)，噪声n是服从均值为0，方差为σ²的加性高斯白噪声；

在基站端接收端使用由均衡网络和多用户检测网络所构成的SCMA解码器；

首先将基站的接收端接收的信号y送入均衡网络学习瑞利衰落信道的参数特性，并对信号y经由衰落信道而产生的相位偏移进行补偿；

将均衡网络处理后的信号送入多用户检测网络中，把各个用户的信息数据分割开并进行检测。

4.根据权利要求1所述的基于深度学习的均衡网络辅助SCMA编解码方法，其特征在于：所述步骤(3)具体包括以下步骤：

(3a)建立端到端的均方误差损失函数：

其中，N为训练深度神经网络一个批次的大小，为解码器解码出的全部用户的符号数据，H为整个系统的信道向量；

(3b)采用ADAM优化器来更新SCMA系统的神经网络，包括编码端和解码端，其计算表达式为其中t为动量时间步长，/>为梯度均值的偏差修正，/>为平方梯度的偏差修正，/>

通过ADAM优化器一阶动量和二阶动量来不断更新整个深度神经网络的权重和偏置参数{θ_f,θ₁,θ₂,θ₃}，使均方误差损失函数的数值达到最优。

5.根据权利要求1所述的基于深度学习的均衡网络辅助SCMA编解码方法，其特征在于：所述步骤(2)中的多用户检测网络的检测步骤如下：

多用户检测网络g_d(·)对接收到的信号进行检测，将加载在K个资源块的用户信息区分开来，其输出为：

其中θ₃为整个多用户检测网络的权重和偏置参数；

设定多用户检测网络的隐藏层节点数、隐藏层数、权值与偏置参数的初值。