CN114375004A - 基于组梯度追踪的低复杂度多用户检测方法 - Google Patents

Abstract

本发明涉及一种基于组梯度追踪的低复杂度多用户检测方法，该方法包括下列顺序的步骤：用户设备的发送数据调制；用户设备的发送数据扩频和传输；基站端获取等效信道系数矩阵；迭代检测的初始化；活跃用户检测；检测数据输出。本发明通过将前一时隙使用梯度追踪算法挑选出的活跃用户支撑集作为下一时隙的初始支撑集，降低了除第一时隙以外其他时隙的迭代次数，同时使用决策衰弱的思想，每次迭代可挑选出多个活跃用户，加快算法的收敛速度。从避免矩阵求逆和减少迭代次数两个角度，有效降低了复杂度，而梯度追踪算法的引入仍能保证算法的收敛性。本发明以较小的精度代价，换取了复杂度的有效降低。

Description

基于组梯度追踪的低复杂度多用户检测方法

技术领域

本发明涉及无线信号检测技术领域，尤其是一种基于组梯度追踪的低复杂 度多用户检测方法。

背景技术

据中国产业信息网预测，截至2025年全球将部署超过1000亿个无线通信 设备，大规模机器类通信会成为后5G与6G移动通信系统的主流。与现有的长 期演进(Long TermEvolution,LTE)系统不同，大规模机器类通信需要使用 免调度的非正交多址接入技术，从而导致在接收端要检测用户的活跃性和恢复 用户数据。

由于大规模机器类设备零星通信、短数据包的特征，其存在潜在的稀疏特 性，压缩感知技术可以用来联合检测用户的活跃性和恢复用户数据。

在现有技术中，基于压缩感知的正交匹配追踪、子空间追踪、最大后验概 率等多用户检测方法被广泛研究和使用，这些方法多注重于多用户检测的精度 提升。专利号为ZL201811362813.X、发明名称为基于梯度追踪和多步拟牛顿 法技术的非正交多址接入系统多用户检测方法，采用了梯度追踪框架和多步拟 牛顿法进行多用户检测，在提升精度的同时有效降低了复杂度。但随着网络中 无线设备的接入需求增多，多用户检测的复杂度将会成为限制接入设备数量的 技术瓶颈。因此，从降低多用户检测的复杂度角度出发，设计出一种快速的多 用户检测算法在大规模机器类通信中具有其必要性。

发明内容

本发明的目的在于提供一种从避免矩阵求逆和减少迭代次数两个角度，有 效降低了复杂度，而梯度追踪算法的引入仍能保证算法的收敛性的基于组梯度 追踪的低复杂度多用户检测方法。

为实现上述目的，本发明采用了以下技术方案：一种基于组梯度追踪的低 复杂度多用户检测方法，该方法包括下列顺序的步骤：

(1)用户设备的发送数据调制；

(2)用户设备的发送数据扩频和传输；

(3)基站端获取等效信道系数矩阵；

(4)迭代检测的初始化；

(5)活跃用户检测；

(6)检测数据输出。

所述步骤(1)具体是指：设非正交多址接入系统具有一个基站和M个用 户设备，在单个时隙内这M个用户设备中处于活跃状态的数目为K个，其他 用户设备处于休眠状态；根据采用的数据调制方式确定星座图χ，对星座图χ 扩充，扩充后的星座图表示为χ^*＝{χ∪0}，用x_m表示第m个用户设备的调制符 号，

假设一帧包含J个时隙，则用户设备m在第j个时隙内的调制 符号表示为x_j,m，且

0＜j＜J。

所述步骤(2)具体是指：在单个时隙内，第m个用户设备的调制符号x_m经过长度为N的扩频码s_m进行扩频，s_m＝[s_1m,s_2m,…s_Nm]^T；用户的调制符号扩 频后通过N个OFDM子载波信道进行传输，N＜M，即N小于总用户设备数 目M；第m个用户设备在第n个子信道的信道系数表示为g_nm，则基站端接收 到的总用户信号表示为：

其中，v＝[v₁,v₂,...,v_n]是服从均值为0，方差为σ²的高斯白噪声；一帧信号内 第j个时隙基站接收到的总用户信号表示为：

所述步骤(3)具体是指：

设基站端已知s_m和g_nm，令

A为基站端获取的等效信 道系数矩阵，则第j个时隙基站端接收到的总用户信号重新表示为：

y_j＝Ax_j+v_j，0＜j＜J

其中，

是等效信道系数矩阵，x_j＝[x_j,1,x_j,2,...,x_j,M]^T， 0＜j＜J，表示第j个时隙所有用户设备的调制符号。

所述步骤(4)具体包括以下步骤：

(4a)检测开始时，初始化活跃用户设备的支撑集为空集，即

(4b)新的时隙j开始时，初始化用户设备的信号估计值为零，即

初始化残差为基站端实际的接收信号，残差即基站端实际的接收信号y与 根据用户设备的信号估计值恢复的接收信号之差，第j个时隙的初始化残差

j＝1,2,…,J，y_j为第j个时隙基站端接收到的总用户信号；

初始化迭代次数i＝1；

初始化衰弱参数α∈(0,1]；

初始化时隙j的第i次迭代的支撑集

所述步骤(5)具体包括以下步骤：

(5a)计算当前迭代的梯度g_j，梯度g_j的计算公式为：

其中，H为共轭转置；

(5b)挑选梯度值大于阈值αmax|g_j|的所有m个用户设备，并将其索引值 并入支撑集中，即时隙j的第i次迭代的支撑集

表示为：

其中，衰弱参数α∈(0,1]，当α＝1时，只挑选梯度值最大的用户设备并入 支撑集；当α＜1时，挑选梯度值大于αmax|g_j|的所有用户设备并入支撑集；

(5c)若迭代次数i＝1，该时隙迭代的更新方向

为梯度

的负方向：

此时，

(5d)若迭代次数i≠1，更新方向

由下式更新：

其中，步长

(5e)更新每次迭代的估计信号值：

其中，

为步长，其计算公式为：

(5f)若

则

取

中幅度最大的K个索引值，K为当前时隙 处于活跃状态的用户数目，符号||·||₀表示求0-范数；

(5g)更新残差，其表达式如下：

(5h)更新阈值ε，其表达式如下：

(5i)更新迭代次数i＝i+1；

(5j)若阈值ε大于给定阈值threshold，返回步骤(5a)，继续执行步 骤(5a)至步骤(5i)，反之，若阈值ε小于等于给定阈值threshold，终止 迭代进行下一步；

(5k)更新支撑集，将更新的时隙j的第i次迭代的支撑集

赋给

即

(5l)当前时隙j检测步骤结束，若时隙j＜J，将时隙数j＝j+1，返回 步骤(4)，继续执行步骤(4b)至步骤(5k)，直至时隙j达到时隙数J；

所述步骤(6)具体是指：输出检测数据

为J 个时隙所有的重构信号，由每个时隙中最后一次迭代i的步骤(5e)得出。

由上述技术方案可知，本发明的有益效果为：第一，在实际的通信系统中， 用户可以随机的接入或离开系统，混合稀疏模型认为在一帧时间间隔中大部分 用户的活跃性保持不变，少部分的用户活跃性发生改变。混合稀疏模型把活跃 性不发生改变的活跃用户称为公共活跃用户，其索引的集合称为公共活跃用户 支撑集Γ_c；活跃性发生改变的活跃用户称为动态活跃用户，其索引的集合称为 动态活跃用户支撑集Γ_d。假设第j时隙的活跃用户索引集合为Γ_j，Γ_j＝Γ_c+Γ_dj。 而第j+1时隙的活跃用户索引Γ_j+1＝Γ_c+Γ_dj+1。因此前一时隙检测出的活跃用户支 撑集包含着大量有效的信息，可以用作下一时隙初始的支撑集。相关性辅助的 梯度追踪多用户检测算法利用相邻两时隙间活跃用户的相关性避免每个时隙 都从空集开始检测用户活跃性，减少了除第一时隙以外其他时隙的迭代次数。 第二，在基于贪婪类算法的多用户检测方法中，检测出活跃用户以后的信号值 估计都采用最小二乘计算，该步骤需要对信道等效矩阵进行伪逆运算，使得复 杂度较高。本发明通过引入梯度追踪算法替换最小二乘法避免矩阵求逆的过程， 利用梯度下降法计算每次迭代的更新方向，利用活跃用户在连续时间间隔中的 时间相关性，减少迭代次数。第三，从进一步减少每个时隙的迭代次数角度出 发，本发明使用决策衰弱的思想每次迭代可挑选出多个活跃用户。引入衰弱系 数α对最大梯度值进行衰弱，记为αmax|g_j|,并以此作为阈值。每次迭代挑选 梯度信息大于该阈值的所有原子。相比于设定额定阈值的其他多用户检测算法，本发明利用每次迭代的最大梯度值和衰弱系数，动态设定阈值，沿负梯度方向 上一次挑选出多个活跃用户，减少了总的迭代次数，加快了算法的收敛速度。

附图说明

图1为本发明的方法流程图；

图2为不同算法完成1000次实验每个时隙需要的平均迭代次数对比图；

图3为不同算法误码率性能对比图；

图4为活跃用户数变化时算法的误码率性能对比图；

图5为衰弱参数α对本发明的SER性能影响对比图；

图6为衰弱参数α对每次迭代挑选出的活跃用户数的影响图。

具体实施方式

如图1所示，一种基于组梯度追踪的低复杂度多用户检测方法，该方法包 括下列顺序的步骤：

(1)用户设备的发送数据调制；

(2)用户设备的发送数据扩频和传输；

(3)基站端获取等效信道系数矩阵；

(4)迭代检测的初始化；

(5)活跃用户检测；

(6)检测数据输出。

所述步骤(1)具体是指：设非正交多址接入系统具有一个基站和M个用 户设备，在单个时隙内这M个用户设备中处于活跃状态的数目为K个，其他 用户设备处于休眠状态；根据采用的数据调制方式确定星座图χ，对星座图χ 扩充，扩充后的星座图表示为χ^*＝{χ∪0}，用x_m表示第m个用户设备的调制符 号，

假设一帧包含J个时隙，则用户设备m在第j个时隙内的调制 符号表示为x_j,m，且

0＜j＜J。

所述步骤(2)具体是指：在单个时隙内，第m个用户设备的调制符号x_m经过长度为N的扩频码s_m进行扩频，s_m＝[s_1m,s_2m,…s_Nm]^T；用户的调制符号扩 频后通过N个OFDM子载波信道进行传输，N＜M，即N小于总用户设备数 目M；第m个用户设备在第n个子信道的信道系数表示为g_nm，则基站端接收 到的总用户信号表示为：

其中，v＝[v₁,v₂,...,v_n]是服从均值为0，方差为σ²的高斯白噪声；一帧信号内 第j个时隙基站接收到的总用户信号表示为：

所述步骤(3)具体是指：

设基站端已知s_m和g_nm，令

A为基站端获取的等效信 道系数矩阵，则第j个时隙基站端接收到的总用户信号重新表示为：

y_j＝Ax_j+v_j，0＜j＜J

其中，

是等效信道系数矩阵，x_j＝[x_j,1,x_j,2,...,x_j,M]^T， 0＜j＜J，表示第j个时隙所有用户设备的调制符号。

所述步骤(4)具体包括以下步骤：

(4a)检测开始时，初始化活跃用户设备的支撑集为空集，即

(4b)新的时隙j开始时，初始化用户设备的信号估计值为零，即

初始化残差为基站端实际的接收信号，残差即基站端实际的接收信号y与 根据用户设备的信号估计值恢复的接收信号之差，第j个时隙的初始化残差

y_j为第j个时隙基站端接收到的总用户信号；

初始化迭代次数i＝1；

初始化衰弱参数α∈(0,1]；

初始化时隙j的第i次迭代的支撑集

所述步骤(5)具体包括以下步骤：

(5a)计算当前迭代的梯度g_j，梯度g_j的计算公式为：

其中，H为共轭转置；

(5b)挑选梯度值大于阈值αmax|g_j|的所有m个用户设备，并将其索引值 并入支撑集中，即时隙j的第i次迭代的支撑集

表示为：

其中，衰弱参数α∈(0,1]，当α＝1时，只挑选梯度值最大的用户设备并入 支撑集；当α＜1时，挑选梯度值大于αmax|g_j|的所有用户设备并入支撑集；

(5c)若迭代次数i＝1，该时隙迭代的更新方向

为梯度

的负方向：

此时，

(5d)若迭代次数i≠1，更新方向

由下式更新：

其中，步长

(5e)更新每次迭代的估计信号值：

其中，

为步长，其计算公式为：

(5f)若

则

取

中幅度最大的K个索引值，K为当前时隙 处于活跃状态的用户数目，符号||·||₀表示求0-范数；

(5g)更新残差，其表达式如下：

(5h)更新阈值ε，其表达式如下：

(5i)更新迭代次数i＝i+1；

(5j)若阈值ε大于给定阈值threshold，返回步骤(5a)，继续执行步 骤(5a)至步骤(5i)，反之，若阈值ε小于等于给定阈值threshold，终止 迭代进行下一步；

(5k)更新支撑集，将更新的时隙j的第i次迭代的支撑集

赋给

即

(5l)当前时隙j检测步骤结束，若时隙j＜J，将时隙数j＝j+1，返回 步骤(4)，继续执行步骤(4b)至步骤(5k)，直至时隙j达到时隙数J；

所述步骤(6)具体是指：输出检测数据

为J 个时隙所有的重构信号，由每个时隙中最后一次迭代i的步骤(5e)得出

以下结合图1至图6对本发明作进一步的说明。

本发明应用在5G移动通信中上行链路免调度的非正交多址接入系统中， 在此，设置一个基站覆盖范围内潜在的用户设备共200台，即N＝200，用户 设备的扩频码采用高斯伪随机序列，长度M＝100，即信号传输所需的时频资 源数为100个，基站覆盖范围内的所有用户共同使用这100个时频资源，因此 实施例中的过载率为N/M×100％＝200％，活跃用户数K＝20，衰弱参数α＝0.9。 本发明设计了相关性辅助的组梯度追踪多用户检测(correlation-assisted group gradient pursuit multi-user detection,CAGGP-MUD)方法，以下简称CAGGP-MUD 方法。

如图1所示，一帧信号包含7个时隙，即T＝7，单个时隙内活跃用户数为 20，其中一部分用户设备在T个时隙内连续发射信号；另一部分用户设备是随 机的接入和离开(即可以在任意一个时隙内发送信号，由静默用户设备转变为 活跃用户设备，也可以随机由活跃用户设备转变为静默用户设备)。用户设备 的发送信号采用QPSK调制，信道系数服从高斯分布，h_t～CN(0,1)。基站通过 信道估计技术获取等效信道系数矩阵的值。

为了更好的展示各个算法的对比情况，利用Matlab仿真软件对这几种典 型的同类算法进行了仿真。由图2可知，第一时隙完成检测所需要的迭代次数 比其他时隙完成检测所需要的迭代次数多，证明了利用连续时间间隔中活跃用 户的相关性可以降低除第一时隙以外其他时隙迭代次数。本发明每次迭代挑选 出多个活跃用户后再根据信号估计值的大小进行支撑集修剪，优化了活跃用户 的选择，减少了某些用户被反复迭代的情况，即使在低信噪比下仍能保持较少 的迭代次数。

图3给出了不同算法在不同信噪比条件下的误码率对比情况，可以看出本 发明在误码率性能上有所损失。在低信噪比的环境下接近或稍稍优于动态压缩 感知(dynamiccompressive sensing,DCS)算法，但是在高信噪比的环境下检测 精度有所损失。这也说明本发明以牺牲一部分检测准确度的条件下换来了更低 的计算消耗。图中OLS(ordinaryleast squares)曲线代表理想状态下最小二乘 法的检测精度。

图4给出了不同活跃用户数情况下，本发明与DCS算法的误符号率SER性 能对比图。可以发现活跃用户数改变对三种对比算法之间的相对SER性能影响 较小。本发明利用决策衰弱，对每次迭代的梯度值乘以衰弱系数作为动态阈值， 相比于设定额定阈值的方法，即使低的活跃用户数目也不会限制本发明的应用。

图5给出了衰弱参数α对本发明的SER性能影响对比图。当信噪比较小时， 衰弱参数α的取值对精度影响不大，而当信噪比较大时，取较大的衰弱参数会 使得SER精度提升。因此，在实际操作中，当系统中噪声较大时可采用较小的 衰弱参数来加快检测。随着信噪比逐渐增大，衰弱参数α对本发明SER性能 的影响越来越大。因此当系统中的噪声较小时，需选用较大的衰弱参数。

图6给出了当SNR＝10dB时，本发明每次迭代挑选的活跃用户个数随衰弱 参数变化的对比图，纵坐标为1000次实验及所有时隙的迭代次数的平均值。 从图6可以看出，当衰弱参数α越小时，本发明每次迭代挑选出的活跃用户数 越多，尤其是在前几次迭代中这种影响更加明显。当迭代次数超过5次以后， 衰弱参数α对每次迭代挑选的活跃用户数影响降低；当迭代次数超过9次以后， 衰弱参数α的改变几乎对每次迭代挑选的活跃用户数没有影响。

综上所述，本发明利用大规模机器类型通信中活跃用户的时间相关性和梯 度追踪类算法，通过将前一时隙使用梯度追踪算法挑选出的活跃用户支撑集作 为下一时隙的初始支撑集，降低了除第一时隙以外其他时隙的迭代次数，同时 使用决策衰弱的思想，每次迭代可挑选出多个活跃用户，加快算法的收敛速度。 从避免矩阵求逆和减少迭代次数两个角度，有效降低了复杂度，而梯度追踪算 法的引入仍能保证算法的收敛性。本发明以较小的精度代价，换取了复杂度的 有效降低。

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 (5)

1.一种基于组梯度追踪的低复杂度多用户检测方法，其特征在于：该方法包括下列顺序的步骤：

(1)用户设备的发送数据调制；

(2)用户设备的发送数据扩频和传输；

(3)基站端获取等效信道系数矩阵；

(4)迭代检测的初始化；

(5)活跃用户检测；

(6)检测数据输出。

2.根据权利要求1所述的基于组梯度追踪的低复杂度多用户检测方法，其特征在于：所述步骤(1)具体是指：设非正交多址接入系统具有一个基站和M个用户设备，在单个时隙内这M个用户设备中处于活跃状态的数目为K个，其他用户设备处于休眠状态；根据采用的数据调制方式确定星座图χ，对星座图χ扩充，扩充后的星座图表示为χ^*＝{χ∪0}，用x_m表示第m个用户设备的调制符号，

假设一帧包含J个时隙，则用户设备m在第j个时隙内的调制符号表示为x_j,m，且

3.根据权利要求1所述的基于组梯度追踪的低复杂度多用户检测方法，其特征在于：所述步骤(2)具体是指：在单个时隙内，第m个用户设备的调制符号x_m经过长度为N的扩频码s_m进行扩频，s_m＝[s_1m,s_2m,…s_Nm]^T；用户的调制符号扩频后通过N个OFDM子载波信道进行传输，N＜M，即N小于总用户设备数目M；第m个用户设备在第n个子信道的信道系数表示为g_nm，则基站端接收到的总用户信号表示为：

其中，v＝[v₁,v₂,...,v_n]是服从均值为0，方差为σ²的高斯白噪声；一帧信号内第j个时隙基站接收到的总用户信号表示为：

4.根据权利要求1所述的基于组梯度追踪的低复杂度多用户检测方法，其特征在于：所述步骤(3)具体是指：

设基站端已知s_m和g_nm，令

A为基站端获取的等效信道系数矩阵，则第j个时隙基站端接收到的总用户信号重新表示为：

y_j＝Ax_j+v_j，0＜j＜J

其中，

是等效信道系数矩阵，x_j＝[x_j,1,x_j,2,...,x_j,M]^T，0＜j＜J，表示第j个时隙所有用户设备的调制符号。

5.根据权利要求1所述的基于组梯度追踪的低复杂度多用户检测方法，其特征在于：所述步骤(4)具体包括以下步骤：

(4a)检测开始时，初始化活跃用户设备的支撑集为空集，即

(4b)新的时隙j开始时，初始化用户设备的信号估计值为零，即

初始化残差为基站端实际的接收信号，残差即基站端实际的接收信号y与根据用户设备的信号估计值恢复的接收信号之差，第j个时隙的初始化残差

y_j为第j个时隙基站端接收到的总用户信号；

初始化迭代次数i＝1；

初始化衰弱参数α∈(0,1]；

初始化时隙j的第i次迭代的支撑集

所述步骤(5)具体包括以下步骤：

(5a)计算当前迭代的梯度g_j，梯度g_j的计算公式为：

其中，H为共轭转置；

(5b)挑选梯度值大于阈值αmax|g_j|的所有m个用户设备，并将其索引值并入支撑集中，即时隙j的第i次迭代的支撑集

表示为：

其中，衰弱参数α∈(0,1]，当α＝1时，只挑选梯度值最大的用户设备并入支撑集；当α＜1时，挑选梯度值大于αmax|g_j|的所有用户设备并入支撑集；

(5c)若迭代次数i＝1，该时隙迭代的更新方向

为梯度

的负方向：

此时，

(5d)若迭代次数i≠1，更新方向

由下式更新：

其中，步长

(5e)更新每次迭代的估计信号值：

其中，

为步长，其计算公式为：

(5f)若

则

取

中幅度最大的K个索引值，K为当前时隙处于活跃状态的用户数目，符号||·||₀表示求0-范数；

(5g)更新残差，其表达式如下：

(5h)更新阈值ε，其表达式如下：

(5i)更新迭代次数i＝i+1；

(5j)若阈值ε大于给定阈值threshold，返回步骤(5a)，继续执行步骤(5a)至步骤(5i)，反之，若阈值ε小于等于给定阈值threshold，终止迭代进行下一步；

(5k)更新支撑集，将更新的时隙j的第i次迭代的支撑集

赋给

即

(5l)当前时隙j检测步骤结束，若时隙j＜J，将时隙数j＝j+1，返回步骤(4)，继续执行步骤(4b)至步骤(5k)，直至时隙j达到时隙数J；

所述步骤(6)具体是指：输出检测数据

为J个时隙所有的重构信号，由每个时隙中最后一次迭代i的步骤(5e)得出。

Images