CN115550934A - 基于深度学习的混合多址接入异构网络多用户检测方法 - Google Patents

基于深度学习的混合多址接入异构网络多用户检测方法 Download PDF

Info

Publication number
CN115550934A
CN115550934A CN202211506238.2A CN202211506238A CN115550934A CN 115550934 A CN115550934 A CN 115550934A CN 202211506238 A CN202211506238 A CN 202211506238A CN 115550934 A CN115550934 A CN 115550934A
Authority
CN
China
Prior art keywords
user
cellular
terminal
pair
user detection
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
CN202211506238.2A
Other languages
English (en)
Other versions
CN115550934B (zh
Inventor
王跃
廖继勇
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.)
Anhui Telecom Planning and Design Co Ltd
Original Assignee
Anhui Telecom Planning and Design Co Ltd
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 Anhui Telecom Planning and Design Co Ltd filed Critical Anhui Telecom Planning and Design Co Ltd
Priority to CN202211506238.2A priority Critical patent/CN115550934B/zh
Publication of CN115550934A publication Critical patent/CN115550934A/zh
Application granted granted Critical
Publication of CN115550934B publication Critical patent/CN115550934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/14—Spectrum sharing arrangements between different networks
    • 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
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • 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

本发明涉及一种基于深度学习的混合多址接入异构网络多用户检测方法，具体包括获取若干用户原始输入数据；利用混合接入联合编码器将用户原始输入数据映射为码字；利用混合接入联合编码器将每个资源块上的所有用户码字叠加，以获取叠加信号，并通过信道将叠加信号传输给多用户检测解码器；利用多用户检测解码器对接收到的叠加信号进行解码处理，以获取每个用户的解码数据；基于获取到的上述数据来计算多用户检测模型的端到端损失函数的值；基于多用户检测模型的端到端损失函数的值来更新多用户检测模型的参数；进行迭代训练，以获取训练好的多用户检测模型。利用训练好的模型进行多用户检测时具有更好的误码率性能，同时能够降低检测复杂度。

Description

基于深度学习的混合多址接入异构网络多用户检测方法
技术领域
本发明涉及无线通信及深度学习技术领域，具体涉一种基于深度学习的混合多址接入异构网络多用户检测方法。
背景技术
稀疏码分多址接入（Sparse Code Multiple Access，SCMA）技术通过实现多个用户在码域的非正交多址接入来实现无线频谱资源利用效率的提升。终端直通（D2D，Device-to-device）网络，其移动终端无需经过蜂窝基站，即可使用蜂窝链路的频谱资源实现其收发设备直接对等通信。D2D通信一方面能够减少发射天线的能耗，另一方面可以通过使用蜂窝链路的频谱资源，提高频谱效率，增大用户容量。因此基于SCMA技术的蜂窝网络与D2D网络的异构融合可以在频谱资源的复用增益方面显著增大系统和速率与系统容量，满足了未来物联网通信下的高容量、大连接、低功耗的需求。但D2D-SCMA混合接入异构网络仍面临以下问题：
1、两种用户信号互为干扰，导致多用户检测精度降低。在D2D-SCMA混合网络系统中，同时存在SCMA蜂窝用户和D2D用户对，由于蜂窝基站不需要解码D2D用户对信号，所以D2D用户对产生了对蜂窝用户的干扰。同理，SCMA蜂窝用户对D2D用户对来说也是干扰信号，相比于单一的SCMA蜂窝网络，混合网络中接收端多用户检测的精度降低。
2、计算复杂度过高。SCMA系统中用户码字的稀疏特性，需要进行多用户检测，而目前多用户检测方案中使用的算法主要是消息传递算法（Message Passing Algorithm，MPA）。在传统MPA算法解码过程中，需要进行大量的指数运算才能得到最终解码信息，所带来的计算复杂度很高。并且在D2D与SCMA混合网络中，随着用户数增多码本增大所需要的指数运算和乘法运算也进一步提高，在硬件实现方面，同样需要适当的方法来降低蜂窝用户解码器的复杂度。
如何建立一个能够降低计算复杂度，同时具有较高多用户检测精度的D2D-SCMA混合接入异构网络的多用户检测模型已经成为急需解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本申请提供一种基于深度学习的混合多址接入异构网络多用户检测方法，以解决上述技术问题。
为实现上述目的，本申请提供基于深度学习的混合多址接入异构网络多用户检测方法，所述多用户检测模型为基于深度学习的网络模型，包括混合接入联合编码器、信道以及多用户检测解码器；
所述多用户检测模型训练方法，包括：
获取若干蜂窝用户的原始输入数据和若干终端直通用户对的原始输入数据；
利用所述混合接入联合编码器将所述蜂窝用户的原始输入数据和所述终端直通用户对的原始输入数据映射为码字；
利用所述混合接入联合编码器将每个资源块上的所有用户所述码字叠加，以获取叠加信号，并通过信道将所述叠加信号传输给所述多用户检测解码器；
利用所述多用户检测解码器对接收到的所述叠加信号进行解码处理，以获取每个所述蜂窝用户的解码数据和每个所述终端直通用户对的解码数据；
基于所述蜂窝用户的原始输入数据、所述终端直通用户对的原始输入数据、所述蜂窝用户的解码数据及所述终端直通用户对的解码数据来计算所述多用户检测模型的端到端损失函数的值；
基于所述多用户检测模型的端到端损失函数的值来更新所述多用户检测模型的参数；
进行迭代训练，直至满足训练停止条件，以获取训练好的多用户检测模型；
基于训练好的所述多用户检测模型对混合多址接入数据信号进行多用户检测。
于本发明一可选实施例中，所述混合接入联合编码器包括蜂窝用户的编码器和终端直通用户对的编码器；
利用所述混合接入联合编码器将所述蜂窝用户的原始输入数据和所述终端直通用户对的原始输入数据映射为码字，具体包括：
将所述蜂窝用户的原始输入数据和所述终端直通用户对的原始输入数据转为单热向量；
利用所述蜂窝用户的编码器将所述蜂窝用户的单热向量映射为蜂窝用户的码字；
利用所述终端直通用户对的编码器将所述终端直通用户对的单热向量映射为终端直通用户的码字。
于本发明一可选实施例中，利用所述蜂窝用户的编码器将所述蜂窝用户的单热向量映射为码字，包括：
在所述蜂窝用户的编码器中通过卷积神经网络的自主学习完成所述蜂窝用户到资源之间的码字映射，以得到蜂窝用户的码字；
所述蜂窝用户
Figure 742619DEST_PATH_IMAGE001
到资源
Figure 163236DEST_PATH_IMAGE002
的码字映射可以用下式表示：
Figure 635806DEST_PATH_IMAGE003
其中，
Figure 545993DEST_PATH_IMAGE004
是蜂窝用户
Figure 471224DEST_PATH_IMAGE001
到资源
Figure 695532DEST_PATH_IMAGE002
的码字映射函数，
Figure 22608DEST_PATH_IMAGE005
是蜂窝用户
Figure 306959DEST_PATH_IMAGE001
的 输入数据向量，
Figure 532535DEST_PATH_IMAGE006
是蜂窝用户
Figure 294955DEST_PATH_IMAGE001
到资源
Figure 476537DEST_PATH_IMAGE002
的卷积神经网络单元的网络训练参数。
于本发明一可选实施例中，利用所述终端直通用户对的编码器将所述终端直通用户对的单热向量映射为终端直通用户对的码字，包括：
在所述终端直通用户对的编码器中，采用单载波方式，每个终端直通用户对的发送端配置一个卷积神经网络单元，实现将所述单热向量编码为码字，以得到终端直通用户对的码字；
所述终端直通用户对
Figure 931789DEST_PATH_IMAGE007
到资源
Figure 831612DEST_PATH_IMAGE002
的码字映射可以用下式表示：
Figure 397723DEST_PATH_IMAGE008
其中，
Figure 496129DEST_PATH_IMAGE009
是终端直通用户对
Figure 122282DEST_PATH_IMAGE007
到资源
Figure 509401DEST_PATH_IMAGE002
的码字映射函数，
Figure 613623DEST_PATH_IMAGE010
是终端 直通用户对
Figure 769798DEST_PATH_IMAGE007
的输入单热数据向量，
Figure 379902DEST_PATH_IMAGE011
是终端直通用户对
Figure 988738DEST_PATH_IMAGE007
到资源
Figure 162230DEST_PATH_IMAGE002
的卷积神经 网络单元的网络训练参数。
于本发明一可选实施例中，在利用所述混合接入联合编码器将每个资源块上的所 有用户所述码字叠加，以获取叠加信号，并通过信道将所述叠加信号传输给所述多用户检 测解码器的步骤中，第
Figure 172912DEST_PATH_IMAGE002
个所述叠加信号通过下式表示：
Figure 140868DEST_PATH_IMAGE012
其中，
Figure 237000DEST_PATH_IMAGE013
表示第
Figure 745342DEST_PATH_IMAGE001
个蜂窝用户单热编码数据映射到第
Figure 876109DEST_PATH_IMAGE002
个 资源块上的蜂窝用户码字，
Figure 14966DEST_PATH_IMAGE014
表示第
Figure 598394DEST_PATH_IMAGE007
个终端直通用户对的发送 端数据映射到第
Figure 848110DEST_PATH_IMAGE002
个资源块上的码字，
Figure 833383DEST_PATH_IMAGE015
为第
Figure 956191DEST_PATH_IMAGE001
个蜂窝用户与资源块
Figure 26915DEST_PATH_IMAGE002
之间的信道增 益，
Figure 80322DEST_PATH_IMAGE016
为第
Figure 920102DEST_PATH_IMAGE007
个终端直通用户对与资源块
Figure 400762DEST_PATH_IMAGE002
之间的信道增益，
Figure 755520DEST_PATH_IMAGE017
表示蜂窝用户对
Figure 612617DEST_PATH_IMAGE001
到资源
Figure 306904DEST_PATH_IMAGE002
的卷积神经网络单元的网络训练参数，
Figure 958465DEST_PATH_IMAGE018
表示终端直 通用户对
Figure 813901DEST_PATH_IMAGE007
到资源
Figure 209110DEST_PATH_IMAGE002
的卷积神经网络单元的网络训练参数，
Figure 757904DEST_PATH_IMAGE019
表示资源块
Figure 845945DEST_PATH_IMAGE002
处的噪声。
于本发明一可选实施例中，所述多用户检测解码器包括共享层网络和特定用户层；
利用所述多用户检测解码器对接收到的所述叠加信号进行解码处理，以获取每个所述蜂窝用户的解码数据和每个所述终端直通用户对的解码数据，具体包括：
利用所述共享层网络对所述叠加信号进行解码预处理；
利用所述特定用户层对解码预处理后的所述叠加信号进行处理，以获取特定用户层输出数据；
将所述特定用户层输出数据送入用户分类器，以获取每个所述蜂窝用户的解码数据和每个所述终端直通用户对的解码数据。
于本发明一可选实施例中，所述特定用户层包括特定蜂窝用户层和特定终端直通用户层；
利用所述特定用户层对解码预处理后的所述叠加信号进行处理，以获取特定用户层输出数据，包括：
利用所述特定蜂窝用户层对解码预处理后的所述叠加信号进行处理，以获取特定蜂窝用户层输出数据；
利用所述特定终端直通用户层对解码预处理后的所述叠加信号进行处理，以获取特定终端直通用户层输出数据。
于本发明一可选实施例中，在基于所述蜂窝用户的原始输入数据、所述终端直通用户对的原始输入数据、所述蜂窝用户的解码数据及所述终端直通用户对的解码数据来计算所述多用户检测模型的端到端损失函数的值步骤中，计算端到端损失函数值通过下式实现：
Figure 112979DEST_PATH_IMAGE020
其中，
Figure 108616DEST_PATH_IMAGE021
为蜂窝用户
Figure 777495DEST_PATH_IMAGE001
解码出的数据，
Figure 36438DEST_PATH_IMAGE022
是
Figure 525188DEST_PATH_IMAGE021
的第
Figure 527779DEST_PATH_IMAGE002
项，
Figure 51165DEST_PATH_IMAGE023
是
Figure 28479DEST_PATH_IMAGE024
的 第
Figure 270104DEST_PATH_IMAGE002
项，
Figure 810807DEST_PATH_IMAGE025
，
Figure 188699DEST_PATH_IMAGE026
，
Figure 789445DEST_PATH_IMAGE027
；
Figure 315104DEST_PATH_IMAGE028
为终端直通用户对
Figure 659497DEST_PATH_IMAGE007
解码出的数据，
Figure 157475DEST_PATH_IMAGE029
是
Figure 663543DEST_PATH_IMAGE028
的第
Figure 879760DEST_PATH_IMAGE002
项，
Figure 762266DEST_PATH_IMAGE030
是
Figure 927799DEST_PATH_IMAGE031
的第
Figure 604768DEST_PATH_IMAGE002
项，
Figure 42702DEST_PATH_IMAGE032
，
Figure 728899DEST_PATH_IMAGE033
，
Figure 935889DEST_PATH_IMAGE034
。
于本发明一可选实施例中，基于所述多用户检测模型的端到端损失函数的值来更新所述多用户检测模型的参数，具体通过下式实现：
Figure 111656DEST_PATH_IMAGE035
，
其中，
Figure 36886DEST_PATH_IMAGE036
为学习率，
Figure 261194DEST_PATH_IMAGE037
为动量时间步长，
Figure 588270DEST_PATH_IMAGE038
表示第次的参数，
Figure 872621DEST_PATH_IMAGE039
表示更新后第
Figure 19569DEST_PATH_IMAGE037
次 的参数，
Figure 860617DEST_PATH_IMAGE040
为梯度均值的偏差修正，
Figure 42200DEST_PATH_IMAGE041
为平方梯度的偏差修正，
Figure 497452DEST_PATH_IMAGE042
。
于本发明一可选实施例中，测试所述训练好的多用户检测模型的比特出错率性能，具体包括：
随机产生蜂窝用户输入数据和终端直通用户对输入数据；
通过随机产生的所述蜂窝用户输入数据和所述终端直通用户对输入数据计算不同信噪比下所述训练好的多用户检测模型的比特出错率。
本申请的有益效果：本申请提供基于深度学习的混合多址接入异构网络多用户检测方法，所述多用户检测模型为基于深度学习的网络模型，包括混合接入联合编码器、信道以及多用户检测解码器，通过获取若干蜂窝用户的原始输入数据和若干终端直通用户对的原始输入数据；利用所述混合接入联合编码器将所述蜂窝用户的原始输入数据和所述终端直通用户对的原始输入数据映射为码字；利用所述混合接入联合编码器将每个资源块上的所有用户所述码字叠加，以获取叠加信号，并通过信道将所述叠加信号传输给所述多用户检测解码器；利用所述多用户检测解码器对接收到的所述叠加信号进行解码处理，以获取每个所述蜂窝用户的解码数据和每个所述终端直通用户对的解码数据；基于所述蜂窝用户的原始输入数据、所述终端直通用户对的原始输入数据、所述蜂窝用户的解码数据及所述终端直通用户对的解码数据来计算所述多用户检测模型的端到端损失函数的值；基于所述多用户检测模型的端到端损失函数的值来更新所述多用户检测模型的参数；进行迭代训练，直至满足训练停止条件，以获取训练好的多用户检测模型；基于训练好的所述多用户检测模型对混合多址接入数据信号进行多用户检测。训练好的多用户检测模型在进行多用户检测时不仅具有更好的误码率性能，而且能够降低检测复杂度。
附图说明
图1为本申请的方法流程图；
图2为本申请中D2D-SCMA系统模型结构图；
图3为本申请中基于CNN的D2D-SCMA混合接入联合编码器结构图；
图4为本申请中混合接入网络因子图；
图5为本申请提供的卷积神经网络的D2D-SCMA混合接入异构网络解码器BER性能图；
图6为传统D2D-SCMA混合接入网络和CNN-D2D-SCMA混合接入网络多用户检测解码时间对比图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在下文描述中，探讨了大量细节，以提供对本申请实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本申请的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本申请的实施例难以理解。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
除非另有说明，术语“多个”表示两个或两个以上。
本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
首先要说明的是SCMA技术是第五代移动通信网络全新空口核心技术，引入稀疏编码对照簿，通过实现多个用户在码域的多址接入来实现无线频谱资源利用效率的提升。SCMA码本设计是其核心，码本设计主要是两大部分：低密度扩频；高维QAM调制（正交幅度调制）。将这两种技术结合，通过共轭、置换、相位旋转等操作选出具有最佳性能的码本集合，不同用户采用不同的码本进行信息传输。码本具有稀疏性是由于采用了低密度扩频方式，从而实现更有效的用户资源分配及更高的频谱利用；码本所采用的高维调制通过幅度和相位调制将星座点的欧式距离拉得更远，保证多用户占有资源的情况下利于接收端解调并且保证非正交复用用户之间的抗干扰能力。
D2D通信技术是指两个对等的用户节点之间直接进行通信的一种通信方式。在由D2D通信用户组成的分布式网络中，每个用户节点都能发送和接收信号，并具有自动路由(转发消息)的功能。网络的参与者共享它们所拥有的一部分硬件资源，包括信息处理、存储以及网络连接能力等。这些共享资源向网络提供服务和资源，能被其它用户直接访问而不需要经过中间实体。在D2D通信网络中，用户节点同时扮演服务器和客户端的角色，用户能够意识到彼此的存在，自组织地构成一个虚拟或者实际的群体。
在本申请中，基于SCMA技术的蜂窝网络与D2D网络的异构融合，可以在频谱资源的复用增益方面显著增大系统和速率与系统容量，满足了未来物联网通信下的高容量、大连接、低功耗的需求，但同样也面临着两种用户信号互为干扰，导致多用户检测精度降低和计算复杂度过高的问题。
因此如何建立一个能够降低计算复杂度，同时具有较高多用户检测精度的D2D-SCMA混合接入异构网络的多用户检测模型已经成为急需解决的技术问题。
基于上述问题，本申请提供基于深度学习的混合多址接入异构网络多用户检测方法。
图1为本申请的方法流程图。
如图1所示，所述多用户检测模型为基于深度学习的网络模型，包括混合接入联合编码器、信道以及多用户检测解码器。
所述多用户检测模型训练方法，包括：
步骤S110，获取若干蜂窝用户的原始输入数据和若干终端直通用户对的原始输入数据；
步骤S120，利用所述混合接入联合编码器将所述蜂窝用户的原始输入数据和所述终端直通用户对的原始输入数据映射为码字；
步骤S130，利用所述混合接入联合编码器将每个资源块上的所有用户所述码字叠加，以获取叠加信号，并通过信道将所述叠加信号传输给所述多用户检测解码器；
步骤S140，利用所述多用户检测解码器对接收到的所述叠加信号进行解码处理，以获取每个所述蜂窝用户的解码数据和每个所述终端直通用户对的解码数据；
步骤S150，基于所述蜂窝用户的原始输入数据、所述终端直通用户对的原始输入数据、所述蜂窝用户的解码数据及所述终端直通用户对的解码数据来计算所述多用户检测模型的端到端损失函数的值；
步骤S160，基于所述多用户检测模型的端到端损失函数的值来更新所述多用户检测模型的参数；
步骤S170，进行迭代训练，直至满足训练停止条件，以获取训练好的多用户检测模型；
步骤S180，基于训练好的所述多用户检测模型对混合多址接入数据信号进行多用户检测。
下面根据图1具体介绍各步骤执行过程。
首先执行步骤S110，获取若干蜂窝用户的原始输入数据和若干终端直通用户对的原始输入数据，建立混合接入联合编码器。
图2为本申请中D2D-SCMA系统模型结构图。所述建立混合接入联合编码器，具体步骤如下：
假设SCMA蜂窝用户
Figure 397275DEST_PATH_IMAGE043
，D2D用户对
Figure 963385DEST_PATH_IMAGE044
，资源块数量
Figure 61791DEST_PATH_IMAGE045
。SCMA蜂窝用 户的发送二进制比特数据表示为
Figure 687945DEST_PATH_IMAGE046
，
Figure 809484DEST_PATH_IMAGE047
，
Figure 179286DEST_PATH_IMAGE048
。D2D用户 对的发送二进制比特数据为
Figure 335461DEST_PATH_IMAGE049
，
Figure 132515DEST_PATH_IMAGE050
，
Figure 545611DEST_PATH_IMAGE051
。将SCMA用户 发送的二进制比特信息通过单热编码转化为单热向量
Figure 453525DEST_PATH_IMAGE052
，
Figure 464206DEST_PATH_IMAGE053
。将D2D 用户对发送的二进制比特信息通过单热编码转化为单热向量
Figure 432162DEST_PATH_IMAGE054
，
Figure 528294DEST_PATH_IMAGE055
作为联合编码器网络的输入数据。每个用户对应的二进制比特 数据，即为一个维的向量，并且只有其中的一个元素为1，其余元素均为0。
接着执行步骤S120，利用所述混合接入联合编码器将所述蜂窝用户的原始输入数据和所述终端直通用户对的原始输入数据映射为码字。
图3为本申请中基于CNN的D2D-SCMA混合接入联合编码器结构图。
结合图1图3具体说明，由于每个蜂窝用户以占用两个资源块的非正交方式连接，所以每个蜂窝用户与资源块之间使用两个CNN单元实现码字映射。与蜂窝用户不同的是每个D2D用户对占用一个资源块来发送信息，因此每个D2D用户对编码端需要一个CNN单元进行码字映射。
图4为本申请中混合接入网络因子图。结合图4说明，每个用户占用资源块的状况由如混合网络因子图获取，按照混合因子图通过CNN单元将用户与资源块连接构成D2D-SCMA编码器，然后将叠加的复数码字经信道发送至解码端。具体步骤如下：
对于蜂窝用户，首先由用户和资源块的因子图获得对应的因子图矩阵，这里考虑6个SCMA蜂窝用户4个资源块的情况，一个资源块上同时传输3个SCMA蜂窝用户的数据，1个SCMA蜂窝用户的数据复用在2个资源快上。这里采用的因子图矩阵如下所示：
Figure 302215DEST_PATH_IMAGE056
。
按照上述因子图矩阵，结合图3，将连接用户节点与资源节点的每个边缘，都放置一个码字映射器来学习用户节点的输入数据映射到相应资源块上的码字。对于D2D用户对，每个用户对占用资源的方式是直通型，且只占用一个资源块，在本系统中假设每个D2D用户对只和一个蜂窝用户共享相同的资源块。
蜂窝用户的编码根据蜂窝用户和资源块之间的SCMA因子图映射矩阵搭建蜂窝用户的编码器，如蜂窝用户和资源块之间对应的映射矩阵元素为1，则放置1个CNN单元，通过CNN自主学习蜂窝用户到资源之间的码字映射。
上述蜂窝用户
Figure 432982DEST_PATH_IMAGE001
到资源
Figure 571839DEST_PATH_IMAGE002
的码字映射可以用下式表示：
Figure 889688DEST_PATH_IMAGE003
其中，
Figure 404983DEST_PATH_IMAGE004
是蜂窝用户
Figure 390257DEST_PATH_IMAGE001
到资源
Figure 513065DEST_PATH_IMAGE002
的码字映射函数，
Figure 318209DEST_PATH_IMAGE005
是蜂窝用户
Figure 371616DEST_PATH_IMAGE001
的 输入数据向量，
Figure 211396DEST_PATH_IMAGE006
是蜂窝用户
Figure 692056DEST_PATH_IMAGE001
到资源
Figure 312393DEST_PATH_IMAGE002
的卷积神经网络单元的网络训练参数。
D2D用户对的信息传输采用单载波方式，则每个D2D用户对从
Figure 903912DEST_PATH_IMAGE057
个资源块中选择1 个资源作为载波信道传输D2D用户对数据，每个D2D用户对的发送端需配置一个CNN单元实 现将单热向量编码为复数码字。
上述终端直通用户对
Figure 863777DEST_PATH_IMAGE007
到资源
Figure 515339DEST_PATH_IMAGE002
的码字映射可以用下式表示：
Figure 295076DEST_PATH_IMAGE008
其中，
Figure 690285DEST_PATH_IMAGE009
是终端直通用户对
Figure 317707DEST_PATH_IMAGE007
到资源
Figure 140169DEST_PATH_IMAGE002
的码字映射函数，
Figure 407202DEST_PATH_IMAGE010
是终端 直通用户对
Figure 606102DEST_PATH_IMAGE007
的输入单热数据向量，
Figure 274981DEST_PATH_IMAGE011
是终端直通用户对
Figure 330662DEST_PATH_IMAGE007
到资源
Figure 84991DEST_PATH_IMAGE002
的卷积神经 网络单元的网络训练参数。
接着执行步骤S130，利用所述混合接入联合编码器将每个资源块上的所有用户所 述码字叠加，以获取叠加信号，并通过信道将所述叠加信号传输给所述多用户检测解码器； 其中第
Figure 87582DEST_PATH_IMAGE002
个所述叠加信号通过下式表示：
Figure 610968DEST_PATH_IMAGE012
其中，
Figure 775233DEST_PATH_IMAGE013
表示第
Figure 16858DEST_PATH_IMAGE001
个蜂窝用户单热编码数据映射到第
Figure 370610DEST_PATH_IMAGE002
个 资源块上的蜂窝用户码字，
Figure 748502DEST_PATH_IMAGE014
表示第
Figure 349248DEST_PATH_IMAGE007
个终端直通用户对的发送 端数据映射到第
Figure 812590DEST_PATH_IMAGE002
个资源块上的码字，
Figure 156984DEST_PATH_IMAGE015
为第
Figure 389382DEST_PATH_IMAGE001
个蜂窝用户与资源块
Figure 223346DEST_PATH_IMAGE002
之间的信道增 益,
Figure 173984DEST_PATH_IMAGE016
为第
Figure 56489DEST_PATH_IMAGE007
个终端直通用户对与资源块
Figure 408973DEST_PATH_IMAGE002
之间的信道增益，
Figure 351522DEST_PATH_IMAGE058
表示蜂窝用户对
Figure 599576DEST_PATH_IMAGE001
到资源
Figure 285772DEST_PATH_IMAGE002
的卷积神经网络单元的网络训练参数，
Figure 492763DEST_PATH_IMAGE018
表示终端直 通用户对
Figure 606212DEST_PATH_IMAGE007
到资源
Figure 531443DEST_PATH_IMAGE002
的卷积神经网络单元的网络训练参数，
Figure 755751DEST_PATH_IMAGE019
表示资源块
Figure 145144DEST_PATH_IMAGE002
处的噪声， 服从均值为0，方差为正态分布。
接着执行步骤S140，利用所述多用户检测解码器对接收到的所述叠加信号进行解码处理，以获取每个所述蜂窝用户的解码数据和每个所述终端直通用户对的解码数据。
所述多用户解码器包括共享层网络和特定用户层。其中共享层网络可加载于无线网络的中继器上，共享层网络有三个隐藏层，并以整流线性单元(Relu)作为激活函数，用于接收叠加信号，并对其进行用户解码的预处理操作。
利用所述特定用户层对解码预处理后的所述叠加信号进行处理，以获取特定用户层输出数据。
所述特定用户层包括特定蜂窝用户层和特定终端直通用户层；利用所述特定蜂窝用户层对解码预处理后的所述叠加信号进行处理，以获取特定蜂窝用户层输出数据。
所述特定蜂窝用户层的处理可以用下式表示：
Figure 163915DEST_PATH_IMAGE059
其中，
Figure 576442DEST_PATH_IMAGE059
为特定蜂窝用户层，
Figure 604441DEST_PATH_IMAGE060
为经共享层处理后的数 据，
Figure 786024DEST_PATH_IMAGE061
为特定蜂窝用户层的神经网络参数；
利用所述特定终端直通用户层对解码预处理后的所述叠加信号进行处理，以获取特定终端直通用户层输出数据。
所述特定终端直通用户层的第
Figure 54325DEST_PATH_IMAGE007
个终端直通用户对的处理可以用下式表示：
Figure 688569DEST_PATH_IMAGE062
，
其中，
Figure 254679DEST_PATH_IMAGE062
为第
Figure 556348DEST_PATH_IMAGE007
个特定蜂窝用户层，
Figure 182501DEST_PATH_IMAGE063
为经共享层 处理后的数据，
Figure 304041DEST_PATH_IMAGE064
为第
Figure 736159DEST_PATH_IMAGE007
个蜂窝用户对的特定直通用户层的神经网络参数。
将所述特定用户层输出数据
Figure 892334DEST_PATH_IMAGE059
和
Figure 689389DEST_PATH_IMAGE062
送入激 活函数为softmax用户分类器，以获取每个所述蜂窝用户的解码数据和每个所述终端直通 用户对的解码数据。
在蜂窝网络的接收端，分类器的输入是维数为
Figure 298225DEST_PATH_IMAGE057
的向量
Figure 206138DEST_PATH_IMAGE065
，
Figure 29868DEST_PATH_IMAGE066
是
Figure 997824DEST_PATH_IMAGE065
的第
Figure 93956DEST_PATH_IMAGE002
项。 SCMA蜂窝用户的第
Figure 805560DEST_PATH_IMAGE001
个softmax（wc）函数输出是维数为
Figure 670748DEST_PATH_IMAGE057
的向量
Figure 809605DEST_PATH_IMAGE067
，D2D用户对的第
Figure 455350DEST_PATH_IMAGE007
个 softmax（wd）函数输出
Figure 970645DEST_PATH_IMAGE068
计算过程与
Figure 690340DEST_PATH_IMAGE067
相同。
Figure 98DEST_PATH_IMAGE067
的第
Figure 70823DEST_PATH_IMAGE002
项如下表示：
Figure 124229DEST_PATH_IMAGE069
。
接着执行步骤S150，基于所述蜂窝用户的原始输入数据、所述终端直通用户对的原始输入数据、所述蜂窝用户的解码数据及所述终端直通用户对的解码数据来计算所述多用户检测模型的端到端损失函数的值。
计算端到端损失函数值通过下式实现：
Figure 777059DEST_PATH_IMAGE070
其中，
Figure 257718DEST_PATH_IMAGE021
为蜂窝用户
Figure 815739DEST_PATH_IMAGE001
解码出的数据，
Figure 407257DEST_PATH_IMAGE071
是
Figure 101544DEST_PATH_IMAGE021
的第
Figure 81001DEST_PATH_IMAGE002
项，
Figure 860738DEST_PATH_IMAGE023
是
Figure 255947DEST_PATH_IMAGE024
的 第
Figure 70320DEST_PATH_IMAGE002
项，
Figure 892782DEST_PATH_IMAGE025
，
Figure 159815DEST_PATH_IMAGE026
，
Figure 174695DEST_PATH_IMAGE027
；
Figure 843573DEST_PATH_IMAGE028
为终端直通用户对
Figure 836937DEST_PATH_IMAGE007
解码出的数据，
Figure 591266DEST_PATH_IMAGE029
是
Figure 328278DEST_PATH_IMAGE028
的第
Figure 913980DEST_PATH_IMAGE072
项,
Figure 343825DEST_PATH_IMAGE030
是
Figure 585450DEST_PATH_IMAGE031
的第
Figure 860574DEST_PATH_IMAGE002
项，
Figure 504045DEST_PATH_IMAGE032
，
Figure 839211DEST_PATH_IMAGE033
，
Figure 381182DEST_PATH_IMAGE034
。
接着执行步骤S160，基于所述多用户检测模型的端到端损失函数的值来更新所述多用户检测模型的参数，通过Adam优化器使得损失函数的值收敛至最小，具体通过下式实现：
Figure 459996DEST_PATH_IMAGE035
，
其中，
Figure 957974DEST_PATH_IMAGE036
为学习率，
Figure 729621DEST_PATH_IMAGE037
为动量时间步长，
Figure 680259DEST_PATH_IMAGE038
表示第次的参数，
Figure 562765DEST_PATH_IMAGE039
表示更新后第
Figure 977565DEST_PATH_IMAGE037
次 的参数，
Figure 920114DEST_PATH_IMAGE040
为梯度均值的偏差修正，
Figure 358048DEST_PATH_IMAGE041
为平方梯度的偏差修正，
Figure 778665DEST_PATH_IMAGE042
。
接着执行步骤S170，进行迭代训练，直至满足训练停止条件，以获取训练好的多用户检测模型。
接着执行步骤S180，基于训练好的所述多用户检测模型对混合多址接入数据信号进行多用户检测。通过该方法可以处理蜂窝用户和终端直通用户对直接的信号干扰问题，并且具有较高的检测精度。
图5为本申请提供的卷积神经网络的D2D-SCMA混合接入异构网络解码器BER（比特出错率）性能图，结合图5具体说明，根据获取到的所述训练好的多用户检测模型，计算不同信噪比下基于卷积神经网络的D2D-SCMA编解码器的BER性能。
如图5示，本申请所对比的传统D2D-SCMA解码器中对SCMA用户采用基于列表球的MPA算法，简称为LSD-MPA，对D2D用户对采用基于列表球的ML算法，简称为LSD-ML。为分析本申请所提出方案与所对比方案的BER性能，本申请将混合网络设置在上行链路信道进行仿真实验，由图5的BER性能对比图可以看出在AWGN信道下，本申请中的CNN-D2D-SCMA方案不论是SCMA用户的解码（图5中的CNN-D2D-SCMA for SCMA曲线）还是D2D用户对的解码（CNN-D2D-SCMA for D2D曲线），在不同的Eb/N0下，BER性能始终优于传统D2D-SCMA的解码算法（图5中的D2D-SCMA for SCMA曲线，及D2D-SCMA for D2D曲线）。并且与单一的SCMA系统解码（图5中的SCMA System w/o D2D曲线）对比，CNN-D2D-SCMA方案的BER性能损失可以接受，在信噪比环境好的情况下即高Eb/N0环境下的BER性能损失大概在1dB左右，而用于D2D-SCMA的传统LSD-MPA解码算法与单一SCMA系统的MPA解码算法相比损失有3dB左右。由上述结果可以得出，基于深度学习的解码算法能够将D2D与SCMA混合网络看做一个整体系统，通过训练优化网络参数使神经网络寻找最优参数来对网络中的各类用户进行检测，因此解码器同样适用于D2D用户对的解码，而基于传统算法来解决混合网络用户间的干扰问题时会将其他用户的信号干扰看作噪声功率的放大，尤其对于D2D用户对的解码角度来看，SCMA用户信号类似于一个额外的大功率噪声，对其BER性能影响较大。
图6为传统D2D-SCMA混合接入网络和CNN-D2D-SCMA混合接入网络多用户检测解码时间对比图。
如图6所示，可以很明显的看出传统D2D-SCMA混合网络的解码时间远远高于CNN-D2D-SCMA混合网络解码时间，因而相对于传统的D2D-SCMA多用户检测解码器，本申请设计了基于CNN的D2D-SCMA多用户检测解码器，无需单独的D2D多用户对检测和SCMA多用户检测，根据SCMA蜂窝用户数、D2D用户对数、子载波资源数等参数建立CNN单元，设计合理的神经网络结构，通过神经网络的训练不断更新网络权值和偏置。训练好的神经网络仅需一次计算即可直接恢复出对应用户的发送数据，大大降低了检测复杂度。
本申请还设计了基于CNN单元的D2D-SCMA混合接入联合编码器，针对D2D-SCMA混合接入建立联合编码器，SCMA蜂窝用户和D2D用户对通过CNN自主学习到各自的编码码字，使得码字间具有更好的欧式距离，增加了混合网络的抗干扰性能。因此，相比于传统的D2D-SCMA混合网络还具有更好的误码率性能。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
在本文的描述中，提供了许多特定细节，诸如部件和/或方法的实例，以提供对本发明实施例的完全理解。然而，本领域技术人员将认识到可以在没有一项或多项具体细节的情况下或通过其他设备、系统、组件、方法、部件、材料、零件等等来实践本发明的实施例。在其他情况下，未具体示出或详细描述公知的结构、材料或操作，以避免使本发明实施例的方面变模糊。
在整篇说明书中提到“一个实施例”、“实施例”或“具体实施例”意指与结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中，并且不一定在所有实施例中。因而，在整篇说明书中不同地方的短语“在一个实施例中”、“在实施例中”或“在具体实施例中”的各个表象不一定是指相同的实施例。此外，本发明的任何具体实施例的特定特征、结构或特性可以按任何合适的方式与一个或多个其他实施例结合。应当理解本文所述和所示的发明实施例的其他变型和修改可能是根据本文教导的，并将被视作本发明精神和范围的一部分。
还应当理解还可以以更分离或更整合的方式实施附图所示元件中的一个或多个，或者甚至因为在某些情况下不能操作而被移除或因为可以根据特定应用是有用的而被提供。
另外，除非另外明确指明，附图中的任何标志箭头应当仅被视为示例性的，而并非限制。此外，除非另外指明，本文所用的术语“或”一般意在表示“和/或”。在术语因提供分离或组合能力是不清楚的而被预见的情况下，部件或步骤的组合也将视为已被指明。
如在本文的描述和在下面整篇权利要求书中所用，除非另外指明，“一个”、和“该”包括复数参考物。同样，如在本文的描述和在下面整篇权利要求书中所用，除非另外指明，“在…中”的意思包括“在…中”和“在…上”。
本发明所示实施例的上述描述(包括在说明书摘要中所述的内容)并非意在详尽列举或将本发明限制到本文所公开的精确形式。尽管在本文仅为说明的目的而描述了本发明的具体实施例和本发明的实例，但是正如本领域技术人员将认识和理解的，各种等效修改是可以在本发明的精神和范围内的。如所指出的，可以按照本发明所述实施例的上述描述来对本发明进行这些修改，并且这些修改将在本发明的精神和范围内。
本文已经在总体上将系统和方法描述为有助于理解本发明的细节。此外，已经给出了各种具体细节以提供本发明实施例的总体理解。然而，相关领域的技术人员将会认识到，本发明的实施例可以在没有一个或多个具体细节的情况下进行实践，或者利用其它装置、系统、配件、方法、组件、材料、部分等进行实践。在其它情况下，并未特别示出或详细描述公知结构、材料和/或操作以避免对本发明实施例的各方面造成混淆。
因而，尽管本发明在本文已参照其具体实施例进行描述，但是修改自由、各种改变和替换亦在上述公开内，并且应当理解，在某些情况下，在未背离所提出发明的范围和精神的前提下，在没有对应使用其他特征的情况下将采用本发明的一些特征。因此，可以进行许多修改，以使特定环境或材料适应本发明的实质范围和精神。本发明并非意在限制到在下面权利要求书中使用的特定术语和/或作为设想用以执行本发明的最佳方式公开的具体实施例，但是本发明将包括落入所附权利要求书范围内的任何和所有实施例及等同物。因而，本发明的范围将只由所附的权利要求书进行确定。

Claims (10)

1.一种基于深度学习的混合多址接入异构网络多用户检测方法，其特征在于，所述多用户检测模型为基于深度学习的网络模型，包括混合接入联合编码器、信道以及多用户检测解码器；
所述多用户检测模型训练方法，包括：
获取若干蜂窝用户的原始输入数据和若干终端直通用户对的原始输入数据；
利用所述混合接入联合编码器将所述蜂窝用户的原始输入数据和所述终端直通用户对的原始输入数据映射为码字；
利用所述混合接入联合编码器将每个资源块上的所有用户所述码字叠加，以获取叠加信号，并通过信道将所述叠加信号传输给所述多用户检测解码器；
利用所述多用户检测解码器对接收到的所述叠加信号进行解码处理，以获取每个所述蜂窝用户的解码数据和每个所述终端直通用户对的解码数据；
基于所述蜂窝用户的原始输入数据、所述终端直通用户对的原始输入数据、所述蜂窝用户的解码数据及所述终端直通用户对的解码数据来计算所述多用户检测模型的端到端损失函数的值；
基于所述多用户检测模型的端到端损失函数的值来更新所述多用户检测模型的参数；
进行迭代训练，直至满足训练停止条件，以获取训练好的多用户检测模型；
基于训练好的所述多用户检测模型对混合多址接入数据信号进行多用户检测。
2.根据权利要求1所述的基于深度学习的混合多址接入异构网络多用户检测方法，其特征在于，所述混合接入联合编码器包括蜂窝用户的编码器和终端直通用户对的编码器；
利用所述混合接入联合编码器将所述蜂窝用户的原始输入数据和所述终端直通用户对的原始输入数据映射为码字，具体包括：
将所述蜂窝用户的原始输入数据和所述终端直通用户对的原始输入数据转为单热向量；
利用所述蜂窝用户的编码器将所述蜂窝用户的单热向量映射为蜂窝用户的码字；
利用所述终端直通用户对的编码器将所述终端直通用户对的单热向量映射为终端直通用户对的码字。
3.根据权利要求2所述的基于深度学习的混合多址接入异构网络多用户检测方法，其特征在于，利用所述蜂窝用户的编码器将所述蜂窝用户的单热向量映射为码字，包括：
在所述蜂窝用户的编码器中通过卷积神经网络的自主学习完成所述蜂窝用户到资源之间的码字映射，以得到蜂窝用户的码字；
所述蜂窝用户
Figure 556581DEST_PATH_IMAGE001
到资源
Figure 894021DEST_PATH_IMAGE002
的码字映射可以用下式表示：
Figure 537492DEST_PATH_IMAGE003
其中，
Figure 872658DEST_PATH_IMAGE004
是蜂窝用户
Figure 601580DEST_PATH_IMAGE001
到资源
Figure 680394DEST_PATH_IMAGE002
的码字映射函数，
Figure 991421DEST_PATH_IMAGE005
是蜂窝用户
Figure 763068DEST_PATH_IMAGE001
的输入 数据向量，
Figure 713707DEST_PATH_IMAGE006
是蜂窝用户
Figure 596212DEST_PATH_IMAGE001
到资源
Figure 948696DEST_PATH_IMAGE002
的卷积神经网络单元的网络训练参数。
4.根据权利要求2所述的基于深度学习的混合多址接入异构网络多用户检测方法，其特征在于，利用所述终端直通用户对的编码器将所述终端直通用户对的单热向量映射为终端直通用户对的码字，包括：
在所述终端直通用户对的编码器中，采用单载波方式，每个终端直通用户对的发送端配置一个卷积神经网络单元，实现将所述单热向量编码为码字，以得到终端直通用户对的码字；
所述终端直通用户对
Figure 953561DEST_PATH_IMAGE007
到资源
Figure 391496DEST_PATH_IMAGE002
的码字映射可以用下式表示：
Figure 812113DEST_PATH_IMAGE008
其中，
Figure 284682DEST_PATH_IMAGE009
是终端直通用户对
Figure 398132DEST_PATH_IMAGE007
到资源
Figure 323362DEST_PATH_IMAGE002
的码字映射函数，
Figure 363649DEST_PATH_IMAGE010
是终端直通 用户对
Figure 425146DEST_PATH_IMAGE007
的输入单热数据向量，
Figure 709497DEST_PATH_IMAGE011
是终端直通用户对
Figure 122024DEST_PATH_IMAGE007
到资源
Figure 150023DEST_PATH_IMAGE012
的卷积神经网络单 元的网络训练参数。
5.根据权利要求1所述的基于深度学习的混合多址接入异构网络多用户检测方法，其特征在于，在利用所述混合接入联合编码器将每个资源块上的所有用户所述码字叠加，以获取叠加信号，并通过信道将所述叠加信号传输给所述多用户检测解码器的步骤中，
第
Figure 393922DEST_PATH_IMAGE002
个所述叠加信号通过下式表示：
Figure 583595DEST_PATH_IMAGE013
其中，
Figure 483418DEST_PATH_IMAGE014
表示第
Figure 49529DEST_PATH_IMAGE001
个蜂窝用户单热编码数据映射到第
Figure 351197DEST_PATH_IMAGE002
个资源 块上的蜂窝用户码字，
Figure 711771DEST_PATH_IMAGE015
表示第
Figure 911939DEST_PATH_IMAGE007
个终端直通用户对的发送端数 据映射到第
Figure 281741DEST_PATH_IMAGE002
个资源块上的码字，
Figure 172337DEST_PATH_IMAGE016
为第
Figure 969391DEST_PATH_IMAGE001
个蜂窝用户与资源块
Figure 578227DEST_PATH_IMAGE002
之间的信道增益,
Figure 814036DEST_PATH_IMAGE017
为第
Figure 824718DEST_PATH_IMAGE007
个终端直通用户对与资源块
Figure 792674DEST_PATH_IMAGE002
之间的信道增益，
Figure 888806DEST_PATH_IMAGE018
表 示蜂窝用户对
Figure 600410DEST_PATH_IMAGE001
到资源
Figure 465598DEST_PATH_IMAGE002
的卷积神经网络单元的网络训练参数，
Figure 417504DEST_PATH_IMAGE019
表示终端直通 用户对
Figure 932DEST_PATH_IMAGE007
到资源
Figure 250648DEST_PATH_IMAGE002
的卷积神经网络单元的网络训练参数，
Figure 235922DEST_PATH_IMAGE020
表示资源块
Figure 545680DEST_PATH_IMAGE002
处的噪声。
6.根据权利要求1所述的基于深度学习的混合多址接入异构网络多用户检测方法，其特征在于，所述多用户检测解码器包括共享层网络和特定用户层；
利用所述多用户检测解码器对接收到的所述叠加信号进行解码处理，以获取每个所述蜂窝用户的解码数据和每个所述终端直通用户对的解码数据，具体包括：
利用所述共享层网络对所述叠加信号进行解码预处理；
利用所述特定用户层对解码预处理后的所述叠加信号进行处理，以获取特定用户层输出数据；
将所述特定用户层输出数据送入用户分类器，以获取每个所述蜂窝用户的解码数据和每个所述终端直通用户对的解码数据。
7.根据权利要求6所述的基于深度学习的混合多址接入异构网络多用户检测方法，其特征在于，所述特定用户层包括特定蜂窝用户层和特定终端直通用户层；
利用所述特定用户层对解码预处理后的所述叠加信号进行处理，以获取特定用户层输出数据，包括：
利用所述特定蜂窝用户层对解码预处理后的所述叠加信号进行处理，以获取特定蜂窝用户层输出数据；
利用所述特定终端直通用户层对解码预处理后的所述叠加信号进行处理，以获取特定终端直通用户层输出数据。
8.根据权利要求1所述的基于深度学习的混合多址接入异构网络多用户检测方法，其特征在于，在基于所述蜂窝用户的原始输入数据、所述终端直通用户对的原始输入数据、所述蜂窝用户的解码数据及所述终端直通用户对的解码数据来计算所述多用户检测模型的端到端损失函数的值步骤中，
计算端到端损失函数值通过下式实现：
Figure 678721DEST_PATH_IMAGE021
其中，
Figure 732128DEST_PATH_IMAGE022
为蜂窝用户
Figure 571908DEST_PATH_IMAGE001
解码出的数据，
Figure 52568DEST_PATH_IMAGE023
是
Figure 345009DEST_PATH_IMAGE022
的第
Figure 202106DEST_PATH_IMAGE002
项，
Figure 709442DEST_PATH_IMAGE024
是
Figure 361004DEST_PATH_IMAGE025
的第
Figure 406320DEST_PATH_IMAGE002
项，
Figure 801529DEST_PATH_IMAGE026
，
Figure 350322DEST_PATH_IMAGE027
，
Figure 500681DEST_PATH_IMAGE028
；
Figure 767714DEST_PATH_IMAGE029
为终端直通用户对
Figure 966614DEST_PATH_IMAGE007
解码出的数据，
Figure 369914DEST_PATH_IMAGE030
是
Figure 438976DEST_PATH_IMAGE029
的第
Figure 193306DEST_PATH_IMAGE002
项,
Figure 930318DEST_PATH_IMAGE031
是
Figure 453703DEST_PATH_IMAGE032
的第
Figure 883547DEST_PATH_IMAGE002
项，
Figure 859593DEST_PATH_IMAGE033
，
Figure 462613DEST_PATH_IMAGE034
，
Figure 106084DEST_PATH_IMAGE035
。
9.根据权利要求1所述的基于深度学习的混合多址接入异构网络多用户检测方法，其特征在于，基于所述多用户检测模型的端到端损失函数的值来更新所述多用户检测模型的参数，具体通过下式实现：
Figure 441250DEST_PATH_IMAGE036
，
其中，
Figure 170172DEST_PATH_IMAGE037
为学习率，
Figure 248986DEST_PATH_IMAGE038
为动量时间步长，
Figure 560013DEST_PATH_IMAGE039
表示第次的参数，
Figure 66081DEST_PATH_IMAGE040
表示更新后第
Figure 282299DEST_PATH_IMAGE038
次的参 数，
Figure 164804DEST_PATH_IMAGE041
为梯度均值的偏差修正，
Figure 517288DEST_PATH_IMAGE042
为平方梯度的偏差修正，
Figure 459836DEST_PATH_IMAGE043
。
10.根据权利要求1所述的基于深度学习的混合多址接入异构网络多用户检测方法，其特征在于，测试所述训练好的多用户检测模型的比特出错率性能，具体包括：
随机产生蜂窝用户输入数据和终端直通用户对输入数据；
通过随机产生的所述蜂窝用户输入数据和所述终端直通用户对输入数据计算不同信噪比下所述训练好的多用户检测模型的比特出错率。
CN202211506238.2A 2022-11-29 2022-11-29 基于深度学习的混合多址接入异构网络多用户检测方法 Active CN115550934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211506238.2A CN115550934B (zh) 2022-11-29 2022-11-29 基于深度学习的混合多址接入异构网络多用户检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211506238.2A CN115550934B (zh) 2022-11-29 2022-11-29 基于深度学习的混合多址接入异构网络多用户检测方法

Publications (2)

Publication Number Publication Date
CN115550934A true CN115550934A (zh) 2022-12-30
CN115550934B CN115550934B (zh) 2023-04-07

Family

ID=84721977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211506238.2A Active CN115550934B (zh) 2022-11-29 2022-11-29 基于深度学习的混合多址接入异构网络多用户检测方法

Country Status (1)

Country Link
CN (1) CN115550934B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104798317A (zh) * 2012-11-16 2015-07-22 华为技术有限公司 用于稀疏码多址接入的系统和方法
CN107017967A (zh) * 2017-03-10 2017-08-04 电子科技大学 一种改良串行策略的scma通信系统多用户检测方法
CN109787715A (zh) * 2018-12-18 2019-05-21 中国科学院深圳先进技术研究院 Scma系统的dnn解码方法及解码通信设备
CN110474716A (zh) * 2019-08-14 2019-11-19 安徽大学 基于降噪自编码器的scma编解码器模型的建立方法
CN112003680A (zh) * 2020-08-28 2020-11-27 南京邮电大学 一种scma系统中低复杂度多用户检测方法
CN113381799A (zh) * 2021-06-08 2021-09-10 哈尔滨工业大学 基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法
CN113992313A (zh) * 2021-10-25 2022-01-28 安徽大学 一种基于深度学习的均衡网络辅助scma编解码方法
WO2022178886A1 (zh) * 2021-02-27 2022-09-01 华为技术有限公司 码字映射方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104798317A (zh) * 2012-11-16 2015-07-22 华为技术有限公司 用于稀疏码多址接入的系统和方法
CN107017967A (zh) * 2017-03-10 2017-08-04 电子科技大学 一种改良串行策略的scma通信系统多用户检测方法
CN109787715A (zh) * 2018-12-18 2019-05-21 中国科学院深圳先进技术研究院 Scma系统的dnn解码方法及解码通信设备
CN110474716A (zh) * 2019-08-14 2019-11-19 安徽大学 基于降噪自编码器的scma编解码器模型的建立方法
CN112003680A (zh) * 2020-08-28 2020-11-27 南京邮电大学 一种scma系统中低复杂度多用户检测方法
WO2022178886A1 (zh) * 2021-02-27 2022-09-01 华为技术有限公司 码字映射方法及装置
CN113381799A (zh) * 2021-06-08 2021-09-10 哈尔滨工业大学 基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法
CN113992313A (zh) * 2021-10-25 2022-01-28 安徽大学 一种基于深度学习的均衡网络辅助scma编解码方法

Also Published As

Publication number Publication date
CN115550934B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Yang et al. Information-guided transmission in decode-and-forward relaying systems: Spatial exploitation and throughput enhancement
CN107204831B (zh) 一种用于mimo-scma系统的低复杂度检测方法
CN107455001A (zh) 基于树搜索的解码
CN114337933B (zh) 基于scma的高速可见光通信系统及自适应编解码方法
Deka et al. Hybrid NOMA for future radio access: Design, potentials and limitations
CN116458103A (zh) 一种神经网络的训练方法以及相关装置
CN109302266B (zh) 基于双层网络编码的高能效协作中继网络传输方法
Pan et al. A Deep Learning‐Aided Detection Method for FTN‐Based NOMA
Jiang et al. Deep learning-aided constellation design for downlink NOMA
Peng et al. Physical layer network coding in network MIMO: A new design for 5G and beyond
Walk et al. MOCZ for blind short-packet communication: Basic principles
Gupta et al. End-to-end learning-based amplify-and-forward relay networks using autoencoders
Gupta et al. End-to-end learning-based framework for amplify-and-forward relay networks
Fang et al. Linear physical-layer network coding over hybrid finite ring for Rayleigh fading two-way relay channels
CN115550934B (zh) 基于深度学习的混合多址接入异构网络多用户检测方法
Gupta et al. A stacked-autoencoder based end-to-end learning framework for decode-and-forward relay networks
Tomasi et al. Low-complexity receiver for multi-level polar coded modulation in non-orthogonal multiple access
Zeng et al. Polar coded cooperative differential spatial modulation based on plotkin construction and quasi-uniform puncturing
CN112787733B (zh) 一种双向中继方案自适应选择方法、系统、存储介质及终端
Guo et al. Joint encoding and grouping multiple node pairs for physical-layer network coding with low-complexity algorithm
Sanjana et al. Deep learning approaches used in downlink MIMO-NOMA system: a survey
Liu et al. Minimum error probability cooperative relay design
Huang et al. Coding for parallel gaussian bidirectional relay channels: A deterministic approach
Xu et al. BER performance evaluation of downlink MUSA over Rayleigh fading channel
Cheng et al. Generalized signal-space alignment based physical-layer network coding for distributed MIMO 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