CN116506072B - 基于多任务联邦学习的mimo-noma系统的信号检测方法 - Google Patents
基于多任务联邦学习的mimo-noma系统的信号检测方法 Download PDFInfo
- Publication number
- CN116506072B CN116506072B CN202310725976.4A CN202310725976A CN116506072B CN 116506072 B CN116506072 B CN 116506072B CN 202310725976 A CN202310725976 A CN 202310725976A CN 116506072 B CN116506072 B CN 116506072B
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- task
- signal
- mimo
- 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.)
- Active
Links
- 206010042135 Stomatitis necrotising Diseases 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 201000008585 noma Diseases 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 230000008054 signal transmission Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 71
- 230000004913 activation Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000011056 performance test Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 abstract description 5
- 238000004220 aggregation Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radio Transmission System (AREA)
Abstract
本发明涉及基于多任务联邦学习的MIMO‑NOMA系统的信号检测方法,包含以下步骤:建立MIMO‑NOMA信号传输模型;搭建通信系统仿真平台;建立多任务神经网络;构建多任务联邦学习框架;应用多任务联邦学习框架;接收并检测MIMO‑NOMA信号;所述MIMO‑NOMA信号检测方法的误符号率性能即为本方法的最终结果。本发明提供线下训练的网络模型可以直接部署在不同用户侧;引入联邦学习框架,在保护数据隐私下实现不同用户侧的模型聚合与共享。
Description
技术领域
本发明涉及通信信号检测领域,具体地涉及基于多任务联邦学习的MIMO-NOMA系统的信号检测方法。
背景技术
非正交多址接入(non-orthogonal multiple access,NOMA)技术通过引入新的维度,在功率域或者码域进行复用实现非正交方式传输,使得多个用户可以共享时频资源,提升了系统容量和频谱效率。为提高距离基站(base station,BS)较远的小区边缘用户的可靠数据传输速率,可以引入协作通信技术增强远场用户(the far-field user,UF)的数据速率。基于用户辅助的协作NOMA系统中使用近场用户(the near-field user,UN)作为中继相比额外加入传统中继,可以降低工程部署开销,但是要求用户设备具有足够的能量支撑,无线携能通信 (simultaneous wireless information and power transfer,SWIPT)技术可以使用户在不消耗附近自身电池的情况下执行协同中继操作。MIMO-NOMA技术将多输入多输出(multiple-input multiple-output,MIMO)技术的阵列增益和NOMA共享资源的优势相结合,可以进一步提高系统吞吐量。
但是将多种技术融合提升系统性能的同时,也使得接收端译码变得更加复杂。传统协作MIMO-NOMA系统中,UN常采用串行干扰消除(successive interferencecancellation,SIC)译码,UF则先使用最大比合并(maximum ratio combining,MRC)或者选择性合并(selective combining,SC)方式合并信号后再译码,两者很大程度上依赖信道状态信息估计的准确性,并存在误码传播。
为了解决上述问题,现有技术利用了深度学习技术进行无线通信物理层的算法设计,具体来说:
深度学习技术的兴起给无线通信物理层的算法设计提供了一种新的设计思路,并被认为是5G和6G的关键技术之一。在此思路的影响下,各种现有技术百花齐放;有代表性的现有技术可以归为以下几种:
(1)应用深度自编码器(AutoEncoder,AE)设计协作中继通信系统,并对比中继在放大转发(amplify-and-forward,AF)和解码转发(decode-and-forward,DF)情况下,用户采用MRC和SC的信号检测性能,验证了神经网络相对传统方法可以获得更大的增益;
(2)基于卷积神经网络(convolution neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)设计了MIMO系统接收机模型;
(3)将LSTM用于NOMA系统实现用户信号检测,该网络对完整的编码和解码过程进行建模,并以端到端方式解决未知的信道失真;
(4)研究了MIMO-NOMA系统中的多用户检测深度神经网络(deep neural network,DNN),其中DNN被证明能够获得比SIC接收器更低的误符号率(symbol error rate,SER);
(5)使用DNN代替预编码和SIC解码结构从而进行联合优化。
上述现有技术都能够在一定方面或程度上,解决前述问题,但也由于理论基础的原因,不可避免仍然还具有一定技术问题;具体来说现有技术的缺陷如下:
1. 由于已有的基于深度学习所设计的NOMA接收机的端到端DNN模型,其设计思想扩展于正交多址接入(on-orthogonal multiple access, OMA)系统,使用神经网络来学习到从接收信号到发射信号的映射关系,但仅考虑从该用户的接收信号映射到理想发射信号中所包含的该用户信息的一对一的映射,受发射端叠加编码时功率分配影响,UN训练的DNN模型检测的是NOMA信号中的弱信号,UF的网络检测强信号,从而使得现有的单任务网络不能同时工作于两种模式;
2. 由于协作NOMA通信系统中UN接收信号与UF接收信号的数据分布不同,而机器学习要求训练数据和测试数据均独立采样于同一数据分布,从而现有的单任务DNN在线部署时需要根据本地用户的接收数据重新训练,虽然引入迁移学习方法可以减轻训练负担,但是线上调整过程仍然对实时通信存在影响。
发明内容
本发明针对上述问题,提供基于多任务联邦学习的MIMO-NOMA系统的信号检测方法,其目的在于提供线下训练的网络模型可以直接部署在不同用户侧;引入联邦学习框架,在保护数据隐私下实现不同用户侧的模型聚合与共享。
为解决上述问题,本发明提供的技术方案为:
一种基于多任务联邦学习的MIMO-NOMA系统的信号检测方法,包含以下步骤:
S100. 建立MIMO-NOMA信号传输模型;搭建通信系统仿真平台;
S200. 建立多任务神经网络;构建多任务联邦学习框架;
S300. 应用多任务联邦学习框架;接收并检测MIMO-NOMA信号。
优选地,S100具体包含以下步骤:
S110. 建立基站信号传输模型;获取近场用户接收信号;
S120. 建立中继信号转发模型;获取远场用户接收信号;
S130. 根据所构建信号模型生成MIMO-NOMA信号检测算法所需训练样本。
优选地,S200具体包含以下步骤:
S210. 根据信号检测性能指标建立多任务损失函数;
S220. 建立多任务神经网络;完成多用户信号检测;
S230. 建立联邦学习框架;优化分布式神经网络训练。
优选地,所述基站信号传输模型按下式表达:
;
其中:为UN接收信号;UN表征近场用户;/>为功率分割因子,通过搭建通信仿真系统获得;/>为BS到UN的信道矩阵;BS表征基站;/>为BS发射信号;/>为高斯白噪声;
所述BS发射信号按下式表达:
;
其中:为发射功率;/>为发射给UN的信息;/>为发射给UF的信息;UF表征远场用户;/>为UN的功率分配因子,通过人工预设的功率分配算法获得;/>为UF的功率分配因子,通过人工预设的功率分配算法获得;且/>和/>满足下式关系:
;
所述BS到UN的信道矩阵服从瑞利分布,且满足下式关系:
;
其中:为对数据求期望操作;/>为信道/>的标准差;/>为BS到UF的信道矩阵;
所述BS到UF的信道矩阵服从瑞利分布,且满足下式关系:
;
其中:表征复数域;/>为BS所配备的发射天线的根数;/>为每个用户所配备的天线的根数;/>为信道/>的标准差。
优选地,所述中继信号转发模型按下式表达:
;
其中:为放大转发因子,/>为高斯白噪声;/>为UN到 UF的信道矩阵;
所述UN到 UF的信道矩阵服从瑞利分布,且满足下式条件:
;
其中:为信道/>的标准差;
所述UF的直射接收信号按下式表达:
;
其中:为高斯白噪声。
优选地,所述放大转发因子按下式表达:
;
其中:为高斯白噪声方差;/>为UN的发射功率;且/>和/>满足下式关系:
;
其中:为能量转换效率,由人工预设,通过系统仿真与计算获得。根据上述协作MIMO-NOMA 系统信号模型,构建信号检测算法所需训练样本和信号检测算法性能测试平台。
优选地,所述多任务损失函数按下式表达:
;
其中:为K个分类任务的联合损失函数;K为分类任务的个数;/>为网络中第k个子任务的观测噪声参数,用于表征输出数据中的噪声量;k为计数器,且满足/>;/>为网络权值;/>为第k个分类任务的交叉熵损失,按下式表达:
;
其中:为当输入数据为/>、网络权值为/>时,神经网络的第k个子任务网络层的输出;/>为第k个子任务的期待输出。
优选地,所述多任务神经网络包含网络输入层、网络共享层、任务层;其中:
所述网络输入层的神经元的个数为;所述网络输入层后连接有1个用于使数据分布标准化的批量归一化层;
所述网络共享层包含1个第一完全共享层、1个第二完全共享层、2个专家共享层;其中:
所述第一完全共享层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成;
所述第二完全共享层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成;
所述专家共享层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成;
所述第一完全共享层中的激活函数层同时与2个所述专家共享层的全连接层连接;
2个所述专家共享层的激活函数层同时与所述第二完全共享层的全连接层连接;
所述任务层由多个子任务层组成;每个所述子任务层包含1个特征提取层和1个子任务输出层;其中:
所述特征提取层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成;
所述子任务输出层依次由1个全连接层、1个Softmax激活函数分类层连接组成;
所述第二完全共享层的激活函数层同时与所述子任务层的所述特征提取层的全连接层连接。
优选地,所述Softmax激活函数分类层使用Softmax函数计算每个节点的输出概率;所述Softmax函数按下式表达:
;
其中:为MIMO-NOMA符号的所有可能类别的个数;/>为计数器;/>表示网络的第个节点输出;/>为计数器。
优选地,所述多任务联邦学习框架按下式表达:
;
其中:为最小化非凸的全局代价函数;/>为总样本数;/>为第k个任务的代价函数,按下式表达:
;
其中:为第k个用户的数据集;
且,与/>满足下式关系:
;
其中:为使用本地数据进行网络训练后得到的模型参数,按下式表达:
;
其中:为迭代次数;/>为用户k每次完整训练所计算的梯度,按下式表达:
。
应用所构建的多任务联邦学习框架于协作 MIMO-NOMA 通信系统,实现多用户信号检测,并以通信系统的误符号率作为算法性能评价指标,检测该算法性能结果。
本发明与现有技术对比,具有以下优点:
1. 由于本发明针对用户辅助的协作多输入多输出(MIMO)NOMA通信系统,设计基于多任务学习的接收机模型,又由于该网络可以学习数据的深层共享特征并同时检测不同用户的信号,从而本发明的技术所提供线下训练的网络模型可以直接部署在不同用户侧;
2. 由于协作通信中不同用户接收信号的数据分布不同,并且存在数据孤岛问题,而机器学习模型要求训练数据和测试数据均独立采样于同一数据分布,从而在本发明引入联邦学习框架,在保护数据隐私下实现不同用户侧的模型聚合与共享。
附图说明
图1为本发明具体实施例的系统模型示意图;
图2为本发明具体实施例的多任务学习框架逻辑结构示意图;
图3为本发明具体实施例的多任务接收机网络模型结构示意图;
图4为本发明具体实施例的多任务联邦学习框架网络连接示意图;
图5为本发明具体实施例的本申请方法与现有技术的算法性能比较曲线示意图;
图6为本发明具体实施例的本申请方法与现有技术的不同优化方式的性能比较曲线示意图;
图7为本发明具体实施例的集中学习与联邦学习性能比较曲线示意图;
图8为本发明具体实施例的本申请方法与现有技术的不同本地训练周期的收敛速度比较曲线示意图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
需要事先说明的是,本发明搭建基于多任务神经网络的协作MIMO-NOMA接收机DNN模型,该模型的输入数据包含不同用户的接收信号,然后设计共享网络层获取不同任务间的深层共享表征,在网络输出部分通过多个并行的子任务网络层来实现不同用户的信号检测。由于多任务学习训练时需要获取所有用户的数据,用户需要将各自的数据上传至BS进行集中式学习,但是此过程会增加数据隐私泄露的风险和传输开销。因此本发明引入联邦学习技术,用户可以在本地训练网络,然后只需将网络模型参数上传至BS进行聚合,在每个用户数据不离开本地的情况下实现整体的多任务训练。
一种基于多任务联邦学习的MIMO-NOMA系统的信号检测方法,包含以下步骤:
S100. 搭建通信系统仿真平台。
如图1所示,本具体实施例中,BS配备T根发射天线,每个用户配有R根天线。
需要事先说明的是:本具体实施例中,BS为base station的缩写,用于表征基站;UN为the near-field user的缩写,用于表征近场用户;UF为the far-field user的缩写,用于表征远场用户。
其中:处于小区中心的UN充当半双工中继向处于小区边缘的UF传输信号,BS到UF距离为,BS到UN的距离为/>,UN到UF距离为/>。NOMA采用主流的功率域复用模式来共享相同的时频资源块。协作MIMO-NOMA下行链路的数据传输分为BS传输和用户辅助的中继转发两个阶段,每个阶段都有相同的周期。
本具体实施例中,S100具体包含以下步骤,同时也是两个阶段:
S110. 第一阶段,建立基站信号传输模型;
本具体实施例中,基站信号传输模型按式(1)表达:
; (1)
其中:为UN接收信号;/>为功率分割因子,通过搭建通信仿真系统获得;/>为BS到UN的信道矩阵;/>为BS发射信号;/>为高斯白噪声。
BS发射信号按式(2)表达:
;(2)
其中:为发射功率;/>为发射给UN的信息;/>为发射给UF的信息;/>为UN的功率分配因子,通过人工预设的功率分配算法获得;/>为UF的功率分配因子,通过人工预设的功率分配算法获得;且/>和/>满足式(3)关系:
;(3)
BS到UN的信道矩阵服从瑞利分布,且满足式(4)关系:
;(4)
其中:为对数据求期望操作;/>为信道/>的标准差;/>为BS到UF的信道矩阵。
BS到UF的信道矩阵服从瑞利分布,且满足式(5)关系:
(5)
其中:表征复数域;/>为BS所配备的发射天线的根数;/>为每个用户所配备的天线的根数;/>为信道/>的标准差。
需要说明的是,考虑UN具有能量收集功能用于自身译码,并且假设只收集信号功率而不收集天线噪声功率;因此,UN收集的能量按式(6)表达:
;(6)
其中,表示基站信号传输时间。
需要说明的是,UN接收信号最初按式(7)表达:
;(7)
然后,根据式(6),从而可以将具有能量收集功能的UN的接收信号改写为式(1)的形式。
S120. 第二阶段,建立中继信号转发模型。
需要说明的是,本阶段中,UN将收到的信号转发给UF,理论上所有收集的能量都被使用,中继转发协议就成为了放大转发协议,这是本发明在第二阶段的理论基础;因此,本发明中的中继信号转发模型为采用放大转发协议(即AF协议)的中继信号转发模型,也就是UF从近场用处所接收的信号。
本具体实施例中,中继信号转发模型按式(8)表达:
;(8)
其中:为放大转发因子,/>为高斯白噪声;/>为UN到 UF的信道矩阵。
所述UN到 UF的信道矩阵服从瑞利分布,且满足式(9)条件:
; (9)
其中:为信道/>的标准差。
UF的直射接收信号按式(10)表达:
; (10)
其中:为高斯白噪声。
本具体实施例中,放大转发因子按式(11)表达:
; (11)
其中:为高斯白噪声方差;/>为UN的发射功率;且/>和/>满足式(12)关系:
; (12)
其中:为能量转换效率,由人工预设,通过系统仿真与计算获得;/>为UN收集的能量,通过系统仿真与计算获得。
需要说明的是,对于AF协议,理论上接收端使用最大比合并可以获得最大的信噪比增益,因此在本发明的传统基准方法上,UF将由BS直射的接收信号与UN转发的信号进行MRC合并;因此,在本申请中,当采用最大比(即MRC)合并时,中继接收信号模型可转化为式(13)表达:
; (13)
其中:表示共轭转置;/>为UF的直射接收信号。
S200. 接收并检测MIMO-NOMA信号。
需要说明的是,本发明中S200的原理如下:
如图2所示,为低层共享的多任务学习框架;协作MIMO-NOMA下行链路的传统信号检测方法中,UN采用SIC译码,UF则先分集合并再译码,两种信号检测方式都是分级或分步处理,而基于DNN的接收机模型则可以通过一个模块完成信号检测。
由于NOMA信号中包含多个用户信号,因此从信号处理角度,单任务学习仅针对单个用户进行信号检测,而把其他用户信号作为噪声。
同理,多任务学习与联合检测思想类似,使用多任务DNN同时检测所有用户信号,把信号的分离当作一个相互关联的过程来完成,网络共享所学到的每个用户信息,提升了抗多址干扰性能。
本具体实施例中,S200具体包含以下步骤:
S210. 建立多任务损失函数。
本具体实施例中,多任务损失函数按式(14)表达:
; (14)
其中:为K个分类任务的联合损失函数;K为分类任务的个数;/>为网络中第k个子任务的观测噪声参数,用于表征输出数据中的噪声量;k为计数器,且满足/>;/>为网络权值;/>为第k个分类任务的交叉熵损失,按式(15)表达:
; (15)
其中:为当输入数据为/>、网络权值为/>时,神经网络的第k个子任务网络层的输出;/>为第k个子任务的期待输出。
需要说明的是,多任务网络联合优化时,损失函数一般形式按式(16)表达:
;(16)
其中,为第k个任务的损失函数,/>为每个任务损失函数的加权值。
需要进一步说明的是,多任务联合优化时若将设为一个固定的超参数,则其不会随着网络训练的进行而自动调整每个任务的相对权重,很难实现最优的性能。对于NOMA信号,由于不同用户信号所分配的功率不同,所以不同用户的符号检测的相对难度不同,因此本发明采用任务依赖不确定性的发明思想,设计了可以自动优化/>的多任务损失函数。
因此,基于上述发明思想,本发明中可以将基于神经网络的信号检测转换为调制信号星座点分类问题,亦即式(14)。
需要进一步说明的是,式(14)中为一个网络可学习的参数;具体来说:大的/>表示对应任务不确定性大,所以会降低/>的影响;小的/>表示对应任务不确定性小,所以增大/>的影响;/>表示对损失函数的惩罚,一旦/>太大时,损失函数就会变成一个常数。
S220. 建立多任务神经网络。
需要事先说明的是,本具体实施例中,批量归一化层的英文名称为batchnormalization,缩写为BN;全连接层的英文名称为fully connected layer,缩写为FC;激活函数层的英文名称为LeakyReLU;附图中的英文名称亦与本具体实施例对应。
需要进一步说明的是,本具体实施例中,网络共享层分为完全共享层和专家共享层;而完全共享层和专家共享层都由FC、BN和LeakyReLU;此外,BN和LeakyReLU统称之为全连接块。
如图3所示,本具体实施例中,多任务神经网络包含网络输入层、网络共享层、任务层;其中:
本具体实施例中的多任务神经网络为全连接多任务网络模型,网络参数采用硬共享机制;多任务神经网络从用户天线所接收到的多路并行信号进行MIMO检测,在一个时隙进行切片,将接收信号视为一个向量进行联合检测。
网络输入层的神经元的个数为;网络输入层后连接有1个用于使数据分布标准化的批量归一化层。
需要说明的是,网络输入层的神经元的个数对应某一时刻用户接收的符号向量,其中将复数符号的实部和虚部分离后再在同一维度拼接作为网络输入,因此输入维度为/>。
网络共享层包含1个第一完全共享层、1个第二完全共享层、2个专家共享层;其中:
第一完全共享层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成。
第二完全共享层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成。
专家共享层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成。
第一完全共享层中的激活函数层同时与2个专家共享层的全连接层连接。
2个专家共享层的激活函数层同时与第二完全共享层的全连接层连接。
任务层由多个子任务层组成;每个子任务层包含1个特征提取层和1个子任务输出层;其中:
特征提取层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成。
子任务输出层依次由1个全连接层、1个Softmax激活函数分类层连接组成。
第二完全共享层的激活函数层同时与子任务层的特征提取层的全连接层连接。
需要说明的是,在图3中,为UN的调制阶数;/>为UF的调制阶数;/>为两个用户信号中所使用的最高调制阶数,即/>。
需要说明的是,对于通信符号,其既有正数部分也有负数部分,因此本发明中激活函数LeakyReLU按式(17)表达:
; (17)
其中:为泄露值,是/>区间内的固定参数。
需要说明的是,本具体实施例中,在图4所示的网络中,。
需要进一步说明的是,虽然本具体实施例中有多个BN,但网络共享层中的BN的作用略不同于输入层;具体来说:
网络共享层中的BN是将经过全连接层后的数据分布拉到服从均值为0,方差为1的正态分布,使得LeakyReLU函数的输入值可以落入更敏感的区间,以避免梯度消失的问题。数据经过第一个神经元个数为16·N·T的完全共享层提取底层的共享特征,然后分别经过两个神经元个数为8·N·T专家共享层来提取数据中不同的任务自身特征,再将两路数据拼接经过一个神经元个数为4·N·T的完全共享层,实现特征融合。
本具体实施例中,Softmax激活函数分类层使用Softmax函数计算每个节点的输出概率;Softmax函数按式(18)表达:
; (18)
其中:为MIMO-NOMA符号的所有可能类别的个数;/>为计数器;/>表示网络的第个节点输出;/>为计数器。
需要说明的是,网络最后一个部分为任务层,包含多个子任务层;每个子任务层首先经过一个全连接块进行子任务特征提取,然后通过FC和Softmax激活函数分类层组成子任务的输出层。
因为MIMO-NOMA系统中BS的发射天线数为T,每根天线的发射信号都是两个用户信号的叠加编码,因此将符号检测转换为星座点分类问题,则最后UN和UF两个子任务输出层的神经元个数分别为和/>,然后使用如式(18)所示的Softmax函数计算每个节点的输出概率。
需要进一步说明的是,不同于单任务分类网络能直接使用交叉熵损失函数优化Softmax输出,多任务网络为实现式(18)联合损失函数中加权系数的自动优化,所以根据式(18)额外设计损失函数网络层去优化参数 以获得子任务层的整体最优。
S300. 建立多任务联邦学习框架;多任务联邦学习框架即为本方法的最终结果。
需要说明的是,由于多任务学习中需要获取UN和UF的数据,因此如果采用传统的集中式学习方式,则需要将两个用户的数据都上传到BS侧再进行网络的训练;但这样的处理方式的弊端在于:
首先,将不可避免的带来用户数据隐私泄露的风险。
其次,与此同时,将大量数据传输到BS的过程会产生巨大的传输开销,在长期演进技术 (LTE,long term evolution)中,5 MHz带宽和10 ms持续时间的单帧只能携带6000个复数符号,而整个数据集的大小可以达到数十万个符号的量级。
综上所述,在BS处进行集中式学习的网络训练既存在数据安全风险也需要巨大的带宽需求。
因此,为解决上述问题,如图4所示,本发明将联邦学习引入至已有的多任务网络框架,在链路中传输网络模型取代直接传输用户数据。
本具体实施例中,图4所示的学习框架的协作NOMA系统模型中有个用户,其中用户k的数据集为/>,大小为/>;因此,多任务联邦学习框架按式(19)表达:
;(19)
其中:为最小化非凸的全局代价函数;/>为总样本数;/>为第k个任务的代价函数,按式(20)表达:
; (20)
其中:为第k个用户的数据集;n k 为第 k 个任务的样本数量。
同时,由于是通过将训练样本均匀随机地分布在用户上而形成的分区,因此与/>满足式(21)关系:
; (21)
其中:为使用本地数据进行网络训练后得到的模型参数,按式(22)表达:
; (22)
其中:为迭代次数;/>为用户k每次完整训练所计算的梯度,按式(23)表达:
; (23)/>
需要说明的是,此时不同用户的数据属于独立同分布(IID,independent andidentical distribution),优化方式为典型的分布式学习算法。而对于协作NOMA系统,UN和UF的接收信号为non-IID情况,因此本发明使用联邦平均算法来缓解non-IID问题。
在上述原理下,首先用户k从BS处下载网络模型,然后使用本地数据进行网络训练,经过t次迭代后得到模型参数;这样就得到了式(22)。
需要进一步说明的是,所有用户所计算的自身模型参数再上传至BS进行聚合得到全局的模型参数,按式(24)表达:
;(24)
通过凸优化理论可以证明联邦平均策略在经过多次通信回合后网络模型可以实现收敛。
为了进一步证实本发明的创造性,申请人还进行了算法仿真,并将算法仿真的过程及对仿真结果的性能分析亦在本具体实施例中进行了公开与展示,具体如下:
需要事先说明的是,本发明在本具体实施例中的仿真的协作MIMO-NOMA下行链路通信系统中的参数如下设置:
,/>,/>,/>,/>,/>,/>;平均信道功率增益/>,路径损耗因子/>。当/>时有最小的系统中断概率,因此实验中,/>;调制方式采用BPSK。通过该仿真通信系统产生数据时,信噪比范围设置为0-20 dB,并以2 dB为间隔,相同信噪比下产生/>个符号样本。通信系统仿真采用基带等效模型,每个样本为用户一个时隙内所有天线接收信号。
为提升式(14)中在神经网络训练过程中的数值稳定性,实验中将损失函数网络层的学习参数转化为/>。
如图5所示,为本发明方法与现有技术的方法的性能对比;其中:现有技术的传统信号检测方法为MMSE检测,其中UN译码方式采用SIC,UF信号合并方式为MRC;单任务网络为如图4所示的只考虑一个子任务时的网络结构;为达到与多任务网络相同的数据兼容性,在用户终端部署了两个单任务网络。
从图5可以很直观的看出:对于 UN,低信噪比时传统检测方法与基于神经网络的检测方法SER接近,随着信噪比的增加,神经网络的检测性能优于传统方法,表明基于数据驱动的符号检测算法可以更好的学习到未知的信道特性。对于UF,低信噪比时MRC作为最优的分集合并方式可以获得最好的信噪比,其SER比神经网络检测方法更低。对于神经网络而言,其将传统方法中的分集合并与符号检测两个步骤由一个网络模型同时完成。与UN检测结果类似的是,高信噪比下神经网络检测方法相较于传统方法展现出了更好的性能。本发明设计的多任务神经网络直接部署在UF侧时,所以神经网络输入为两路接收信号的直接混叠,可以等效为等增益分集合并方式,因此理论上分集合并增益会低于传统的MRC方式,但是数据驱动的端到端信号处理方式,使神经网络学习到了分集合并&符号检测的联合增益。其中多任务网络因为可以充分挖掘近场信号和远场信号的共享知识,所以比单任务网络性能更好。
如图6所示,本次仿真实验进一步比较了三种多任务网络优化方式下的性能分析,其中固定权值优化指式(16)中不同任务损失函数的加权值为固定值。在较高信噪比下对于UF,多任务自动加权损失函数的联合优化可以取得更低SER。
联合优化的目标是整体的最优而避免局部最优,交替优化则容易对某一任务产生偏向。这也符合NOMA系统接收机的一般要求,即希望对每个用户信号都可以尽可能正确检测。
需要进一步说明的是,如表1所示,为多任务网络与单任务网络的可训练参数量和浮点运算次数的比较。
表1. 网络可训练参数量与运算次数比较对照表
算法 | 单任务网络 | 多任务网络 |
可训练参数量 | 46160 | 23252 |
浮点运算次数 | 190648 | 156679 |
对于表1应该这样理解:由于需要多个单任务网络才可以实现多个用户的符号检测,而多任务网络只需要在增加部分的子任务输出层便可以实现多用户检测,因此单任务可训练参数量接近多任务网络的两倍。由于联合训练时,引入了一个自动优化损失函数相对权重的网络层,所以多任务网络的浮点运算次数偏大,但其相对于单任务网络的浮点运算量仍然具有优势。
如图7所示,本次仿真实验进一步比较了集中学习与联邦学习的性能差异;图7展示了多任务网络使用联邦学习框架时比集中式学习性能更好,这是因为联邦平均学习具有一定的泛化能力,可以产生与dropout正则化相似的效果,在一定程度上可以缓解网络过拟合现象。
如图8所示,本次仿真实验进一步比较了不同本地训练周期的收敛速度;在图8中比较了UF本地执行不同次数的训练迭代周期时,当每完成一次网络模型的上传与下载的通信回合后,信噪比为20dB下多任务接收机模型的SER。对于联邦平均算法,通过在本地执行更多的训练迭代周期,即加大本地的计算量,可以使得整个学习过程收敛更快,从而减少通信开销。从图8中也可以发现随着本地迭代周期的增多,相对增益也会越来越低。
综上所述,针对本具体实施例所展示的仿真实验,可以得到以下关于本发明方法的性能分析结论,并以此可以推知本发明具备创造性的依据如下:
针对已有基于深度学习的NOMA下行链路接收机模型,仅实现某个用户的实际接收信号与理想发射信号之间的一对一映射,忽视了其他用户信号所带来的有用信息。根据NOMA信号的叠加编码特性,本发明设计了基于多任务网络的协作MIMO-NOMA接收机模型,该模型具有泛化性能,从而获得更低的系统SER。考虑数据隐私和数据传输带宽问题,构建多任务联邦学习框架,实现在数据不离开用户本地情况下完成整个模型的训练。
实验结果表明,随着信噪比的提高,基于多任务联邦学习的协作MIMO-NOMA接收机网络检测性能较传统信号检测算法和单任务DNN展现出更好的性能。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或”是要表示“非排它性的或者”。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于多任务联邦学习的MIMO-NOMA系统的信号检测方法,其特征在于:包含以下步骤:
S100.建立MIMO-NOMA信号传输模型;搭建通信系统仿真平台;
S200.建立多任务神经网络;构建多任务联邦学习框架;
S300.应用多任务联邦学习框架;接收并检测MIMO-NOMA信号;
S100具体包含以下步骤:
S110.建立基站信号传输模型;获取近场用户接收信号;
S120.建立中继信号转发模型;获取远场用户接收信号;
S130.根据所构建信号模型生成MIMO-NOMA信号检测算法所需训练样本;
S200具体包含以下步骤:
S210.根据信号检测性能指标建立多任务损失函数;
S220.建立多任务神经网络;完成多用户信号检测;
S230.建立联邦学习框架;优化分布式神经网络训练;
所述基站信号传输模型按下式表达:
其中:ySN为UN接收信号;UN表征近场用户;ρ为功率分割因子,通过搭建通信仿真系统获得;HSN为BS到UN的信道矩阵;BS表征基站;s为BS发射信号;wSN为高斯白噪声;
所述BS发射信号按下式表达:
其中:PT为发射功率;xN为发射给UN的信息;xF为发射给UF的信息;θN为UN的功率分配因子,通过人工预设的功率分配算法获得;UF表征远场用户;θF为UF的功率分配因子,通过人工预设的功率分配算法获得;且θN和θF满足下式关系:
所述BS到UN的信道矩阵服从瑞利分布,且满足下式关系:
其中:为对数据求期望操作;σSN为信道HSN的标准差;HSF为BS到UF的信道矩阵;
所述BS到UF的信道矩阵服从瑞利分布,且满足下式关系:
其中:C表征复数域;T为BS所配备的发射天线的根数;R为每个用户所配备的天线的根数;σSF为信道HSF的标准差;
所述中继信号转发模型按下式表达:
yNF=λHNFySN+wNF
其中:λ为放大转发因子,wNF为高斯白噪声;HNF为UN到UF的信道矩阵;
所述UN到UF的信道矩阵服从瑞利分布,且满足下式条件:
其中:σNF为信道HNF的标准差;
所述UF的直射接收信号按下式表达:
ySF=HSFs+wSF
其中:wSF为高斯白噪声;
所述放大转发因子按下式表达:
其中:N0为高斯白噪声方差;PN为UN的发射功率;且PN和PT满足下式关系:
PN=ρηPT|HSN|2
其中:η为能量转换效率,由人工预设,通过系统仿真与计算获得;
根据协作MIMO-NOMA系统信号模型,构建信号检测算法所需训练样本和信号检测算法性能测试平台;
所述多任务损失函数按下式表达:
其中:Ljoint(W,σ1,σ2,...,σK)为K个分类任务的联合损失函数;K为分类任务的个数;σk为网络中第k个子任务的观测噪声参数,用于表征输出数据中的噪声量;k为计数器,且满足k∈[1,K];W为网络权值;Lk(W)为第k个分类任务的交叉熵损失,按下式表达:
Lk(W)=-aklnfk W(x)
其中:为当输入数据为x、网络权值为W时,神经网络的第k个子任务网络层的输出;ak为第k个子任务的期待输出。
2.根据权利要求1所述的基于多任务联邦学习的MIMO-NOMA系统的信号检测方法,其特征在于:所述多任务神经网络包含网络输入层、网络共享层、任务层;其中:
所述网络输入层的神经元的个数为2·R;所述网络输入层后连接有1个用于使数据分布标准化的批量归一化层;
所述网络共享层包含1个第一完全共享层、1个第二完全共享层、2个专家共享层;其中:
所述第一完全共享层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成;
所述第二完全共享层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成;
所述专家共享层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成;
所述第一完全共享层中的激活函数层同时与2个所述专家共享层的全连接层连接;
2个所述专家共享层的激活函数层同时与所述第二完全共享层的全连接层连接;
所述任务层由多个子任务层组成;每个所述子任务层包含1个特征提取层和1个子任务输出层;其中:
所述特征提取层依次由1个全连接层、1个批量归一化层、1个激活函数层连接组成;
所述子任务输出层依次由1个全连接层、1个Softmax激活函数分类层连接组成;
所述第二完全共享层的激活函数层同时与所述子任务层的所述特征提取层的全连接层连接。
3.根据权利要求2所述的基于多任务联邦学习的MIMO-NOMA系统的信号检测方法,其特征在于:所述Softmax激活函数分类层使用Softmax函数计算每个节点的输出概率;所述Softmax函数按下式表达:
其中:C为MIMO-NOMA符号的所有可能类别的个数;c为计数器;zi表示网络的第i个节点输出;i为计数器。
4.根据权利要求3所述的基于多任务联邦学习的MIMO-NOMA系统的信号检测方法,其特征在于:所述多任务联邦学习框架按下式表达:
其中:f(w)为最小化非凸的全局代价函数;n为总样本数;Fk(w)为第k个任务的代价函数,按下式表达:
其中:Dk为第k个用户的数据集;nk为第k个任务的样本数量;
且,f(w)与Fk(w)满足下式关系:
其中:w为使用本地数据进行网络训练后得到的模型参数,按下式表达:
其中:t为迭代次数;gk为用户k每次完整训练所计算的梯度,按下式表达:
应用所构建的多任务联邦学习框架于协作MIMO-NOMA通信系统,实现多用户信号检测,并以通信系统的误符号率作为算法性能评价指标,检测该算法性能结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310725976.4A CN116506072B (zh) | 2023-06-19 | 2023-06-19 | 基于多任务联邦学习的mimo-noma系统的信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310725976.4A CN116506072B (zh) | 2023-06-19 | 2023-06-19 | 基于多任务联邦学习的mimo-noma系统的信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116506072A CN116506072A (zh) | 2023-07-28 |
CN116506072B true CN116506072B (zh) | 2023-09-12 |
Family
ID=87320461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310725976.4A Active CN116506072B (zh) | 2023-06-19 | 2023-06-19 | 基于多任务联邦学习的mimo-noma系统的信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116506072B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019191861A1 (en) * | 2018-04-02 | 2019-10-10 | Qualcomm Incorporated | Parallel transmission of preamble sequences with data layers for improved data detection |
CN111723910A (zh) * | 2020-06-17 | 2020-09-29 | 腾讯科技(北京)有限公司 | 构建多任务学习模型的方法、装置、电子设备及存储介质 |
CN112887042A (zh) * | 2021-01-22 | 2021-06-01 | 重庆邮电大学 | 一种基于非正交多址接入的携能通信网络用户配对方法 |
CN113114313A (zh) * | 2021-04-13 | 2021-07-13 | 南京邮电大学 | 一种mimo-noma系统导频辅助信号检测方法、系统及存储介质 |
WO2021203242A1 (zh) * | 2020-04-07 | 2021-10-14 | 东莞理工学院 | 基于深度学习的mimo多天线信号传输与检测技术 |
CN114124168A (zh) * | 2021-11-01 | 2022-03-01 | 南京邮电大学 | 一种基于深度学习的mimo-noma系统信号检测方法及系统 |
CN114169243A (zh) * | 2021-12-10 | 2022-03-11 | 浙江辰时科技集团有限公司 | Mimo干扰信道下空中计算多任务联邦学习方法 |
CN114866120A (zh) * | 2022-06-06 | 2022-08-05 | 南京邮电大学 | 一种mimo-noma系统信号检测方法 |
CN115102592A (zh) * | 2022-06-22 | 2022-09-23 | 电子科技大学 | 一种基于联邦学习的多用户mimo波束成形方法 |
CN115795548A (zh) * | 2022-12-12 | 2023-03-14 | 南京理工大学 | 一种基于联邦学习的隐蔽通信检测方法 |
CN116017577A (zh) * | 2023-01-05 | 2023-04-25 | 北京邮电大学 | 一种基于下一代多址接入技术的无线联邦学习方法 |
CN116075834A (zh) * | 2020-07-10 | 2023-05-05 | 谷歌有限责任公司 | 用于无线通信系统中的深度神经网络的联邦学习 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220076134A1 (en) * | 2020-09-04 | 2022-03-10 | Korea Advanced Institute Of Science And Technology | Two-stage deep learning based secure precoder for information and artificial noise signal in non-orthogonal multiple access system |
-
2023
- 2023-06-19 CN CN202310725976.4A patent/CN116506072B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019191861A1 (en) * | 2018-04-02 | 2019-10-10 | Qualcomm Incorporated | Parallel transmission of preamble sequences with data layers for improved data detection |
WO2021203242A1 (zh) * | 2020-04-07 | 2021-10-14 | 东莞理工学院 | 基于深度学习的mimo多天线信号传输与检测技术 |
CN111723910A (zh) * | 2020-06-17 | 2020-09-29 | 腾讯科技(北京)有限公司 | 构建多任务学习模型的方法、装置、电子设备及存储介质 |
CN116075834A (zh) * | 2020-07-10 | 2023-05-05 | 谷歌有限责任公司 | 用于无线通信系统中的深度神经网络的联邦学习 |
CN112887042A (zh) * | 2021-01-22 | 2021-06-01 | 重庆邮电大学 | 一种基于非正交多址接入的携能通信网络用户配对方法 |
CN113114313A (zh) * | 2021-04-13 | 2021-07-13 | 南京邮电大学 | 一种mimo-noma系统导频辅助信号检测方法、系统及存储介质 |
CN114124168A (zh) * | 2021-11-01 | 2022-03-01 | 南京邮电大学 | 一种基于深度学习的mimo-noma系统信号检测方法及系统 |
CN114169243A (zh) * | 2021-12-10 | 2022-03-11 | 浙江辰时科技集团有限公司 | Mimo干扰信道下空中计算多任务联邦学习方法 |
CN114866120A (zh) * | 2022-06-06 | 2022-08-05 | 南京邮电大学 | 一种mimo-noma系统信号检测方法 |
CN115102592A (zh) * | 2022-06-22 | 2022-09-23 | 电子科技大学 | 一种基于联邦学习的多用户mimo波束成形方法 |
CN115795548A (zh) * | 2022-12-12 | 2023-03-14 | 南京理工大学 | 一种基于联邦学习的隐蔽通信检测方法 |
CN116017577A (zh) * | 2023-01-05 | 2023-04-25 | 北京邮电大学 | 一种基于下一代多址接入技术的无线联邦学习方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的NOMA系统符号检测算法研究;方世林 等;《湖南理工学院学报(自然科学版)》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116506072A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109743210B (zh) | 基于深度强化学习的无人机网络多用户接入控制方法 | |
US8937899B2 (en) | Amplify-and-forward relaying in communication systems | |
CN114051701B (zh) | 用于机器学习辅助预编码的设备和方法 | |
Jaldén et al. | The error probability of the fixed-complexity sphere decoder | |
CN105897319B (zh) | 一种mimo全双工中继系统信源中继联合预编码方法 | |
TWI479827B (zh) | 具接收分集之無線接收器 | |
JP2012134958A (ja) | 無線ネットワークにおける干渉を低減する方法 | |
Jiang et al. | Learning to beamform for intelligent reflecting surface with implicit channel estimate | |
CN113114313A (zh) | 一种mimo-noma系统导频辅助信号检测方法、系统及存储介质 | |
CN109995403A (zh) | 大规模mimo系统中基于模拟退火思想改进的las检测算法 | |
US20080225976A1 (en) | Method for multiple-input-multiple-output system demodulation | |
US20080153449A1 (en) | Method for multiple-input-multiple-output system demodulation | |
US20230308200A1 (en) | Wireless telecommunications network | |
Rahman et al. | Deep learning based pilot assisted channel estimation for Rician fading massive MIMO uplink communication system | |
CN106850020A (zh) | 非理想信道状态下mimo系统中基于组合干扰对齐方法 | |
Alrashdi et al. | Optimum training for mimo bpsk transmission | |
CN102891740A (zh) | 基于盲干扰对齐的小区间干扰抑制方法 | |
CN116506072B (zh) | 基于多任务联邦学习的mimo-noma系统的信号检测方法 | |
CN106230493B (zh) | 一种多用户mimo上行链路天线选择和用户调度方法 | |
Kim et al. | Online learning for joint energy harvesting and information decoding optimization in IoT-enabled smart city | |
Ying et al. | Heterogeneous massive MIMO with small cells | |
Alshamary et al. | Efficient optimal joint channel estimation and data detection for massive MIMO systems | |
CN110212957A (zh) | 一种基于信漏噪比的mu-mimo系统用户调度方法 | |
Mubeen et al. | Deep learning-based massive MIMO precoder under heavily noisy channel with flexible rate and power adaptation | |
CN111314250B (zh) | 大规模多输入多输出系统的量化设计与信道估计方法 |
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 |