SCMA系统的DNN解码方法及解码通信设备技术方案

本发明专利技术公开了一种SCMA系统的DNN解码方法及解码通信设备，其包括S1、搭建SCMA系统以及获得训练样本数据集；S2、建立基于深度神经网络的SCMA解码器模型；S3、训练上述SCMA解码器模型；以及S4、部署SCMA解码器模型，并通过所述SCMA解码器模型对SCMA信号进行解码。本发明专利技术可在不增加SCMA解码器复杂度的前提下提高SCMA解码准确率，相对于传统基于MPA算法的SCMA解码器而言，本发明专利技术中基于DNN的SCMA解码器在计算复杂度与解码误码率方面性能都有所提升。

DNN Decoding Method and Decoding Communication Equipment of SCMA System

The invention discloses a DNN decoding method and decoding communication device of SCMA system, which includes S1, building SCMA system and obtaining training sample data set; S2, establishing SCMA decoder model based on deep neural network; S3, training the above SCMA decoder model; and S4, deploying SCMA decoder model, and decoding SCMA signal through the SCMA decoder model. The invention can improve the decoding accuracy of SCMA without increasing the complexity of the SCMA decoder. Compared with the traditional SCMA decoder based on MPA algorithm, the performance of the DNN-based SCMA decoder in the invention improves both in computational complexity and decoding error rate.

【技术实现步骤摘要】
SCMA系统的DNN解码方法及解码通信设备
本专利技术涉及无线通信领域，具体为一种SCMA系统的DNN解码方法及解码通信设备。
技术介绍
传统SCMA(SparseCodeMultipleAccess，SCMA，稀疏码多址接入)解码器采用消息传递算法(MessagePassingAlgorithm,MPA)，结合先验概率，利用因子图在用户节点和资源节点之间迭代更新后验概率消息，以尽可能准确地解析原多用户发送的码字。相比于最大似然算法(MaximumLikelihood，ML)检测，MPA解码器的算法复杂度虽有所降低，但硬件实现依然较为困难，其复杂度随用户数量成指数级增长，从而导致解码效率低，不能满足未来5G系统的部署需求。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种基于深度神经网络(DeepNeuralNetwork，DNN)的SCMA信号解码方法及解码通信设备，其可以大幅降低解码器的复杂度，同时其便于操作，由此提高解码效率和性能。(二)技术方案为实现上述目的，本专利技术提供如下技术方案：一方面，提出一种SCMA系统的DNN解码方法，其包括如下步骤:S1、搭建用于产生SCMA信号的SCMA系统，以及在将SCMA信号发送装置的源码字与SCMA信号接收装置接收到的SCMA信号数据进行关联后获得训练样本数据集；S2、建立基于深度神经网络的SCMA解码器模型；S3、根据所述训练样本数据集训练上述SCMA解码器模型；以及S4、将训练后的SCMA解码器模型加载至解码平台，并通过所述SCMA解码器模型对SCMA信号进行解码。优选的，所述步骤S1包括：S1.1、搭建用于产生SCMA信号的SCMA系统，以及搭建SCMA发送机和SCMA接收机，记录并存储SCMA发送机的源码字，并通过SCMA发送机将所述SCMA系统产生的SCMA信号发送至物理环境中；S1.2、SCMA接收机接收物理环境中的SCMA信号，且记录并存储SCMA信号数据；S1.3、将SCMA发送机的源码字与SCMA接收机存储的SCMA信号数据进行关联，记录并存储关联结果数据；S1.4、重复步骤S1.1-1.3，记录并存储每次重复得到的关联结果数据，以此得到不同信噪比条件下的信号数据集；以及S1.5、整理不同信噪比条件下的信号数据集中的源码字以及与其关联的SCMA信号数据，由此得到所述训练数据集。优选的，所述步骤S2包括：S2.1、建立解码器的输入层，且所述输入层包括至少一个用于接收SCMA信号数据的资源块；S2.2、建立解码器的隐藏层，并通过下述公式(1)完成所述隐藏层的数据输出，其中，yl-1是上一层的数据输出，和bl分别是本层的权重和偏置；S2.3、建立解码器的输出层，且所述输出层用于输出包括至少一个用户的码字的解码结果；每个用户对应m＝log2(M)个输出层节点，分别对应解码出来的m个比特向量，所述输出层的节点总数是mJ，其中M是每个用户的码字个数，J是用户数；S2.4、按照下述公式(2)计算至少一个输出层节点的输出概率σ(x)：σ(x)＝(1+e-x)-1(2)；以及按照下述公式(3)计算预测值与真实值之间的不一致程度：其中，y＝(y1，…，y2K)T是上述训练数据集中从物理环境中收集的SCMA信号数据；b＝(b1，…，bmJ)T是与之关联的源码字；Wd，bd分别代表整个解码器的权重和偏置集合；d(·；Wd，bd)表示解码器的最后输出值，其值是解码出来的比特向量此处的也即公式(2)计算出的输出节点的输出概率σ(x)，[0，1]为取值范围，πi[·]表示取向量的第i个元素的值。优选的，所述步骤S2.1中，每个资源块设有两个输入节点，分别对应复数信号的实部和虚部。优选的，步骤S3中采用随机梯度下降法对上述SCMA解码器模型进行训练，使得交叉熵损失函数满足下述公式(4)所述条件；优选的，步骤S3中还包括：S3.1变量Xavier初始化，使得每一层输出的初始状态yl均需要满足以下公式(5)所述条件：Var[yl]＝Nl，i·Var[Wl]·Var[yl-1](5)；其中，Var[·]表示取方差；yl-1是第l-1层输出的初始状态；Wl是第l层的权重；Nl，i是第l层输入节点总数；S3.2、将每一层的数据在完成线性输出前进行批量归一化；S3.3按照步骤S3.1和3.2反复训练SCMA解码器模型，且在训练完成后保存SCMA解码器模型。优选的，步骤S3.1中，其中，Nl，o是第l层输出节点总数，且对于反向梯度传递而言，要求Nl，o·Var[Wl]＝1。优选的，所述步骤S3.2包括：S3.2.1、对于每个输出节点k∈{1，…，Nl，0}，分别按照公式(6)、(7)计算均值μβ，k和方差σβ，k2；其中，Zl，k(i)表示的向量中的第k个元素，Nb表示完整训练集被分成Nb个批次，i表示第i个批次；S3.2.2、按照公式(8)进行标准化运算：其中，S3.2.3、按照公式(9)进行缩放与转换运算，以获得批量归一化结果al，ki：其中，γl，ki以及βl，ki是在训练期间与原权重和偏置一起学习得到的缩放转换系数，最终将al，ki代入公式(1)中进行非线性计算。优选的，所述步骤S4包括：S4.1、将经步骤S3保存的SCMA解码器模型导出并优化，再将其加载至开发板平台；S4.2、接收SCMA发送机发送的信号，并将收到的SCMA信号转至已加载的SCMA解码器模型进行解码处理，编译运行后实时在线解码输出。另一方面，还提供一种用于实现上述解码方法的解码通信设备，其包括：训练数据生成模块，其用于将源码字与SCMA信号数据进行关联，且根据关联结果数据得到不同信噪比条件下的信号数据集，由此得到训练数据集；模型生成模块，其用于建立基于深度神经网络的SCMA解码器模型；模型训练成模块，其用于对上述SCMA解码器模型进行训练，且在训练完成后保存SCMA解码器模型；开发板平台，其用于加载优化后的解码器模型文件，且将接收到的SCMA信号加载至所述解码器模型文件中进行实时在线解码处理，并输出处理结果。(三)有益效果与现有技术相比，本专利技术采用软件无线电平台搭建SCMA系统，同时构建SCMA解码器模型，并将所述SCMA解码器模型部署至AIR-T等开发板上，其操作过程简单、快捷，尤其适用于过载的非正交多址接入无线通信系统，由此可在不增加SCMA解码器复杂度的前提下提高SCMA解码准确率，相对于传统基于MPA算法的SCMA解码器而言，本专利技术中基于DNN的SCMA解码器在计算复杂度与解码误码率方面性能都有所提升。附图说明图1为实施例一中SCMA解码器模型的网络结构图；图2为实施例二中解码设备的结构示意图；图2a为实施例二中模型生成模块的结构示意图；图2b为实施例二中模型训练成模块的结构示意图；图2c为实施例二中开发板平台的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例一：本实施例提供了一种SCMA系统的DNN解码方法，其包括如下步骤：S1、搭建本文档来自技高网...

【技术保护点】
1.一种SCMA系统的DNN解码方法，其特征在于，包括如下步骤:S1、搭建用于产生SCMA信号的SCMA系统，以及在将SCMA信号发送装置的源码字与SCMA信号接收装置接收到的SCMA信号数据进行关联后获得训练样本数据集；S2、建立基于深度神经网络的SCMA解码器模型；S3、根据所述训练样本数据集训练上述SCMA解码器模型；以及S4、将训练后的SCMA解码器模型加载至解码平台，并通过所述SCMA解码器模型对SCMA信号进行解码。

【技术特征摘要】
1.一种SCMA系统的DNN解码方法，其特征在于，包括如下步骤:S1、搭建用于产生SCMA信号的SCMA系统，以及在将SCMA信号发送装置的源码字与SCMA信号接收装置接收到的SCMA信号数据进行关联后获得训练样本数据集；S2、建立基于深度神经网络的SCMA解码器模型；S3、根据所述训练样本数据集训练上述SCMA解码器模型；以及S4、将训练后的SCMA解码器模型加载至解码平台，并通过所述SCMA解码器模型对SCMA信号进行解码。2.如权利要求1所述的解码方法，其特征在于，所述步骤S1包括：S1.1、搭建用于产生SCMA信号的SCMA系统，以及搭建SCMA发送机和SCMA接收机，记录并存储SCMA发送机的源码字，并通过SCMA发送机将所述SCMA系统产生的SCMA信号发送至物理环境中；S1.2、SCMA接收机接收物理环境中的SCMA信号，且记录并存储SCMA信号数据；S1.3、将SCMA发送机的源码字与SCMA接收机存储的SCMA信号数据进行关联，记录并存储关联结果数据；S1.4、重复步骤S1.1-1.3，记录并存储每次重复得到的关联结果数据，以此得到不同信噪比条件下的信号数据集；以及S1.5、整理不同信噪比条件下的信号数据集中的源码字以及与其关联的SCMA信号数据，由此得到所述训练数据集。3.如权利要求1所述的解码方法，其特征在于，所述步骤S2包括：S2.1、建立解码器的输入层，且所述输入层包括至少一个用于接收SCMA信号数据的资源块；S2.2、建立解码器的隐藏层，并通过下述公式(1)完成所述隐藏层的数据输出，其中，yl-1是上一层的数据输出，WlT和bl分别是本层的权重和偏置；S2.3、建立解码器的输出层，且所述输出层用于输出包括至少一个用户的码字的解码结果；每个用户对应m＝log2(M)个输出层节点，分别对应解码出来的m个比特向量，所述输出层的节点总数是mJ，其中M是每个用户的码字个数，J是用户数；S2.4、按照下述公式(2)计算至少一个输出层节点的输出概率σ(x)：σ(x)＝(1+e-x)-1(2)；以及按照下述公式(3)计算预测值与真实值之间的不一致程度：其中，y＝(y1,…,y2K)T是上述训练数据集中从物理环境中收集的SCMA信号数据；b＝(b1,…,bmJ)T是与之关联的源码字；Wd,bd分别代表整个解码器的权重和偏置集合；d(·；Wd,bd)表示解码器的最后输出值，其值是解码出来的比特向量此处的也即公式(2)计算出的输出节点的输出概率σ(x)，[0,1]为取值范围，πi[·]表示取向量的第i个元素的值。4.如权利要求3所述的解码方法，其特征在于，所...

【专利技术属性】
技术研发人员：林进挚，赵希敏，胡金星，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东,44