【技术实现步骤摘要】
一种基于深度学习的均衡网络辅助SCMA编解码方法
[0001]本专利技术涉及SCMA编解码
，尤其是一种基于深度学习的均衡网络辅助SCMA编解码方法。
技术介绍
[0002]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：
[0003]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 Passing Algorithm，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。
[0004]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。
技术实现思路
[00...
【技术保护点】
【技术特征摘要】
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。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，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的网络参数；(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
}。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
...
【专利技术属性】
技术研发人员：许耀华，黄兴，蒋芳，王翊，江淑萍，胡艳军，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。