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

本发明专利技术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。降低检测复杂度。降低检测复杂度。

【技术实现步骤摘要】
基于深度学习的混合多址接入异构网络多用户检测方法


[0001]本专利技术涉及无线通信及深度学习
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]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。
[0006]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。
[0007]于本专利技术一可选实施例中，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。
[0008]于本专利技术一可选实施例中，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；所述蜂窝用户到资源的码字映射可以用下式表示：其中，是蜂窝用户到资源的码字映射函数，是蜂窝用户的输入数据向量，是蜂窝用户到资源的卷积神经网络单元的网络训练参数。
[0009]于本专利技术一可选实施例中，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到资源的码字映射可以用下式表示：
其中，是终端直通用户对到资源的码字映射函数，是终端直通用户对的输入单热数据向量，是终端直通用户对到资源的卷积神经网络单元的网络训练参数。
[0010]于本专利技术一可选实施例中，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，第个所述叠加信号通过下式表示：其中，表示第个蜂窝用户单热编码数据映射到第个资源块上的蜂窝用户码字，表示第个终端直通用户对的发送端数据映射到第个资源块上的码字，为第个蜂窝用户与资源块之间的信道增益，为第个终端直通用户对与资源块之间的信道增益，表示蜂窝用户对到资源的卷积神经网络单元的网络训练参数，表示终端直通用户对到资源的卷积神经网络单元的网络训练参数，表示资源块处的噪声。
[0011]于本专利技术一可选实施例中，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。
[0012]于本专利技术一可选实施例中，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。
[0013]于本专利技术一可选实施例中，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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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；所述蜂窝用户到资源的码字映射可以用下式表示：其中，是蜂窝用户到资源的码字映射函数，是蜂窝用户的输入数据向量，是蜂窝用户到资源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到资源的码字映射可以用下式表示：其中，是终端直通用户对到资源的码字映射函数，是终端直通用户对的输入单热数据向量，是终端直通用户对到资源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...

【专利技术属性】
技术研发人员：王跃，廖继勇，
申请(专利权)人：安徽电信规划设计有限责任公司，
类型：发明
国别省市：