基于深度学习的SCMA检测方法及相关设备技术

本发明专利技术公开了一种基于深度学习的SCMA检测方法、装置、智能终端及计算机存储介质，上述基于深度学习的SCMA检测方法包括：根据信道信息对接收信号进行预处理，以消除幅值和相位失真；根据预处理后的接收信号获得信道子网络的输入信号，通过所述信道子网络，将所述输入信号进行数据转化，再将多个信道子网络的输出信号进行拼接，获得拼接信号；通过硬参数共享，根据预设神经网络模型对拼接信号进行检测，获得输入数据符号。与现有技术中相比，本发明专利技术降低了模型复杂度，提高了检测效率。提高了检测效率。提高了检测效率。

【技术实现步骤摘要】
基于深度学习的SCMA检测方法及相关设备


[0001]本专利技术涉及无线通信
，尤其涉及的是一种基于深度学习的SCMA检测方法、装置、智能终端及计算机存储介质。

技术介绍

[0002]多址接入技术是一个系统信号的基础性传输方式，非正交多址接入技术(Non
‑
Orthogonal Multiple Access，NOMA)允许多个用户在同一空间层共享时间和频率资源，提高了频谱效率且支持大规模连接，在接收端采用多用户检测技术将不同用户的信号区分开。稀疏码分多址接入(Sparse Code Multiple Access，SCMA)是一种先进的码域NOMA技术，被认为是一种有竞争力的多址方案。
[0003]SCMA的主要挑战是设计一个高精确度和低复杂度的检测器，由于SCMA的稀疏性，消息传递算法(Message Passing Algorithm，MPA)被用于检测多维码字，然而，MPA的计算复杂性仍然很高，限制了它在实践中的应用。
[0004]深度学习(Deep Learning，DL)技术已经被用于提高SC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SCMA检测方法，其特征在于，所述基于深度学习的SCMA检测方法包括：根据信道信息对接收信号进行预处理，以消除幅值和相位失真；根据预处理后的接收信号获得信道子网络的输入信号，通过所述信道子网络，将所述输入信号进行数据转化，再将多个信道子网络的输出信号进行拼接，获得拼接信号；通过硬参数共享，根据所述预设神经网络模型对所述拼接信号进行检测，获得输入数据符号。2.根据权利要求1所述的基于深度学习的SCMA检测方法，其特征在于，所述根据信道信息对接收信号进行预处理，具体包括：控制所述接收信号除以所述信道信息，获得第一输入信号。3.根据权利要求2所述的基于深度学习的SCMA检测方法，其特征在于，所述根据信道信息对接收信号进行预处理，具体还包括：计算信道向量的模，获得第二输入信号。4.根据权利要求3所述的基于深度学习的SCMA检测方法，其特征在于，所述根据预处理后的接收信号获得信道子网络的输入信号，具体包括：将所述第一输入信号的实部、所述第一输入信号的虚部和所述第二输入信号拼接，获得所述输入信号。5.根据权利要求1所述的基于深度学习的SCMA检测方法，其特征在于，所述通过硬参数共享，根据所述预设神经网络模型对所述拼接信号进行检测，具体包括：通过硬参数共享提取所述拼接信号的通用特征和特定特征；通过所述通用特征和所述特定特征，根据所述预设神经网络模型对所述拼接信号进行检测。6.根据权利要求1所述的基于深度学习的SCMA检测方法，其特征在于，所述基于深度学习的SCMA检测方法，还包括：通过交叉熵损失函数对所述预设神经网络模型进行优化。7.一种基于深度学习的SCMA检测装置，其特征在于，所述基于深度学习的SCMA检测装置包括：预处理模块，用于根据信道信息对接收信号进行预处理，以消除幅值和相位失真；拼接模块，...

【专利技术属性】
技术研发人员：郑宇，张胜利，王晖，姜明，侯晓明，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：