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SCMA检测的效率。现有技术中，通常将多个信道的数据直接拼接在一起作为全连接神经网络模型的输入，然而，全连接神经网络模型会独立处理输入的每个维度，没有充分利用先验知识，导致神经网络模型复杂度高，影响检测效率。
[0005]因此，现有技术还有待改进和发展。

技术实现思路

[0006]本专利技术的主要目的在于提供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，旨在解决现有技术中没有充分利用先验知识，导致神经网络模型复杂度高，影响检测效率。
[0007]为了实现上述目的，本专利技术第一方面提供一种基于深度学习的SCMA检测方法，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，根据上述预设神经网络模型对上述拼接信号进行检测，获得输入数据符号。
[0008]可选的，上述根据信道信息对接收信号进行预处理，具体包括：控制上述接收信号除以上述信道信息，获得第一输入信号。
[0009]可选的，上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。
[0010]可选的，上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：将上述第一输入信号的实部、上述第一输入信号的虚部和上述第二输入信号进行拼接，获得上述输入信号。
[0011]可选的，上述通过硬参数共享，根据上述预设神经网络模型对上述拼接信号进行检测，具体包括：通过硬参数共享提取上述拼接信号的通用特征和特定特征；通过上述通用特征和上述特定特征，根据上述预设神经网络模型对上述拼接信号进行检测。
[0012]可选的，上述基于深度学习的SCMA检测方法，还包括：通过交叉熵损失函数对上述预设神经网络模型进行优化。
[0013]本专利技术第二方面提供一种基于深度学习的SCMA检测装置，上述基于深度学习的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，用于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；检测模块，用于通过硬参数共享，根据上述预设神经网络模型对上述拼接信号进行检测，获得输入数据符号。
[0014]本专利技术第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于深度学习的SCMA检测程序，上述基于深度学习的SCMA检测程序被上述处理器执行时实现如上所述基于深度学习的SCMA检测方法的步骤。
[0015]本专利技术第四方面提供一种计算机存储介质，上述计算机存储介质上存储有基于深度学习的SCMA检测程序，上述基于深度学习的SCMA检测程序被处理器执行时实现如上所述基于深度学习的SCMA检测方法的步骤。
[0016]由上可见，本专利技术方案公开了一种基于深度学习的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，本专利技术通过信道信息对接收信号进行预处理消除了衰落带来的信号幅度和相位失真，降低了模型复杂度，同时，增加了信道子网络，通过信道子网络对输入信号进行数据转化后拼接，以减少信道先验知识的丢失，进一步降低模型的复杂度，提高检测效率。
附图说明
[0017]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0018]图1是本专利技术实施例提供的SCMA系统模型的一种原理框图；
[0019]图2是本专利技术实施例提供的映射和复用的一种流程示意图；
[0020]图3是本专利技术实施例提供的基于深度学习的SCMA检测方法的一种流程示意图；
[0021]图4是本专利技术实施例提供的预设神经网络模型的一种原理框图；
[0022]图5是本专利技术实施例提供的基于深度学习的SCMA检测装置的一种结构示意图；
[0023]图6是本专利技术实施例提供的智能终端的内部结构原理框图。
具体实施方式
[0024]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0025]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0026]还应当理解，在本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0027]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0028]如在本说本文档来自技高网...

【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：