【技术实现步骤摘要】
本专利技术涉及leo卫星通信，尤其是一种基于深度学习的leo卫星码分多址方法及系统。
技术介绍
1、无线通信技术从20世纪70年代开始建设和演进，目前已升级到第六代移动通信网络，6g通信要求实现更广泛的全球覆盖，然而传统地面网络无法解决海事、航空及其它地面网络尚未覆盖区域的高速数据通信问题。卫星通信系统可以提供低开销、无缝连接和无处不在的通信服务，是解决上述问题的有效手段，而leo(low earth orbit,leo)卫星的低轨特性使得它具有更优越的星地通信链路，具备单程通信时延短、自由空间损耗小、发射功率较低及重返周期短等优势，这使得leo卫星通信系统成为第六代6g无线通信网络不可或缺的组成部分，有望实现全球覆盖。
2、由于leo卫星通信覆盖范围大，服务用户多，频谱资源有限，因此需要采用多址接入技术来实现有效的通信。码分多址(code division multiple access,cdma)技术允许每个用户的数据通过唯一的扩频序列进行扩频，扩频序列具有正交性，这使得多个用户同时在相同的频谱范围内传输数据，频谱的利用效率非常高，其次cdma技术允许在不同用户之间动态分配码片序列，因此它具有灵活的资源分配能力，以及cdma具有抗干扰能力强，数据保密性好等特点使得其在leo卫星通信中应用非常广泛。但cdma系统由于各个用户的扩频码之间的不完全正交，使得扩频后的信号在相同的频谱范围内传输时会互相干扰，这种干扰称为多址干扰(multiple access interference,mai)。多址干扰的存在导致接收端无
3、目前最优多用户检测算法理论上性能最佳，但随着用户数的增加，其计算复杂度呈指数级增长，在实际应用中并未采用。一些次优的检测算法如匹配滤波算法、线性类算法、干扰抵消类算法以及一些盲自适应算法，虽然复杂度有所降低，但也同时降低了误码率性能，近年来，随着ai技术的发展一些神经网络的技术引入到多用户检测中，如利用hopfiled神经网络将多用户检测的优化问题转换hopfiled神经网络能量函数最小的问题，但这类方法存在迭代次数过大、稳定性较差以及容易陷入局部最优的问题。又比如bp神经网络进行多用户检测，但当用户数比较多时效果不明显，且误码率待提升。
技术实现思路
1、为解决现有技术存在的误码率性能低、稳定性较差的缺陷，本专利技术的首要目的在于提供一种能够提升cdma系统在上行链路的误码率性能的基于深度学习的leo卫星码分多址方法。
2、为实现上述目的，本专利技术采用了以下技术方案：一种基于深度学习的leo卫星码分多址方法，该方法包括下列顺序的步骤：
3、(1)在扩频编码端构建用于生成用户扩频码并对用户的数据进行扩频的cdma扩频编码器，cdma扩频编码器采用全连接深度神经网络构建；
4、(2)在多用户检测端构建用于多用户检测以获得所有用户的原始信息的cdma多用户检测器，cdma多用户检测器采用多用户检测网络构建，所述多用户检测网络为全连接深度神经网络；
5、(3)对cdma扩频编码器和cdma多用户检测器采用端到端联合训练，通过cdma扩频编码器的输入数据s和cdma多用户检测器的输出数据构造损失函数，利用反向传播算法及神经网络优化器进行端到端联合训练。
6、所述步骤(1)具体是指：在扩频编码端，首先将每个用户的二进制比特数据r的每一个符号映射为一个m维的独热向量si，独热向量si送入cdma扩频编码器，全连接深度神经网络将用户的独热向量si映射为一个l维的扩频信号xi，扩频因子为l；全连接深度神经网络的输入层的节点数为m，全连接深度神经网络的输出层的节点数为l，输入层的节点数m等于dim(si)，输出层的节点数l等于dim(xi)；用户数为k，ri为第i个用户的二进制比特数据，
7、cdma扩频编码器的输出为xi：
8、xi＝fi(si；θf,i)
9、其中，θf,i表示第i个用户对应全连接深度神经网络的训练参数，即全连接深度神经网络的权重和偏置，函数fi()表示全连接深度神经网络的映射；
10、将cdma扩频编码器k个用户的输出连接到同一个加法器中进行叠加输出：
11、
12、s＝t(s1,s2,……sk)
13、其中，t()为数据串联函数，s为将s1,s2,……sk串联后的结果，其维度为mk；θf表示扩频编码端的训练参数，即扩频编码端全连接深度神经网络权重和偏置的集合，x即为叠加后的结果，x是一个l维的向量。
14、所述步骤(2)具体是指：在多用户检测端，cdma多用户检测器的接收信号y为：
15、
16、其中，y表示通过信道后的叠加信号，是l维向量；h为信道增益，n为噪声；k为用户数；
17、然后将接收信号y送入cdma多用户检测器中，具体映射过程如下：
18、
19、其中，θg为多用户检测端网络的训练参数，即权重和偏置的集合，g()表示多用户检测网络的映射，为多用户检测端网络的输出结果。
20、所述步骤(3)具体是指：通过cdma扩频编码器的输入数据s和cdma多用户检测器的输出数据构造损失函数，损失函数采用均方误差损失函数：
21、
22、
23、其中，n为训练时一个批次的大小，l()函数为均方误差损失函数，s＝t(s1,s2,……sk)，t()为数据串联函数，s为将s1,s2,……sk串联后的结果，所述神经网络优化器采用adam优化器，训练时采用adam优化器进行神经网络的参数更新，可训练更新的参数为扩频编码端的θf和多用户检测端的θg；
24、通过反向传播算法计算损失函数对神经网络可训练参数的梯度，然后通过adam优化器根据梯度信息对可训练参数进行更新以降低损失函数，具体更新方式如下：
25、
26、其中，θt为第t次迭代可训练参数，t为当前迭代次数；α为学习率，设置为0.0001；一阶动量估计偏差校正，为一阶动量估计偏差校正，是一个常数；
27、mt＝β1·mt-1+(1-β1)·gt
28、
29、
30、
31、式中，mt为一阶动量估计，vt为二阶动量估计，gt为损失函数对θ的梯度，β1为量衰减率和β2为二阶矩估计的衰减率。
32、本专利技术的另一目的在于提供一种基于深度学习的leo卫星码分多址方法的系统，该系统包括：
33、cdma扩频编码器，用于生成扩频码并且对onehot数据进行扩频；
34、cdma多用户检测器，用于将接收到的扩频后的onehot数据进行多用户检测；
35、信道，用于模拟实际传输的环境，构建cdma扩频编码器和cdma多用户检测器之间本文档来自技高网...
【技术保护点】
1.一种基于深度学习的LEO卫星码分多址方法，其特征在于：该方法包括下列顺序的步骤：
2.根据权利要求1所述的基于深度学习的LEO卫星码分多址方法，其特征在于：所述步骤(1)具体是指：在扩频编码端，首先将每个用户的二进制比特数据r的每一个符号映射为一个m维的独热向量si，独热向量si送入CDMA扩频编码器，全连接深度神经网络将用户的独热向量si映射为一个L维的扩频信号xi，扩频因子为L；全连接深度神经网络的输入层的节点数为m，全连接深度神经网络的输出层的节点数为L，输入层的节点数m等于dim(si)，输出层的节点数L等于dim(xi)；用户数为k，ri为第i个用户的二进制比特数据，
3.根据权利要求1所述的基于深度学习的LEO卫星码分多址方法，其特征在于：所述步骤(2)具体是指：在多用户检测端，CDMA多用户检测器的接收信号y为：
4.根据权利要求1所述的基于深度学习的LEO卫星码分多址方法，其特征在于：所述步骤(3)具体是指：通过CDMA扩频编码器的输入数据s和CDMA多用户检测器的输出数据构造损失函数，损失函数采用均方误差损失函数：
...【技术特征摘要】
1.一种基于深度学习的leo卫星码分多址方法，其特征在于：该方法包括下列顺序的步骤：
2.根据权利要求1所述的基于深度学习的leo卫星码分多址方法，其特征在于：所述步骤(1)具体是指：在扩频编码端，首先将每个用户的二进制比特数据r的每一个符号映射为一个m维的独热向量si，独热向量si送入cdma扩频编码器，全连接深度神经网络将用户的独热向量si映射为一个l维的扩频信号xi，扩频因子为l；全连接深度神经网络的输入层的节点数为m，全连接深度神经网络的输出层的节点数为l，输入层的节点数m等于dim(si)，输出层的节点数l等于dim(xi)...
【专利技术属性】
技术研发人员：蒋芳，汪栋，许耀华，王翊，胡艳军，王成龙，
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。