[發明專利]NOMA系統模型構建、優化方法、電子設備、存儲介質

有效

• 申請號: 202010881290.0
• 申請日: 2020-08-27
• 公開（公告）號: CN112115637B
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 高飛飛;馬哲
• 申請（專利權）人: 清華大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/18;G06N3/04;G06N3/08;G06F111/06;G06F111/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 苗曉靜

1.一種NOMA系統優化模型構建方法，其特征在于，包括：

S1：采用變分分析方法，將免信令NOMA系統星座圖設計與多用戶檢測建模為變分優化問題；

所述S1具體包括：

S11：對多用戶檢測進行建模：對于一個具有N個用戶，K個正交資源的NOMA系統，每個用戶與接收基站均為單天線；將第n個用戶發送給基站的信息表示為其中R_n為第n個用戶的速率；將第n個用戶的星座圖映射表示為f_n:s_n→x_n，其中為映射后的K維符號；

S12：依據變分推理建模：定義為參數在s發生下y的條件概率分布，所述變分優化問題的目標函數為變分下界：

其中，E表示期望函數，P(s_n|y；g_n)為參數為g_n、在y發生下s_n的條件概率分布，KL(·)為Kullback-Leibler散度，P(y)為接收信號的概率分布；

S2：建立多任務變分自編碼網絡，所述自編碼網絡包括編碼網絡和解碼網絡，構建訓練集，誤差函數和訓練算法，基于測試集測試性能，對多任務變分自編碼網絡的參數進行調整，擬合出變分優化問題的最優解，得到NOMA系統優化模型；

所述S2具體包括：

S21：建立多任務變分自編碼網絡：所述編碼網絡用于擬合最優的星座圖設計，即所述解碼網絡用于擬合最優的多用戶檢測，即

S22：構建訓練集：所述訓練集由N個用戶組成；其中第n部分由在長度為的獨熱編碼中隨機抽樣的800,000個數據點構成，即

D_train＝{D₁,…,D_N}，其中

其中，m_n為第n個用戶的獨熱編碼，所述獨熱編碼是將第n個用戶的信息s_n用維的向量表示，m_n中的第s_n項為1，其余項為0；

S23：構建誤差函數；

S24：構建訓練算法：所述訓練算法采用端到端無監督學習框架，利用反向傳播法最小化誤差函數，所述反向傳播法中的優化目標為所述S23中的誤差函數；

S25：將測試數據集中的數據輸入到深度神經網絡中，采用所述S24中的訓練算法進行線下學習；利用測試數據集對深度神經網絡性能進行評估，將小于預設測試誤差的模型作為NOMA系統優化模型；所述測試數據集由N個用戶組成，其中第n部分由在長度為的獨熱編碼中隨機抽樣的100,000個數據點構成，即

D_test＝{D₁,…，D_N}其中

所述編碼網絡由N個獨立的用戶組成，定義編碼網絡映射為F_Θ：s→y,其中Θ為編碼網絡的參數集，代表解碼網絡由注意力機制模塊和多任務檢測模塊組成，定義解碼網絡的映射為G_Φ:y→s，其中Φ為解碼網絡的參數集，代表

所述誤差函數為：

其中m_n為第n個用戶的獨熱編碼，w_n為第n個用戶的權重。

2.根據權利要求1所述的NOMA系統優化模型構建方法，其特征在于，所述注意力機制模塊利用乘法注意力獲得接收信號與信道的相關性，所采用的激活函數為恒等函數；所述多任務檢測模塊采用三層水閘網絡結構，其中每層均由N個全連接網絡組成；

所述全連接網絡具有六層，其中第一層和最后一層分別為輸入層與輸出層，第二到第五層為隱藏層；每層隱藏層的神經元個數為其中R_n為n個用戶的速率。

3.一種NOMA系統優化方法，其特征在于，利用如所述權利要求1-2任一所述的方法構建的NOMA系統優化模型，進行NOMA系統的星座圖設計與多用戶檢測。

4.根據權利要求3所述的NOMA系統優化方法，其特征在于，所述進行NOMA系統的星座圖設計與多用戶檢測具體包括：

在所述變分自編碼網絡的輸入層輸入各用戶的發送信息，則編碼網絡的輸出即為所設計星座圖，解碼網絡的輸出即為檢測出的用戶信息。