[發(fā)明專利]一種MIMO-NOMA系統(tǒng)導(dǎo)頻輔助信號(hào)檢測方法、系統(tǒng)及存儲(chǔ)介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110392838.X
• 申請日: 2021-04-13
• 公開（公告）號(hào): CN113114313A
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 徐友云;朱盼;王小明;花航
• 申請（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): H04B7/0413
• 分類號(hào): H04B7/0413;H04B17/309;H04L25/02;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司 32224
• 代理人: 許婉靜

1.一種MIMO-NOMA系統(tǒng)導(dǎo)頻輔助信號(hào)檢測方法，其特征在于，包括以下步驟：

步驟一：構(gòu)造上行鏈路MIMO-NO無線通信系統(tǒng)模型及信號(hào)檢測系統(tǒng)模型；所述信號(hào)檢測系統(tǒng)模型為T+1層神經(jīng)網(wǎng)絡(luò)，包括1個(gè)ZF初始化層和T個(gè)級(jí)聯(lián)層組成的檢測器，每一層對應(yīng)于投影梯度算法的一次迭代過程，每次迭代包括K個(gè)可學(xué)習(xí)SIC模塊，分別對應(yīng)每個(gè)用戶信號(hào)檢測過程，通過可學(xué)習(xí)SIC模塊信號(hào)檢測模塊檢測出各個(gè)用戶的信號(hào)再送入下一層進(jìn)行迭代，檢測器最后一個(gè)級(jí)聯(lián)層的輸出信號(hào)為信號(hào)檢測系統(tǒng)的最終檢測信號(hào)；

步驟二：對信號(hào)檢測系統(tǒng)模型進(jìn)行訓(xùn)練；

步驟三：利用訓(xùn)練完畢的信號(hào)檢測系統(tǒng)模型對基站接收到的MIMO-NOMA信號(hào)進(jìn)行恢復(fù)。

2.根據(jù)權(quán)利要求1所述的MIMO-NOMA系統(tǒng)導(dǎo)頻輔助信號(hào)檢測方法，其特征在于：在步驟一中：

所述上行鏈路MIMO-NOMA無線通信系統(tǒng)模型包括基站和K個(gè)配有單天線的用戶，所述基站配置有N_r根天線，K個(gè)用戶信號(hào)經(jīng)過疊加編碼之后形成的發(fā)送信號(hào)表示為：

其中p_i分別表示用戶i的信號(hào)以及功率；

基站端接收信號(hào)為：其中表示瑞利衰落信道，表示發(fā)送信號(hào)，是服從均值為0、方差為σ²高斯分布的加性白噪聲信號(hào)，經(jīng)過虛實(shí)分離之后基站接收到的實(shí)值信號(hào)為：y＝Hx+n，其中，Re(·)表示取出實(shí)部、Im(·)表示取出虛部，表示“定義為”。

3.根據(jù)權(quán)利要求1所述的MIMO-NOMA系統(tǒng)導(dǎo)頻輔助信號(hào)檢測方法，其特征在于：在步驟一中，

所述信號(hào)檢測系統(tǒng)模型為T+1層神經(jīng)網(wǎng)絡(luò)，包括1個(gè)ZF初始化層和T個(gè)級(jí)聯(lián)層組成的檢測器，ZF初始化層將接收到的用戶信號(hào)初始化之后再輸入迭代層訓(xùn)練來檢測信號(hào)，利用接收信號(hào)y_d、接收導(dǎo)頻信號(hào)y_p以及發(fā)送導(dǎo)頻信號(hào)x_p得到第i個(gè)用戶信號(hào)初始化信號(hào)

其中y_p,i表示基站接收到的導(dǎo)頻信號(hào)，x_p,i代表用戶發(fā)送的導(dǎo)頻信號(hào)，y_d,i表示基站處接收到的用戶信號(hào)，(.)^H代表矩陣的轉(zhuǎn)置操作。

4.根據(jù)權(quán)利要求3所述的MIMO-NOMA系統(tǒng)導(dǎo)頻輔助信號(hào)檢測方法，其特征在于：在最小二乘信道估計(jì)方法基礎(chǔ)上加上噪聲消除矩陣δ_iE_i，δ_i為噪聲消除因子，改進(jìn)后的最小二乘信道估計(jì)矩陣為式(2)：

矩陣E_i表示全1矩陣，即每個(gè)元素都是1。

5.根據(jù)權(quán)利要求3所述的MIMO-NOMA系統(tǒng)導(dǎo)頻輔助信號(hào)檢測方法，其特征在于：

在所述信號(hào)檢測器中的T個(gè)級(jí)聯(lián)層中，第t個(gè)級(jí)聯(lián)層的信號(hào)檢測過程如式(3)和式(4)所示：

其中，式(3)表示投影梯度算法中的梯度下降過程，搜索點(diǎn)沿著梯度反方向移動(dòng)，為控制梯度下降的步長參數(shù)；在投影步驟(4)中，將基于雙曲正切函數(shù)的軟投影函數(shù)Tanh應(yīng)用于搜索點(diǎn)，以獲得接近離散值的新搜索點(diǎn)，使檢測出的信號(hào)更接近于{-1,+1}，θ_i^(t)為控制軟投影的柔和度控制參數(shù)；式(3)中近似線性最小均方誤差矩陣ξ_i是一個(gè)可學(xué)習(xí)的參數(shù)，I為加入神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)；

對檢測出的信號(hào)進(jìn)行信號(hào)重構(gòu)以及干擾消除，如式(5)所示：

其中，是可學(xué)習(xí)的干擾消除因子，表示第j個(gè)用戶的LS估計(jì)信道。

6.根據(jù)權(quán)利要求5所述的MIMO-NOMA系統(tǒng)導(dǎo)頻輔助信號(hào)檢測方法，其特征在于：有(3K-1)T+2K個(gè)學(xué)習(xí)參數(shù)通過訓(xùn)練進(jìn)行優(yōu)化，分別是噪聲消除因子參數(shù)步長控制參數(shù)柔和度控制參數(shù)以及干擾消除因子