[發明專利]一種MIMO-NOMA系統導頻輔助信號檢測方法、系統及存儲介質

在審

• 申請號: 202110392838.X
• 申請日: 2021-04-13
• 公開（公告）號: CN113114313A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 徐友云;朱盼;王小明;花航
• 申請（專利權）人: 南京郵電大學
• 主分類號: H04B7/0413
• 分類號: H04B7/0413;H04B17/309;H04L25/02;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 許婉靜

本發明公開了一種MIMO?NOMA系統導頻輔助信號檢測方法、系統及存儲介質。本發明的方法通過以下步驟實現：構造MIMO?NOMA上行系統模型及信號檢測系統模型，引入了噪聲抵消因子和干擾抵消因子等新的參數；對信號檢測系統模型進行訓練；利用訓練完畢的信號檢測系統模型對基站接收到的MIMO?NOMA信號進行恢復。本發明的方法將連續干擾消除結構與模型驅動的深度學習網絡相結合，適用于時變信道和接收端未知信道信息的情況，仿真結果表明該方法具有優越的誤碼率性能。

技術領域

本發明屬于無線通信技術領域，具體涉及基于深度學習的多輸入多輸出非正交多址接入系統的導頻輔助信號檢測。

背景技術

非正交多址接入(Non-Orthogonal Multiple Access；NOMA)不同于以往通信中資源正交的思想，在同一無線資源(即空間，編碼和頻率)上疊加和發送不同用戶的信號，大幅度提升了通信系統的容量。因此NOMA具有高頻譜效率，低時延和高連接密度等優勢。為了進一步提高頻譜效率，一些學者將多輸入多輸出(Multi-Input Multi-Output；MIMO)技術與NOMA相結合，即MIMO-NOMA系統。由于用戶之間的功率差異，在接收機處通常采用串行干擾消除(Successive Interference Cancellation；SIC)實現NOMA中的多用戶檢測。但是由于誤差傳播的影響，先被檢測的信號的準確性會直接影響后面檢測信號能否被正確檢測，并且該算法復雜度較高。

對現有專利檢索發現，景小榮等人提出一種基于改進梯度投影法的低復雜度MIMO-NOMA系統信號檢測方法，該方法根據系統活躍用戶的稀疏特性，利用凸優化算法思想，將系統模型轉化為嚴格的二次規劃問題并進行迭代求解，相較于傳統方法收斂速度更快。但是該方法假設基站已知信道狀態信息，這是不符合實際情況的。常青等人提出一種基于深度神經網絡的MIMO-NOMA信號檢測系統，直接用深度神經網絡(Deep Neural Network；DNN)替代接收機部分，實現性能更好的NOMA信號檢測。但是該訓練過程不可解釋，只能依靠手動調參(學習率、隱藏層節點數量等)來獲得更好的性能。

近幾年，深度學習(Deep Learning；DL)因其強大的學習能力廣泛應用在通信領域，它尤其擅長以數據驅動的方式解決復雜模型的優化問題。然而，基于數據驅動的DL像一個黑匣子，沒有涉及通信領域專業知識，并且還需要大量的訓練數據和時間來確保性能。

發明內容

本發明所要解決的技術問題是：在上行鏈路MIMO-NOMA無線通信系統的信號檢測過程中，如何提高信號檢測的準確性。

本發明的工作原理：首先構造上行鏈路MIMO-NOMA無線通信系統模型及信號檢測系統模型，由于神經網絡無法處理復數信號，故先將基站接收信號、用戶發送信號以及信道矩陣進行虛實分離；

信號檢測系統模型為一神經網絡，包括：

初始化層：初始化層采用迫零(Zero Forcing；ZF)算法，將基站接收信號、導頻信號進行初始化，以加快系統收斂時間，初始化層的輸出信號作為檢測器的輸入信號；

檢測器：檢測器包括T個級聯層，每一層對應于投影梯度算法的一次迭代過程，每次迭代包括K個可學習SIC模塊(LSIC)，分別對應每個用戶信號檢測過程，通過LSIC信號檢測模塊檢測出各個用戶的信號再送入下一層進行迭代，檢測器最后一個級聯層的輸出信號為信號檢測系統的最終檢測信號。

一種MIMO-NOMA系統導頻輔助信號檢測方法，包括以下步驟：

步驟一：構造上行鏈路MIMO-NO無線通信系統模型及信號檢測系統模型；所述信號檢測系統模型為T+1層神經網絡，包括1個ZF初始化層和T個級聯層組成的檢測器，每一層對應于投影梯度算法的一次迭代過程，每次迭代包括K個可學習SIC模塊，分別對應每個用戶信號檢測過程，通過可學習SIC模塊信號檢測模塊檢測出各個用戶的信號再送入下一層進行迭代，檢測器最后一個級聯層的輸出信號為信號檢測系統的最終檢測信號；