【技术实现步骤摘要】
本专利技术属于通信，特别涉及一种基于卷积生成神经网络的免授权noma多用户检测方法。
技术介绍
1、大规模机器类型通信(mmtc)可用于满足工业4.0物联网海量设备用户的通信需求。据预测，大规模物联网可能的潜在设备用户数可达107个/平方公里，而mmtc通常需为不超过总设备用户数10％的零星活跃设备用户同时提供低时延、低带宽的上行数据业务，这给基于授权的正交多址接入技术带来巨大挑战。首先，有限的正交资源很难支持大规模设备用户的连接；其次，基于授权接入方式的频繁握手过程存在信令开销大、访问延迟高等问题。对此，通过免授权非正交多址接入(noma)技术可支持设备用户无需先向基站发送接入请求而直接通过上行链路发送数据，且利用非正交多路复用扩频序列或功率域等资源，满足多设备用户的随机接入需求，从而以更高的频谱利用效率和更低的访问延迟来实现mmtc应用中设备用户的多元化随机接入。
2、免授权noma为mmtc带来新的机遇的同时，也带来了新的挑战。首先，免授权技术下基站需对接入的用户进行活跃性检测，这无疑给接收端的设计增加了难度；其次，noma技术支持多个设备数据占用相同的时频资源传输数据，虽然时频资源的重复占用提高了资源的利用率，但由于占用资源的非正交性，导致用户间数据传输的干扰，从而造成接收端信号检测精度的降低。
3、传统的正交多址接入由于不同设备信息的正交性，在基站可以仅通过使用简单的匹配滤波器(mf)就能得到比较好的数据检测结果。但如果在gf-noma系统使用mf，mf会将多个设备信息以非正交方式传输所产生的设
4、传统的压缩感知类多用户检测方法，包括正交匹配追踪、压缩抽样匹配追踪为代表的贪婪方法，对接收到的信号与设备用户扩频序列组之间的相关性对数据进行检测。当活跃设备数增加时，基于压缩感知的多用户检测方案就会产生以下三个方面的问题：首先，当试图用少量子载波资源支持大量设备时，扩频序列组的相关性会急剧增加，导致多用户检测性能的严重退化；其次，基于压缩感知的多用户检测算法没有纠错功能，错误会随着迭代被传递，导致误差会越来越大；最后，由于基于压缩感知的多用户检测算法的复杂度和处理时间很大程度上取决于活跃设备的数量，当活跃设备数量较多时，算法的时间复杂度和延迟会很大。
技术实现思路
1、为了应对活跃设备用户的随机接入检测，本专利技术提出一种基于卷积生成神经网络的免授权noma多用户检测方法，具体包括以下步骤：
2、接收端从高斯分布n(0,1)中随机选择一个随机值z，并根据接收信号对z进行更新；
3、利用更新后的z输入完成训练的卷积生成神经网络中，卷积神经网络根据输入的更新后的z输出估计的发送信号；
4、从估计的发送信号中选择na个最大幅度的设备来更新支撑集，并将支撑集中设备发送符号映射到最近的星座集中的某个星座符号，完成检测。
5、进一步地，根据接收信号对z进行更新，更新过程表示为：
6、
7、其中，为更新后的随机数；表示随机数z与接收信号的映射关系；表示信道矩阵；gθ(·)表示完成训练的卷积生成神经网络。
8、进一步地，利用梯度下降法来近似更新后的随机数的值，近似过程包括：
9、
10、其中，a←b表示将b的值赋给a；表示为更新后的随机值，进行第一次更新时α为学习率。
11、进一步地，通过反向传播算法进行卷积生成神经网络参数更新，更新过程表示为：
12、
13、其中，a←b表示将b的值赋给a；θ表示卷积生成神经网络的网络参数；α为学习率；lg为任务测量误差损失；lh为近似的rip损失。
14、进一步地，任务测量误差损失lg表示为：
15、
16、其中，表示求服从任务分为的第i个任务传输任务的损失函数平均值；表示第i个任务的接收信号；表示第i个任务所对应的信道矩阵；表示第i个任务所对应的潜在更新表示；为损失函数，表示第i个任务的的接收信号与估计信号之间均方误差的平方；gθ(·)表示完成训练的卷积生成神经网络。
17、进一步地，近似的rip损失lh表示为：
18、
19、其中，表示求预测值和真实值损失的平均值；表示信道矩阵；表示从发送信号的数据分布采样得到的信号，将该值作为真实值；表示从卷积生成神经网络生成的样本中采样得到的信号，将该值作为预测值；表示求实际信号与估计信号之间的均方误差。
20、进一步地，卷积生成神经网络包括由级联的一个初始卷积层、三个基础块、一个最终的卷积层和一个非线性函数组成；每个基础块包括一个卷积层、一个批量归一化层和一个relu函数，并在基础块的输入和输出之间设置残差连接。本专利技术一种基于卷积生成神经网络的免授权noma多用户检测方法，通过利用生成网络模型学习设备之间的信号干扰模式以及非线性特征，解决多用户检测问题中的信号干扰和混叠问题，本专利技术提出利用2d 1×1卷积层来提取测量信号的共享稀疏特征，实现对设备活跃性和数据的联合检测，并通过残差连接，在加速网络收敛的同时，防止梯度消失，相较压缩感知类多用户检测方法而言，取得了更好的检测性能。
本文档来自技高网...【技术保护点】
1.一种基于卷积生成神经网络的免授权NOMA多用户检测方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于卷积生成神经网络的免授权NOMA多用户检测方法，其特征在于，根据接收信号对z进行更新，更新过程表示为：
3.根据权利要求2所述的一种基于卷积生成神经网络的免授权NOMA多用户检测方法，其特征在于，利用梯度下降法来近似更新后的随机数的值，近似过程包括：
4.根据权利要求1所述的一种基于卷积生成神经网络的免授权NOMA多用户检测方法，其特征在于，通过反向传播算法进行卷积生成神经网络参数更新，更新过程表示为：
5.根据权利要求4所述的一种基于卷积生成神经网络的免授权NOMA多用户检测方法，其特征在于，任务测量误差损失LG表示为：
6.根据权利要求4所述的一种基于卷积生成神经网络的免授权NOMA多用户检测方法，其特征在于，近似的RIP损失LH表示为：
7.根据权利要求1所述的一种基于卷积生成神经网络的免授权NOMA多用户检测方法，其特征在于，卷积生成神经网络包括由级联的一个初始卷积层、三个基础块
...【技术特征摘要】
1.一种基于卷积生成神经网络的免授权noma多用户检测方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于卷积生成神经网络的免授权noma多用户检测方法，其特征在于，根据接收信号对z进行更新，更新过程表示为：
3.根据权利要求2所述的一种基于卷积生成神经网络的免授权noma多用户检测方法，其特征在于，利用梯度下降法来近似更新后的随机数的值，近似过程包括：
4.根据权利要求1所述的一种基于卷积生成神经网络的免授权noma多用户检测方法，其特征在于，通过反向传播算法进行卷积生成神经网络参数更新，更新过程表示为：<...
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。