[发明专利]一种基于神经网络与近似消息传递算法的多用户检测方法

权利要求书

1.一种基于神经网络与近似消息传递算法的多用户检测方法，其特征在于，包括以下步骤：

步骤1，建立海量机器通信免握手场景上行链路的多址接入模型，通过多址接入模型来表示多天线基站接收的信号；

步骤2，通过Khatri-Rao积将多用户检测问题对应的多观测向量问题转为压缩感知的单重测量向量问题；

多址接入模型中观测信号的协方差矩阵表示如下：

其中，R表示任一基站天线观测信号的协方差矩阵，表示天线i观测信号的协方差矩阵的期望值，y_i表示天线i的观测信号，H表示转置符号，S表示用户导频信号矩阵，x_i表示天线i与用户间的信道向量，Λ表示天线i与用户间信道向量的协方差矩阵期望值，σ_z表示噪声的标准差，I_L表示单位矩阵，L表示导频信号长度；

通过Khatri-Rao积将观测信号的协方差矩阵表示为：

其中，vec(R)表示协方差矩阵的列化，S表示用户导频信号矩阵，S^*表示用户导频信号矩阵的共轭，⊙表示Khatri-Rao积，diag(Λ)表示信道向量协方差矩阵的对角线值，表示噪声矩阵的列化；

同时，该观测信号的协方差矩阵通过多天线基站的接收信号进行估计，即：

其中，表示基站天线观测信号的协方差矩阵的估计值，M表示基站天线数量；

单重测量向量问题即在观测值为观测矩阵为(S^*⊙S)的情况下，对diag(Λ)进行稀疏恢复；注意到(S^*⊙S)，diag(Λ)均为实数矩阵，令则原多用户检测问题转换为压缩感知的单重测量向量稀疏恢复问题：

Y＝Φx+n

其中，Y表示单重测量向量，Φ表示观测矩阵，x表示信道增益，实质为待恢复的稀疏向量，n表示噪声；

步骤3，构建基于近似消息传递算法的神经网络模型，用于替代近似消息传递算法中对软阈值函数的更新；近似消息传递算法为在待估矢量先验分布未知的情况下用于解决基追踪去噪问题的基追踪去噪近似消息传递算法，其中近似消息传递算法使用的去噪函数为软阈值函数；

将当前重构的稀疏信号x'作为神经网络模型的输入，经过隐藏层，最后通过输出层输出阈值，将该阈值作为新的迭代阈值，x'作为新的稀疏信号，重复之前所述的软阈值去噪，再次通过神经网络模型确定迭代阈值；经过有限次这样的迭代，再输入到硬阈值函数η_h中，得到基于该神经网络重构的稀疏信号；

步骤4，使用多个训练好的基于神经网络的近似消息传递算法进行多用户检测，通过多组检测结果得到各个用户被检测为活跃的频率并基于此确定检测的活跃用户。

2.根据权利要求1所述基于神经网络与近似消息传递算法的多用户检测方法，其特征在于：所述步骤1中的多址接入模型：

其中，y为观测信号，观测信号中的第i列表示第i个天线接收的长度为L的信号序列，y∈C^L×M，C^L×M表示行数为L,列数为M的复数矩阵，L表示导频信号长度，M表示基站天线数量，S为N个用户的长度为L的导频信号构成的矩阵,S∈R^L×N，R^L×N表示行数为L,列数为N的实数矩阵，N表示该区域内的用户数量，x为信道增益,实质为待恢复的稀疏向量，x∈C^N×1，C^N×1表示行数为N,列数为1的复数矩阵，信道增益中的第i个元素表示基站与用户i间的信道增益，w表示加性高斯白噪声，w∈C^L×M，C^L×M表示行数为L,列数为M的复数矩阵。

3.根据权利要求2所述基于神经网络与近似消息传递算法的多用户检测方法，其特征在于：步骤3中神经网络模型包括输入层、隐藏层以及输出层，隐藏层使用双曲正切S型函数作为激活函数，输出层使用线性传递函数作为激活函数。