[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

说明书

本发明公开了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，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；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。使用多个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活跃用户的可靠性并基于此确定检测的活跃用户。本发明性能优于多向量观测正交匹配追踪，可应用于多天线基站场景下，其适用性好、应用范围宽，同时能够达到较好的多用户检测水平。

技术领域

本发明涉及一种基于神经网络与近似消息传递算法的多用户检测算法，该方法属于阵列信号处理技术领域。

背景技术

海量机器通信被列为第五代蜂窝移动通信的三项主要应用场景之一，其基于握手的上行链路传输方式具有过高传输时延与过大信令开销的缺陷，因此在实际应用中，免握手的非正交多址接入技术被更多采用。由于没有握手过程，基站端需要先进行多用户检测以确定活跃用户。在海量机器通信场景下，相比于总用户数，仅有少数用户是活跃的，因此多用户检测问题可以被表述为压缩感知问题。在基站端使用多天线接收时，可以进一步表述为多向量观测问题。近似消息传递算法作为近些年被提出的应用于稀疏重构的算法，以其低复杂度与高性能受到人们的关注。但在信道先验分布未知的情况下，适用的基追踪去噪近似消息传递算法只适用于解决单向量观测问题。基于正交匹配追踪的算法虽在低信噪比与少量活跃用户情况下检测效果优异，但随着活跃用户数增加而快速增大的复杂度与低信噪比或多活跃用户情况下不理想的检测性能成为了限制其使用的主要原因。

综合考虑现有的多用户检测领域，主要面临如下几个问题：

1、现有技术大多针对于传统的次最优检测器，对海量机器通信场景适用性不佳。

2、现有海量机器通信场景下的多用户检测方法基本针对单天线基站使用，对于多天线基站的多用户检测方法研究较少。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供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，设计了一种在免握手的非正交多址接入场景下被应用于多天线基站的多用户检测方法，其性能优于多向量观测正交匹配追踪，可被应用于多天线基站场景下，解决现有方法中适用性不佳、应用范围窄的问题，能够达到较好的多用户检测水平。

技术方案：为实现上述目的，本发明采用的技术方案为：

为了实现实现稀疏信号重构，本发明提供的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，旨在先通过Khatri-Rao积将多用户检测问题转为单重测量向量问题，再使用神经网络学习基追踪去噪近似消息传递算法的阈值更新方法，进而使用多个基于这样的神经网络的近似消息传递算法进行多用户检测，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：