[发明专利]基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法

权利要求书

1.一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，包括以下步骤：

步骤1，用连续时隙动态模型对基站端的接收信号进行建模；

步骤2，用K-SVD方法训练稀疏表示字典，用于将接收信号稀疏表示；

步骤3，建立多层降噪自动编码机SDA结构，构建训练集、误差函数和训练深度结构，基于测试集测试性能，最后用优化后的自动编码机SDA恢复接收信号；

步骤3具体包括以下步骤：

(301)、建立一个4层的多层降噪自动编码机SDA结构式(4)：

式中和为加权矩阵，和为偏差向量，x_h1、x_h2和x_h3分别为第1、2和3层的输出，为输出信号；为非线性的算法，y表示接收信号；

(302)，由l与接收信号相对应的发送信号(y⁽ⁱ⁾，x⁽ⁱ⁾)构建训练集D_train：

D_train＝{(y⁽¹⁾，x⁽¹⁾)，(y⁽²⁾，x⁽²⁾)，…，(y⁽ⁱ⁾，x⁽ⁱ⁾)，...，(y⁽ⁱ⁾，x^(l))}， (5)

在无监督的学习框架下，学习一个从接收信号y到发送信号x的非线性映射；i＝1，2...l；

(303)、定义一个非线性映射式中Ω_L＝{W₁，b₁，W₂，b₂，W₃，b₃，W₄，b₄}为参数集，利用均方误差MSE函数作为训练集D_train的误差函数：

(304)、利用反向传播算法最小化误差函数；

(305)、由s对接收信号与相对应的发送信号(y⁽ⁱ⁾，x⁽ⁱ⁾)组成测试集D_test：

D_test＝{(y⁽¹⁾，x⁽¹⁾)，(y⁽²⁾，x⁽²⁾)，…，(y⁽ⁱ⁾，x⁽ⁱ⁾)，…，(y^(s)，x^(s))}， (8)

在测试集D_test上测试SDA的性能，将测试集代入误差函数，误差函数的值小于设定的阈值则结束优化，大于设定的阈值则重新构建训练集；i＝1，2...s。

2.根据权利要求1所述的一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，

步骤1具体包括以下步骤：

根据用户的活动情况在连续的时隙内存在的相关性，采用连续时隙动态模型将基站接收信号建模为结构化的信号；

连续时隙动态模型的目的在于恢复发送信号X；

X＝[x^[1]，x^[2]，…，x^[t]，…，x^[T]]，式中x^[t]为第t个时隙的发送信号，Y＝[y^[1]，y^[2]，…，y^[t]，…，y^[T]]表示T个连续时隙的接收信号，y^[t]为第t个时隙的接收信号，将第t个时隙的接收信号y^[t]表示为单时隙静态模型式(1)：

式中A^[t]为融合了信道增益和扩频信息的等效信道矩阵；N×K表示等效矩阵的大小，其中N表示基站处配置的天线数，K表示配置了单根接收天线的被服务用户数；表示第k个用户和基站之间的信道向量；表示高斯噪声向量，表示第t个时隙第N个子载波上的高斯噪声，且即服从均值为0，方差为δ²的复高斯分布。