[发明专利]针对MMV模型进行活跃性和信号联合检测的方法

说明书

本发明公开了一种针对MMV模型进行活跃性和信号联合检测的方法，其先对MMV模型中的测量矩阵进行酉变换，使模型中存在特殊测量矩阵如相关矩阵时仍具有稳健作用，然后利用近似消息传递得到能直观表达变量和因子之间关系的因子图模型，在因子图的基础上，结合期望最大化算法进行活跃性和信号联合检测；其优点在于进行信号检测时无需提前已知用户稀疏度，仍有准确的检测结果；结合了近似消息传递算法和期望最大化算法的优点，考虑了活跃行数据的相关性，引入结构化的先验知识，在进行信号检测的过程中不仅能得到准确的检测结果，还能得到噪声功率和信号功率。

技术领域

本发明涉及一种活跃性和信号联合检测技术，尤其是涉及一种针对MMV(MultipleMeasurement Vector，多观测向量)模型进行活跃性和信号联合检测的方法。

背景技术

随着物联网和移动互联网的发展，第五代移动通信系统需要满足高吞吐量、低延时和大规模设备连接等要求。为了应对这些挑战，已经提出了非正交多址接入(Non-Orthogonal Multiple Access，NOMA)技术的概念。非正交多址接入技术是通过将多个用户的信号扩展到相同的时频资源进行叠加传输，进而实现对有限资源的非正交复用。其中，上行免调度NOMA系统受到广泛关注，其不仅可以提高频谱利用率，满足大规模连接的需求，而且还能利用免调度传输实现低时延、降低信令开销等。在上行免调度NOMA系统中，当前的无线网络报告显示，即使是在繁忙时，也只有小部分用户活跃，且活动用户数不超过网络服务用户总数的10％，这就产生了所谓的零星通信，即用户的活动信息就具有稀疏性的特点，满足压缩感知理论中信号稀疏这一要求。由于用户发送信号在所有时隙保持通信或者静默，利用该结构特性，可以通过结构稀疏理论极大程度提高信号检测的性能。

结构稀疏理论中常用的是多观测向量(Multiple Measurement Vector，MMV)模型，它指的是稀疏信号构成的矩阵仅有少数行是非零行(活跃行)，绝大多数行是零行(不活跃行)，MMV模型相比于单观测向量(Single Measurement Vector，SMV)模型，能够更加准确地估计出非零行的位置，即能够进行活跃性检测，从而能够更准确地进行信号检测。这种MMV模型应用十分广泛，例如应用于大规模多输入多输出系统的信道估计、认知无线电的频谱感知以及目标跟踪等诸多领域。然而，目前很多针对MMV模型的活跃性检测方法忽略了活跃行数据的相关性，影响了检测性能，而且信号检测往往需要已知用户稀疏度，但是用户稀疏度在实际中往往很难提前得知。

发明内容

本发明所要解决的技术问题是提供一种针对MMV模型进行活跃性和信号联合检测的方法，其不仅充分考虑了活跃行数据的相关性，而且无需提前已知用户稀疏度，其具有较好的检测性能。

本发明解决上述技术问题所采用的技术方案为：一种针对MMV模型进行活跃性和信号联合检测的方法，其特征在于包括以下步骤：