[发明专利]一种MIMO-NOMA系统导频辅助信号检测方法、系统及存储介质

说明书

本发明公开了一种MIMO‑NOMA系统导频辅助信号检测方法、系统及存储介质。本发明的方法通过以下步骤实现：构造MIMO‑NOMA上行系统模型及信号检测系统模型，引入了噪声抵消因子和干扰抵消因子等新的参数；对信号检测系统模型进行训练；利用训练完毕的信号检测系统模型对基站接收到的MIMO‑NOMA信号进行恢复。本发明的方法将连续干扰消除结构与模型驱动的深度学习网络相结合，适用于时变信道和接收端未知信道信息的情况，仿真结果表明该方法具有优越的误码率性能。

技术领域

本发明属于无线通信技术领域，具体涉及基于深度学习的多输入多输出非正交多址接入系统的导频辅助信号检测。

背景技术

非正交多址接入(Non-Orthogonal Multiple Access；NOMA)不同于以往通信中资源正交的思想，在同一无线资源(即空间，编码和频率)上叠加和发送不同用户的信号，大幅度提升了通信系统的容量。因此NOMA具有高频谱效率，低时延和高连接密度等优势。为了进一步提高频谱效率，一些学者将多输入多输出(Multi-Input Multi-Output；MIMO)技术与NOMA相结合，即MIMO-NOMA系统。由于用户之间的功率差异，在接收机处通常采用串行干扰消除(Successive Interference Cancellation；SIC)实现NOMA中的多用户检测。但是由于误差传播的影响，先被检测的信号的准确性会直接影响后面检测信号能否被正确检测，并且该算法复杂度较高。

对现有专利检索发现，景小荣等人提出一种基于改进梯度投影法的低复杂度MIMO-NOMA系统信号检测方法，该方法根据系统活跃用户的稀疏特性，利用凸优化算法思想，将系统模型转化为严格的二次规划问题并进行迭代求解，相较于传统方法收敛速度更快。但是该方法假设基站已知信道状态信息，这是不符合实际情况的。常青等人提出一种基于深度神经网络的MIMO-NOMA信号检测系统，直接用深度神经网络(Deep Neural Network；DNN)替代接收机部分，实现性能更好的NOMA信号检测。但是该训练过程不可解释，只能依靠手动调参(学习率、隐藏层节点数量等)来获得更好的性能。

近几年，深度学习(Deep Learning；DL)因其强大的学习能力广泛应用在通信领域，它尤其擅长以数据驱动的方式解决复杂模型的优化问题。然而，基于数据驱动的DL像一个黑匣子，没有涉及通信领域专业知识，并且还需要大量的训练数据和时间来确保性能。

发明内容

本发明所要解决的技术问题是：在上行链路MIMO-NOMA无线通信系统的信号检测过程中，如何提高信号检测的准确性。

本发明的工作原理：首先构造上行链路MIMO-NOMA无线通信系统模型及信号检测系统模型，由于神经网络无法处理复数信号，故先将基站接收信号、用户发送信号以及信道矩阵进行虚实分离；

信号检测系统模型为一神经网络，包括：

初始化层：初始化层采用迫零(Zero Forcing；ZF)算法，将基站接收信号、导频信号进行初始化，以加快系统收敛时间，初始化层的输出信号作为检测器的输入信号；

检测器：检测器包括T个级联层，每一层对应于投影梯度算法的一次迭代过程，每次迭代包括K个可学习SIC模块(LSIC)，分别对应每个用户信号检测过程，通过LSIC信号检测模块检测出各个用户的信号再送入下一层进行迭代，检测器最后一个级联层的输出信号为信号检测系统的最终检测信号。

一种MIMO-NOMA系统导频辅助信号检测方法，包括以下步骤：

步骤一：构造上行链路MIMO-NO无线通信系统模型及信号检测系统模型；所述信号检测系统模型为T+1层神经网络，包括1个ZF初始化层和T个级联层组成的检测器，每一层对应于投影梯度算法的一次迭代过程，每次迭代包括K个可学习SIC模块，分别对应每个用户信号检测过程，通过可学习SIC模块信号检测模块检测出各个用户的信号再送入下一层进行迭代，检测器最后一个级联层的输出信号为信号检测系统的最终检测信号；