[发明专利]基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法

说明书

基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法，涉及信息与通信技术领域，是为了为提高传统SCMA的BER性能。本发明利用了CNN的结构可以处理高维信息，基于自编码(AE)的方法，提出采用基于CNN的编码器替代传统SCMA的多维码本设计，采用基于CNN的解码器替代传统多用户检测译码方法。仿真结果表明，本发明提出的方案具有比传统SCMA更好的BER性能。

技术领域

本发明涉及信息与通信技术领域，具体涉及基于卷积神经网络的低轨星地链路端到端稀疏码多址接入技术。

背景技术

卫星通信系统具有覆盖范围广的优势，将被用作陆地蜂窝网络的补充，以建立卫星地面网络以提供全球通信服务。然而，在卫星-地面链路中存在信道衰落。多用户接入已经成为未来卫星地面网络的主要研究重点。

稀疏代码多路访问(SCMA)作为非正交多址接入(NOMA)的码域方案，是一种有前景的卫星地面网络空中接口技术。在SCMA系统中，通过设计优化的码本，将用户的输入比特映射到多维星座图，因此在设计码本方面起着重要的作用。但是，由于在不同的通信环境中资源块(RB)的数量不同，因此有必要针对所有可能的通信场景手动构造码本，这将导致实际通信中的局限性。多维码本设计需要使用消息传递算法(MPA)进行解码，该算法具有很高的计算开销。先前的工作提出了一种在衰落信道上具有高频谱效率的SCMA迭代多用户检测和解码方案，以提高系统性能。但与常规SCMA方法类似，信道传播表示为假设的数学信道模型，该模型可能无法正确反映实际的通信情况。

最近，深度学习技术已在许多方面带来了显着的性能提升。深度学习的方法被应用在空空地面综合网络(SAGIN)中。一些研究已经设计了一种采用端到端训练策略的物理层通信系统，以共同优化多层非线性编码器和解码器网络。基于学习的框架可以解释为自动编码器(AE)系统，其中发送器和接收器由深度神经网络(DNN)表示。此外，基于深度学习的端到端通信框架方法被应用于SCMA系统甚至更多的NOMA方案。可以自主构造和优化多用户多维星座图和多用户解码器，由于常规SCMA的非正交性和多维特性，通常很难做到这一点。

发明内容

针对上述问题，本发明提出一种基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法。

基于卷积神经网络的低轨星地链路端到端稀疏码多址接入方法，其特征是：

它的信号发射方法包括以下步骤：

步骤一、构建基于CNN的编码器f^e(·)；

步骤二、利用步骤一构建的基于CNN的编码器f^e(·)实现从原始J个用户的原始信息到N个资源块的多维星座图映射，其中N＜J；

步骤三、将步骤二获得的N个资源块发射至信道；

它的信号接收方法包括以下步骤：

步骤四、接收端从信道接收所述步骤三发射的N个资源块；

步骤五、构建基于CNN的解码器；

步骤六、根据步骤五构建的基于CNN的解码器对步骤四接收的N个资源块进行解码，恢复出J个用户的原始信息；

完成一次基于卷积神经网络的低轨星地链路端到端稀疏码多址接入。