[发明专利]基于条件生成对抗网络的稀疏码多址接入随机信道建模方法

权利要求书

1.基于条件生成对抗网络的稀疏码多址接入随机信道建模方法，其特征是：它包括以下步骤：

步骤一、构建对抗网络的生成器G(z；θ_G)，所述对抗网络的生成器G(z；θ_G)中：θ_G为生成器的参量，表示生成器的权重和偏置向量；

步骤二、构建对抗网络的判别器D(x；θ_D)，所述对抗网络的D(x；θ_D)中：x是样本，θ_D为判别器的参量，表示判别器的权重和偏置向量；

步骤三、根据建步骤一构建的对抗网络的生成器G(z；θ_G)和步骤二构建的对抗网络的判别器D(x；θ_D)生成基于条件生成对抗网络的稀疏码多址接入随机信道模型，

在所述基于条件生成对抗网络的稀疏码多址接入随机信道模型中：

所述对抗网络的生成器G(z；θ_G)用于：将从分布采样P_z的噪声矢量z转换为符合该分布的模拟采样P_g；

所述对抗网络的判别器D(x；θ_D)判别器的输入是实际数据分布中的实际样本P_r和所述对抗网络的生成器G(z；θ_G)生成的模拟样本，所述对抗网络的判别器D(x；θ_D)的输出是一个概率；

本方法使用无模型学习方法学习不同类型的随机信道模型，在实际通信场景中实现对动态信道信息的有效获取；

所述随机信道模型中信道学习样本的获取方式为：

使用AE结构自主学习SCMA的多用户多维星座和多用户解码器；SCMA的端到端系统模型包括基于DNN的编码器、CGAN信道模型和基于DNN的解码器；端到端训练是通过使用反向传播BP实现的；通过对组成的网络进行迭代训练，以有监督的方式优化端到端的损失；仿真结果表明，在不知道信道信息的情况下，基于条件生成对抗网络的信道模型的DNN-SCMA能够达到与DNN-SCMA类似或更好的效果；为了获得训练数据集，首先，随机生成J个用户的数据流，然后通过基于DNN的编码器将其映射到K个资源块；接收到的SCMA信号y、接收到的导频数据y_p和原始发送的数据被收集为训练数据集；

完成一次基于条件生成对抗网络的稀疏码多址接入随机信道建模。

2.根据权利要求1所述的基于条件生成对抗网络的稀疏码多址接入随机信道建模方法，其特征在于对于所述对抗网络的判别器D(x；θ_D)，若将样本x标识为是从实际数据分布P_r中提取的，则判别器D(x；θ_D)获得的概率接近1，否则接近0。

3.根据权利要求1所述的基于条件生成对抗网络的稀疏码多址接入随机信道建模方法，其特征在于步骤三在生成基于条件生成对抗网络的稀疏码多址接入随机信道模型的过程中，存在对对抗网络的生成器G(z；θ_G)的训练过程，具体过程为：在训练过程中，生成器G(z；θ_G)将尝试生成类似于实际信道P_r输出的样本，然后判别器D(x；θ_D)将尝试区分实际信道P_r中的数据和生成器G(z；θ_G)中的数据。

4.根据权利要求3所述的基于条件生成对抗网络的稀疏码多址接入随机信道建模方法，其特征在于在对对抗网络的生成器G(z；θ_G)的训练过程中：

生成器和判别器的优化目标函数能够表示为：

5.根据权利要求4所述的基于条件生成对抗网络的稀疏码多址接入随机信道建模方法，其特征在于在将生成的所述基于条件生成对抗网络的稀疏码多址接入随机信道模型应用到实际的通信环境后，

接收端接收到的数据y表示为：

y＝hx+n

其中，h代表信道状态矢量，它是通过对信道H集进行采样而获得的，n是信道的噪声矢量。