[发明专利]基于深度学习的SCMA检测方法及相关设备

说明书

本发明公开了一种基于深度学习的SCMA检测方法、装置、智能终端及计算机存储介质，上述基于深度学习的SCMA检测方法包括：根据信道信息对接收信号进行预处理，以消除幅值和相位失真；根据预处理后的接收信号获得信道子网络的输入信号，通过所述信道子网络，将所述输入信号进行数据转化，再将多个信道子网络的输出信号进行拼接，获得拼接信号；通过硬参数共享，根据预设神经网络模型对拼接信号进行检测，获得输入数据符号。与现有技术中相比，本发明降低了模型复杂度，提高了检测效率。

技术领域

本发明涉及无线通信技术领域，尤其涉及的是一种基于深度学习的SCMA检测方法、装置、智能终端及计算机存储介质。

背景技术

多址接入技术是一个系统信号的基础性传输方式，非正交多址接入技术(Non-Orthogonal Multiple Access，NOMA)允许多个用户在同一空间层共享时间和频率资源，提高了频谱效率且支持大规模连接，在接收端采用多用户检测技术将不同用户的信号区分开。稀疏码分多址接入(Sparse Code Multiple Access，SCMA)是一种先进的码域NOMA技术，被认为是一种有竞争力的多址方案。

SCMA的主要挑战是设计一个高精确度和低复杂度的检测器，由于SCMA的稀疏性，消息传递算法(Message Passing Algorithm，MPA)被用于检测多维码字，然而，MPA的计算复杂性仍然很高，限制了它在实践中的应用。

深度学习(Deep Learning，DL)技术已经被用于提高SCMA检测的效率。现有技术中，通常将多个信道的数据直接拼接在一起作为全连接神经网络模型的输入，然而，全连接神经网络模型会独立处理输入的每个维度，没有充分利用先验知识，导致神经网络模型复杂度高，影响检测效率。

因此，现有技术还有待改进和发展。

发明内容

本发明的主要目的在于提供一种基于深度学习的SCMA检测方法、装置、智能终端及计算机存储介质，旨在解决现有技术中没有充分利用先验知识，导致神经网络模型复杂度高，影响检测效率。

为了实现上述目的，本发明第一方面提供一种基于深度学习的SCMA检测方法，上述基于深度学习的SCMA检测方法包括：根据信道信息对接收信号进行预处理，以消除幅值和相位失真；根据预处理后的接收信号获得信道子网络的输入信号，通过所述信道子网络，将所述输入信号进行数据转化，再将多个信道子网络的输出信号进行拼接，获得拼接信号；通过硬参数共享，根据上述预设神经网络模型对上述拼接信号进行检测，获得输入数据符号。

可选的，上述根据信道信息对接收信号进行预处理，具体包括：控制上述接收信号除以上述信道信息，获得第一输入信号。

可选的，上述根据信道信息对接收信号进行预处理，具体还包括：计算信道向量的模，获得第二输入信号。

可选的，上述根据预处理后的接收信号获得信道子网络的输入信号，具体包括：将上述第一输入信号的实部、上述第一输入信号的虚部和上述第二输入信号进行拼接，获得上述输入信号。

可选的，上述通过硬参数共享，根据上述预设神经网络模型对上述拼接信号进行检测，具体包括：通过硬参数共享提取上述拼接信号的通用特征和特定特征；通过上述通用特征和上述特定特征，根据上述预设神经网络模型对上述拼接信号进行检测。

可选的，上述基于深度学习的SCMA检测方法，还包括：通过交叉熵损失函数对上述预设神经网络模型进行优化。