文摘
多用户检测(MUD)算法,提出了基于深度学习网络的卫星移动通信系统。由于卫星和用户之间的相对运动,多址干扰(梅)引入了多径衰落信道会降低系统的性能。提出了泥浆算法基于深度学习网络首先建立CINR最佳损失函数根据多用户访问模式,然后获得最佳多用户检测重量通过最陡梯度迭代。多层非线性学习获得干扰取消共享权重通过梯度迭代获得最大的信噪比,这是上级比传统的串行干扰消除算法和并行干扰消除算法。然后,权重与多用户检测通过多层网络向前学习迭代得到与传统多用户检测质量特征。提出基于深度学习网络多用户访问检测算法可以提高泥浆的准确性和减少传统多用户的数量。卫星的性能multifading上行系统表明,拟议中的深度学习网络可以提供高精度和更好的迭代时间。
1。介绍
由于移动用户之间的高速相对运动和卫星在卫星移动通信系统中,不同的用户访问与卫星在不同海拔之间的角度和多路径通道卫星和用户链接正在消退。这些因素正在创造障碍多用户检测。在有限的带宽的情况下系统中,多用户检测(MUD)访问在卫星移动通信系统是一个重要的问题。
早期的文学,曹和Viswanathan1)提出了一种基于训练序列的转换的方法对单用户检测;基于转换训练序列的性能很差,因为算法需要增加冗余信息,使信号传输效率。在文献[2,3),提出了一种软迭代法对多用户信号检测,但软迭代需要太多的用户信息,这是不容易实现收敛。
由于多用户访问的卫星系统在不同海拔的角度,不同的访问载波频率偏移(cfo)引入了多用户干扰(MUI)访问,所以很难实现晃FDE实现多用户检测。一些相关研究设计了多用户检测。唐和健康4)提出了一个联合泥浆方案。文中。在此基础上,在5],CP被用来进行多用户检测的准确估计频率偏移量。张,高6)提出了一种盲多用户上行与大型天线方案。然而,文献[4- - - - - -6]提出了基于CP,他们的解决方案依赖于寻找抽样。在这种情况下,它遭受了严重的性能下降,尤其是在相对较大的情况下延迟传播。
盲人用户检测不需要先验信息,并有效地提高了传输效率。因此,张和高6提出了一种盲检测算法。目前,在此基础上,在7,8),结合先进的技术,如时空处理和干扰消除,提高系统的传输性能,提出了。Karakaya et al。9)提出了一种改进的卡尔曼滤波器(KF)多用户检测,需要较长的训练序列。曹et al。10]提出LS-based算法(最小二乘)和MMSE多用户干扰(最小均方误差),但他们是不准确的。Chang et al。11)提出了一种多用户检测方法,该方法需要取消干扰引起的载波频率与高度的复杂性。新算法基于时域载波频率偏移补偿算法(9)多用户检测,但其准确性很低。崔(10)提出了联合迭代检测算法,它需要大量的矩阵换位操作和高复杂性。
近年来,文献研究压缩传感重建算法的多用户检测。Abebe和康12]提出的迭代最小二乘排序(IORLS)多用户检测算法的信号。在此基础上,使用正交信号跟踪(OMP) (13]重建信号的快速多用户信号检测。支持迭代检测(ISD)算法被提出14),和一个结构化的迭代检测(SISD)算法(15]恢复多个稀疏信号。在[16),提出了一种近似的消息传递机制重建信号。在此基础上,魏et al。17)提出了多用户检测此消息的应用程序。在此基础上,Donoho et al。18]介绍了采用(EM)多用户检测和被命名为“joint-EM-AMP算法。“这个算法可以实现良好的比特误码率(BER)性能共同利用先验信息的结构化稀疏。王等人。19)提出了一个动态与压缩有关的运算算法更实际的场景。
对于单层网络的非线性变换,相关文献也详细讨论和优化。盲人MIMO通信系统的信道估计,彩等。20.)提出模糊logic-empowered相反的学习算法,采用变异粒子群优化获得MMSE和误码性能。然而,单层非线性变换算法降低了系统的性能。
特别是对于诺玛系统,文献[12,21- - - - - -23),提出了一种多用户检测(MUD)算法。自诺玛系统随机传输数据的问题,他们必须执行盲人活动检测。小王和阴14]提出压缩感知(CS)算法。王等人。24)提出了一个修改版本的原始ISD算法。王等人。24)总结了卫星移动通信系统的多用户检测方法。文献[25)提出了一种联合ML-based首席财务官估计方法,但这种方法的复杂性相对较高,不适合卫星系统。在[26- - - - - -28),提出了PIC算法用于多用户检测。杜兰et al。29日)提出了基于加权的SIC算法检测LTE-A中多用户系统,改善信号干扰比SINR。Kiayani et al。30.提出了一种改进的PIC算法;复杂性是大因为干扰矩阵换位操作是非常大的,和副载波的数量是成比例的。
多层网络分析,相关文献也讨论了CNN的架构。英豪et al。31日)提出了一个基于CNN的多层神经网络用于目标识别分析,为了处理垃圾分类和获得更高的分辨率。仿真结果表明,分类精度高于90%在两个不同的测试场景。同样,Albawi et al。32触摸识别提出了一个方法,也是由CNN网络实现。该系统优于其他分类算法的分类比例。同时,CNN在[33)也用于仿生模式识别来获得更高的识别率。然而,上述文献所有CNN网络用于识别视觉特性。
特征提取的多层神经网络,曹国伟et al。34)采用了多层深层神经网络与DBN架构获得情感通过脑电图信号采集。与CNN架构相比,DBN架构更适合处理变换域特性和实现较高的分析精度。然而,目前算法只对EEG信号分析。同样,对于多层神经网络融合的决定,魏et al。35)提出了一个体重依赖型剂量模糊决策算法来实现情感识别。分析是由决策融合多源数据,这是包括脑电图(EEG)、心电图(ECG),呼吸幅度(RA),皮肤电反应(GSR)。然而,该算法用于数据融合的方向发展。
2。系统模型和问题公式化
2.1。Satellite-to-Ground通道模型
如果阴影衰落Nakagami分布Abdi明星衰落模型成立(36]。所以,公共satellite-to-ground链接模型使用概率密度函数,如Rician模型,厕所模型,Rician-Lognormal模型。作为一个补充satellite-to-ground通信系统,卫星服务场景主要是关于荒野区域和开放的地面区域,影子越少,和克拉克37)也证明了这个条件的正确性。
一些相关文献也进行了研究卫星地面通过测量数据链接通道模型拟合。厕所等。38),针对影子树木引起的对信号传播的影响,建立了阴影效果模型,但模型的应用有一定的局限性。Abdi et al。39)建立了城市道路的影子(ERS)模型对卫星地面与载波频率870 MHz和1500兆赫之间领域,和模型适用于1.5 GHz带信道衰落分布。在文献[40),一个集成(CEFM)模型是通过集成人模型和EFM模型,可以应用于一个更大的海拔20度到80度的范围。赫斯利用ATS-6卫星建立小规模和大规模卫星地面链接通道模型在城市1200公里(41]。根据欧洲航天局卫星地面高程数据的访问链接,人模型提出在文献[42,陆地移动卫星的传输通道模型给出了在43),建立l乐队高程模型的乐队为多个用户访问。
摘要satellite-to-ground建立信道模型使用的测量结果,德国航空航天研究中心(42),和多用户访问高程模型建立了利用《濒危物种法》的测试数据(欧洲太空总署)(37]。本文的理论抽头延迟线通道模型用于建立satellite-to-ground通道模型。图1显示了satellite-to-ground链接频率选择性信道模型基于抽头延迟线。
具体方法是模拟信号幅度衰落通过抽头延迟线过滤器。首先,假设散射体划分为若干个簇,信号传输带宽的带宽并不是每个集群内解决。然后,multicluster用于模型satellite-to-ground链接。
抽头延迟线模型中,每个龙头代表一组相同的延迟路径的多样性,但也由于时间延迟路径变化不同的平衰减振幅。
的抽头延迟线模型satellite-to-ground链接,多路径信道脉冲响应是由不同的延迟特性;信道建模方法建立了satellite-to-ground抽头延迟线后通道模型。
定义多路径传播延迟时间和通道脉冲响应函数,对不同的的年代;彼此不相关。确定的时间延迟 , 时间是一个随机过程,意味着复杂的高斯变异,和脉冲响应在平坦衰落的振幅特征。因此,多径信道的时变脉冲可以表示如下: 在哪里传输延迟的路径;是一个复杂的高斯过程;表示为路径延迟组件,衰落路径诱导的多普勒功率和功率谱;表示为延迟系数、平均的值的平方根th路径延迟的力量。
可以表示在不同入射角度的加权延迟间隔的道路。测量结果与德国航空航天研究中心提出了(36),关于农村环境,城市环境,郊区的环境,一个信号载波频率为1.82 GHz。
2.2。多用户访问模型
卫星运动引起的多普勒频移是正常的。与此同时,移动用户定义的多普勒频移是由高速运动的速度和用户的仰角。由高速卫星运动引入的多普勒频移可以大致相等。
定义传输信号,频率偏移的因素,影响反应通道,收到可以表示为
引入频率偏移干扰后,接收到的信号可以表示为
接收端执行N分收到乐队抵消信号DFT解调,串行转换后,我们可以得到频域信号,可以表示为 在哪里通道频率响应和吗引入的干扰在频域。第一项表示部分没有载波干扰。改变振幅和频率偏移原因造成的旋转k。第二项是造成的载波间干扰剩余的副载波的载体k。从上面的公式可以看出,当 , 。这意味着,当载波频率偏移量为零,干涉项系数为1,这意味着没有会发生干涉。这也表明,运营商之间的干扰取决于相对频率偏差和序列号副载波间距的相对频率偏移干扰因素增加。
当载波频率偏移量为零,干扰系数是1。这表明运营商之间的干扰取决于相对频率偏移和序列号副载波之间的距离。随着相对频率抵消干扰因子的增加,减少干扰对接收信号,但是提高接收信号的干扰;载波间干扰中起着重要作用
方程(5)也显示了副载波的能量泄漏k对副载波l由于频率偏移效果。能量干扰的大小取决于载波间隔的序列差异和相对载波频率偏移的因素。如果相对载波频率偏移的因素e,然后的相对能量泄漏kth载体的l圣载体可以表示为
如果干扰信号频率偏移DFT变换,它可以编写如下: 在哪里是载波频率偏移干扰矩阵,它可以表示为
方程(8)可以获得一些干扰矩阵的特征C。频率偏移引入的干扰矩阵是一个Toeplitz-type矩阵,在矩阵的每个元素满足周期性循环属性可以表示为 在哪里逆矩阵和吗是转置矩阵的共轭,它可以表示为
定义 ,矩阵的元素可以用递归形式:
通过矩阵的元素分析,在较小的频率偏移干扰的情况下,能量主要集中在对角线。频率偏移值越大,越分散精力,更大的干涉项,更多的介绍ICI的干扰。它的能量分布图如图2和3。
我们可以得到从方程(11),线性变换的引入阶段。
航空公司的定义是512年,该频道带宽是20 MHz,多普勒频移是15 kHz, QPSK信号映射模式。图4表明,解调信号相位的变化线性增加的副载波数。
对于多用户上行接入,干扰来自频率偏移量。与此同时,为每个用户频率偏移范围越大,越严重的多用户干扰。卫星传输系统上行系统,每个用户的访问干扰取消是上行用户检测的关键。
3所示。提出了泥浆算法基于深度学习网络
多用户检测的过程分为三个部分。首先,完成多用户信号取消访问干扰和多用户干扰的访问是减少建立多层网络的最优权重。其次,通过多层网络,重量是迭代获得最优点。通过网络共享和重量迭代前两个部分,最优识别体重终于获得。多用户检测和识别是通过优化识别网络的重量。
3.1。提出了共享IC算法
该算法是基于优化CINR的目标,那就是找到相对应的最优CINR WIC干扰消除算法的权重。因此,多用户干扰信号接收到卫星可以表示为 在哪里和 。在这里,米副载波取消的数量和吗是重量。被定义为副载波之间的干扰引起的我的用户j和载体k的用户我,它可以表示为
根据多载波分配,这个过程是一个多用户信号分离。首先,每个用户可以根据传统WIC算法取消。为用户我,副载波kWIC算法,它可以表示为 在哪里被认为是前从副载波干涉项吗l。
被定义为米th干扰用户取消信号我和副载波k,是thr对用户干扰取消信号j。得到公式(14)到WSIC判断,它可以获得的米th干扰取消信号:
理想化,我们可以获得
其次,根据传统WPIC算法,每个用户可以并行取消干扰,而且它可以表示为 在哪里米是WPIC的迭代干扰消除和被定义为重量,被认为是干扰,被认为是前面的干涉项。
是米th干扰用户取消信号我和是th干扰用户取消信号j。得到公式(13)到WSIC判断,它可以获得的米th干扰取消信号: 在哪里是第二个干扰判断和取消后的接收信号,可以得到
由于不同的用户访问高度角,以及卫星地面链接衰落信道,引入不同的严重的多普勒频率的变化是satellite-to-ground上行系统。对于一个特定的用户,因为卫星在一个符号的切向速度是相同的,相对载波频率保持不变,所以象征期介绍的频率偏移可视为常数。因此,归一化频率偏移的因素可以被认为是常数。
卫星地面的定义链接上行载波号码是1024;卫星郊区环境模型在表1。图5表明,载波间隔序列的数量减少,能量泄漏更为严重。
它可以得到公式(13)的值的函数和干涉重量值和IC算法,它可以表示为一个凸函数。信噪比可以获得最好的价值,当重量是极点值。该IC算法是基于最优权重,这可以大大减少迭代次数,提高算法的精度。可以使用信号干扰比梳或块控制信号。通过训练迭代的初始权值,可获得最佳的干扰比,这是接近最优。
用户的数量是4,副载波的数量是2048。条件的情况下,信噪比= 5 dB,分配是OFDM和频率偏移量为0.01,0.05,0.15和0.2。multifading频道表所示1。的曲线平均CINR和体重之间的关系如图6。
提出的多用户检测算法是通过获取最优优化SINR取消重量;因此,IC算法可分为WSIC WPIC算法;WSIC算法取消根据每个副载波干扰对多用户访问,WPIC是多用户干扰消除算法在同一时间。
图6州,凸函数可以达到最优值重量。定义取消每各月后最优算法。自是凸函数 ,最优CINR可以当获得极端。定义初始值 。在这种情况下,传统算法成为碳化硅或PIC算法重量。
改进的算法是基于WIC算法。最优权值迭代近似初始权重。下面是具体的获得最优权重。
定义之间的误差和 ,取消后的WIC算法可以表示为 可以用泰勒展开式得到: 在哪里
卫星对地面的影响链接这个算法由两部分组成。首先,该算法的影响也引起了多用户访问角的差异。由于用户和卫星之间相对运动的差异,多用户访问生成干扰,大大降低了卫星系统的性能。
当多用户访问相同的卫星、多用户访问的角度差异将介绍不同的载波频率偏移的总数载体系统。在某些情况下,载波频率偏差会引起不同的多址干扰,包括干扰仿真如图6;用户的数量不断增加,严重干扰引起的频率偏移比较大。
其次,该算法的影响引起的多径衰落。对于城市仿真场景,建筑更大,造成的信号反射效应和衍射效应引起的多路径也大。接收信号传播延迟,信号衰减越严重。
与城市相比,农村的场景,场景,多路径数量减少,相对平坦衰落。这是因为contryside场景是小数量的建设和较弱的反射和折射。
3.2。共享体重过程和反馈的解决方案的过程
多用户接收信号取消干扰,我们使用共享权重获得最好的重量,然后获得用户检测和重量更新。
建立的成本函数可以表示为
成本函数的精确重建,应该意识到。然后,最佳体重检测错误。因此,稀疏恢复multiweight分享,和最优用户检测所有用户可以满足以下: 在哪里
第一项是一个非零的普通名词的位置是已知的,有别于传统模式的成本函数。
除了重量约束成本,可以建立相应的正则化约束x。
因此,当测量数据非常小,x将变得更大。为解决这个问题,我们使用了改进的解决方案来解决正规化。修改后的成本函数表示为
增广拉格朗日函数表示为
按比例缩小的问题(6)包含三个迭代:
共享体重更新: , ,和 。
4所示。分类实验结果和分析
建立轨道高度1100公里,农村环境测量数据提出了(36)satellite-to-ground上行系统模型如表2在这篇文章中。
设置5号的卫星射束点波束覆盖450公里直径。Satellite-to-ground链接模型l带载波频率在农村环境如表所示2。设置的上行用户数量4和传输试验块类型信息。进行分析,用户可以访问一个最大高度35°,25°,5°,15°。信号的带宽是50 MHz,副载波的数量是1024,被定义为正交相移编码和信号映射方法,BPSK, 16 qam, OFDM信号。
图7显示了多用户检测的误码率仿真结果基于WIC算法。相比迭代最小二乘排序(IORLS)算法在12)和正交信号跟踪(OMP)算法在13),WIC算法提高了两个迭代分享重量。仿真结果可以从图中获得7。在第一次迭代多用户检测算法执行比WPIC算法。通过优化迭代,收敛于重量凹凸函数接近拐点,我们可以获得最优多用户检测,从而获得最好的多用户检测误码性能。自提出泥浆算法改进传统算法优越,干扰取消了复杂性。系统增强的情况下10e−3的误码率。
图8显示了CINR泥浆之间的性能比较算法(12)和该泥浆算法,因为改进泥浆算法取消副载波频率偏移干扰和CINR系统可以是最优的。
图9显示不同的误码率曲线为每个上行用户信噪比= 5分贝。随着相对干扰载波频率偏移量的增加,用户的误比特误码率增加,这是由于多用户访问系统。及其算法与传统算法的性能,这是由于干扰引入的载波频率偏移量。多层迭代后,体重接近最优值,然后系统接近最大SINR优化,可以得到优化。
图10的概率是正确的分类提出了深入学习网络在不同的信噪比,这也是基于不同长度曲线为每个用户。随着相对干扰载波频率偏移量的增加,用户错误的PCC加息,这是由于多用户访问系统的用户访问。改进传统的多用户检测算法的性能在大freuqency抵消差,这是由于剩余载波频率偏移量。当训练长度较大,系统已接近最大SINR优化,可以得到优化。
5。结论
基于深入学习网络的多用户检测算法被提出。拟议的泥浆深学习网络可以提供高精度和低的迭代时间,它首先建立了CINR最佳损失函数根据多用户访问干扰模式,然后获得最佳多用户检测重量通过最陡梯度迭代。该算法的重要特征是通过非线性最优方向学习和通过梯度迭代获得最大的信噪比,然后分享权重。通过建立一个典型的卫星通信系统仿真平台,与经济和IORLS算法相比,提出的深入学习网络算法具有更好的性能在不同的信噪比条件下,CINR和载波频率偏移干扰。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由中国国家自然科学基金(没有。61501306),中国辽宁省自然科学基金(没有。2015020026),辽宁省教育部自然科学基金(没有。L2015402)。