文摘
未来智能城市的快速蓬勃发展应用和物联网(物联网)提出了更高的要求在下一代无线接入技术对连接密度、频谱效率(SE)、传动精度和检测延迟。最近,faster-than-Nyquist (FTN)和非正交的多路访问(NOMA)被认为是有前途的技术来实现更高的SE和巨大的连接,分别。在本文中,我们的目标是利用FTN的共同利益和诺玛通过叠加多个FTN-based传输信号在相同的物理资源。考虑到复杂的内部和interuser引入的干扰提出了传动方案,传统的检测方法受到较高的计算复杂度。为此,我们开发一种新型的滑动窗口检测方法通过将先进的深度学习(DL)技术。数据驱动的离线训练是首次应用于推导算法接收器FTN-based诺玛,部署在线实现检测精度高以及低延迟。蒙特卡罗模拟结果验证该检测器检测精度达到高于最小均方误差频率域均衡(MMSE-FDE),甚至可以方法基于可能性最大接收机的性能大大降低计算复杂度,适合物联网应用在智能城市低延迟和高可靠性的要求。
1。介绍
5 g的迅速发展,对通信系统提出了更高的要求。典型的使用场景,如智能城市,虚拟现实(VR),可穿戴计算和大数据的传输1),将有效地意识到先进的无线接入技术的支持下在5克。智能城市是一种很有前途的场景代表了一种全新的生产方式和生活方式的特点是自动化和智能。与此同时,物联网(物联网),使人机交互和机器对机器(M2M)通信,将在智能城市的基础服务(1,2]。据估计,在500亿年到2020年设备将连接到互联网。物联网,许多设备在未来智能城市可以和更智能的生活密切相关。为了达到这一目的,应大大提高频谱效率和传输延迟和减少,分别在巨大的连接设备。来满足这些需求,需要新颖的无线接入技术,如小说多路访问(MA)技术、网络体系结构、编码和调制方法(3- - - - - -5]。
Faster-than-Nyquist (FTN)是一个有前途的调制方法实现高频谱效率(6]。在传统的数字通信理论中,奈奎斯特指出符号传播率必须满足奈奎斯特判据,以使传输没有符号间干扰(ISI)。然而,在1975年,礼拜日[6)发现,在加性高斯白噪声信道带宽有限,归一化最小欧氏距离内不减少当符号率超过25%的奈奎斯特速率。FTN信号可以提高传输速率不消耗更多的带宽或增加接收机的天线。FTN塑造的过程破坏了符号之间的正交性,介绍了ISI难免。1995年,作者在7)提出了一个可实现的FTN透射法,利用迭代法设计滤波器。因为sinc脉冲在实际无法实现,作者在8]研究了提高cosine-like脉冲和彻底分析了误差模式在不同FTN率。使用约束的编码可能会进一步增加的速率FTN系统成本约1 dB权力和复杂性。最近,FTN已收到更多的关注由于高频谱效率要求的5克。的作者(9别名]发现FTN脉冲同时在时域和频域。此外,时间和频率域搜索间隔满足最小距离。仿真结果的安德森et al。10)表明,当发射脉冲过高的带宽,FTN传输能力可以达到高于奈奎斯特率下传播。在其他作品,FTN一直在扩展的多载波系统的研究(11,12和低解调13]。
然而,大多数研究关于FTN只关注的点对点通信,与巨大的连接要求在未来的智能城市和物联网。使实际多用户通信系统,高效的资源映射模式(14)和新多个访问方法是必需的。在5 g通信中,非正交的多路访问(NOMA)已经被认为是有前途的访问协议由于频谱效率的性能优越,连接,和灵活性15]。非正交方案允许重叠信号中不同的用户利用权力领域,代码域或衬垫模式,等等,因此可以提供更好的性能比正交(16]。在诺玛,多个用户共享同一物理资源在下行增加系统容量。连续干扰消除(原文如此)通常是用来区分信号和多个用户(17]。最近,许多研究将grant-free传输与诺玛计划同时实现高吞吐量,连接,和低能源成本18- - - - - -20.]。FTN传输也被认为是在诺玛场景中获得性能优越在频谱效率(21,22]。然而,收益是有限和接收机的结构在低延迟应用场景来说太复杂了。
诺玛和FTN都基本上非正交的信号处理方法。前者是用户之间非正交的,后者是水平的象征。FTN破坏符号之间的正交性和介绍了ISI难免。为了消除ISI和保证准确性,接收机的检测算法通常是极其复杂的。一些检测方法,例如,维特比算法(8),最小均方误差频率域均衡(MMSE-FDE) [23],Bahl-Cocke-Jelinek-Raviv (BCJR)检测24),研究了减少ISI的影响。维特比的性能接近最大似然(ML)检测没有ISI巨大的复杂性为代价的,这显然不适合传输场景与低延迟需求(例如,虚拟现实和自动驾驶仪)。与维特比检测相比,FDE-based算法在一定程度上降低了复杂度但CP的使用降低了频谱效率和检测精度没有达到理想的要求。因此,本文旨在设计一个FTN-NOMA联合检测算法,低计算复杂度和高检测精度都同时实现。
而杰弗里•辛顿重新发现潜在的深层神经网络(款)25),深度学习(DL)最近发展迅速,各领域取得了巨大的成就。尤其擅长解决复杂的优化问题模型数据驱动的方式。一些先前的研究认为是部署在无线通信领域的深度学习(26- - - - - -29日]。利用深层网络,具有较强的学习能力和万能逼近特性,DL可以部署与复杂结构模拟通信系统。此外,数据驱动优化方法可以实现端到端优化整个通信系统作为一个整体。作为一个初步研究,作者在4]利用grant-free访问和诺玛的共同利益传输,以满足触觉物联网的需求与DL的援助。
在本文中,我们扩展了典型的诺玛餐厅涌进了一些不速之客FTN传输多用户场景。确保可靠性和降低检测延迟,DL-aided接收器FTN-NOMA命名提出了滑动窗口检测的方法。首先,我们构造一个神经网络模型FTN接收机获得的训练向量权重矩阵和偏见。然后,这些矩阵是用来直接将接收到的信号转换成传输比特与简单的矩阵乘法和加法。该方案避免了复杂的迭代和卷积操作传统的接收器,如BCJR和维特比接收器。此外,这个方案可以确保高检测精度接近ML的性能。
本文的其余部分组织如下。多用户的系统模型FTN包括发射机和接收机设计中描述部分2。节3,我们提供具体建议款为基础的检测方法。仿真结果提出了部分4,提出了检测方案的性能进行验证。结论和未来的工作提供了部分5。
2。拟议中的FTN-NOMA系统模型
本文认为一个上行两个用户在AWGN信道诺玛。系统采用FTN方法传输的调制符号整形滤波器的根余弦脉冲(RRC), ISI介绍不可避免的地方。考虑RRC脉冲的衰减特性,存在符号间的干扰小远。因此,我们假设每个符号只由两个相邻符号干扰,即。,检测节点的数量等于3。图1FTN传输过程的描述我们的模型在两个用户的情况下,传统的解调接收机算法FTN,例如,维特比FDE,取代了深度学习模块。
2.1。发射机
基带调制后,那些符号为每个用户将通过整形滤波器 。FTN方法,每个符号不再是正交波形的时域。符号时间缩短αT, 。考虑的点对点通信系统,单用户FTN的一般表达式 在哪里BPSK符号的能量,是RRC成形脉冲碾轧因素呢= 0.5,T象征期满足奈奎斯特的原则,是nth BPSK的象征FTN压缩因子。如果 ,整个过程等于尼奎斯特传输没有任何ISI。FTN减少相邻符号之间的距离在有限的带宽,从而提高了频谱效率。
图2说明了传播符号与奈奎斯特和FTN信号,分别。每个符号的波形,存在干扰其他符号,叫做ISI。ISI的存在为符号的解调和检测带来了困难。
(一)
(b)
在上行诺玛的情况下,接收到的波形在基站(BS)的叠加两个用户的FTN传播符号。上行诺玛的系统模型如图3在细胞中,有两个用户和不同用户的信号叠加在电力领域。不同与传统的多个访问方法,单元中的所有用户占用相同的时间和频率资源传输信号。
我们假设两个用户同时多路复用和使用者2细胞的中心。所以用户1的传动功率小于使用者2。FTN叠加信号的两个用户可以描述的 在哪里代表用户的传输功率我。
2.2。接收机
通过AWGN信道,接收到的信号在BS 在哪里从用户——表示信道响应我BS和加性高斯白噪声是用 。和从匹配滤波的过程。
连续干扰取消(原文如此)是一般接收机算法的诺玛,这是在用户执行我消除多址干扰,提高SINR所需的信号。SIC如图的基本操作4。发出的信号使用者2(更高的传动功率),没有SIC处理。基站直接进行信号检测,检测所需的信号的信号从用户1噪音。用户1的信号,从最初使用者2 BS检测信号,然后进行碳化硅来消除这种干扰。最后,BS检测用户1的期望信号进行信号检测。
对于单用户,信号检测的过程是等于FTN接收符号的解调。在本文中,我们考虑两个传统检测算法,即。,Viterbi decoding and FDE, to compare their performances with the proposed scheme.
2.2.1。维特比算法
维特比算法本质上是最大似然(ML)检测方法。然而,不同于典型的ML,维特比算法分散每个符号检测复杂度。然而,维特比算法的总复杂性没有血统比ML检测方法。FTN传输,维特比接收机的误码性能优化。
FTN维特比算法的过程(BPSK调制)如下:(我)假设每个FTN符号是由相邻的两个符号干扰。在维特比格子,显示在图5,应当包含4个状态表示为节点一个,b,c,d,分别。每个州节点代表两个来源: (2)对于每一个收到的象征,列出所有可能的组合形式传播。每个节点有两个可能的路径。例如(下划线部分表示可能象征/此刻一点): (3)计算所有可能的路径之间的最小欧氏距离和接收符号在每个时刻: 在哪里接收到的符号和吗表示可能的路径。(iv)对于每个节点,选择较小的欧几里得距离的路径两种可能的路径和记下它的距离。因此,4路径8生存的可能路径。例如,剩下的路径 (v)重复以上过程,直到检测到最后收到的象征。(vi)从去年4选择最短的一个路径最优检测结果。
整个过程可以用图描述5。值得一提的是,当加速度约束因素是不少于梅佐维特比检测方法的准确率毫升接收器没有ISI (α= 1)。
2.2.2。MMSE-FDE
FDE算法增加了短循环前缀为每个传输块进行快速傅里叶变换(FFT)——基于低最小均方误差(MMSE)解调接收机。这个方案是特别有益long-tap FTN案例,一个延迟扩展与ISI是大大大有关。FDE检测算法的基本结构如图6。
在发射机,MMSE-FDE计划将符号划分为很多块。然后,循环前缀(CP)添加到每个块的头减少块之间的干扰。接收器,CP首先移除,然后FFT变换得到信号在时域到频域。ISI是消除频域均衡(FDE)的过程中,目标是最小化均方误差(MSE)。最后,信号转换回时域传输线,从而减少符号间的干扰。与维特比算法相比,FDE可以明显降低检测过程的复杂性,由于FFT /传输线的操作方便。然而,其准确率约为3∼4 dB低于毫升的方法。和CP的使用减少了频谱效率(SE)在某种程度上。
3所示。DL-Aided滑动窗口检测方案
在本节中,我们将“滑动窗口检测方法基于深度学习。图7显示一组连续的符号由RRC脉冲时FTN加速度因子是0.8和转出的因素是0.5。可以看到,对于每一个收到的象征,是最大的干扰脉冲的两个相邻符号而干扰其他符号不在同一数量级相邻符号。所以,其他的干扰可以忽略。在此基础上观察,我们认为每个接收符号存储信息的三位传输(本身和两个相邻比特)。换句话说,每三个接收符号可以建立一个映射到一个二维传播位向量(在两个用户的情况下)。
我们可以利用深层神经网络模型之间的映射三个接收符号和一个传播。因此,我们创建一个窗口的大小是三个象征。如图8,窗口的举动,一个符号一旦直到所有收到符号检测。然后,建立了完整的映射的符号。整个过程就像滑动窗口我们命名这个计划为“滑动窗口检测。“在每个滑点,收到的实部和虚部的三个符号提取的窗口。因此,一个矩阵的六个元素形成作为神经网络的输入层: 是一个二维矩阵和输出层包括两个用户的传输比特:
第一位向量传播最后一个地图上只有两个符号。保持格式的输入层,接收符号序列的脑袋和尾巴都是零。款的帮助下,从接收到的符号映射到传输比特序列。经过大量的训练步骤,我们可以获得权重矩阵W和偏见矩阵B,可以利用直接将接收到的符号转换为比特传输。条件的两个用户和BPSK调制,上面基本上等于four-category分类方法。
提出网络如图9包括输入层、输出层,和三个隐藏层。乙状结肠函数作为激活函数的神经网络,它可以建立一个非线性映射神经元。乙状结肠函数的表达式
在我们提出的网络,通过交叉熵损失函数表达。培训过程中的步骤,损失函数首先从最后一层地图的输出值(0,1)区间的s形的函数,然后计算输出值之间的交叉熵和培训目标: 预期的输出分布的表达而代表实际输出分布。在乙状结肠函数中,上下边界的斜率快速减少;因此,梯度值非常小当培训结果接近真实值,降低模型的收敛速度。交叉熵函数是一个对数函数,使它维持高梯度值接近上限。因此,模型的收敛速度不会受到影响。因此,交叉熵能有效显示输出值和目标之间的相似性分布。
培训步骤的目标是最小化损失函数。在这里,我们使用自适应估计方法(亚当),本质上是一个梯度下降法优化参数。梯度下降法的训练步骤给出了算法1。不同于典型的梯度下降法,亚当有特殊的方式来更新参数。假设随机变量X服从某种分布;亚当不断调整学习速率α对于每个参数的估计(即第一时刻。,样品的平均值)和(即第二时刻。,variance) of each parameter’s gradient based on the loss function. Therefore, the learning speed of Adam can be controlled. In addition, the range of learning rate is limited, which can avoid big fluctuations of the network parameters, thus the value of the parameter in AdamOptimizer is relatively stable. Adam optimizer improves the performance of typical gradient descent and promotes the dynamic adjustment of hyperparametric.
|
4所示。仿真结果
在本节中,提出了滑动窗口检测方案的性能提出了基于DL。我们考虑单用户和两个用户上行诺情况发射机功率的比例是0.9:0.1。根提出了余弦(RRC)脉冲碾轧的因素β= 0.3,β= 0.5是用于整形滤波器 。BPSK符号是采用转达了在加性高斯白噪声(AWGN)信道。FTN塑造的过程中,我们考虑两个加速度的因素α= 0.8,α= 0.5。除了提出计划,两个传统接收机算法,即。,MMSE-FDE和维特比模拟的引用。
培训网络由输入层、三个隐藏层和输出层6,48岁,128年,32岁的分别和两个神经元。提出了网络构造和训练基于Tensorflow框架。损失函数的模块,即。,cross entropy in Tensorflow, is sigmoid_cross_entropy_with_logits, in which output values are mapped to the (0, 1) interval with sigmoid function at first, and then the cross entropy between the practical output value and training target is calculated. The AdamOptimizer module which can control the learning speed provided by Tensorflow environment is utilized to minimize the loss function.
在接下来的一部分,本节中,我们提出的计划单用户,两个用户情况下的表现。
4.1。单用户FTN案例
对于单用户情况,训练集的大小是143360 (141024年10)。网络的输入层代表143360年接收到的信号是一个矩阵6而输出层有143360个元素的向量。此外,我们推广的测试集是相同的大小作为训练集检测的准确性训练步骤。为了防止过度拟合,我们将训练集切成几块大小为100。学习速率的单用户设置为0.0001。整个训练步骤的数量是25000。及时获得训练效果,网络打印损失值和准确率每1000步的训练集和测试集。
图10显示了损失的趋势值和准确率α= 0.5。总训练步骤是设置为25000。从图中,我们可以发现损失值和准确率往往收敛后10000步的训练,收敛精度约为0.96的价值,这方法的准确率维特比信噪比时检测算法4∼6 dB,即。信噪比的数据集。上述结果验证DL-aided检测方案是可行的,达到理想的性能。
(一)
(b)
图11说明了我们的误码性能提出了滑动窗口检测方案与维特比和FDE当相比α= 0.8。在这里,我们采用两RRC塑造过滤器β= 0.3,β= 0.5。FDE方法,两种CP长度的2、144。BPSK基带调制方案。
(一)
(b)
可以看到,我们的方案达到一个更好的性能比FDE方法。特别是当β= 0.5,该方案可以方法维特比算法的差距只有1 dB。如上所述,维特比算法可以达到最好的误码性能FTN代价高的复杂性。与维特比接收机相比,我们的方案更低的计算复杂度,可以明显观察到仿真过程。不同于FDE,它不使用CP在AWGN信道,从而避免了频谱效率的损失。因此,我们提出DL-aided方案能成为一个好之间的权衡性能检测准确性,频谱效率和计算复杂性。
上述三个方案的误码率性能α= 0.5图中所示12。在这种情况下,加速因子α限制,因此低于梅佐FDE接收机的误码性能误差地板上。维特比接收器仍然可以取得良好的检测性能高计算复杂度为代价的由于增加的节点。我们的方案可以的误码性能的方法,维特比接收机同时保持较低的计算复杂度。以上结果验证我们提出的方案基于DL算法还能战胜强大的三军情报局在单用户情况下计算复杂度较低。
(一)
(b)
4.2。多用户上行FTN-NOMA场景
在本节中,我们考虑两个用户上行FTN-NOMA情况发射机功率之比为0.9:0.1。同时匹配两个用户的特点,训练集收集从几个信号噪声比(信噪比)点。考虑到不连续的脑袋和尾巴,我们减少符号。训练集的大小是84000 (1460100)。网络的输入层代表84000年接收到的信号是一个矩阵6而输出层有84000个元素的向量。此外,我们推广的测试集是相同的大小作为训练集检测的准确性训练步骤。为了防止过度拟合,我们将训练集切成几块大小为128。学习速率的两个用户设置为0.0005。整个训练步骤的数量是25000。
两个用户的表演FTN-NOMA情况见图13。该方案。,sliding window detection, is compared with the conventional SIC receiver where each user’s signals are demodulated with Viterbi algorithm. For the SIC receiver, it is clear that BER performance of the user with higher transmitter power approaches single-user scenario with the Viterbi receiver. And the performance of lower powered user is about 10 dB worse than single-user case. For two-user FTN-NOMA case, the SIC receiver has double computational complexity than single-user scenario with the Viterbi detection method. As seen from Figure12,滑动窗口检测方案具有较高的检测精度,方法SIC接收器与维特比算法(ML检测方法)。在我们的方案中,下降的计算复杂度更非凡的诺玛。
我们假设训练网络由输入层、三个隐藏层和输出层一个,b,c,d,e神经元(e取决于用户的数量)。所以,四个训练有素的权重矩阵的大小 , , ,和分别。我们的方案可以直接接收到的符号转换成位矩阵乘法运算和传输计算复杂度仅取决于操作时间矩阵的元素。如上所述,维特比接收器的总复杂性呈指数增加的数量检测符号。考虑米用户,N每个用户的传输比特,BPSK调制,表1提供的总次乘法操作不同的接收机算法,代表这些计划的计算复杂度。可以看到,我们的方案有一个显著的影响减少检测的计算复杂度与维特比接收器。
5。结论
在本文中,我们扩展了传统FTN-based传输在诺玛和提出了DL-aided接收机FTN-NOMA基于滑动窗口检测的方法,大大降低了计算复杂度,同时保持较高的检测精度。基于数据驱动的优化方法,FTN-NOMA接收器构造的神经网络模型,直接将接收到的信号转换成传输比特与简单的矩阵乘法和加法。该方案避免了复杂的迭代和卷积操作传统的接收机BCJR或维特比方法,这使得它适合于低延迟的场景在智能城市和物联网。仿真结果表明,我们建议的方案优于MMSE-FDE算法的误码性能,可以接近ML方法具有理想的性能在OMA和诺玛的病例。此外,可以显著减少计算复杂度与维特比或ML方法由于滑动窗口检测和结构款。
在未来,我们将考虑FTN-NOMA DL-aided高效检测方法的多载波和多路径病例。此外,我们将研究DL的鲁棒性方法考虑高阶FTN-NOMA调节。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突有关的出版。
作者的贡献
锅和n .你们本研究同样起到了推波助澜的作用。
确认
这项工作是支持的预先研究项目13五年计划的民用航空技术(B0105)和中国国家自然科学基金(61771051)。