1.一种针对MMV模型进行活跃性和信号联合检测的方法,其特征在于包括以下步骤:步骤1:在上行免调度非正交多址接入系统中,设定在基站侧只有1个配置有单天线的基站,在用户侧共有K个配置有单天线的用户;在上行免调度非正交多址接入系统中,考虑到信道编码因素,每个用户在J个时隙上发射符号,基站在各个时隙的N个子载波上接收信号,将第k个用户在第j个时隙上发射的符号记为 若第k个用户在第j个时隙上活跃则发射的符号 不为0,若第k个用户在第j个时隙上不活跃则发射的符号 为0,将基站在第j个时隙的第n个子载波上接收到的信号记为 描述为: 然后将K个j
用户在第j个时隙上发射的符号构成的维数为K×1的列向量记为x ,j
将基站在第j个时隙的N个子载波上接收到的信号构成的维数为N×1的列向量记为y ,j j j j
y描述为:y =Gx+w ,其中,K表示用户数量,K≥1,J表示时隙数量,J≥1,N表示子载波数量,N≥1,1≤k≤K,1≤j≤J,1≤n≤N, 表示第1个用户在第j个时隙上发射的符号, 表示第K个用户在第j个时隙上发射的符号,hn,k表示第k个用户在第n个子载波上的信道增益,sn,k表示第k个用户对应的扩频序列的第n个分量,扩频序列的长度为N,‑1
表示第j个时隙的第n个子载波上的噪声, 服从均值为0、噪声精度为λ即方差为λ 的T
复高斯分布,即 表示复高斯分布,[] 表示向量或矩阵的转置,表示基站在第j个时隙的第1个子载波上接收到的信号, 表示基站在第j个时隙的第N个j
子载波上接收到的信号,w表示第j个时隙的N个子载波上的噪声构成的维数为N×1的独立同分布的加性复高斯白噪声向量, 表示第j个时隙的第1个子载波上的噪声, 表示第j个时隙的第N个子载波上的噪声,G表示维数为N×K的等效信道矩阵,G=[g1,...,gk,...,gK],g1表示G的第1个列向量,gk表示G的第k个列向量,gK表示G的第KT
个列向量,gk=[h1,ks1,k,...,hn,ksn,k,...,hN,ksN,k] ,h1,k表示第k个用户在第1个子载波上的信道增益,hN,k表示第k个用户在第N个子载波上的信道增益,s1,k表示第k个用户对应的扩频j j j
序列的第1个分量,sN,k表示第k个用户对应的扩频序列的第N个分量,此时y =Gx+w为SMV单观测向量模型;
1
将K个用户在J个时隙上发射的符号构成的维数为K×J的矩阵记为X,X=[x ,...,j J
x ,...,x],将J个时隙的所有子载波上的噪声构成的维数为N×J的噪声矩阵记为W,W=
1 j J
[w ,...,w ,...,w],将基站在J个时隙的所有子载波上接收到的信号构成的维数为N×J的
1 j J 1
矩阵记为Y,Y=[y ,...,y ,...,y ],Y描述为:Y=GX+W,其中,x表示K个用户在第1个时隙J
上发射的符号构成的维数为K×1的列向量,x表示K个用户在第J个时隙上发射的符号构成1
的维数为K×1的列向量,w表示第1个时隙的N个子载波上的噪声构成的维数为N×1的独立J
同分布的加性复高斯白噪声向量,w表示第J个时隙的N个子载波上的噪声构成的维数为N1
×1的独立同分布的加性复高斯白噪声向量,y 表示基站在第1个时隙的N个子载波上接收J
到的信号构成的维数为N×1的列向量,y表示基站在第J个时隙的N个子载波上接收到的信号构成的维数为N×1的列向量,此时Y=GX+W为多观测向量MMV模型,在多观测向量MMV模型中,Y被称为观测信号矩阵,G被称为测量矩阵,X被称为稀疏信号矩阵;
步骤2:对G进行奇异值分解,G=UΛV;然后根据Y=GX+W和G=UΛV,得到Y=UΛVX+W;
T T T
接着在Y=UΛVX+W的两侧均左乘矩阵U ,得到U Y=ΛVX+UW;再引入一个维数为N×J的矩T T
阵R,令R=UY=ΛVX+UW;其中,U表示维数为N×N的正交矩阵即酉矩阵,V表示维数为K×K
1 j J 1
的正交矩阵即酉矩阵,Λ表示维数为N×K的非负实对角矩阵,R=[r ,...,r ,...,r],r 表J j j
示R的第1列向量,r表示R的第J列向量,r表示R的第j列向量,且 r1 表j j j 1 j J
示r中的第1个元素, 表示r中的第n个元素, 表示r中的第N个元素,r、r 、r的维数为N×1;
步骤3:将噪声精度λ的先验概率记为p(λ),p(λ)=Gam(λ;a,b);并将X中的所有行对应T
的活跃概率向量记为θ,θ=[θ1,...,θk,...,θK] ;用γk表示 所在行的所有元素的信号精度,将在已知γk的条件下 的概率记为 将γk的先验概率记为p(γk),p(γk)=Gam(γk;ck,dk);然后将在θk和γk已知的条件下 的概率记为其中,Gam(λ;a,b)表示λ服从参数为a和b的Gamma分布,Gam()表示Gamma分布,a和b均为接近于0的极小正数,θ的维数为K×1,θ1表示θ中的第1个元素即代表X的第1行的活跃概率,θk表示θ中的第k个元素即代表X的第k行的活跃概率,θK表示θ中的第K个元素即代表X的第K行的活跃概率,θk∈[0,1],表示 服从均值为0、信号精度为γk即方差为 的复高斯分布,Gam(γk;ck,dk)表示γk服从参数为ck和dk的Gamma分布,ck和dk均为接近于0的极小正数,δ()表示狄拉克函数;
步骤4:令 将在R和θ已知的条件下估计X、λ和 的后验概率记为其中,γ1表示 所在
行的所有元素的信号精度,γK表示 所在行的所有元素的信号精度,符号“∝”表示正比于, 表示 的先验概率, 表示在θ和 已知的条件下X的概率, p(R|X,λ)表示在X和λ已知的条件下R的概率,Z为引入的维数为N×J的
辅助矩阵, 为Z的第n行第j列的元素, (ΛV)n表示矩阵ΛV的第n行,p(R|Z,λ)表示在Z和λ已知的条件下R的概率,p(Z|X)表示在X已知的条件下Z的概率, 表示在 和λ已知的条件下 的概率, 表示变量‑1 j
服从均值为 方差为λ 的复高斯分布的概率密度函数, 表示在x已知的条件下 的概率,
步骤5:将 改写为
然后令fλ(λ)、
和fγk (γ k) 对应 表 示 p (λ) 、和p(γk),将
重 新表 示 为
最后根据
中变量与因子的关
系,得到因子图模型;其中,用fA(B)的形式泛指fλ(λ)、 和fA(B)中的A表示因子图中的因子、B表示因子图中的变量, 为引入的仅用于表示因子的一个符号;
步骤6:在因子图模型的基础上,对活跃性和信号进行联合检测,具体过程为:步骤6_1:将 的均值的初始化值记为 将 的方差的初始化值记为引入中间变量 将 的初始化值记为 令 将的初始化值记为 将γk的初始化值记为 将θk的初始化值记为令t表示迭代次数,t的初始值为0;其中,E()表示求期望, 仅作为 的下标;
步骤6_2:根据近似消息传递算法,计算在第t次迭代下因子 传递给变量 的后向消息的方差和均值,对应记为 和其中,符号“→”表示信息传递的方向,符号“||”表示取模操作符号,(ΛV)n,k表示矩阵ΛV的第n行第k列的元素,t=0时 即为 t>0时 表示在第t次迭代下 的均值的值,t=0时 即为 t>0时 表示在第t次迭代下 的方差的值,t=0时 即为 t>0时 表示在第t‑1次迭代下 的值;
步骤6_3:计算在第t次迭代下所有与变量 相关的因子传递给变量 的消息的方差和均值,对应记为 和
其中,t=0时 即为 t>0时 表示在第t‑1次迭代下 的值;
步骤6_4:计算在第t次迭代下 的值,记为再计算在第t次迭代下 的值,记为步骤6_5:计算在第t次迭代下所有与变量 相关的因子传递给变量 的前向消息的方差和均值,对应记为 和
H
其中,() 表示共轭转置;
步骤6_6:计算在第t+1次迭代下 的方差和均值的值,对应记为 和其中,t=0时 即为 t>0时 表示在第t次迭代下γk的值;
步骤6_7:计算在第t+1次迭代下γk的值,记为步骤6_8:采用期望最大化算法,计算在第t+1次迭代下θk的值,记为其中,t=0时 即为 t>0时表示在第t次迭代下θk的值, 表示 服从均值为0、方差为 的复高斯分布, 表示 服从均值为0、方差为 的复高斯分布;
步骤6_9:判断迭代次数t是否达到最大迭代次数tmax或 是否小于设定的门限值 如果t达到最大迭代次数tmax或 小于设定的门限值 则停止迭代过程,然后执行步骤7;否则,令t=t+1,然后返回步骤6_2继续执行;其中,tmax>1,符号“|| ||”为二范数符号,的值为一个极小的数,t=t+1中的“=”为赋值符号;
步骤7:设定停止迭代过程时为第 次迭代,则判断在第 次迭代下θk的值 是否大于
0.5,如果是,则判定X的第k行为活跃行,即判定第k个用户在J个时隙上均活跃;否则,判定X的第k行为不活跃行,即判定第k个用户在J个时隙上均不活跃;并将在第 次迭代下 的均值的值 作为 的估计值,完成信号检测;其中,