1.一种基于深度学习的均衡网络辅助SCMA编解码方法,其特征在于:该方法包括下列顺序的步骤:
(1)构建用于生成发送信号的SCMA编码器,在上行链路系统中每个用户端设置一个全连接的深度神经网络,按照SCMA编码器的因子矩阵对用户与资源块之间进行连接;
(2)建立由均衡网络与多用户检测网络所构成的SCMA解码器,采用均衡网络均衡信道的输出,将均衡网络产生的输出送入多用户检测网络以解码所有用户的发送信息;
(3)对SCMA编码器和SCMA解码器进行端到端的联合训练。
2.根据权利要求1所述的基于深度学习的均衡网络辅助SCMA编解码方法,其特征在于:所述步骤(1)具体包括以下步骤:(1a)将每个用户的二进制比特信息r预编码为一个m维的单热的数据向量s,预编码后的数据向量s送入用户端的深度神经网络,用户端的深度神经网络接收到用户信息后,每个用户的深度神经网络即DNN单元自主学习用户到资源块的映射过程,输出二维码字,表示SCMA编码器的实部和虚部;
T
采用二进制矢量Sj=(S1,...,S2K) 来表示用户j所对应的SCMA映射矩阵;K为资源块总数,将fkj(sj;θf,kj)表示深度神经网络学习到的用户j到资源块k上映射的二维码字,sj表示用户j送入深度神经网络的原始输入数据向量,θf,kj表示用户j映射到资源块k中深度神经网络的训练参数,所述训练参数为SCMA编码器中深度神经网络的权重和偏置;
通过sj计算维数dim(sj),dim(sj)为DNN单元输入层的节点数目;
设定DNN单元的输出为xk,j,表示用户j在对应资源块k的SCMA码字符号,并且xk,j=fkj(sj;θf,kj),DNN单元输出层的节点数目与xk,j的维数dim(xk,j)一致;
设定每个DNN单元的隐藏层数、隐藏层节点数、权重和偏置的初始值的网络参数;
(1b)将第k个资源块上的所有码字映射器的输出进行连接,具体连接方式为:将下标带有k的码字映射器的输出连接到同一个加法器上,输出记为 xk是第k个资源块上叠加的输出码字;
当SCMA因子图映射矩阵与xk,j的下标(k,j)所对应的第k行第j列的元素取值为零时,表示在第k个资源块上,第j个用户将不占用该资源块进行信号传输,此时令该对应下标的xk,j=0,则每个码字映射器的输出都按照映射矩阵进行连接;
所述SCMA因子图映射矩阵为:对除第j个用户之外的其余用户均构造自身的SCMA编码器连接到对应资源块上,组成整个的SCMA编码器;
所有用户预单热编码后的数据向量s经SCMA编码器编码后,记为f(s;θf),θf是基站端所有DNN单元的权值和偏置的集合,θf={θf,kj}。
3.根据权利要求1所述的基于深度学习的均衡网络辅助SCMA编解码方法,其特征在于:所述步骤(2)具体是指:建立SCMA解码器的输入层,在基站的接收端接收到的信号为T
其中y=[y1,…,yK] ,θf表示整个SCMA编码器的训T
练参数,hk,j为信道增益,n=[n1,…,nK]表示加载在K个资源块上的噪声集合;
2
定义在瑞利衰落信道下hk,j~CN(0,1),噪声n是服从均值为0,方差为σ的加性高斯白噪声;
在基站端接收端使用由均衡网络和多用户检测网络所构成的SCMA解码器;
首先将基站的接收端接收的信号y送入均衡网络学习瑞利衰落信道的参数特性,并对信号y经由衰落信道而产生的相位偏移等影响进行补偿;
将均衡网络处理后的信号 送入多用户检测网络中,把各个用户的信息数据分割开并进行检测。
4.根据权利要求1所述的基于深度学习的均衡网络辅助SCMA编解码方法,其特征在于:所述步骤(3)具体包括以下步骤:(3a)建立端到端的均方误差损失函数:其中,N为训练深度神经网络一个批次的大小,为解码器解码出的全部用户的符号数据,H为整个系统的信道向量;
(3b)采用ADAM优化器来更新SCMA系统的神经网络,包括编码端和解码端,其计算表达式为 其中t为动量时间步长, 为梯度均值的偏差修正, 为平方梯度的偏差修正,
通过ADAM优化器一阶动量和二阶动量来不断更新整个深度神经网络的权重和偏置参数{θf,θ1,θ2,θ3},使均方误差损失函数的数值达到最优。
5.根据权利要求1所述的基于深度学习的均衡网络辅助SCMA编解码方法,其特征在于:所述步骤(2)中的均衡网络的建立步骤如下:采用全连接深度神经网络构建均衡网络,均衡网络接收到的信号维度为dim(y),并将均衡网络的输入层节点数等于dim(y);
使用基于全连接的深度神经网络构成均衡网络即参数估计网络 和信号补偿网络gω(·);
T
首先将基站的接收端接收到的信号y=[y1,y2,y3,y4] 送入参数估计网络 做优化处理得到参数估计标量 其中 为学习信道参数信息后估计出的相位偏移,θ1为参数估计网络的权重和偏置参数;
T
将基站的接收端接收到的信号y=[y1,y2,y3,y4] 和参数估计网络的输出参数估计标量进行合并送入网络的信号补偿网络的输入端,信号补偿网络对各个资源块上所叠加的信号与参数估计网络的输出进行逆向相位旋转;
即,将接收信号与信道冲激响应的逆变换相乘:随后通过深度神经网络训练对转换信号μ进行优化,输出全部信号:
其中,gw为信号补偿网络的函数公式,Q0、QL、Q1分别为输出层、第L层、第1层的网络权重,a0、aL、a1分别为输出层、第L层、第1层的网络偏置; 为每个资源块叠加的复值信号,θ2为信号补偿网络的权重和偏置参数;
设定均衡网络的隐藏层节点数、隐藏层数、权值与偏置参数的初值等网络参数。
6.根据权利要求1所述的基于深度学习的均衡网络辅助SCMA编解码方法,其特征在于:所述步骤(2)中的多用户检测网络的检测步骤如下:多用户检测网络gd(·)对接收到的信号 进行检测,将加载在K个资源块的用户信息区分开来,计解码器输出为:其中θ3为整个多用户检测网络的权重和偏置参数;
设定多用户检测网络的隐藏层节点数、隐藏层数、权值与偏置参数的初值的网络参数。