[发明专利]一种面向非平稳工业互联网基于深度学习的NOMA信号检测方法

说明书

本发明属于无线通信系统多用户信号处理技术领域，具体涉及一种面向非平稳工业互联网基于深度学习的NOMA信号检测方法；考虑上层重传机制、设计了LSTM(长短期记忆网络)，以充分利用活跃终端集合的时间相关特性估计活跃终端集合，结合DNN(深度神经网络)和SIC(串行干扰删除)信号检测结构，提出了分层DNN结构，有效提高过载NOMA系统中多用户叠加信号检测的准确度。

技术领域

本发明属于无线通信系统多用户信号处理技术领域，具体涉及一种面向非平稳工业互联网基于深度学习的NOMA信号检测方法。

背景技术

工业互联网是5G移动通信赋能传统制造业的产物，移动通信网络与技术是工业互联网的基础。工业互联网具有节点数目大、数据包负载低的特性，并且存在要求高可靠、低时延的关键指令型业务和紧急突发型业务。在这种情况下，多址接入技术在有效支持大规模连接以及低时延通信方面起着关键作用。

传统的基于集中控制的多址接入技术先进行调度授权等信令交互，然后才开始数据通信。信令开销与终端数目近似正比。由于信令开销大、信令交互时延长，基于集中控制的多址接入技术不再适用于工业互联网。鉴于此，3GPP针对短包高可靠低时延通信提出免调度接入。此外，非正交多址接入(NOMA)可以通过多用户检测等技术消解碰撞问题，实现系统过载。免调度与NOMA的结合将有效降低信令开销、提高接入能力，为支持大连接、高可靠、低时延提供了可能性。免调度NOMA中，时间域和/或频率域资源块被划分为非正交子块，系统中所有潜在终端共享这些资源。活跃终端无需等待任何调度授权，自由接入这些资源块。这大大降低了控制信令的开销。因此，对于支撑工业互联网，免调度NOMA具有天然的优势。然而，由于免调度NOMA省略了调度授权过程，活跃终端集合以及他们的信道信息是未知的，为NOMA接收信号处理方法设计以及NOMA传输服务质量保障方法设计带来新挑战。

针对免调度NOMA的多用户检测问题，目前基于压缩感知、凸优化等确定性推理展开的研究中提出联合设计活跃终端检测、活跃终端的信道估计以及多用户检测方法。现有技术中提供了基于深度学习(DL)的多任务变分自编码器，基于变分推理联合优化星座点分布与多用户检测方法。还有基于生成神经网络框架的活跃用户与多用户信号联合检测方法。现有NOMA多用户检测从确定性推理向机器学习方法演进，解决了独立随机场景的多用户检测问题，但难以应对高随机强相关的工业互联网通信场景。更为重要的是，工业互联网产生紧急突发型业务时，将带来一系列连锁反应，使得网络中活跃终端数目、以及终端承载的业务特性发生突变，活跃终端数目将产生非平稳点。活跃用户估计和信道估计的准确度将直接影响NOMA系统多用户信号检测方法的准确度，进而影响系统的可靠性。

现有免调度NOMA技术仅能应对独立随机场景的检测问题，却无法应对工业互联网的高随机、强相关、非平稳通信场景的检测问题。

综上所述，在工业互联网中，单一终端业务具有偶发到达特性、不同终端间到达具有空间相关性和非平稳性。无线信道、免调度传输加剧了系统随机性，重传又导致终端激活具有时间相关性。业务的空时相关性和非平稳性将导致活跃终端集合的空时相关性和非平稳性。如何充分发挥机器学习的model-free特性，在高随机强相关非平稳环境下建立接收信号与活跃终端集合、发送符号之间的关系，是目前本领域内亟待解决的核心技术问题。

发明内容

为了克服上述问题，本发明提供一种面向非平稳工业互联网基于深度学习的NOMA信号检测方法，研究基于DNN(Deep Neural Networks，深度神经网络)的多用户信号检测，主要包括非平稳数据处理、LSTM、DNN网络结构的设计，以及低复杂度DNN训练序列的设计；能够为多用户NOMA系统提供保障、免授权通信的传输方案，提出非平稳数据处理方法，以及基于LSTM(长短期记忆网络)的活跃用户估计方法，并将结果反馈。

一种面向非平稳工业互联网基于深度学习的NOMA信号检测方法，包括如下内容：

步骤一，利用最大似然估计法检测非平稳点并估计平稳过程持续时间；具体为：