免授权MIMO-NOMA系统中活动用户检测与信道估计算法.pdf

第 卷 第 期 年 月北 京 信 息 科 技 大 学 学 报 .文 章 编 号:():/./.免授权 系统中活动用户检测与信道估计算法李豪杰陈硕李学华周明宇向维(.北京信息科技大学 现代测控技术教育部重点实验室北京.佰才邦技术股份有限公司北京.拉筹伯大学 工程与数学科学学院墨尔本 )摘要:针对免授权多输入多输出非正交多址接入()系统中的活动用户检测和信道估计问题提出了一种 学习辅助的空间相关块稀疏贝叶斯学习算法 该算法将活动用户检测和信道估计问题建模为多维块稀疏信号恢复问题基于块稀疏贝叶斯原理推导代价函数并将代价函数的优化过程描述为马尔可夫决策过程把 学习引入稀疏贝叶斯学习框架以实现活动用户检测和信道估计 仿真结果表明该算法信道估计的归一化均方误差低于.活动用户检测错误率低于 关 键 词:稀疏贝叶斯学习免授权接入多输入多输出非正交多址接入信道估计活动用户检测中图分类号:文献标志码:(.):().:收稿日期:基金项目:国家自然科学基金青年基金资助项目()北京市教委科研计划科技一般项目()作者简介:第一作者:李豪杰男硕士研究生通信作者:陈硕女博士副教授 引言在大规模机器类型通信()中为了支持大规模物联网设 备 连 接 非 正 交 多 址 接 入()和免授权接入逐渐成为研究 北京信息科技大学学报第 卷的热点 允许多个用户共享同一个资源块它可以在资源有限的情况下支持海量连接 技术的研究主要可以分为码域 和功率域 两类 码域 的核心思想是通过采用特定于用户的签名模式来将多个用户的数据流叠加在相同的资源块上 功率域 则是利用信道的差异性采用串行干扰消除技术在功率域上区分不同用户 虽然将 技术应用于 场景中在一定程度上解决了资源不足的问题但是复杂的调度过程产生的信令开销相较于零星传输的短数据来说是巨大的 免授权接入允许用户跳过调度过程中复杂的握手环节直接将信息传输到基站可以解决信令开销过大的问题 为了进一步提高频谱利用率可以在多输入多输出()系统中采用 技术形成 系统 在免授权 系统中 设备在没有调度的情况下直接向基站发送信息因此需要在大量的潜在用户中找到少量的活动用户并且对传输信道进行估计即活动用户检测()与信道估计()目前在活动用户检测和信道估计方面已经存在一些研究其中基于压缩感知的检测算法较为常见 压缩感知可以利用信号的稀疏性从有限数量的随机映射中准确地重建原始信号 文献中的正交匹配追踪()算法是一种经典的压缩感知算法它可以在正交性和匹配性之间重复迭代以重构信号 文献比较了 种基于压缩感知算法的多用户检测算法的应用效果 文 献 提 出 的 基 于 消 息 传 递()和广义近似 相结合的多用户检测算法充分体现了消息传递算法的灵活性 然而随着用户数量的增大和场景复杂性的增加传统压缩感知算法会出现无法收敛和重构精度降低的问题随着机器学习技术的发展基于压缩感知的稀疏贝叶斯学习算法为解决活动用户检测和信道估计问题提供了新的思路 稀疏贝叶斯学习算法基于贝叶斯分层模型可以充分利用稀疏信号中潜在的先验信息 同时稀疏贝叶斯学习算法可以在不需要稀疏度的先验信息的情况下通过迭代自动确定待重构信号中非零元素的位置和大小 块稀疏贝叶斯学习()是在稀疏贝叶斯学习的基础上提出的它充分考虑了信号中的块稀疏性 块稀疏性是指信号可以被分为多个小的信号块其中只有少数信号块是非零的且位置未知 而免授权 系统中的稀疏信号具有较强的块相关性 因此块稀疏贝叶斯学习能够很好地解决系统中的活动用户检测和信道估计问题 文献将联合 和 问题描述为块稀疏信号恢复问题提出了一种基于 的 算法 文献提出了一种基于深度神经网络辅助 的 算法进一步提高了信道估计的准确性 文献利用不同天线接收信号之间的空间相关性和信号的稀疏性提出了一种基于空间相关稀疏贝叶斯学习的联合活动用户检测和信道估计算法 在块稀疏贝叶斯学习中通常使用传统的快速边缘似然最大化方法来优化代价函数 这种方法在噪声较弱的情况下可以较好完成稀疏信号重构但是当信号块数量大、噪声强的情况时该优化方法的重构稳定性和准确性会显著下降针对上述问题本文提出了一种基于 学习辅助空间相关块稀疏贝叶斯学习()算法来解决免授权 系统中的联合活动用户检测和信道估计问题 该算法在充分利用信号稀疏特性和天线之间空间相关性的基础上采用 学习 来优化分层稀疏贝叶斯学习框架中的代价函数从而进一步提高联合活动用户检测和信道估计的准确性 具体来说首先基于免授权 系统中信号的稀疏特性和空间相关性将联合活动用户检测和信道估计问题建模为多维块稀疏信号的恢复问题 其次基于分层贝叶斯理论推导出用于解决上述问题的代价函数 最后将代价函数中参数的求解描述为马尔可夫决策过程利用 学习对代价函数进行优化得到估计信道和估计活跃用户集仿真结果表明在免授权 系统中与现有算法相比在各种用户激活概率、潜在用户数量、信噪比和基站天线数量的条件下所提 算法在活动用户检测和信道估计方面具有更好的性能 系统模型.网络模型考虑一个典型的上行链路免授权 系统 系统中有大量的潜在用户但同时只有少数用户是活跃的而其他用户是非活跃的即该系统具有零星传输和活跃用户稀疏的特点 假设有 个用户向一个中心基站发送数据每个用户以 的概第 期李豪杰等:免授权 系统中活动用户检测与信道估计算法 率被激活系统有 个子载波所有用户都配备单天线基站配备 根天线 为了应对大规模物联网中海量连接的需求考虑过载系统即 )即寻找大于阈值的 算法如下所示:算法:算法输入:接收信号 训练矩阵 输出:估计信道 估计活动用户集.初始化:表迭代次数.对于迭代次数 .智能体基于当前状态 选择动作.更新参数、.根据式()计算奖励并跳转至下一状态.根据式()对 表进行更新.重复步骤 直到满足迭代次数.满足迭代次数时退出循环.输出 表 ().结束 仿真结果与分析对一个上行免授权 系统进行仿真以验证 算法的有效性 在仿真中信道设置为块衰落信道且符合复高斯分布 CN()系统上行链路的调制方式为 调制活动用户判断阈值设置为.为了充分对比各个因素对于算法的影响活动用户激活概率 取值范围为.潜在用户数量 取值范围为 系统信噪比()取值范围为 北京信息科技大学学报第 卷 基站天线数量 取值范围为 相关仿真参数如表 所示表 相关仿真参数设置参数符号值基站天线数量潜在用户数量用户激活概率.信噪比/调制方式载波数训练序列长度算法迭代次数 用户活动判定阈值.仿真的评估指标为信道的归一化均方误差()和活动用户检测错误概率 具体来说活动用户检测错误概率即为检测错误的活动用户与总活动用户的比值是活动用户检测的评估指标 表示估计信道和实际信道之间的误差 越小信道估计的精度越高 根据定义 表示为 ()为了验证本文所提算法的信道估计和活动用户检测性能选取以下 种对比算法:)正交匹配追踪算法:该算法是一种传统的压缩感知算法需要待重构信号稀疏度的先验信息)广义近似消息传递()算法:该算法是迭代门限重构算法的衍生算法通过逼近传统的消息传递算法降低了消息传递算法的复杂度)随机稀疏学习多用户检测()算法:该算法将信道估计和用户活动检测视为一个字典学习问题并基于双线性广义近似消息传递来解决该问题)空间相关块稀疏贝叶斯学习算法:该算法基于分层稀疏贝叶斯学习推导出代价函数并利用快速边缘似然最大化算法优化代价函数推导和优化过程中充分利用信号的稀疏特性和空间相关性提高算法重构性能图 为基站天线数目为 潜在用户数量为 时 随用户激活概率增加的变化曲线 由图可以看出随着激活概率的增加各算法的 逐渐增大 本仿真中使用的算法都是基于数据的稀疏特性提出的随着系统中活动用户的增加稀疏性逐渐降低因此算法的 性能变差 算法在模型推导过程中充分考虑了系统的块稀疏特性和天线间的空间相关性并且使用 学习优化代价函数一定程度上降低了稀疏度增加对算法重构性能的影响 因此在稀疏度较低的情况下 算法仍能保持较高的 水平图 不同用户激活概率下的 性能在仿真中 算法需要预先设置先验稀疏度其往往被设置为一个固定值因此该算法的 曲线几乎不会随着激活概率的增加而变化 算法利用消息传递因子图对稀疏信号进行重构无需指定稀疏度即可完成信道估计其信道估计性能优于 算法 然而 和 算法没有充分利用接收天线之间的空间相关性因此它们在 系统中的信道估计性能受到限制 与上述两种算法相比 算法能够更好地利用空间相关性 但由于其对感知矩阵的有限等距性要求较高 算法的信道估计性能差于稀疏贝叶斯学习类算法 由于在优化代价函数时使用了 学习 算法的整体性能优于使用快速边缘似然最大化算法的 算法 同时由不同信噪比时 条曲线的对比可知相较于 算法 算法在信噪比变低时其重构性能下降更为明显图 为活动用户激活概率为.信噪比为 基站天线数量为 时算法在不同潜在活动用户数量下的 性能 当用户激活概率和信噪比相同时信道估计的 随着潜在用户数的增加而增加 这是因为当系统中的子载波数量不变潜在用户数量较少时系统的过载率也较低算法的信道估计性能也更好第 期李豪杰等:免授权 系统中活动用户检测与信道估计算法 图 不同潜在用户数量下的 性能在仿真中、和 算法之间的关系与图 相同 算法采用的快速边际似然最大化优化方法是一种构建式的算法它将可能的信道块逐个添加到估计信道矩阵中 因此当潜在用户较少时该算法收敛速度快估计结果较好 本文提出的 算法在稀疏贝叶斯学习的基础上采用 学习辅助优化代价函数 学习可以在巨大的稀疏空间中准确地找到正确的信道向量 因此当潜在用户数量逐渐增加时所提算法的信道估计性能较其他算法相比下降得更慢图 为基站天线数目为 潜在用户数量为活动用户激活概率为.时算法在不同信噪比下的活动用户检测错误率曲线 如图 所示算法的活动用户检测错误率随信噪比的增加而降低在高信噪比时 和 算法的活动用户检测性能较差而其余 种算法的性能明显好于它们当信噪比高于 时 算法和 算法的活动用户检测几乎没有错误图 不同信噪比下的活动用户检测错误概率只有当用户活跃时相应的信道才会被激活因此活动用户检测的性能与信道估计的性能密切相关 与其他算法相比稀疏贝叶斯类算法基于稀疏贝叶斯原理采用构建式的方法在稀疏数据中发现非零块来检测活动用户 因此这类算法在信噪比较低的情况下总能很好地发现活动用户 所提算法由于在优化代价函数时使用了 学习在低信噪比时避免了使用快速边缘似然最大化算法可能出现的多次块重估操作因此在信噪比较低时 算法的活动用户检测性能优于 算法 而在信噪比较高时 算法的块重估操作不会过多出现因此两种算法的活动用户检测错误概率较为接近图 显示了不同天线数量下 的变化曲线 在仿真中用户激活概率设置为.潜在用户数量设置为 由图 可知、和所提出的 算法的 性能随着天线数 的增加而改善 然而 和 算法的 性能不会随着天线数的增加而改变 当激活概率为.信噪比为 时所提出的 算法在各种天线数目下都能获得较好的性能图 不同天线数量下的 性能在仿真中 和 算法分别对每个天线接收到的信号进行处理然后融合所有处理结果因此天线数目的变化不会影响其信道估计的性能这两种算法都没有充分考虑每个天线接收到的信号之间的空间相关性 算法考虑了多层消息传递因子图的结构 因此可以利用空间相关性来提高多维稀疏信号的重建性能 算法和 算法将不同天线上接收到的信号作为一个整体信号块来处理充分利用了各天线接收信号之间的空间相关性 因此信道估计性能随着天线数目的增加而提高这也与 的理论一致 本文提出的 算法在优化代价函数时采用了 学习在巨大的稀疏空间中可以更好地找到正确的信号块因此其重构性能优于 算法 北京信息科技大学学报第 卷 结束语本文提出了一种 学习辅助空间相关块稀疏贝叶斯学习算法来解决免授权 系统中联合 和 问题 算法充分利用了信号的块稀疏性和天线间的空间相关性并采用 学习来优化代价函数 首先通过充分挖掘免授权 系统中信号的块稀疏性本文将信道估计问题建模为三维块稀疏信号恢复问题 其次基于分层贝叶斯理论推导了求解该问题的代价函数并利用 学习对其进行了优化得到了估计信道和估计活跃用户集 仿真结果表明所提 算法在没有先验信息的情况下能够利用信号的稀