基于深度学习的NOMA系统符号检测算法研究

2021-12-28 12:24:06方世林赵子琪谢文武方世峰
湖南理工学院学报(自然科学版) 2021年4期
关键词:符号用户

方世林,赵子琪,余 丹,谢文武,方世峰

(1.湖南理工学院 信息科学与工程学院,湖南 岳阳 414006; 2.广兴洲中学,湖南 岳阳 414016)

非正交多址(NOMA)是第五代无线通信中提高频谱效率和系统吞吐量的一种多址技术[1,2].对于功率域与码域中相同的时频资源,NOMA 系统可以允许其中两个以上的用户来共享这些资源.在正交频分复用系统中,一个用户在一个时隙可以访问一组子载波信道.通过引入NOMA,可以将信道条件较好的用户与信道条件较差的用户的子载波共享,从而有效地利用带宽资源[3~6].NOMA 系统接收机常采用串行干扰抵消(SIC)算法,该算法虽然实现简单,但是性能较差; 而性能较好的最大似然算法(Maximum Likelihood,ML)复杂度过高,一般不用于实际产品中[7~9].因而,需要寻找一种合适于NOMA 系统的接收机.

深度学习(Deep Learning,DL)是近年来发展十分迅速且热度很高的研究领域,它是一种特殊的人工神经网络模型.从根源上来讲,深度学习其实是机器学习的一个分支[10].早在2006年,被称为深度学习之父的Hinton 就在《Science》上发文,综合其发文,可以概括出他的两个主要观点: (1)对多层次的神经网络结构进行了阐述,其特征学习能力是十分强大并且优秀的; (2)多层网络难以训练,但该困难是可以解决的,它可以通过分层训练(Layer Wise Prc Training)来有效解决,并首次提出了无监督自主学习逐层预训练法.

本文将深度学习应用于NOMA 系统,提出了一种基于DL 的NOMA 接收机,其性能较传统SIC 算法优越,接近于最优的ML 算法,且复杂度较ML 算法低.

1 基于深度学习的NOMA 系统……
登录APP查看全文

猜你喜欢
符号用户
学符号,比多少
幼儿园(2021年6期)2021-07-28 07:42:14
“+”“-”符号的由来
变符号
关注用户
商用汽车(2016年11期)2016-12-19 01:20:16
关注用户
商用汽车(2016年6期)2016-06-29 09:18:54
关注用户
商用汽车(2016年4期)2016-05-09 01:23:12
倍图的全符号点控制数
图的有效符号边控制数
Camera360:拍出5亿用户
创业家(2015年10期)2015-02-27 07:55:08
100万用户
创业家(2015年10期)2015-02-27 07:54:39