MIMO-NOMA系统中SIC接收方法的研究

作     者：黄靖雯 

作者单位：桂林电子科技大学 

学位级别：硕士

导师姓名：唐智灵

授予年度：2022年

学科分类：08[工学] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 

主      题：多输入多输出 非正交多址 连续干扰消除 深度神经网络 

摘      要：随着移动用户对无线服务的需求飞速增长,为了保障移动通信服务的可持续性,可采用非正交多址(Non-orthogonal Multiple Access,NOMA)方案,允许多个用户通过叠加编码和连续干扰消除(Successive Interference Cancellation,SIC)共享相同的时频资源,而多输入多输出(Multiple Input Multiple Output,MIMO)与NOMA的结合被认为是可以提高系统容量和频谱效率的多址接入技术。在MIMO-NOMA系统中,干扰消除和信号检测是提高频谱效率和保障系统性能的关键技术,然而SIC接收方法在实际应用中会存在一些限制,如误差传播问题以及SIC接收机对信道状态信息(Channel State Information,CSI)的准确性非常敏感。针对这两个问题,本文分别从传统通信信号处理以及深度学习信号处理的角度入手,对下行MIMO-NOMA系统中的SIC接收方法展开研究,主要的工作内容如下:1、针对SIC接收方法中的误差传播问题,首先建立两种误差传播模型,并以其中的模型2为参考,分析了SIC误差传播对MIMO-NOMA系统性能的影响;然后提出了一种主动引入干扰项的SIC检测算法,在每次更新检测权重矩阵时加入前用户因未能完全解码而产生的残余信号项,重新构造检测权重矩阵,使得残余信号对后续用户信号检测的影响进一步减小。该算法适用于最小均方误差(Minimum Mean Square Error,MMSE)以及迫零(Zero Forcing,ZF)准则,最后通过系统仿真,验证了所提出的SIC检测算法在运用两种准则时,都能够有效提升接收端的误码率(Bit Error Ratio,BER)性能。2、为了解决传统通信信号检测时获取精确的信道状态信息较为困难的问题,提出了基于深度学习的MIMO-NOMA信号的SIC接收方法,只需单个深度神经网络(Deep Neural Network,DNN)信号检测模型即可完成信号估计与检测。首先在DNN模型的训练过程中,设计了合适的标签数据,便于在输出层将信号恢复问题视为分类问题;然后通过最小化损失函数,训练获得稳健的DNN模型,在进行实际的信号检测时将MIMO-NOMA信号送入DNN模型,该检测模型即可同时恢复出不同用户的信号,从而不存在误差传播的问题;最后对该方法进行了数值仿真,实验结果表明基于深度学习的DL-SIC接收机相对于传统的SIC接收机具有更好的性能,即使在有限的信道状态信息下也能够正确解码出用户信号,具有较强的鲁棒性。