發(fā)布時(shí)間：2020-11-02 06:47

　　 未來的第五代移動(dòng)通信(5th Generation,5G)是一種真正意義上的集成網(wǎng)絡(luò)。5G的一個(gè)關(guān)鍵優(yōu)勢體現(xiàn)在物聯(lián)網(wǎng)(Internet of Things,IoT)上,大規(guī)模的機(jī)器-機(jī)器(Machine-to-Machine,M2M)通信是物聯(lián)網(wǎng)的重要應(yīng)用之一。在M2M通信場景中,用戶數(shù)量通常很大,但在每個(gè)接入時(shí)隙活躍用戶數(shù)量很少,因此低活躍度碼分多址接入(Low-Activity Code Division Multiple Access,LA-CDMA)技術(shù)是一種較為實(shí)用的M2M通信接入技術(shù)。本文研究基于LA-CDMA的M2M通信中的多用戶檢測(Multiuser Detection,MUD)問題,準(zhǔn)確的多用戶檢測有助于解決諸如降低機(jī)器終端成本、資源分配和低成本M2M終端覆蓋等挑戰(zhàn)。在過去的相關(guān)文獻(xiàn)中,已經(jīng)提出一些多用戶檢測方法,比如迫零(Zero-Forcing,ZF)檢測法、最小均方誤差(Minimum Mean-Square-Error,MMSE)檢測法和最大后驗(yàn)(Maximum a Posteriori,MAP)檢測法。然而,ZF檢測法和MMSE檢測法的信號(hào)檢測性能較差,MAP檢測法需要假設(shè)用戶活躍度已知且值很小。在實(shí)際應(yīng)用中,用戶活躍度通常是未知的,而且在某些場景下用戶活躍度有可能較大,這使得M2M通信中的多用戶檢測成為一項(xiàng)重要的、值得研究的課題。為了克服用戶活躍因子未知的困難,同時(shí)提高信號(hào)檢測性能,我們利用壓縮感知(Compressive Sensing,CS)的理論和方法來解決上行LA-CDMA多用戶檢測問題,并針對M2M通信中的稀疏性、時(shí)間相關(guān)性等特征,設(shè)計(jì)了具有較優(yōu)越性能的貝葉斯以及迭代重加權(quán)的檢測算法。本論文的創(chuàng)新點(diǎn)與貢獻(xiàn)如下:1)在M2M通信中,為了研究任意時(shí)刻的上行LA-CDMA多用戶檢測問題,我們引入單測量向量(Single Measurement Vector,SMV)框架。由于用戶的活躍/非活躍狀態(tài)通常在一段時(shí)間內(nèi)保持不變,本文擬開展基于多測量向量(Multiple Measurement Vector,MMV)框架下的上行LA-CDMA多用戶檢測研究。在MMV框架下,待檢測的信號(hào)具有塊狀稀疏特征,利用該特征,有助于提高信號(hào)檢測性能。2)我們研究了SMV框架下的上行LA-CDMA多用戶檢測問題。由于M2M通信中用戶活躍度通常較低,待檢測的信號(hào)具有稀疏性,針對該特點(diǎn),我們引入稀疏貝葉斯學(xué)習(xí)(Sparse Bayesian Learning,SBL)算法,它適合低活躍度場景。此外,利用待檢測通信信號(hào)的有限字符集特征,我們設(shè)計(jì)了基于高斯混合模型(Gaussian Mixture Model,GMM)的多用戶檢測方法,它既適合于用戶低活躍度場景,也適合于用戶活躍度較高的場景。另外,稀疏貝葉斯學(xué)習(xí)算法具有較高的計(jì)算復(fù)雜度,針對該問題,我們研究了快速稀疏貝葉斯學(xué)習(xí)(Fast Inverse-free Sparse Bayesian Learning,FI-SBL)的方法,大幅度地降低了稀疏貝葉斯學(xué)習(xí)算法的計(jì)算復(fù)雜度。3)我們研究了MMV框架下的上行LA-CDMA多用戶檢測問題。由于用戶的活躍/非活躍狀態(tài)通常在一段時(shí)間內(nèi)保持不變,因此,在MMV框架下,待檢測或重構(gòu)的信號(hào)具有行稀疏特性,也稱為塊狀稀疏特征。為了利用該特征,我們引入了塊狀稀疏貝葉斯學(xué)習(xí)(Block Sparse Bayesian Learning,BSBL)算法和結(jié)構(gòu)耦合稀疏貝葉斯學(xué)習(xí)(Pattern Coupled Sparse Bayesian Learning,PCSBL)算法。此外,為了降低PCSBL算法的計(jì)算復(fù)雜度,將廣義近似消息傳遞(Generalized Approximate Message Passing,GAMP)嵌入PCSBL算法,并且提出基于廣義近似消息傳遞的結(jié)構(gòu)耦合稀疏貝葉斯學(xué)習(xí)(Generalized Approximate Message Passing Pattern Coupled Sparse Bayesian Learning,GAMP-PCSBL)算法,該算法具有很低的計(jì)算復(fù)雜度,且具有優(yōu)越的多用戶檢測性能。4)在本文的第五章,我們研究了基于迭代重加權(quán)的多用戶檢測算法,分別為適合低用戶活躍度的迭代重加權(quán)(Iterative Reweighed,IR)算法和適合高用戶活躍度的最小均方誤差迭代重加權(quán)(Minimum Mean-Square-Error Iterative Reweighed,MMSEIR)算法。一方面,對于稀疏信號(hào),使用具有促稀疏功能的對數(shù)和函數(shù)代替0范數(shù),再利用最大最小化(Majorization-Minimization,MM)原理,將非凸優(yōu)化問題轉(zhuǎn)化成迭代重加權(quán)問題,并提出了IR算法。另一方面,對于非稀疏信號(hào),利用MMSE檢測器將非稀疏系統(tǒng)模型轉(zhuǎn)化成稀疏模型,然后結(jié)合IR算法,提出了MMSEIR算法。5)本文所設(shè)計(jì)的算法適用于不同用戶活躍度的多用戶檢測問題。仿真結(jié)果表明,本論文提出的方法克服了MAP算法中存在的問題,且信號(hào)檢測性能優(yōu)于經(jīng)典的多用戶檢測算法。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2019
【中圖分類】：TN929.5
【部分圖文】：

代重加權(quán)檢測算法。本文涉及的多用戶檢測問題向量模型多測量向量BSBL算法PCSBL算法GAMP-PCSBL算法迭代重加權(quán)算法IR算法MMSEIR算法貝葉斯算法 圖 1-2 本文研究內(nèi)容框圖...

測量向量模型多測量向量模型BSBL算法PCSBL算法GAMP-PCSBL算法迭代重加權(quán)算法IR算法MMSEIR算法貝葉斯算法 迭代圖 1-2 本文研究內(nèi)容框圖...設(shè)備3

第二章 多用戶檢測模型及傳統(tǒng)多用戶檢測算法1 11 1 11 2 1 112 21 1 21 2 2 221 1 1 2K KK KN N N NK K KNy s c s c s c bwy s c s c s c bwy s c s c s c bw k 個(gè)用戶的信道信息。為了簡化表達(dá)，以上等式 1 112 221 2, ,...,KN KNy bwy bwy bw h h h
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙楠;裴昌幸;劉丹;孫曉楠;;自適應(yīng)調(diào)整量子多用戶檢測方案[J];西安電子科技大學(xué)學(xué)報(bào);2011年04期

2 魏志強(qiáng);張鄭亮;霍永亮;;基于共軛梯度算法的自適應(yīng)多用戶檢測[J];華北水利水電學(xué)院學(xué)報(bào);2010年04期

3 張榮華;陸向輝;;基于空-時(shí)結(jié)構(gòu)的子空間多用戶檢測技術(shù)[J];科技信息;2009年24期

4 陳瀟;李雷;范小崗;;基于支持向量機(jī)的非線性多用戶檢測[J];西安郵電學(xué)院學(xué)報(bào);2008年01期

5 劉棟;;干擾抵消多用戶檢測[J];中國新技術(shù)新產(chǎn)品;2008年15期

6 王再富;邢國際;;應(yīng)用獨(dú)立分量分析的多用戶檢測方法[J];杭州電子科技大學(xué)學(xué)報(bào);2007年02期

7 劉向東;顧學(xué)邁;;CDMA系統(tǒng)中基于卡爾曼濾波的盲自適應(yīng)多用戶檢測算法[J];移動(dòng)通信;2007年06期

8 李作洲;劉婧;朱義勝;;盲自適應(yīng)分組多用戶檢測[J];大連海事大學(xué)學(xué)報(bào);2006年01期

9 蒲秀娟,韓慶文,張小恒;盲自適應(yīng)多用戶檢測技術(shù)的可視化仿真[J];實(shí)驗(yàn)技術(shù)與管理;2005年09期

10 孫鍵;多用戶檢測技術(shù)的應(yīng)用與發(fā)展[J];中國數(shù)據(jù)通信;2005年06期

相關(guān)博士學(xué)位論文 前10條

1 張曉旭;面向M2M通信的多用戶檢測算法研究[D];電子科技大學(xué);2019年

2 張晨晨;稀疏碼分多址系統(tǒng)的多用戶檢測算法研究和碼本設(shè)計(jì)[D];上海交通大學(xué);2018年

3 欒英姿;移動(dòng)通信中的MC-CDMA技術(shù)[D];西安電子科技大學(xué);2003年

4 孫甲琦;多載波CDMA無線通信系統(tǒng)關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2004年

5 吳莉莉;未來移動(dòng)通信系統(tǒng)的幾種新型接收機(jī)研究[D];西安電子科技大學(xué);2004年

6 王伶;移動(dòng)通信中的多用戶檢測與自適應(yīng)空時(shí)接收機(jī)研究[D];西安電子科技大學(xué);2004年

7 陳建峰;空間信號(hào)檢測與參數(shù)估計(jì)的陣列處理方法研究[D];西安電子科技大學(xué);2004年

8 劉文龍;通信信號(hào)處理中若干問題的算法研究[D];大連理工大學(xué);2004年

9 林麗莉;DS-CDMA與MC-CDMA系統(tǒng)中的多用戶檢測技術(shù)研究[D];浙江大學(xué);2005年

10 張小飛;天線陣CDMA系統(tǒng)中的空時(shí)處理技術(shù)研究[D];南京航空航天大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 范灼;直接序列擴(kuò)頻碼分多址系統(tǒng)多用戶檢測算法研究及設(shè)計(jì)[D];桂林電子科技大學(xué);2019年

2 楊俊賓;框架結(jié)構(gòu)及其在通信中的應(yīng)用研究[D];杭州電子科技大學(xué);2016年

3 郝樹良;稀疏碼分多址接入系統(tǒng)的多用戶檢測算法研究[D];重慶郵電大學(xué);2018年

4 劉玥岑;低密度擴(kuò)展非正交多址接入的多用戶檢測算法研究[D];重慶郵電大學(xué);2018年

5 趙國奎;高通量衛(wèi)星通信系統(tǒng)多用戶檢測算法研究[D];哈爾濱工業(yè)大學(xué);2019年

6 左潤東;提升MUSA多用戶檢測性能的關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2019年

7 張美;非正交多址接入系統(tǒng)中稀疏多用戶檢測策略研究[D];鄭州大學(xué);2019年

8 張金程;DS-CDMA系統(tǒng)的多用戶檢測技術(shù)研究[D];哈爾濱工程大學(xué);2019年

9 張旭寧;基于SCMA系統(tǒng)關(guān)鍵技術(shù)研究[D];新疆大學(xué);2019年

10 沈濤;空間編隊(duì)WDMA-UWB通信多址干擾抑制方法研究及FPGA實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2018年

本文編號(hào)：2866712