未来的第五代移动通信(5th Generation,5G)是一种真正意义上的集成网络。5G的一个关键优势体现在物联网(Internet of Things,IoT)上,大规模的机器-机器(Machine-to-Machine,M2M)通信是物联网的重要应用之一。在M2M通信场景中,用户数量通常很大,但在每个接入时隙活跃用户数量很少,因此低活跃度码分多址接入(Low-Activity Code Division Multiple Access,LA-CDMA)技术是一种较为实用的M2M通信接入技术。本文研究基于LA-CDMA的M2M通信中的多用户检测(Multiuser Detection,MUD)问题,准确的多用户检测有助于解决诸如降低机器终端成本、资源分配和低成本M2M终端覆盖等挑战。在过去的相关文献中,已经提出一些多用户检测方法,比如迫零(Zero-Forcing,ZF)检测法、最小均方误差(Minimum Mean-Square-Error,MMSE)检测法和最大后验(Maximum a Posteriori,MAP)检测法。然而,ZF检测法和MMSE检测法的信号检测性能较差,MAP检测法需要假设用户活跃度已知且值很小。在实际应用中,用户活跃度通常是未知的,而且在某些场景下用户活跃度有可能较大,这使得M2M通信中的多用户检测成为一项重要的、值得研究的课题。为了克服用户活跃因子未知的困难,同时提高信号检测性能,我们利用压缩感知(Compressive Sensing,CS)的理论和方法来解决上行LA-CDMA多用户检测问题,并针对M2M通信中的稀疏性、时间相关性等特征,设计了具有较优越性能的贝叶斯以及迭代重加权的检测算法。本论文的创新点与贡献如下:1)在M2M通信中,为了研究任意时刻的上行LA-CDMA多用户检测问题,我们引入单测量向量(Single Measurement Vector,SMV)框架。由于用户的活跃/非活跃状态通常在一段时间内保持不变,本文拟开展基于多测量向量(Multiple Measurement Vector,MMV)框架下的上行LA-CDMA多用户检测研究。在MMV框架下,待检测的信号具有块状稀疏特征,利用该特征,有助于提高信号检测性能。2)我们研究了SMV框架下的上行LA-CDMA多用户检测问题。由于M2M通信中用户活跃度通常较低,待检测的信号具有稀疏性,针对该特点,我们引入稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)算法,它适合低活跃度场景。此外,利用待检测通信信号的有限字符集特征,我们设计了基于高斯混合模型(Gaussian Mixture Model,GMM)的多用户检测方法,它既适合于用户低活跃度场景,也适合于用户活跃度较高的场景。另外,稀疏贝叶斯学习算法具有较高的计算复杂度,针对该问题,我们研究了快速稀疏贝叶斯学习(Fast Inverse-free Sparse Bayesian Learning,FI-SBL)的方法,大幅度地降低了稀疏贝叶斯学习算法的计算复杂度。3)我们研究了MMV框架下的上行LA-CDMA多用户检测问题。由于用户的活跃/非活跃状态通常在一段时间内保持不变,因此,在MMV框架下,待检测或重构的信号具有行稀疏特性,也称为块状稀疏特征。为了利用该特征,我们引入了块状稀疏贝叶斯学习(Block Sparse Bayesian Learning,BSBL)算法和结构耦合稀疏贝叶斯学习(Pattern Coupled Sparse Bayesian Learning,PCSBL)算法。此外,为了降低PCSBL算法的计算复杂度,将广义近似消息传递(Generalized Approximate Message Passing,GAMP)嵌入PCSBL算法,并且提出基于广义近似消息传递的结构耦合稀疏贝叶斯学习(Generalized Approximate Message Passing Pattern Coupled Sparse Bayesian Learning,GAMP-PCSBL)算法,该算法具有很低的计算复杂度,且具有优越的多用户检测性能。4)在本文的第五章,我们研究了基于迭代重加权的多用户检测算法,分别为适合低用户活跃度的迭代重加权(Iterative Reweighed,IR)算法和适合高用户活跃度的最小均方误差迭代重加权(Minimum Mean-Square-Error Iterative Reweighed,MMSEIR)算法。一方面,对于稀疏信号,使用具有促稀疏功能的对数和函数代替0范数,再利用最大最小化(Majorization-Minimization,MM)原理,将非凸优化问题转化成迭代重加权问题,并提出了IR算法。另一方面,对于非稀疏信号,利用MMSE检测器将非稀疏系统模型转化成稀疏模型,然后结合IR算法,提出了MMSEIR算法。5)本文所设计的算法适用于不同用户活跃度的多用户检测问题。仿真结果表明,本论文提出的方法克服了MAP算法中存在的问题,且信号检测性能优于经典的多用户检测算法。
【学位单位】：电子科技大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TN929.5
【部分图文】：
代重加权检测算法。本文涉及的多用户检测问题向量模型多测量向量BSBL算法PCSBL算法GAMP-PCSBL算法迭代重加权算法IR算法MMSEIR算法贝叶斯算法 图 1-2 本文研究内容框图...
测量向量模型多测量向量模型BSBL算法PCSBL算法GAMP-PCSBL算法迭代重加权算法IR算法MMSEIR算法贝叶斯算法 迭代图 1-2 本文研究内容框图...设备3
第二章 多用户检测模型及传统多用户检测算法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 个用户的信道信息。为了简化表达，以上等式 1 112 221 2, ,...,KN KNy bwy bwy bw h h h
【相似文献】
相关期刊论文 前10条
1 赵楠;裴昌幸;刘丹;孙晓楠;;自适应调整量子多用户检测方案[J];西安电子科技大学学报;2011年04期
2 魏志强;张郑亮;霍永亮;;基于共轭梯度算法的自适应多用户检测[J];华北水利水电学院学报;2010年04期
3 张荣华;陆向辉;;基于空-时结构的子空间多用户检测技术[J];科技信息;2009年24期
4 陈潇;李雷;范小岗;;基于支持向量机的非线性多用户检测[J];西安邮电学院学报;2008年01期
5 刘栋;;干扰抵消多用户检测[J];中国新技术新产品;2008年15期
6 王再富;邢国际;;应用独立分量分析的多用户检测方法[J];杭州电子科技大学学报;2007年02期
7 刘向东;顾学迈;;CDMA系统中基于卡尔曼滤波的盲自适应多用户检测算法[J];移动通信;2007年06期
8 李作洲;刘婧;朱义胜;;盲自适应分组多用户检测[J];大连海事大学学报;2006年01期
9 蒲秀娟,韩庆文,张小恒;盲自适应多用户检测技术的可视化仿真[J];实验技术与管理;2005年09期
10 孙键;多用户检测技术的应用与发展[J];中国数据通信;2005年06期
相关博士学位论文 前10条
1 张晓旭;面向M2M通信的多用户检测算法研究[D];电子科技大学;2019年
2 张晨晨;稀疏码分多址系统的多用户检测算法研究和码本设计[D];上海交通大学;2018年
3 栾英姿;移动通信中的MC-CDMA技术[D];西安电子科技大学;2003年
4 孙甲琦;多载波CDMA无线通信系统关键技术研究[D];哈尔滨工程大学;2004年
5 吴莉莉;未来移动通信系统的几种新型接收机研究[D];西安电子科技大学;2004年
6 王伶;移动通信中的多用户检测与自适应空时接收机研究[D];西安电子科技大学;2004年
7 陈建峰;空间信号检测与参数估计的阵列处理方法研究[D];西安电子科技大学;2004年
8 刘文龙;通信信号处理中若干问题的算法研究[D];大连理工大学;2004年
9 林丽莉;DS-CDMA与MC-CDMA系统中的多用户检测技术研究[D];浙江大学;2005年
10 张小飞;天线阵CDMA系统中的空时处理技术研究[D];南京航空航天大学;2005年
相关硕士学位论文 前10条
1 范灼;直接序列扩频码分多址系统多用户检测算法研究及设计[D];桂林电子科技大学;2019年
2 杨俊宾;框架结构及其在通信中的应用研究[D];杭州电子科技大学;2016年
3 郝树良;稀疏码分多址接入系统的多用户检测算法研究[D];重庆邮电大学;2018年
4 刘玥岑;低密度扩展非正交多址接入的多用户检测算法研究[D];重庆邮电大学;2018年
5 赵国奎;高通量卫星通信系统多用户检测算法研究[D];哈尔滨工业大学;2019年
6 左润东;提升MUSA多用户检测性能的关键技术研究[D];哈尔滨工业大学;2019年
7 张美;非正交多址接入系统中稀疏多用户检测策略研究[D];郑州大学;2019年
8 张金程;DS-CDMA系统的多用户检测技术研究[D];哈尔滨工程大学;2019年
9 张旭宁;基于SCMA系统关键技术研究[D];新疆大学;2019年
10 沈涛;空间编队WDMA-UWB通信多址干扰抑制方法研究及FPGA实现[D];哈尔滨工业大学;2018年
本文编号：
2866712
