許耀華 周鑫源 黃 興 蔣 芳 王 翊 王 躍

(*安徽大學(xué)智能計算與信號處理教育部重點實驗室 合肥 230601)

(**安徽大學(xué)物聯(lián)網(wǎng)頻譜感知與測試工程中心 合肥 230601)

(***安徽電信規(guī)劃設(shè)計有限責任公司 合肥 230031)

0 引言

隨著物聯(lián)網(wǎng)和人工智能的快速發(fā)展,接入到通信網(wǎng)絡(luò)中的移動智能終端的種類和數(shù)量不斷增多,網(wǎng)絡(luò)中采集的用戶數(shù)據(jù)呈指數(shù)級增長。因此研究如何提升系統(tǒng)的用戶容量、提升頻譜資源利用效率、降低系統(tǒng)功耗等問題是非常必要的。文獻[1]提出不同類型的網(wǎng)絡(luò)集成到統(tǒng)一的系統(tǒng)中能夠大大提高系統(tǒng)容量和頻譜資源利用率。設(shè)備對設(shè)備(device to device,D2D)通信允許附近的設(shè)備之間在沒有基站(base station,BS)或有限基站參與的情況下直接建立通信,進一步拓展社交網(wǎng)絡(luò)結(jié)構(gòu),支持物聯(lián)網(wǎng)的發(fā)展[2]。蜂窩和D2D 通信混合網(wǎng)絡(luò)能夠進一步提升網(wǎng)絡(luò)容量和資源利用效率。稀疏碼分多址接入(sparse code multiple access,SCMA)[3]技術(shù)由于其低密度擴頻和高維調(diào)制的特點,能夠以一定的過載率增加使用頻譜資源的用戶數(shù)量。文獻[4]證實了將SCMA應(yīng)用在蜂窩和D2D 混合網(wǎng)絡(luò)中能夠支持D2D 的海量連接以及提升混合網(wǎng)絡(luò)系統(tǒng)的區(qū)域頻譜效率(area spectral efficiency,ASE)。然而混合網(wǎng)絡(luò)要面臨許多新的問題,比如新的資源分配、新的解碼方案及用戶間的干擾管理等問題。本文將SCMA 支持的蜂窩和D2D 混合網(wǎng)絡(luò)簡稱為SCMA-D2D 混合網(wǎng)絡(luò)。對于端到端的通信系統(tǒng)來說,編碼和解碼是最重要的問題。近年來,學(xué)者在SCMA-D2D 混合網(wǎng)絡(luò)編碼端進行了碼本分配[4-9]、功率優(yōu)化[2,10-11]等一系列研究。然而很少有專門針對SCMA-D2D 混合網(wǎng)絡(luò)接收機設(shè)計的研究。文獻[12]設(shè)計了一種低復(fù)雜度的上行鏈路SCMA-D2D 混合網(wǎng)絡(luò)解碼器,針對傳統(tǒng)系統(tǒng)用于解碼的消息傳遞算法(message passing algorithm,MPA)和最大似然檢測算法(maximum likelihood,ML)導(dǎo)致的譯碼復(fù)雜度過高的問題,提出了一種基于列表球解碼(list sphere decoding,LSD)算法的接收機設(shè)計方案LSD-MPA 和MPA-ML 以縮小檢索空間,降低解碼復(fù)雜度,但解碼精度沒有明顯提升且D2D 用戶的解碼精度低于SCMA 用戶。SCMA-D2D 混合網(wǎng)絡(luò)的用戶間干擾所導(dǎo)致的系統(tǒng)誤比特率(bit error rate,BER)性能差的問題在傳統(tǒng)通信模式下難以有效解決。

隨著人工智能技術(shù)的發(fā)展,將深度學(xué)習應(yīng)用于未來移動通信網(wǎng)絡(luò)是解決現(xiàn)有諸多通信問題的一種可行方法[13]。深度學(xué)習(deep learning,DL)已被用于解決碼本設(shè)計[14-15]、解碼[16-22]以及信道估計[22]等問題。文獻[16]和[17]都是將深度學(xué)習和MPA 相結(jié)合改善系統(tǒng)的解碼性能,學(xué)習調(diào)整神經(jīng)網(wǎng)絡(luò)邊的權(quán)值來實現(xiàn)SCMA 多用戶檢測。文獻[18]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)的SCMA 的下行鏈路盲譯碼策略,通過離線訓(xùn)練構(gòu)建了神經(jīng)網(wǎng)絡(luò)模型,在線測試階段只需要通過一次神經(jīng)網(wǎng)絡(luò)的運算即可完成解碼。避免了傳統(tǒng)的多用戶檢測算法的多次迭代,降低了解碼復(fù)雜度。但是文獻[16-18]都沒有涉及到神經(jīng)網(wǎng)絡(luò)輔助的編碼問題。文獻[14]提出了一種深度學(xué)習輔助的SCMA(deep learning aided SCMA,D-SCMA)自編碼器結(jié)構(gòu),能夠自適應(yīng)地構(gòu)造最小化誤碼率的碼本,并使用基于深度神經(jīng)網(wǎng)絡(luò)的編解碼器來學(xué)習譯碼策略。在碼字的生成和譯碼策略的確定中采用了一種受自動編碼器的結(jié)構(gòu)。文獻[15]將整個網(wǎng)絡(luò)看成一個自動編碼器,將編碼和解碼結(jié)合在一起進行訓(xùn)練以生成最優(yōu)的SCMA 碼字和重建原始比特。文獻[19]提出了一種基于卷積和殘差網(wǎng)絡(luò)的端到端的SCMA自動編解碼器,在編碼端使用CNN 單元學(xué)習碼字映射規(guī)律,在解碼端引入了參加網(wǎng)絡(luò)結(jié)構(gòu)解決由深度增加導(dǎo)致的梯度消失問題,提升了系統(tǒng)的誤比特率(bit error rate,BER)性能,降低了計算復(fù)雜度。綜上可知,神經(jīng)網(wǎng)絡(luò)輔助的SCMA 系統(tǒng)編解碼器能夠通過神經(jīng)網(wǎng)絡(luò)單元發(fā)掘數(shù)據(jù)之間的關(guān)聯(lián),減少網(wǎng)絡(luò)中可訓(xùn)練參數(shù),降低計算復(fù)雜度并獲得良好的譯碼性能。SCMA-D2D 混合網(wǎng)絡(luò)是多種用戶類型的網(wǎng)絡(luò)系統(tǒng),不僅要考慮到多種用戶的不同編碼特征進行編碼,還要考慮構(gòu)建解碼器時要降低用戶間的干擾,保證多種用戶解碼精度。文獻[20,21]都提到的基于共享層的多用戶分類器給混合網(wǎng)絡(luò)解碼問題提供了新思路。基于共享層的多任務(wù)解碼模型能夠在共享層學(xué)習總的解碼任務(wù),各個解碼子任務(wù)之間互不干擾獨立進行,增強了多用戶譯碼的抗干擾性。

受上述文獻啟發(fā),本文提出了SCMA-D2D 混合網(wǎng)絡(luò)卷積自編碼器(CNN-SCMA-D2D)。在編碼端,自適應(yīng)學(xué)習使系統(tǒng)誤碼率性能最好的用戶最佳碼本代替?zhèn)鹘y(tǒng)的碼本映射方式,將信道信息和解碼性能都作為碼本生成的訓(xùn)練條件,提升系統(tǒng)編碼靈活性、魯棒性;在解碼端,提出基于共享層機制的多用戶分類解碼器,提升解碼精度,降低譯碼復(fù)雜度。

1 網(wǎng)絡(luò)模型

1.1 蜂窩和D2D 混合網(wǎng)絡(luò)

圖1 展示的是由Jc個蜂窩用戶和Jd個設(shè)備對設(shè)備(D2D) 用戶共存的多用戶混合網(wǎng)絡(luò)系統(tǒng),Ci表示第i個蜂窩用戶,DTj,DRj分別表示第j個D2D用戶對的發(fā)送器和接收器,其中1 ≤i≤Jc,1 ≤j≤Jd。上行鏈路中D2D 用戶對基站的干擾很小,混合網(wǎng)絡(luò)的干擾主要體現(xiàn)在一種用戶將另一種用戶的信息視為干擾。

圖1 混合網(wǎng)絡(luò)系統(tǒng)圖

1.2 SCMA-D2D 混合網(wǎng)絡(luò)模型

Jc個蜂窩用戶、Jd個D2D 用戶、K個頻譜資源的上行鏈路混合網(wǎng)絡(luò)系統(tǒng)中使用稀疏碼分多址技術(shù)(SCMA)可以實現(xiàn)頻譜資源的過載。在本系統(tǒng)中,蜂窩用戶數(shù)據(jù)以SCMA 映射的方式將分配到的SCMA 碼字信息復(fù)用到K個頻譜資源上,每個蜂窩用戶占用Kc個頻譜資源,1 ≤Kc≤K,實現(xiàn)了一維數(shù)據(jù)到二維碼字的拓展。D2D 用戶采用二進制相移鍵控(binary phase shift keying,BPSK)調(diào)制的方式,直接占用K個頻譜資源中的1 個。令用戶數(shù)Jc+Jd＞K,達到過載的目的,令Jd＜K以限制干擾的強度。根據(jù)系統(tǒng)中各個用戶對頻譜資源的占用情況,隨機生成一個映射矩陣F,如式(1)所示,其中矩陣元素為{0,1} 2 種取值。矩陣F的列對應(yīng)用戶,矩陣F的行對應(yīng)頻譜資源。矩陣F的前Jc列代表SCMA 用戶占用頻譜資源的情況,矩陣F的后Jd列代表D2D 用戶占用頻譜資源的情況。矩陣F的前Jc列的列權(quán)重為Kc,表示這一列有Kc個取值為1的元素;矩陣F的后Jd列的列權(quán)重為1,表示這一列僅有1 個取值為1 的元素。若矩陣的第k行和第m列的元素F{k,m}=1,代表該列所對應(yīng)的用戶m占用了第k個資源塊,反之則表示對應(yīng)用戶不會占用該資源塊,1 ≤m≤Jc+Jd。矩陣的行權(quán)重取值為種情況,其中取值為整數(shù)。

為了便于描述問題,本文暫時以一個有6 個SCMA 用戶、2 個D2D 用戶對和4 個頻譜資源的系統(tǒng)為例,則有式(2)所示的因子矩陣。本文后續(xù)會對D2D 用戶對數(shù)量對系統(tǒng)性能的影響做實驗探究。

由式(2)給出如圖2 所示的用戶占用資源的因子圖。

圖2 SCMA-D2D 混合網(wǎng)絡(luò)因子圖

接收端接收的信號用式(3)表示。

2 CNN-SCMA-D2D 自編碼器

由于增加了新的用戶類型,SCMA-D2D 混合網(wǎng)絡(luò)系統(tǒng)既要考慮新的編碼策略,也要考慮能夠降低用戶間干擾、提升解碼精度的解碼算法,將系統(tǒng)的誤比特率(BER)降低到可接受范圍內(nèi)去提升系統(tǒng)的容量、提升系統(tǒng)的過載率。針對傳統(tǒng)的SCMA-D2D混合網(wǎng)絡(luò)采用預(yù)設(shè)好的固定碼本編碼導(dǎo)致的編碼魯棒性較差以及傳統(tǒng)的迭代譯碼算法在解碼精度上沒有明顯提升且譯碼復(fù)雜度高等問題,本節(jié)介紹一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的SCMA-D2D 混合網(wǎng)絡(luò)系統(tǒng)卷積自編碼器CNN-SCMA-D2D。在編碼端,分別根據(jù)不同的用戶到頻譜資源的連接情況設(shè)計了多用戶聯(lián)合編碼器的結(jié)構(gòu),并在模型訓(xùn)練的過程中將信道條件、解碼端性能都考慮在內(nèi),使用自適應(yīng)編碼代替固定碼本,得出對系統(tǒng)適應(yīng)能力最強、解碼BER性能最好的編碼器結(jié)構(gòu)。在解碼端,針對不同類型的多用戶解碼問題,采用一種基于共享層的多用戶分類解碼結(jié)構(gòu),以降低用戶間干擾、提升解碼精度。

2.1 CNN-SCMA-D2D 編碼器設(shè)計

相比于傳統(tǒng)的固定碼本編碼,神經(jīng)網(wǎng)絡(luò)輔助的自編碼器能夠靈敏地發(fā)掘數(shù)據(jù)之間的規(guī)律,快速地學(xué)習使系統(tǒng)模型達到最優(yōu)的編碼映射規(guī)則,并且能夠減少可訓(xùn)練參數(shù)降低編碼復(fù)雜度。將圖2 中連接用戶和頻譜資源的邊稱為用戶到頻譜資源的數(shù)據(jù)流。在CNN-SCMA-D2D 編碼器中,在每一個用戶到頻譜資源的數(shù)據(jù)流中間放置一個CNN 單元去尋找如圖2 所示的從輸入數(shù)據(jù)到指定的頻譜資源的星座點的映射關(guān)系。CNN-SCMA-D2D 編碼器結(jié)構(gòu)如圖3所示。分別用fc、fd表示蜂窩用戶和D2D 用戶的CNN 編碼單元分別表示第i個蜂窩用戶編碼單元、第j個D2D 用戶編碼單元(1 ≤i≤Jc,1 ≤表示第i個蜂窩用戶加載到第k個頻譜資源的碼字生成函數(shù)或碼字生成器表示第j個D2D 用戶加載到第k個頻譜資源的調(diào)制信息生成函數(shù)或調(diào)制信息生成器。

圖3 CNN-SCMA-D2D 混合網(wǎng)絡(luò)編碼端結(jié)構(gòu)

rc、rd分別是蜂窩用戶和D2D 用戶的二進制輸入數(shù)據(jù)分別表示第i個蜂窩用戶的二進制輸入數(shù)據(jù)和第j個D2D 用戶的二進制輸入數(shù)據(jù)。每個用戶的二進制比特數(shù)據(jù)按照b比特一組轉(zhuǎn)換成能被神經(jīng)網(wǎng)絡(luò)單元識別的單熱向量lc、ld,單熱向量的維度為M,其中b=log2M。圖4 所示是CNN 編碼單元的內(nèi)部結(jié)構(gòu)示意圖,共有3 個隱藏層進行數(shù)據(jù)處理操作,CNN 的輸入節(jié)點個數(shù)為M,對應(yīng)輸入數(shù)據(jù)單熱向量的維度;輸出節(jié)點個數(shù)為2,對應(yīng)學(xué)習到的碼字信息的維度分別表示第i個蜂窩用戶的輸入數(shù)據(jù)所對應(yīng)的單熱向量和第j個D2D 用戶的輸入數(shù)據(jù)所對應(yīng)的單熱向量(1 ≤i≤6,1 ≤j≤2)。加載到頻譜資源k上的第i個蜂窩用戶的原始數(shù)據(jù)所對應(yīng)的碼字向量如式(5)所示。加載到頻譜資源k上的第j個D2D 用戶所對應(yīng)的編碼單元調(diào)制信息向量如式(6)所示。

圖4 CNN 單元隱藏層結(jié)構(gòu)

將頻譜資源上的所有碼字進行疊加之后作為編碼端的輸出,如式(7)所示。

頻譜資源上的混合信號送到高斯信道中,傳輸?shù)浇邮斩?接收端接收到的信號如式(8)所示,其中n表示高斯信道向量。

2.2 基于共享層的CNN-SCMA-D2D 多用戶分類解碼器

基于共享層的CNN-SCMA-D2D混合網(wǎng)絡(luò)多用戶分類解碼器由共享層和用戶分類解碼層組成。解碼器的任務(wù)是輸出不同類型用戶的信息。由于存在多種用戶識別任務(wù),需要建立一個具有共享分支的模型,共享層結(jié)構(gòu)剛好滿足了這一點。共享層[20],簡單來說,就是對一個層的多次調(diào)用,即共享這個層。由于不需要每次調(diào)用都建立一個新的層,每次調(diào)用都可以重復(fù)使用相同的權(quán)重。在共享層中學(xué)習總的解碼任務(wù),并在多任務(wù)分支解碼結(jié)構(gòu)中獨立學(xué)習本層的解碼任務(wù),各個分支任務(wù)獨立進行、互不干擾。由此便可以建立一個接收信號y為共享層、多用戶分類解碼層為分支的基于共享層機制的多用戶分類解碼器,如圖5 所示。

圖5 基于共享層的CNN-SCMA-D2D 多用戶分類解碼器

接收端的接入信號y首先經(jīng)過共享層處理,共享層的輸入輸出表達式如式(9)所示。

共享層的輸出ys、θs表示共享層的神經(jīng)網(wǎng)絡(luò)超參數(shù),包括權(quán)重ws和偏差bs。圖5 中uc表示蜂窩用戶的分類解碼器,ud表示D2D 用戶的分類解碼器;sc和sd分別表示蜂窩用戶和D2D 用戶的解碼器預(yù)測結(jié)果,在模型訓(xùn)練和計算信噪比時需要處理成和輸入數(shù)據(jù)類型相同類型的向量,方便代入模型損失函數(shù)進行計算。表示的第i個元素,表示的第j個元素。

第i個SCMA 蜂窩用戶解碼過程如式(10)所示,第j個D2D 用戶解碼過程用式(11)表示。

其中,i=1,2,…,Jc;j=1,2,…,(·) 的輸入為共享層s(·) 的輸出為第i個蜂窩用戶解碼器的網(wǎng)絡(luò)參數(shù),包括為第j個D2D 用戶解碼器的網(wǎng)絡(luò)參數(shù),包括。在分類解碼器的輸出層采用了softmax 函數(shù)作為激活函數(shù)。softmax 函數(shù)將輸出的結(jié)果轉(zhuǎn)化為總和為1 的概率值,將解碼器輸出的實值向量轉(zhuǎn)換為歸一化的概率分布。softmax 函數(shù)輸入越大,概率越大,因此softmax 函數(shù)用于本文的多用戶分類解碼器非常合適。softmax 函數(shù)的表示如式(12)所示。

其中,zi表示神經(jīng)網(wǎng)絡(luò)輸出的一個結(jié)果,∑kezk表示神經(jīng)網(wǎng)絡(luò)所有輸出結(jié)果的總和,Si表示神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的概率。

2.3 模型訓(xùn)練

為了使系統(tǒng)能盡可能地重構(gòu)原始的用戶信息,本文采用了端到端的訓(xùn)練方式,在不同的訓(xùn)練信噪比下訓(xùn)練網(wǎng)絡(luò),不斷更新神經(jīng)網(wǎng)絡(luò)單元中的參數(shù),發(fā)掘有用的信息,在有限的迭代次數(shù)內(nèi)最小化模型損失函數(shù)的值。

為了使模型訓(xùn)練達到最好,使用交叉熵損失函數(shù)作為模型優(yōu)化的目標函數(shù)。交叉熵損失函數(shù)用來衡量模型學(xué)習到的分布和真實分布的差異。交叉熵越大說明2 種概率分布的差異越大。模型優(yōu)化的目標是最小化目標函數(shù)的值讓模型達到最佳性能。經(jīng)過解碼器解碼出來的預(yù)測數(shù)據(jù)會首先經(jīng)過softmax處理成0～1 之間的概率數(shù)據(jù),然后送到log()中進行運算。

蜂窩用戶對應(yīng)的交叉熵損失函數(shù)Lc如式(13)所示。

D2D 用戶對應(yīng)的交叉熵損失函數(shù)Ld如式(14)所示。

3 實驗結(jié)果與討論

本節(jié)首先對本文提出的CNN-SCMA-D2D 混合網(wǎng)絡(luò)自編碼器的最佳參數(shù)進行實驗分析與論述,其次與傳統(tǒng)的混合網(wǎng)絡(luò)解碼算法的實驗性能進行對比分析。為公平起見,本文所有的實驗均在相同的實驗設(shè)備上進行。所做實驗的場景是單小區(qū)單天線下的上行鏈路SCMA-D2D 混合網(wǎng)絡(luò)系統(tǒng)。本節(jié)采用的模擬器實驗使用了深度學(xué)習庫,如TensorFlow 和KERAS。仿真實驗基于Python 3.7.6。訓(xùn)練信噪比定為10 dB,先將用戶原始數(shù)據(jù)按照2 比特一組進行分組,然后轉(zhuǎn)變成4 比特一組的單熱向量。每個CNN 單元的隱藏層設(shè)為3,步長為1,寬度為1。訓(xùn)練數(shù)據(jù)集由20 萬個隨機數(shù)據(jù)點組成,批處理大小為400。用自適應(yīng)矩估計(adaptive moment estimation,ADAM)尋找式(13)、(14)中的最佳值,學(xué)習率設(shè)置為0.000 1。隱藏層的節(jié)點設(shè)置為32、64、32。在加性高斯白噪聲(additive white Gaussion noise,AWGN)信道下的混合網(wǎng)絡(luò)上行信道中進行了仿真實驗。

3.1 不同D2D 用戶數(shù)目對系統(tǒng)BER 性能的影響

由于本文所對比的文獻[12]中并沒有對D2D的最佳數(shù)目進行探究說明,故本節(jié)對D2D 用戶數(shù)目對不同用戶分類解碼器的誤比特率性能影響進行實驗,SCMA 蜂窩用戶的數(shù)目設(shè)置為6,頻譜資源的數(shù)目設(shè)置為4,分別將D2D 用戶的數(shù)目設(shè)置成1、2、3、4 并進行相關(guān)的對比實驗。實驗結(jié)果如圖6、圖7 所示。

圖6 D2D 用戶數(shù)目對SCMA 分類解碼器的BER 性能影響

圖7 D2D 用戶數(shù)目對D2D 分類解碼器的BER 性能影響

從圖6 所示的實驗結(jié)果可以看出,對于SCMA蜂窩用戶來說,D2D 的數(shù)目越多干擾越大,SCMA 用戶分類解碼器解碼性能越差。當D2D 用戶超過2個時,會導(dǎo)致SCMA 用戶分類解碼器失去解碼能力。從圖7 所示的實驗結(jié)果可以看出,D2D 的數(shù)目為1和4 的時候,D2D 用戶分類解碼器的解碼性能都很差,當D2D 用戶的數(shù)目為2 和3 時,D2D 用戶解碼器的解碼性能達到最佳。由于我們的系統(tǒng)是多用戶混合網(wǎng)絡(luò),在考慮網(wǎng)絡(luò)配置的時候綜合考慮到每種用戶的情況,將D2D 用戶數(shù)目設(shè)置為2,可以使每種用戶解碼器的BER 性能都達到良好的水平。

3.2 實驗結(jié)果

本實驗對比了本文所提出的CNN-SCMA-D2D解碼方案與傳統(tǒng)的使用MPA 解碼的SCMA 方案(SCMA system w/o D2D)以及使用列表球算法的SCMA-D2D 混合網(wǎng)絡(luò)[12]解碼方案的BER 性能。文獻[12]介紹了一種上行鏈路下的SCMA-D2D 混合網(wǎng)絡(luò)接收機設(shè)計方案,網(wǎng)絡(luò)因子圖與本文一致,對SCMA 用戶采用LSD-MPA 算法,對D2D 用戶對采用LSD-ML 算法。圖8 所示是本文的解碼器性能與上述系統(tǒng)的解碼器性能的對比圖。由圖8 可知,在AWGN 信道下,本文的CNN-SCMA-D2D for SCMA的誤碼率性能優(yōu)于LSD-MPA,CNN-SCMA-D2D for D2D 誤碼率性能優(yōu)于LSD-ML,并且LSD-ML 的性能明顯差于LSD-MPA。文獻[12]中的解碼算法不同用戶間解碼差異很大。由于共享層的引入,本文所提出的基于共享層的CNN-SCMA-D2D 多用戶分類解碼器能夠很好地降低用戶間干擾對系統(tǒng)解碼器的影響,降低不同用戶解碼器的解碼性能差異。由于用戶間干擾的存在,混合網(wǎng)絡(luò)的解碼性能會比單一網(wǎng)絡(luò)的解碼性能要差一些。相比于使用MPA 解碼算法進行解碼的單一用戶的SCMA 系統(tǒng),本文的SCMA 多用戶分類解碼器的BER 性能損失在可接受范圍內(nèi),且能夠有效地降低譯碼復(fù)雜度。在相同的信噪比(signal to noise ratio,SNR)下,比如SNR=10 dB,本文提出的CNN-SCMA-D2D多用戶分類解碼器中的SCMA 用戶分類解碼器相比于只有SCMA蜂窩用戶系統(tǒng)的MPA 解碼的BER 性能損失為0.5 dB,在可接受的范圍內(nèi)。

圖8 不同算法在AWGN 信道下的誤碼率性能比較

3.3 復(fù)雜度分析

由于神經(jīng)網(wǎng)絡(luò)能夠一次解碼出全部用戶信息,相比于傳統(tǒng)的迭代譯碼方法能夠顯著降低譯碼復(fù)雜度。本節(jié)分析了CNN-SCMA-D2D 算法的譯碼計算復(fù)雜度。設(shè)J為用戶數(shù),K為資源數(shù),Ls(Lu) 表示第n層共享層(用戶層)的隱藏層數(shù)目。Ns(Nu) 表示第n層共享層(用戶層)的隱藏層節(jié)點數(shù)目。由于SCMA 和D2D 用戶解碼端的隱藏層層數(shù)是一樣的,Lu兩者可以共用。本文以SCMA 用戶的解碼復(fù)雜度性能進行對比,CNN-SCMA-D2D 和LSD-MPA的乘加(multiply-accumulate,MAC)操作次數(shù)如表1和圖9 所示,每個用戶的平均解碼時間對比如圖10所示。

圖9 LSD-MPA 和CNN-SCMA-D2D 的MAC 數(shù)量對比

圖10 LSD 解碼與CNN-SCMA-D2D 解碼時間對比

4 結(jié)論

本文為解決SCMA-D2D 混合網(wǎng)絡(luò)的編碼設(shè)計以及不同用戶間干擾等問題,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的SCMA-D2D 混合網(wǎng)絡(luò)卷積自編碼器。建立端到端的自編碼器訓(xùn)練模型,將所有用戶的編碼單元、信道條件和解碼單元進行聯(lián)合訓(xùn)練,得出對系統(tǒng)適應(yīng)性最強、使BER 性能最好的碼本。在解碼端提出一種基于共享層的多用戶分類解碼器,將解碼問題轉(zhuǎn)化成多輸出分類問題,在共享層抽取所有用戶的有效信息,由此降低用戶間干擾,提升了解碼精度。此外神經(jīng)網(wǎng)絡(luò)一次性解碼相比于傳統(tǒng)的迭代譯碼算法能夠有效降低計算復(fù)雜度,在譯碼時間和譯碼復(fù)雜度上本文所提出的解碼器都優(yōu)于傳統(tǒng)的迭代譯碼算法。