一种下行场景中分层混合调制实现高阶SCMA系统的方法
技术领域
本发明属于无线通信技术领域,涉及一种下行场景中分层混合调制实现高阶SCMA系统的方法。
背景技术
随着第五代(Fifth Generation,5G)通信技术的发展,人与人、物与物、人与物都存在网络连接。物联网时代的到来将极大地改变我们的生活。但是目前的网络仅仅连接了100亿到150亿左右的终端数,这还不到整个世界物体的1%。而5G通信技术中最大的技术突破之一便是在无线频谱资源受限的网络中接入大量的终端。下一代移动通信的目标是连接10-100倍的终端数,延迟控制在1毫秒以内以及10Gbits/s的峰值数据速率。为了支持有限频谱资源中更多设备的通信,非正交多址接入(Non-orthogonal Multiple Access,NOMA)技术由于其可适应快速增长的业务需求和巨大访问权限的特点正吸引着学术界和工业界的注意。其中稀疏码分多址接入(Sparse Code Multiple Access,SCMA)技术作为一项码域的NOMA技术,在所有NOMA技术中拥有最好的链路级性能。但是,现有SCMA技术仅能实现较低阶的过载系数,其码本设计并没有统一的规则,已公开的可用码本过载系数较低。当连接数远大于有限频谱资源数时,现有的SCMA码本设计方法会带来指数级增长的解码复杂度,且链路级性能在高阶SCMA系统中也会急剧下降。
发明内容
本发明目的在于解决高阶SCMA系统中指数级增长的解码复杂度以及难以控制的链路级性能等技术难题,为克服现有方案的不足提供一种下行场景中分层混和调制实现高阶SCMA系统的方法,通过将高阶SCMA系统分解成多个低阶子系统分别实现,并设计对应解码算法还原用户原始信息,从而降低整个系统的解码复杂度,并合理控制系统链路级性能。
本发明提出了一种下行场景中的分层SCMA系统,分为发射机与接收机两部分。在发射机部分,整个编码结构包括一个原始的独立低阶SCMA子系统和P-1个低阶模式矩阵。如果把整个分层SCMA系统每个用户的码本看做一个矩阵,则其等于独立的低阶SCMA子系统(K1,N1,M1)中对应该用户的码本依次左乘各模式矩阵Gi,i=2,3,...,P。其中,(K1,N1,M1)表示一个独立的低阶SCMA子系统中K1个子载波,每个用户占用其中N1个子载波,每个数据符号包含log2M1比特,P为所有子系统数量。
本发明进一步提出了一种下行场景中分层混合调制实现高阶SCMA系统的方法,包括系统发射机和接收机的设计;其中系统发射机的设计包括独立的低阶SCMA子系统码本设计以及后续各模式矩阵的设计,包括以下步骤1~步骤3。在接收机部分,我们仍以消息传递算法(Message Passing Algorithm,MPA)为基础,根据整个分层SCMA系统的编码结构将所有用户进行分组,并结合连续的干扰消除算法将用户分组解码,包括以下步骤4~步骤7。
步骤1:根据给定的高阶SCMA系统总过载系数选取合理的各低阶子系统过载系数,其中系统总过载系数等于各低阶子系统过载系数之积,各低阶子系统是所述独立的低阶SCMA子系统及各个模式矩阵的统称;
步骤2:设计独立的低阶SCMA子系统(K1,N1,M1)的码本(非线性调制);该子系统包含K1个子载波,每个用户占用其中N1个子载波,每个数据符号包含log2M1比特;
步骤3:设计各个模式矩阵Gi,i=2,3,...,P(线性调制);Gi维度为Ki×Ji;
步骤4:根据低阶SCMA子系统(K1,N1,M1)的因子图将用户进行分组,这本质上是一种因子图分解;
步骤5:通过部分MPA迭代解出第一优先级分组中的用户码字;
步骤6:将第一优先级分组中用户的码字从接收信号里减除,进一步MPA迭代求解次优先级分组中用户的码字;
步骤7:以此类推,逐渐分离求解出所有用户的码字。
进一步地,步骤1所述的具体内容如下:
给定高阶SCMA系统过载系数λHI,则
其中λ1和λi分别为低阶SCMA子系统(K1,N1,M1)和模式矩阵Gi的过载系数,λ1和λi应结合P合理选取,保证每个子系统过载系数不过高以保留低阶特点。
相邻子系统之间传递的信号可看做复矢量z(i),i=1,2,...,P,且满足z(i+1)=Giz(i);此外,每个模式矩阵Gi还应满足如下关系:
(1)Gi的因子图与常规SCMA子系统(Ki,Ni,Mi)具有相同的非零元素位置;
(2)
(3)Gi+1Gi≠0。
进一步地,步骤2所述的具体内容如下:
考虑到我们所提分层编码方案面向的是下行场景,即对于每个资源块来说,与其相互关联的用户节点(User Node,UN)信道系数是相同的,因此最小欧式距离则成为了低阶SCMA子系统(K1,N1,M1)码本设计的关键性能指标。给定最小欧式距离以及最小单位符号能量,可以从任意复星座点集建立SCMA码字。为了简化低阶SCMA子系统(K1,N1,M1)码本设计,我们仍采用目前大多数文献所采用的通过母星座和各用户星座处理器建立码本的方法。
进一步地,步骤3所述的具体内容如下:
模式矩阵Gi本质上是一种线性调制器,而低阶SCMA子系统(K1,N1,M1)是一种非线性调制器,二者相互结合使得整个分层编码系统构成了混合调制。模式矩阵的具体设计规则如下:
(1)Gi根据其过载系数λi应保持其因子图的稀疏性和整个系统的可解性。
(2)Gi因子图确定后,选取合理的相位旋转和功率分配系数。若仅考虑相位旋转系数,Gi可设计为拉格朗日生成矩阵。Ki=4,Ji=6时,Gi的示例如下:
其中,
若同时考虑相位旋转和能量分配,Gi的设计可参照模式分配多址接入(PatternDivision Multiple Access,PDMA)的模式矩阵设计方法。在这种情况下,Gi的因子图往往是非规则的。Ki=4,Ji=6时,Gi的示例如下:
(3)在整个分层SCMA系统中,每个用户实质上有一个对应的等价复星座,该星座与所有子系统相关联,Gi的选择应尽可能扩大每个用户的差异性等级,模式矩阵参数设计也应兼顾每个Gi与独立的低阶子系统SCMA(K1,N1,M1)的匹配程度。
进一步地,所述的接收机表示如下:
其中,h0表示下行场景中各个用户与各个资源节点RN之间的信道系数矩阵,xj表示用户j在子系统SCMA(K1,N1,M1)中所对应的码字。特别地,P=2时,整个分层SCMA系统可看作SCMA(K1,N1,M1)与G2级联而成,因子图维度为K×J,即K个RN和J个用户节点UN,其中SCMA(K1,N1,M1)的因子图维度为V×J,模式矩阵G2的维度为K×V,V表示中继连接节点CN的数量。
步骤4所述的对用户进行分组,具体内容(这里以P=2为例,P≥3可依次类推)如下:
(1){UN1}-因子图中所占用的中继连接节点(Connection Node,CN)仅限于前K个CN中的N1个的所有UN集合,其中K=K2,V=J2=K1,其中,K表示整个系统实际可用子载波数,V表示中继连接节点数,K2和J2分别为G2的行数和列数;(2){UN2}-因子图中所占用的CN同时涉及前K个CN以及后V-K个CN且共计N1个CN的所有UN集合;
(3){UN3}-因子图中所占用的CN仅限于后V-K个CN中的N1个的所有UN集合。
进一步地,步骤5所述的通过部分MPA迭代解出第一优先级分组中的用户码字,本质上是一种因子图分解,集合{UN1}中的所有UN和其涉及的所有边可看做整个分层SCMA系统因子图的一个低阶子图。对于集合{UN2}∪{UN3}中的所有UN,其所涉及的所有边传递的消息可看做干扰信号,结合高斯估计相关统计学理论,在每次解码MPA迭代流程中,仅更新其期望和方差即可。具体过程如下:
输入信息:
接收信号y,信道知识h0,模式矩阵G2,映射矩阵V,d,最大迭代次数Tmax,阈值β;
输出信息:各用户传输每种码字的对数似然比I(xj),j=1,2,...,J;
步骤5.1:对于所有的1≤j≤J和1≤v≤V(f1,vj≠0),设置初始迭代次数t=0,对数似然比
步骤5.2:对于所有的v≤K和j∈{UN1}(f1,vj≠0),
while
计算
end while
步骤5.3:计算对数似然比I(xj);
集合{UN1}中的用户其码字可先一步解出,其他用户信息可看做干扰信号。
进一步地,步骤6中当集合{UN1}中的UN其相关消息趋于收敛时,可优先固定其解码信息。随后可将MPA与SIC相结合,从接收信号中减除集合{UN1}中的所有UN相关信号。同时,整个分层SCMA系统因子图中集合{UN1}中的所有UN和其涉及的所有边可以减除形成一个简化的因子图,已解出的集合{UN1}中的UN消息可做为该因子图的先验知识。具体过程如下:
对集合{UN1}中的用户运行循环冗余检测(Cyclic Redundancy Check,CRC),并在整个因子图中逐渐减除集合{UN1}中高置信度的用户。
进一步地,步骤7中集合{UN2}和{UN3}中的UN消息仍可借助因子图分解的思想,当某些UN的相关消息在迭代过程中趋于收敛时,优先解出并从接收信号和当前因子图中减除,由此逐渐解出所有UN的信号;步骤7所述的具体内容如下:
设置迭代次数t=0,对于所有的v≤K和j∈{UN2}∪{UN3}(F1,vj≠0)
while t<Tmax do
计算
t=t+1;
end while
计算I(xj)。
本发明的一种下行场景中分层混合调制实现高阶SCMA系统的方法,其优点在于:本发明设计了分层SCMA系统,保持了原始SCMA系统相对于其他多址接入技术的优势,包括更高频谱效率、过载能力等。另一方面,分层SCMA系统中各个低阶子系统均维护着较为稀疏的码本,因此分组多用户检测可以大幅降低接收机计算复杂度,并使得整个系统的链路级性能控制在合理范围内。
附图说明
图1为有信道编码的高阶SCMA系统模型图,特别地,在下行场景中hj=h0,j∈{1,2,...,J}。
图2为本发明所提出的一种下行场景中分层混合调制实现高阶SCMA系统的系统架构。
图3为本发明系统架构相邻子系统之间的因子图,其中Fi和Fi-1分别为第i和i-1个子系统的因子图,i∈{2,3,...,P}。
具体实施方式
下面结合具体的系统框架图对本发明专利中发射机与接收机的设计进行详细的说明。
为了使图1中有信道编码的高阶SCMA系统更容易在真实物理环境中实现,本发明提出了一种下行场景中分层混合调制实现高阶SCMA系统的系统架构,如图2,该系统架构具体包括发射机与接收机设计两大部分。
在发射机部分,整个分层SCMA系统由一个原始的独立的低阶SCMA子系统和P-1个低阶模式矩阵级联构成。如果把整个分层SCMA系统每个用户的码本看做一个矩阵,则其等于独立的低阶SCMA子系统(K1,N1,M1)中对应该用户的码本依次左乘各模式矩阵Gi,i=2,3,...,P。因此,整个分层SCMA系统发射机设计可划分为独立的低阶SCMA子系统码本设计以及后续模式矩阵的设计,包括步骤1~步骤3。在接收机部分,我们仍以置信度传播算法为基础,根据整个分层SCMA系统的编码结构将所有用户进行分组,并结合连续的干扰消除算法将用户分组解码,包括步骤4~步骤7。
步骤1:根据给定的高阶SCMA系统总过载系数选取合理的各低阶子系统过载系数,其中系统总过载系数等于各低阶子系统过载系数之积。
步骤2:设计独立的低阶SCMA子系统(K1,N1,M1)的码本。
在下行场景中,所有用户的码本设计可通过母星座设计和各星座处理器设计来实现。母星座设计可参考如下准则:
(1)所有信号覆盖范围包括整个复平面,且相邻信号最小欧氏距离最大化。
(2)相邻星座点集汉明距离最小化,星座点对应的二进制比特信息可遵循格雷码映射规则。
(3)信号发生改变时,应保持信号幅度固定并尽量避免零交叉。因此,可以减少对发射机的线性要求。
(4)尽可能减小各个信号在幅度和相位上的变化间隔。即使少数信号发生失真或丢失,原始比特流的重建仍可以通过接收机端的信号幅度交织来完成。
步骤3:设计各个模式矩阵Gi,i=2,3,...,P。
模式矩阵Gi本质上是一种线性调制器,而低阶SCMA子系统(K1,N1,M1)是一种非线性调制器,二者相互结合使得整个分层编码系统构成了混合调制。模式矩阵的具体设计规则如下:
(1)Gi根据其过载系数λi应保持其因子图的稀疏性和整个系统的可解性。
(2)Gi因子图确定后,选取合理的相位旋转和功率分配系数。若仅考虑相位旋转系数,Gi可设计为拉格朗日生成矩阵。
若同时考虑相位旋转和能量分配,Gi的设计可参照PDMA的模式矩阵设计方法。在这种情况下,Gi的因子图往往是非规则的。
整个分层SCMA系统接收机的设计也可分为两大部分。
其一,是矩阵的逆映射模块的设计。以P=2为例,接收信号可表示为
其中,
G2是一个维度K2×J2的矩阵,hj为用户j在各子载波上的信道系数,n为高斯噪声向量。
为简化分析,我们首先考虑理想信道,即diag(hj)=diag(h),j=1,2,...,J。
则接收信号可表示为
其中H2=diag(h)G2。
由于H2列不满秩,我们可将其变换为
令
则接收信号可表示为
合理设置G2使得
整个系统接收机的ML检测器可描述为
其二,基于上述ML检测器的解码算法。可以从传统的置信度传播(BeliefPropagation,BP)理论出发,用MPA算法迭代求解。但传统MPA算法大多基于现有的非正交多址接入系统,而没有充分利用本研究内容所提分层SCMA系统的编码结构。因此,针对分层的SCMA系统,我们提出一种低复杂度分组多用户检测算法包括步骤4~步骤7。
步骤4:根据低阶SCMA子系统(K1,N1,M1)的因子图将用户进行分组,这本质上是一种因子图分解。分组规则(这里以P=2为例,P≥3可依次类推)如下:
(1){UN1}-因子图中所占用的CN仅限于前K个CN中的N1个的所有UN集合;
(2){UN2}-因子图中所占用的CN同时涉及前K个CN以及后V-K个CN且共计N1个CN的所有UN集合;
(3){UN3}-因子图中所占用的CN仅限于后V-K个CN中的N1个的所有UN集合。
本实施示例中相邻子系统之间的因子图如图3所示,这里,步骤4中的用户分组示例中,对应Fi和Fi-1的i=2。
步骤5:通过部分MPA迭代解出第一优先级分组中的用户码字,具体如下:
输入信息:
接收信号y,信道知识h0,模式矩阵G2,映射矩阵V,d,最大迭代次数Tmax,阈值β;
输出信息:各用户传输每种码字的对数似然比I(xj),j=1,2,...,J。
步骤5.1:对于所有的1≤j≤J和1≤v≤V(f1,vj≠0),设置初始迭代次数t=0,对数似然比
步骤5.2:对于所有的v≤K和j∈{UN1}(f1,vj≠0),
while
计算
其中,NC(j)表示与UN j想关联的所有CN索引集合,NU(v)表示与CN v相关联的所有UN索引集合。max*(m,n)=log(em+en),
同时t=t+1;
end while
步骤5.3:计算I(xj):
其中p(xj)表示从信道解码器获取的xj先验概率。
对集合{UN1}中的所有用户做Log-MPA迭代,其他UNs传递的消息当作高斯噪声。
关于高斯估计:对于每一个CN,与{UN1}相关的信息保持不变,其他UN信息求解其均值u和方差σ02.我们认为该信息与随机噪声n互相独立,且二者整体可看成一个高斯噪声,服从正态分布
即不需要计算所有用户对数似然比,从而降低解码复杂度。其中,{UN1}j表示集合{UN1}中去除UN j以外的UN集合,xjv表示xj的第v个元素。
集合{UN1}中的用户相关码字可先一步解出,其他用户信息可看做干扰信号。
步骤6:将第一优先级分组用户的码字从接收信号中减除,进一步MPA迭代求解次优先级分组用户的码字,具体如下:
达到最大迭代次数或集合{UN1}的所有用户相关对数似然比超过指定阈值β时,终止迭代,根据此时{UN1}中所有用户的对数似然比解出对应的用户信息,并将集合{UN1}中高置信度的用户从整个因子图剔除。
步骤7:以此类推,逐渐分离求解出所有用户的码字,具体如下:
对剩余{UN2}以及{UN3}中用户做Log-MPA迭代,依次解出其对应信息即可。