基于自适应匹配追踪的大规模多址接入方法

1.本发明属于无线通信技术领域，具体是涉及基于自适应匹配追踪的大规模多址接入方法。


背景技术：

2.随着移动互联网和物联网的迅速发展，各种智能终端设备和应用变得日益丰富，大规模终端多址接入成为新的挑战。大规模机器类型通信(massive machine type communication，mmtc)是第五代移动通信无线网络的典型使用场景，其具备数据量小、连接性大、传输不定时等特点。传统的正交多址接入支持的最大设备数量受正交资源数量的限制，这种正交约束使得mmtc的频谱效率非常低并导致较大的延迟，难以支持未来大规模终端的接入。为了解决接入挑战，免授权非正交多址(non-orthogonal multiple access，noma)技术应运而生，它通过在基站侧对用户活动和传输数据进行联合检测，实现大规模终端的上行随机多址接入，有效减少了控制信令开销和传输延迟。
3.作为mmtc的一个典型场景，海量mtd的零星突发传输具备稀疏通信特性。利用上行接收信号的稀疏特性，一种新的noma方案——基于压缩感知的多用户检测(compressive sensing multi-user detection，cs-mud)成为近年流行的免授权多址接入方法。基于压缩感知信号处理框架，基站能够从多用户的上行随机传输信号中检测活动用户并重构用户的发送信号，由此支持大规模用户的多址接入。现有的基于cs-mud的随机多址方案大多基于稀疏度已知的假设，而实际系统中活动用户数目通常未知，因此这些cs-mud算法缺少实用价值。针对活动用户数目未知(即稀疏度未知)场景开发稀疏度自适应的cs-mud算法极为必要。
4.目前，已有少量自适应cs-mud算法被提出，但这些算法存在活跃用户稀疏度估计不准确、多用户上行信号重构时间长等缺陷。例如，王茜竹等人在《基于改进稀疏度自适应匹配算法的免授权非正交多址接入上行传输多用户检测》(电子与信息学报，2020年9月，第42卷第9期)中应用cs-mud算法解决多用户信号联合检测问题，它采用广义dice系数匹配准则对支撑集进行更新，并采用自适应步长算法来解决活跃用户的过估计、欠估计、重构等问题，但是其搜索步长只有两种定值，固定步长限制了活动用户稀疏度检测性能进而影响了信号重构性能，对于稀疏度动态变化的场景适用性受限。因此，如何提升稀疏度估计性能和活动用户信号重构质量并降低信号处理时延，是mmtc随机多址接入技术领域的难题。


技术实现要素：

5.为解决上述技术问题，本发明提供了一种基于自适应匹配追踪的大规模多址接入方法，适用于大量机器类型终端(用户)稀疏突发上行传输场景。该方法利用块稀疏模型cs技术加强对活动用户的估计；另外，引入相关自适应策略，有效提高了活跃用户上行信号的检测重构性能，同时提升了算法的运行速度和运行效率。
6.本发明所述的基于自适应匹配追踪的大规模多址接入方法，包括如下步骤：
7.步骤1、单蜂窝小区上行传输场景中，大规模用户终端中的部分活跃用户发送扩频信号至基站，执行上行接入传输；
8.步骤2、基站接收多用户的上行信号并将其建模为块稀疏向量，利用该向量重构新的上行接收信号方程；
9.步骤3、基站采用基于块稀疏模型的自适应匹配追踪算法执行活跃用户检测并重构用户发送数据。
10.进一步的，步骤1中，基站位于蜂窝小区中心，大规模用户终端随机分布于小区内；用户数量为k，基站和用户均配备单根天线；
11.在任意时间，只有小部分用户处于活动状态，大部分用户处于非活动状态；每个用户分配一个长度为n的扩展序列，活动用户的数据经过调制后通过该扩展序列进行扩频形成上行发送信号；每个用户采用时间帧结构传输上行数据，每帧包含j个时隙，用户的活动状态在一帧中保持不变；考虑非活动用户的上行数据帧等效为全零帧，则多用户的上行传输信号具备帧稀疏特性。
12.进一步的，步骤2中，对接收信号的块稀疏向量建模，具体步骤为：
13.步骤2-1、将基站接收的上行信号建模为行稀疏矩阵；
14.令活动用户采用时间帧结构传输数据，每帧承载j个数据符号，每个符号对应一个传输时隙；基站接收的第j个时隙的上行信号y
(j)
表示为：
[0015][0016]
其中，s＝[s1,s2,...,sk]∈cn×k表示扩展序列矩阵；sk∈cn×1表示用户k的扩展序列；h＝[h1,h2,...,hk]
t
∈ck×1表示信道系数向量；hk是用户k至基站的信道衰减系数，它服从均值为0方差为1的复高斯分布，即h～cn(0,1)；表示k个用户在时隙j的发送数据向量；表示时隙j中用户k的数据符号，活动用户的数据符号从复星座集x获取，非活动用户发送的符号为零；nj表示在第j个时隙的信道加性噪声，它服从均值为0方差为的复高斯分布，即
[0017]
上行接收信号y＝[y
(1)
,y
(2)
,...,y
(j)
]∈cn×j表示为
[0018]
y＝ax+n
ꢀꢀ
(2)
[0019]
其中，a＝s
·
diag(h)表示观测矩阵，a∈cn×k；x＝[x
(1)
,x
(2)
,...,x
(j)
]∈ck×j表示用户的发送数据矩阵；n＝[n
(1)
,n
(2)
,...n
(j)
]∈cn×j表示信道的加性噪声矩阵；
[0020]
由于非活跃用户的信号帧等效为全零帧，而活跃用户数目远小于用户总数，数据符号矩阵x具有行稀疏特性。
[0021]
步骤2-2、将基站的接收信号矩阵转换为块稀疏向量；
[0022]
由于每帧时间内用户活动状态保持不变，每一帧中活动用户索引集合γ表示为：
[0023]
γ＝supp(x
(1)
)＝supp(x
(2)
)＝
…
＝supp(x
(j)
)＝
…
＝supp(x
(j)
)
ꢀꢀꢀ
(3)
[0024]
其中，supp(x
(j)
)表示时隙j中活跃用户索引集合，亦称为时隙j的支持集，j＝1,2,...,j；γ的0范数为||γ||0，表示一帧中的活动用户数目，即稀疏度s；
[0025]
基于块稀疏模型，对用户的发送数据矩阵x进行堆栈操作，即将矩阵x的每行数据转置并顺序向下排列生成块稀疏信号向量c∈c
kj
×1，向量c和矩阵x的关系表示为：
[0026][0027]
其中，x(k,j)表示矩阵x的第k行第j列元素；向量c包含k个块向量，每个块向量中有j个元素，其第k个块中的j个元素全为零或非零；向量c表示为：
[0028][0029]
其中，vec(
·
)表示矩阵列向量化函数，即堆栈函数；
[0030]
同理，对上行接收信号矩阵y和加性噪声矩阵n分别进行堆栈化操作，得到nj
×
1维向量p和v；向量p、v分别表示为：
[0031]
p＝vec(y
t
)
ꢀꢀ
(6)
[0032]
v＝vec(n
t
)
ꢀꢀ
(7)
[0033]
其中，vec(
·
)表示矩阵列向量化函数；p为上行接收信号矩阵y的堆栈向量；v为噪声矩阵n堆栈化操作后的向量。
[0034]
进一步的，步骤2中，所述新的上行接收信号方程建立步骤如下：
[0035]
利用原观测矩阵a构造新的观测矩阵d，即用矩阵a的元素a(i,j)与j
×
j对角阵ij的乘积a(i,j)ij替换矩阵a的元素a(i,j)，生成新的观测矩阵d∈c
nj
×
kj
；新观测矩阵d表示为：
[0036][0037]
于是，式(2)所述的上行接收信号方程改写为新的上行接收信号方程：
[0038]
p＝dc+v
ꢀꢀ
(9)
[0039]
进一步的，步骤3中，假设信道先验已知，将堆栈后的上行接收信号向量p∈c
nj
×1和新观测矩阵d∈c
nj
×
kj
作为输入参数，基站重构的用户数据作为输出；令活跃用户搜索步长初值为活跃用户稀疏度为s；第q次迭代活跃用户搜索步长为活跃用户初选集与候选集分别为bq和cq，活跃用户初选集bq的大小为l；第q次迭代活跃用户索引集即支持集为γq；第q次迭代的残差信号即向量p与第q次迭代重构信号的差向量为r
(q)
；
[0040]
基于上述变量定义，基于块稀疏模型的自适应匹配追踪算法执行活跃用户检测并从接收信号向量p中恢复数据信号x的具体步骤如下：
[0041]
步骤3-1：初始化算法参数；
[0042]
迭代次数初值q＝0；支撑集初值活跃用户搜索步长初值稀疏度初值s＝0，活跃用户初选集大小l＝0；残差信号初值r0＝p；
[0043]
步骤3-2：计算活跃用户搜索步长初值
[0044]
计算堆栈后的信号向量c的ls估计值为：
[0045][0046]
其中，d
t
表示新观测矩阵d的转置；p为基站接收信号矩阵y的堆栈向量。
[0047]
根据式(11)计算活跃用户搜索步长初值
[0048][0049]
其中，card(
·
)为计算集合元素个数的函数；m表示向量的最大块模值，的最大块模值，表示向量的第i个元素，|
·
|表示计算元素模值；θ表示步长松弛因子，θ∈(0,1)，当向量中的大元素数据块占据了较大比重时，步长初值变大；反之，步长初值将变小；
[0050]
令q＝1，当前迭代活跃用户稀疏度为当前迭代活跃用户搜索步长为当前迭代活跃用户初选集大小为
[0051]
步骤3-3：计算当前迭代的活跃用户初选集bq和候选集cq，估计重构信号
[0052]
将观测矩阵d的转置矩阵d
t
与第(q-1)次迭代的残差信号r
(q-1)
相乘，将乘积后向量的元素每j个一组分块，找出其中数据模值和最大的前l个数据块对应的用户索引，即可获得当前迭代的活跃用户初选集bq，如式(12)所示：
[0053][0054]
其中，函数arglmax()表示取出某向量或集合中l个最大元素的索引；d
t
表示观测矩阵d的转置；r
(q-1)
表示第(q-1)次迭代的残差信号；向量d
tr(q-1)
的第i个元素对应第个用户，符号表示取下整数；
[0055]
采用回溯思想，将当前迭代的初选集bq与上次迭代的支持集γ
q-1
合并，得到当前迭代的活跃用户候选集cq：
[0056]cq
＝bq∪γ
q-1
ꢀꢀ
(13)
[0057]
基于ls准则重构当前迭代检测出的活跃用户的数据向量
[0058][0059]
其中，表示活跃用户的观测矩阵的伪逆矩阵；
[0060]
步骤3-4：筛选活跃用户索引，获得当前迭代的支持集γq；
[0061]
根据上次迭代的残差信号r
q-1
计算当前迭代的自适应能量阈值σq：
[0062][0063]
其中，ε表示给定的噪声阈值；η表示能量松弛因子，η∈(0,1)；
[0064]
为了减少过估计情况的发生，根据能量阈值σq对重构信号进行筛选，即选出重构信号中能量超过阈值σq的数据块对应的用户索引，更新支持集γq为：
[0065][0066]
其中，表示重构信号的第(k-1)j至kj个元素对应的向量，该向量对应用户k的数据块；||
·
||2表示向量的2范数，即计算向量的能量；
[0067]
为了防止欠估计情况的发生，进一步计算当前支持集的大小||γq||0以检验当前迭代检出的活跃用户数目；若||γq||0＜l，执行步骤3-5，否则执行步骤3-6；
[0068]
步骤3-5：更新当前迭代的支持集γq；
[0069]
从步骤3-3得到的重构信号向量中选出能量最大的l个数据块对应的用户索引，根据式(17)更新当前迭代的支持集γq，执行步骤3-6。
[0070][0071]
其中，表示重构信号的第(k-1)j至kj个元素对应的向量，
[0072]
步骤3-6：更新重构信号计算第q次迭代的残差信号r
(q)
和下次迭代的步长
[0073]
利用步骤3-5更新的支持集γq删除重构信号中的干扰信息，即令不属于支持集γq的用户重构信号为零，如式(18)所示：
[0074][0075]
其中，表示重构信号的第(k-1)j至kj个元素对应的向量；{1,2,
…
,k}\γq表示不属于支持集γq的用户索引集合；
[0076]
根据式(18)更新重构信号根据式(19)计算当前迭代的残差信号rq：
[0077][0078]
根据式(20)计算下次迭代的步长
[0079][0080]
步骤3-7：判断是否满足算法停止条件；
[0081]
比较残差信号能量||rq||2与给定的噪声阈值ε以判断当前迭代是否停止：
[0082]
1)若||rq||2≤ε，执行步骤3-10；
[0083]
2)若||rq||2＞ε，当前迭代算法尚未收敛，执行步骤3-8；
[0084]
步骤3-8：判断是否需要改变初选集大小和稀疏度值；
[0085]
比较当前迭代的残差信号能量||rq||2与前次迭代的残差信号能量||r
q-1
||2，以判断是否需要调整活跃用户初选集大小和稀疏度值：
[0086]
1)若||rq||2≥||r
q-1
||2，即当前迭代的残差信号能量大于前次迭代的残差信号能量，这表明当前迭代出现了过估计，根据式(21)调整活跃用户初选集大小l和稀疏度s：
[0087][0088]
迭代次数q＝q+1，返回步骤3-3，执行下次迭代检测；
[0089]
2)若||rq||2＜||r
q-1
||2，即当前迭代的残差信号能量小于前次迭代的残差信号能
量，当前迭代出现欠估计情况，执行步骤3-9；
[0090]
步骤3-9判断是否执行阶段转换；
[0091]
计算本次迭代的支持集γq与上次迭代的支持集γ
q-1
的差集γ
diff
，如式(22)所示：
[0092]
γ
diff
＝γq\γ
q-1
ꢀꢀꢀ
(22)
[0093][0094]
其中，γ表示迭代次数调节因子，γ∈(0,1)；
[0095]
判断差集γ
diff
的大小||γ
diff
||0是否满足式(23)：
[0096]
1)若满足，根据式(21)调整活跃用户初选集大小l和稀疏度s，迭代次数q＝q+1，返回步骤3-3，执行下次迭代检测；
[0097]
2)若不满足，迭代次数q＝q+1，返回步骤3-3，执行下次迭代检测。
[0098]
步骤3-10：输出重构的用户发送信号并结束算法；
[0099]
令输出信号向量对向量进行逆堆栈操作，即将向量的每j个元素排成一列形成矩阵并转置，如式(24)所示，得到原发送信号x的估计值
[0100][0101]
输出重构的发送信号活跃用户索引集合即支持集γ＝γq。
[0102]
本发明所述的有益效果为：本发明所述的方法将块稀疏模型与自适应匹配追踪算法相结合形成全新的基于块稀疏模型的自适应匹配追踪(block sparse model adaptive matching pursuit，bsmamp)算法，用以解决活动用户稀疏度未知情况下的mmtc终端上行免授权多址接入；发挥了块压缩感知(block compressed sensing，bcs)的优势，充分利用块稀疏信号模型提升基于压缩感知(cs)的多用户信号加强对活动用户的估计，检测重构性能，，在继承传统自适应匹配追踪(samp)算法的回溯思想和稀疏度自适应策略的同时，新加入动态步长策略、动态剪枝策略、动态迭代三种优化策略策略，利用动态步长策略自适应地调整活动用户候选集大小和稀疏度；利用动态剪枝策略自适应地优化支持集，迭代检测活动用户并重构活动用户信号；利用动态迭代策略自适应调整算法迭代次数以加速算法收敛，由此解决samp算法的过估计和欠估计问题，提高了稀疏度未知情况下的信号检测重构性能，同时提升了算法的运行速度和运行效率，解决了大规模mtd终端在零星突发数据传输场景下的免授权随机接入传输难题。
附图说明
[0103]
图1是本发明实施例中的系统模型图；
[0104]
图2是本发明实施例中矩阵堆栈为块稀疏向量示意图；
[0105]
图3是本发明实施例中的bsmamp算法信号检测重构过程图；
[0106]
图4是本发明实施例中的多址接入方案流程图；
[0107]
图5是本发明实施例中仿真结果。
具体实施方式
[0108]
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对
本发明作进一步详细的说明。
[0109]
设定图1所示系统场景：
[0110]
考虑单蜂窝mmtc系统场景，基站位于蜂窝小区中心，大规模mmtc用户终端随机分布于小区内。用户数量为k，基站和用户均配备单根天线。在任意时间，只有小部分用户处于活动状态，大部分用户处于非活动状态。每个用户分配一个长度为n的扩展序列，利用该扩展序列对用户的已调制数据进行扩频形成上行发送信号。每个用户均采用时间帧结构传输上行数据，每帧包含j个时隙，用户的活动状态在一帧中保持不变。非活动用户的上行数据帧等效为全零帧，多用户的上行传输信号矩阵具备帧稀疏特性。
[0111]
结合图1的系统模型、图2的块稀疏向量生成示意、图3的信号检测重构过程以及图4的bsmamp算法流程，本发明所述的基于自适应匹配追踪的大规模多址接入方法，包括以下步骤：
[0112]
步骤1、单蜂窝小区上行传输场景中，大规模用户终端中的部分活跃用户发送扩频信号至基站，执行上行接入传输；
[0113]
所述扩频信号具体指用户原始数据序列与用户的唯一扩展序列(即扩频码，亦称签名码)逐位相乘后生成的新序列。
[0114]
步骤2、基站接收多用户的上行信号并将其建模为块稀疏向量，利用该向量重构新的上行接收信号方程；
[0115]
所述接收信号的块稀疏向量建模过程具体如下：
[0116]
步骤2-1将基站接收的上行信号建模为行稀疏矩阵；
[0117]
令活动用户采用时间帧结构传输数据，每帧承载j个数据符号，每个符号对应一个传输时隙。基站接收的第j个时隙的上行信号y
(j)
可表示为：
[0118][0119]
其中，s＝[s1,s2,...,sk]∈cn×k表示扩展序列矩阵，sk∈cn×1表示用户k的扩展序列；h＝[h1,h2,...,hk]
t
∈ck×1表示信道系数向量，hk是用户k至基站的上行信道衰减系数，它服从均值为0方差为1的复高斯分布，即h～cn(0,1)。表示k个用户在时隙j的发送数据向量。表示时隙j中用户k的数据符号，活动用户的数据符号从复星座集x获取，非活动用户发送的符号为零。nj表示在第j个时隙的信道加性噪声，它服从均值为0方差为的复高斯分布，即
[0120]
基站接收的一帧信号y＝[y
(1)
,y
(2)
,
…
,y
(j)
]∈cn×j可以表示为
[0121]
y＝ax+n
ꢀꢀ
(2)
[0122]
其中，a＝s
·
diag(h)表示观测矩阵，a∈cn×k；x＝[x
(1)
,x
(2)
,...,x
(j)
]∈ck×j表示用户的发送数据矩阵；n＝[n
(1)
,n
(2)
,...n
(j)
]∈cn×j表示信道的加性噪声矩阵。
[0123]
由于非活跃用户的信号帧等效为全零帧，而活跃用户数目远小于用户总数，数据符号矩阵x具有行稀疏特性。
[0124]
步骤2-2将基站的接收信号矩阵转换为块稀疏向量；
[0125]
由于每帧时间内用户活动状态保持不变，每一帧中活动用户索引集合γ可以表示为：
[0126]
γ＝supp(x
(1)
)＝supp(x
(2)
)＝
…
＝supp(x
(j)
)＝
…
＝supp(x
(j)
)
ꢀꢀ
(3)
[0127]
其中，supp(x
(j)
)表示时隙j中活跃用户索引集合，亦称为时隙j的支持集，j＝1,2,...,j。γ的0范数为||γ||0，它表示一帧中的活动用户数目，即稀疏度s。
[0128]
基于块稀疏模型，对用户的发送数据矩阵x进行堆栈操作，即将矩阵x的每行数据转置并顺序向下排列生成块稀疏信号向量c∈c
kj
×1，如图2所示，向量c和矩阵x的关系表示为：
[0129][0130]
其中，x(k,j)表示矩阵x的第k行第j列元素，表示用户k在时隙j传输的数据。向量c包含k个块向量，每个块向量中有j个元素，其第k个块中的j个元素全为零或非零；向量c可以表示为：
[0131][0132]
其中，vec(
·
)表示矩阵列向量化函数，即堆栈函数。
[0133]
同理，对上行接收信号矩阵y和加性噪声矩阵n进行堆栈化操作，得到nj
×
1维向量p和v。向量p、v分别表示为：
[0134]
p＝vec(y
t
)
ꢀꢀ
(6)
[0135]
v＝vec(n
t
)
ꢀꢀ
(7)
[0136]
其中，vec()表示矩阵列向量化函数。
[0137]
步骤2所述新的上行接收信号方程建立方法具体如下：
[0138]
利用原观测矩阵a构造新的观测矩阵d，即用矩阵a的元素a(i,j)与j
×
j对角阵ij的乘积a(i,j)ij替换矩阵a的元素a(i,j)，生成新的观测矩阵d∈c
nj
×
kj
。新观测矩阵d表示为：
[0139][0140]
于是，式(2)所述的上行接收信号方程可以改写为新的上行接收信号方程：
[0141]
p＝dc+v
ꢀꢀ
(9)
[0142]
步骤3、基站采用基于块稀疏模型的自适应匹配追踪(bsmamp)算法执行活跃用户检测并重构用户发送数据。
[0143]
所述基于块稀疏模型的自适应匹配追踪(bsmamp)算法具体如下：
[0144]
假设信道先验已知，将堆栈后的上行接收信号向量p∈c
nj
×1和新观测矩阵d∈c
nj
×
kj
作为输入参数，基站重构的用户数据作为输出。
[0145]
令活跃用户搜索步长初值为活跃用户稀疏度为s；第q次迭代活跃用户搜索步
长为活跃用户初选集与候选集分别为bq和cq，活跃用户初选集bq的大小为l；第q次迭代活跃用户索引集即支持集为γq；第q次迭代的残差信号即向量p与第q次迭代重构信号的差向量为r
(q)
。基于上述变量定义，从接收信号向量p中恢复数据信号x的具体步骤阐述如下：
[0146]
步骤3-1：初始化算法参数；
[0147]
迭代次数初值q＝0；支撑集初值活跃用户搜索步长初值稀疏度初值s＝0，活跃用户初选集大小l＝0；残差信号初值r0＝p；执行步骤3-2。
[0148]
步骤3-2：计算活跃用户搜索步长初值
[0149]
计算堆栈后的信号向量c的ls估计值为：
[0150][0151]
其中，d
t
表示新观测矩阵d的转置；p为基站接收信号矩阵y的堆栈向量。
[0152]
根据式(11)计算活跃用户搜索步长初值
[0153][0154]
其中，card(
·
)为计算集合元素个数的函数；m表示向量的最大块模值，的最大块模值，表示向量的第i个元素，|
·
|表示计算元素模值；θ表示步长松弛因子，θ∈(0,1)，例如θ＝0.65；当向量中的大元素数据块占据了较大比重时，步长初值变大；反之，步长初值将变小。
[0155]
令q＝1，当前迭代活跃用户稀疏度为当前迭代活跃用户搜索步长为当前迭代活跃用户初选集大小为执行步骤3-3。
[0156]
步骤3-3：计算当前迭代的活跃用户初选集bq和候选集cq，估计重构信号
[0157]
根据式(12)计算当前迭代的活跃用户初选集bq为：
[0158][0159]
其中，函数arglmax()表示取出某向量或集合中l个最大元素的索引；d
t
表示观测矩阵d的转置；r
(q-1)
表示第(q-1)次迭代的残差信号。需要说明的是，向量d
tr(q-1)
的第i个元素对应第个用户，符号表示取下整数。
[0160]
采用回溯思想，将当前迭代的初选集bq与上次迭代的支持集γ
q-1
合并，得到当前迭代的活跃用户候选集cq：
[0161]cq
＝bq∪γ
q-1
ꢀꢀꢀ
(13)
[0162]
基于ls准则重构当前迭代检测出的活跃用户的数据向量
[0163][0164]
其中，表示活跃用户的观测矩阵的伪逆矩阵；
[0165]
执行步骤3-4。
[0166]
步骤3-4：筛选活跃用户索引，获得当前迭代的支持集γq；
[0167]
根据上次迭代的残差信号r
q-1
计算当前迭代的自适应能量阈值σq：
[0168][0169]
其中，ε表示噪声阈值；η表示能量松弛因子，η∈(0,1)。
[0170]
为了减少过估计情况的发生，根据能量阈值σq对重构信号进行筛选，即选出重构信号中能量超过阈值σq的数据块对应的用户索引，更新支持集γq为：
[0171][0172]
其中，表示重构信号的第(k-1)j至kj个元素对应的向量，该向量对应用户k的数据块；||
·
||2表示向量的2范数，即计算向量的能量。
[0173]
进一步计算当前支持集的大小||γq||0以检验当前迭代检出的活跃用户数目；若||γq||0＜l，执行步骤3-5，否则执行步骤3-6。
[0174]
步骤3-5：更新当前迭代的支持集γq；
[0175]
根据式(17)更新当前迭代的支持集γq，执行步骤3-6。
[0176][0177]
步骤3-6：更新重构信号计算第q次迭代的残差信号r
(q)
和下次迭代的步长初值
[0178]
删除重构信号中的干扰信息，即令不属于支持集γq的用户重构信号为零，如式(18)所示：
[0179][0180]
其中，表示重构信号的第(k-1)j至kj个元素对应的向量；{1,2,
…
,k}\γq表示不属于支持集γq的用户索引集合。
[0181]
根据式(18)更新重构信号根据式(19)计算当前迭代的残差信号rq：
[0182][0183]
根据式(20)计算下次迭代的步长
[0184][0185]
执行步骤3-7。
[0186]
步骤3-7：判断是否满足算法停止条件；
[0187]
比较残差信号能量||rq||2与给定的噪声阈值ε以判断当前迭代是否停止：
[0188]
1)若||rq||2≤ε，执行步骤3-10；
[0189]
2)若||rq||2＞ε，当前迭代算法尚未收敛，执行步骤3-8。
[0190]
步骤3-8：判断是否需要改变初选集的大小和稀疏度值；
[0191]
比较当前迭代与上次次迭代的残差信号能量，结果判断如下：
[0192]
1)若||rq||2≥||r
q-1
||2，即当前迭代的残差信号能量大于前次迭代的残差信号能量，这表明当前迭代可能出现了过估计，根据式(21)调整活跃用户初选集大小l和稀疏度s：
[0193][0194]
迭代次数q＝q+1，返回步骤3-3，执行下次迭代检测；
[0195]
2)若||rq||2＜||r
q-1
||2，即当前迭代的残差信号能量小于前次迭代的残差信号能量，当前迭代可能出现欠估计情况，执行步骤3-9。
[0196]
步骤3-9判断是否执行阶段转换；
[0197]
计算本次迭代的支持集γq与上次迭代的支持集γ
q-1
的差集γ
diff
，如式(22)所示：
[0198]
γ
diff
＝γq\γ
q-1
ꢀꢀꢀ
(22)
[0199][0200]
其中，γ表示迭代次数调节因子，γ∈(0,1)；
[0201]
判断式(23)是否成立：
[0202]
1)若成立，根据式(21)调整活跃用户初选集大小l和稀疏度s，迭代次数q＝q+1，返回步骤3-3，执行下次迭代检测；
[0203]
2)若不成立，迭代次数q＝q+1，返回步骤3-3，执行下次迭代检测。
[0204]
步骤3-10：输出重构的用户发送信号并结束算法；
[0205]
令输出信号向量对向量进行逆堆栈操作，即将向量的每j个元素排成一列形成矩阵并转置，如式(24)所示，得到原发送信号x的估计值
[0206][0207]
输出重构的发送信号活跃用户索引集合即支持集γ＝γq；算法结束。
[0208]
所述方法的仿真参数设置如下：
[0209]
终端用户数目k＝256，用户接入概率p
α
＝0.15，过载因子α＝0.45；用户的上行信号调制方式为qpsk，基站和终端均配置单天线；上行信道矩阵上行数据帧包含7个时隙，每个时隙传输一个数据符号，即每个用户的一帧数据包含7个数据符号。bsmamp算法中，步长松弛因子θ＝0.65，能量松弛因子η＝0.5，迭代次数调节因子γ＝0.65，噪声阈值ε＝0.1。
[0210]
基于上述假设，采用matlab软件进行仿真，并将本方案(bsmamp)与现有的其他四种cs-mud方案性能进行比较，结果如图5所示。可以看到，在不同的snr下，本发明所述bsmamp算法的误码率明显低于sp、samp和bcv-sp算法，其ber性能接近理想ls算法(图中oracle)。
[0211]
以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。

技术特征：
1.基于自适应匹配追踪的大规模多址接入方法，其特征在于，包括如下步骤：步骤1、单蜂窝小区上行传输场景中，大规模用户终端中的部分活跃用户发送扩频信号至基站，执行上行接入传输；步骤2、基站接收多用户的上行信号并将其建模为块稀疏向量，利用该向量重构新的上行接收信号方程；步骤3、基站采用基于块稀疏模型的自适应匹配追踪算法执行活跃用户检测并重构用户发送数据。2.根据权利要求1所述的基于自适应匹配追踪的大规模多址接入方法，其特征在于，步骤1中，基站位于蜂窝小区中心，大规模用户终端随机分布于小区内；用户数量为k，基站和用户均配备单根天线；在任意时间，只有小部分用户处于活动状态，大部分用户处于非活动状态；每个用户分配一个长度为n的扩展序列，活动用户的数据经过调制后通过该扩展序列进行扩频形成上行发送信号；每个用户采用时间帧结构传输上行数据，每帧包含j个时隙，用户的活动状态在一帧中保持不变；考虑非活动用户的上行数据帧等效为全零帧，则多用户的上行传输信号具备帧稀疏特性。3.根据权利要求2所述的基于自适应匹配追踪的大规模多址接入方法，其特征在于，步骤2中，对接收信号的块稀疏向量建模，具体步骤为：步骤2-1、将基站接收的上行信号建模为行稀疏矩阵；令活动用户采用时间帧结构传输数据，每帧承载j个数据符号，每个符号对应一个传输时隙；基站接收的第j个时隙的上行信号y
(j)
表示为：其中，s＝[s1,s2,...,s
k
]∈c
n
×
k
表示扩展序列矩阵；s
k
∈c
n
×1表示用户k的扩展序列，k∈{1,...,k}；h＝[h1,h2,...,h
k
]
t
∈c
k
×1表示信道系数向量；h
k
是用户k至基站的信道衰减系数，它服从均值为0方差为1的复高斯分布，即h～cn(0,1)；表示k个用户在时隙j的发送数据向量；表示时隙j中用户k的数据符号，活动用户的数据符号从复星座集x获取，非活动用户发送的符号为零；n
j
表示在第j个时隙的信道加性噪声，它服从均值为0方差为的复高斯分布，即上行接收信号y＝[y
(1)
,y
(2)
,...,y
(j)
]∈c
n
×
j
表示为：y＝ax+n
ꢀꢀꢀ
(2)其中，a＝s
·
diag(h)表示观测矩阵，a∈c
n
×
k
；x＝[x
(1)
,x
(2)
,...,x
(j)
]∈c
k
×
j
表示用户的发送数据矩阵；n＝[n
(1)
,n
(2)
,...n
(j)
]∈c
n
×
j
表示信道的加性噪声矩阵；步骤2-2、将基站的接收信号矩阵转换为块稀疏向量；由于每帧时间内用户活动状态保持不变，每一帧中活动用户索引集合γ表示为：γ＝supp(x
(1)
)＝supp(x
(2)
)＝
…
＝supp(x
(j)
)＝
…
＝supp(x
(j)
)
ꢀꢀ
(3)其中，supp(x
(j)
)表示时隙j中活跃用户索引集合，亦称为时隙j的支持集，j＝1,2,...,j；γ的0范数为||γ||0，表示一帧中的活动用户数目，即稀疏度s；基于块稀疏模型，对用户的发送数据矩阵x进行堆栈操作，即将矩阵x的每行数据转置
并顺序向下排列生成块稀疏信号向量c∈c
kj
×1，向量c和矩阵x的关系表示为：其中，x(k,j)表示矩阵x的第k行第j列元素；向量c包含k个块向量，每个块向量中有j个元素，其第k个块中的j个元素全为零或非零；向量c表示为：其中，vec(
·
)表示矩阵列向量化函数，即堆栈函数；同理，对上行接收信号矩阵y和加性噪声矩阵n分别进行堆栈化操作，得到nj
×
1维向量p和v；向量p、v分别表示为：p＝vec(y
t
)
ꢀꢀ
(6)v＝vec(n
t
)
ꢀꢀ
(7)其中，vec(
·
)表示矩阵列向量化函数；p为上行接收信号矩阵y的堆栈向量；v为噪声矩阵n堆栈化操作后的向量。4.根据权利要求3所述的基于自适应匹配追踪的大规模多址接入方法，其特征在于，步骤2中，所述新的上行接收信号方程建立步骤如下：利用原观测矩阵a构造新的观测矩阵d，即用矩阵a的元素a(i,j)与j
×
j对角阵i
j
的乘积a(i,j)i
j
替换矩阵a的元素a(i,j)，生成新的观测矩阵d∈c
nj
×
kj
；新观测矩阵d表示为：于是，式(2)所述的上行接收信号方程改写为新的上行接收信号方程：p＝dc+v
ꢀꢀ
(9)5.根据权利要求1所述的基于自适应匹配追踪的大规模多址接入方法，其特征在于，步骤3中，假设信道先验已知，将堆栈后的上行接收信号向量p∈c
nj
×1和新观测矩阵d∈c
nj
×
kj
作为输入参数，基站重构的用户数据作为输出；令活跃用户搜索步长初值为活跃用户稀疏度为s；第q次迭代活跃用户搜索步长为活跃用户初选集与候选集分别为b
q
和c
q
，活跃用户初选集b
q
的大小为l；第q次迭代活跃用户索引集即支持集为γ
q
；第q次迭代的残差信号，即向量p与第q次迭代重构信号的差向量为r
(q)
；基于上述变量定义，基于块稀疏模型的自适应匹配追踪算法执行活跃用户检测并从接收信号向量p中恢复数据信号x的具体步骤如下：步骤3-1：初始化算法参数；迭代次数初值q＝0；支撑集初值活跃用户搜索步长初值稀疏度初值s＝0，活跃用户初选集大小l＝0；残差信号初值r0＝p；
步骤3-2：计算活跃用户搜索步长初值计算堆栈后的信号向量c的ls估计值为：其中，d
t
表示新观测矩阵d的转置；p为基站接收信号矩阵y的堆栈向量。根据式(11)计算活跃用户搜索步长初值根据式(11)计算活跃用户搜索步长初值其中，card(
·
)为计算集合元素个数的函数；m表示向量的最大块模值，的最大块模值，表示向量的第i个元素，|
·
|表示计算元素模值；θ表示步长松弛因子，θ∈(0,1)；令q＝1，当前迭代活跃用户稀疏度为当前迭代活跃用户搜索步长为当前迭代活跃用户初选集大小为步骤3-3：计算当前迭代的活跃用户初选集b
q
和候选集c
q
，估计重构信号将观测矩阵d的转置矩阵d
t
与第(q-1)次迭代的残差信号r
(q-1)
相乘，将乘积后向量的元素每j个一组分块，找出其中数据模值和最大的前l个数据块对应的用户索引，即可获得当前迭代的活跃用户初选集b
q
，如式(12)所示：其中，函数arglmax(
·
)表示取出某向量或集合中l个最大元素的索引；d
t
表示观测矩阵d的转置；r
(q-1)
表示第(q-1)次迭代的残差信号；向量d
t
r
(q-1)
的第i个元素对应第个用户，符号表示取下整数；采用回溯思想，将当前迭代的初选集b
q
与上次迭代的支持集γ
q-1
合并，得到当前迭代的活跃用户候选集c
q
：c
q
＝b
q
∪γ
q-1 (13)基于ls准则重构当前迭代检测出的活跃用户的数据向量基于ls准则重构当前迭代检测出的活跃用户的数据向量其中，表示活跃用户的观测矩阵的伪逆矩阵；步骤3-4：筛选活跃用户索引，获得当前迭代的支持集γ
q
；根据上次迭代的残差信号r
q-1
计算当前迭代的自适应能量阈值σ
q
：其中，ε表示给定的噪声阈值；η表示能量松弛因子，η∈(0,1)；为了减少过估计情况的发生，根据能量阈值σ
q
对重构信号进行筛选，即选出重构信号中能量超过阈值σ
q
的数据块对应的用户索引，更新支持集γ
q
为：
其中，表示重构信号的第(k-1)j至kj个元素对应的向量，该向量对应用户k的数据块；||
·
||2表示向量的2范数，即计算向量的能量；为了防止欠估计情况的发生，进一步计算当前支持集的大小||γ
q
||0以检验当前迭代检出的活跃用户数目；若||γ
q
||0＜l，执行步骤3-5，否则执行步骤3-6；步骤3-5：更新当前迭代的支持集γ
q
；从步骤3-3得到的重构信号向量中选出能量最大的l个数据块对应的用户索引，根据式(17)更新当前迭代的支持集γ
q
，执行步骤3-6。其中，表示重构信号的第(k-1)j至kj个元素对应的向量，步骤3-6：更新重构信号计算第q次迭代的残差信号r
(q)
和下次迭代的步长利用步骤3-5更新的支持集γ
q
删除重构信号中的干扰信息，即令不属于支持集γ
q
的用户重构信号为零，如式(18)所示：其中，表示重构信号的第(k-1)j至kj个元素对应的向量；{1,2,
…
,k}\γ
q
表示不属于支持集γ
q
的用户索引集合；根据式(18)更新重构信号根据式(19)计算当前迭代的残差信号r
q
：根据式(20)计算下次迭代的步长根据式(20)计算下次迭代的步长步骤3-7：判断是否满足算法停止条件；比较残差信号能量||r
q
||2与给定的噪声阈值ε以判断当前迭代是否停止：1)若||r
q
||2≤ε，执行步骤3-10；2)若||r
q
||2＞ε，当前迭代算法尚未收敛，执行步骤3-8；步骤3-8：判断是否需要改变初选集大小和稀疏度值；比较当前迭代的残差信号能量||r
q
||2与前次迭代的残差信号能量||r
q-1
||2，以判断是否需要调整活跃用户初选集大小和稀疏度值：1)若||r
q
||2≥||r
q-1
||2，即当前迭代的残差信号能量大于前次迭代的残差信号能量，这表明当前迭代出现了过估计，根据式(21)调整活跃用户初选集大小l和稀疏度s：迭代次数q＝q+1，返回步骤3-3，执行下次迭代检测；2)若||r
q
||2＜||r
q-1
||2，即当前迭代的残差信号能量小于前次迭代的残差信号能量，当前迭代出现欠估计情况，执行步骤3-9；
步骤3-9判断是否执行阶段转换；计算本次迭代的支持集γ
q
与上次迭代的支持集γ
q-1
的差集γ
diff
，如式(22)所示：γ
diff
＝γ
q
\γ
q-1
ꢀꢀ
(22)其中，γ表示迭代次数调节因子，γ∈(0,1)；判断差集γ
diff
的大小||γ
diff
||0是否满足式(23)：1)若满足，根据式(21)调整活跃用户初选集大小l和稀疏度s，迭代次数q＝q+1，返回步骤3-3，执行下次迭代检测；2)若不满足，迭代次数q＝q+1，返回步骤3-3，执行下次迭代检测。步骤3-10：输出重构的用户发送信号并结束算法；令输出信号向量对向量进行逆堆栈操作，即将向量的每j个元素排成一列形成矩阵并转置，如式(24)所示，得到原发送信号x的估计值得到原发送信号x的估计值输出重构的发送信号活跃用户索引集合即支持集γ＝γ
q
。

技术总结
本发明属于无线通信技术领域，公开了基于自适应匹配追踪的大规模多址接入方法，首先，大规模用户终端中的部分活跃用户发送扩频信号至基站，执行上行接入传输；接着，基站接收多用户的上行信号并将其建模为块稀疏向量，利用该向量重构新的上行接收信号方程；然后，基站采用基于块稀疏模型的自适应匹配追踪算法执行活跃用户检测并重构用户发送数据。本发明适用于大规模终端零星突发上行传输场景，能够在减轻用户终端开销的前提下实现大规模终端的免授权随机接入，提升蜂窝网络的上行吞吐量。提升蜂窝网络的上行吞吐量。提升蜂窝网络的上行吞吐量。


技术研发人员：张晶 马林 魏国 朱洪波
受保护的技术使用者：南京邮电大学
技术研发日：2023.07.04
技术公布日：2023/9/7