论文部分内容阅读
近年来,移动互联网发展如火如荼,物联网也随之蓬勃兴起,众多智能物联终端设备横空出世。在这种时代背景下,人们对无线通信速率提出了更高的要求。目前第五代移动无线通信技术主要面临高吞吐量、低时延、高可靠性和大连接等方面的挑战。非正交多址接入技术作为5G中重要的候选标准之一,受到了学术界和产业界的广泛关注。非正交多址接入技术有多种实现方式,功率域的非正交就是其中之一。在功率域非正交的实现方式中,多个信道条件差异性较大的用户共享同一时频资源块,并为每个用户分配一个功率因子以保证总功率不变,同时,接收机通过采用串行干扰删除技术提取目标信号。但是为了能够正确提取目标信号,接收机有必要获取有关干扰用户的调制方式。本文针对非正交多址接入系统中干扰用户调制方式的盲检测方法进行了研究。首先,本文研究了已存在的最大似然盲检算法和最大对数似然盲检算法,并指出了这两种算法的优缺点。为了降低最大似然算法的计算复杂度、提高最大对数似然算法的盲检性能,本文充分考虑接收信号的统计特性,优化了最大对数似然算法,并提出了K-最大对数似然算法。同时,本文针对不同的算法进行了检测正确率和吞吐量性能的仿真分析与比较。仿真结果表明,K-最大对数似然算法的检测正确率和吞吐量性能均优于最大对数似然算法,而且在某些场景中,其性能接近于理想情况。此外,本文还比较了最大似然算法、最大对数似然算法和K-最大对数似然算法的计算复杂度,发现K-最大对数似然算法的计算复杂度远远低于最大似然算法,并且与最大对数似然算法非常接近。其次,本文首次提出了基于Anderson-Darling检验的关于干扰用户调制方式的特征,将机器学习算法引入到盲检领域,并提出基于Anderson-Darling检验的机器学习调制方式盲检算法(Machine Learning modulation blind detection algorithm based on Anderson-Darling test,MLAD)。MLAD算法主要由五个步骤构成,分别是聚类、特征提取、分类模型训练、模型参数选取和判决。其中,特征提取阶段使用了 Anderson-Darling检验,而特征映射过程采用了多项式映射。本文通过分析和比较最大对数似然算法、K-最大对数似然算法和MLAD算法的性能,得出MLAD算法的性能是三种算法中最优的结论。因为在绝大多场景中,其性能均接近于理想情况,甚至与理想情况相同。此外,在采用不同机器学习算法时,MLAD算法的性能几乎无差别。因此,实际应用中,MLAD算法更适合采用复杂度较低、易于实现的机器学习算法。