[论文解读] Deep Neural Network Based Active User Detection for Grant-free NOMA Systems

Wonjun Kim, Youngjun Ahn+1 more|arXiv (Cornell University)|Dec 26, 2019

Advanced Wireless Communication Technologies参考文献 29被引用 7

一句话总结

该论文提出了一种基于深度神经网络（DNN）的主动用户检测（D-AUD）方案，用于无调度非正交多址（NOMA）系统，以解决传统压缩感知（CS）方法在高稀疏性、高相关性场景下的局限性。通过端到端训练学习接收信号与活跃用户索引之间的非线性映射，D-AUD在检测精度和计算复杂度方面显著优于传统方法，尤其在用户过载的mMTC环境中表现更优。

ABSTRACT

As a means to support the access of massive machine-type communication devices, grant-free access and non-orthogonal multiple access (NOMA) have received great deal of attention in recent years. In the grant-free transmission, each device transmits information without the granting process so that the basestation needs to identify the active devices among all potential devices. This process, called an active user detection (AUD), is a challenging problem in the NOMA-based systems since it is difficult to identify active devices from the superimposed received signal. An aim of this paper is to put forth a new type of AUD based on deep neural network (DNN). By applying the training data in the properly designed DNN, the proposed AUD scheme learns the nonlinear mapping between the received NOMA signal and indices of active devices. As a result, the trained DNN can handle the whole AUD process, achieving an accurate detection of the active users. Numerical results demonstrate that the proposed AUD scheme outperforms the conventional approaches in both AUD success probability and computational complexity.

研究动机与目标

• 解决在导频矩阵列高度相关的情况下，基于压缩感知（CS）的主动用户检测（AUD）在高稀疏性、高相关性NOMA场景中性能较差的问题。
• 开发一种基于学习的AUD解决方案，能够有效建模叠加NOMA信号与活跃用户索引之间复杂且非线性的关系。
• 与传统迭代算法（如LS-BOMP和MMSE-BOMP）相比，降低计算复杂度，同时保持或提升检测精度。
• 在无调度上行mMTC系统中实现鲁棒的主动用户检测，其中大规模连接和低时延是关键需求。

提出的方法

• 训练一个深度神经网络（DNN），以学习从接收的NOMA信号向量到活跃用户索引的非线性映射。
• 使用包含接收信号及其对应活跃用户集合的标注训练数据对DNN进行训练，实现对稀疏信号结构的端到端学习。
• 网络架构采用多个堆叠的隐藏层，以近似复杂且非线性的函数，利用通用逼近定理实现高精度检测。
• 训练过程使用合适的损失函数以最小化检测误差，使DNN能够很好地泛化到未见过的测试数据。
• 所提出的D-AUD方案为盲检测，无需基站获取信道状态信息，适用于实际的无调度系统。
• 在不同数量的接收天线（M=1,2,4）下评估性能，验证了其可扩展性及多天线增益。

实验结果

研究问题

• RQ1 在无调度上行场景中，深度神经网络能否有效学习叠加NOMA信号与活跃用户索引之间的非线性映射？
• RQ2 与传统基于CS的AUD方法相比，D-AUD方案在检测成功率和计算复杂度方面表现如何？
• RQ3 增加接收天线数量对所提出的D-AUD方案性能有何影响？
• RQ4 在高稀疏性和高相关性条件下，当基于CS的方法性能显著下降时，D-AUD方法是否仍具有效性？

主要发现

• 在检测成功率达到90%时，比较M=4与M=1接收天线，D-AUD方案实现了8.4 dB的信噪比增益。
• D-AUD方法在检测成功率和计算复杂度方面均优于传统的LS-BOMP和MMSE-BOMP算法，尤其在高稀疏性场景下优势明显。
• 在高度相关的NOMA序列中，DNN方法相比基于CS的方法实现了显著的性能提升，因为互相关性会损害传统稀疏恢复性能。
• D-AUD的计算复杂度显著低于LS-BOMP和MMSE-BOMP等迭代式CS算法，尤其在用户数量较多时优势更明显。
• 当活跃用户数量增加时，D-AUD方案仍能保持鲁棒性能，证明其在用户过载的mMTC系统中的有效性。
• 每增加一个接收天线，多天线增益约为2.1 dB，表明性能可随阵列增益实现可扩展性提升。