论文部分内容阅读
长期演进(Long Term Evolution,LTE)的随机接入模型以及用户辨别算法因为其仅在随机接入过程完成用户辨别以及可允许系统容纳的用户数的限制,已不能满足机器类型通信(Machine-Type Communication,MTC)业务的大规模随机接入。所以针对大规模MTC业务特点,基于压缩感知,以在随机接入中同时完成用户辨别、信道估计为目的,设计新型的随机接入模型与用户辨别、信道估计算法以及完成用户数据检测,将是本文的研究重点。首先本文介绍了LTE随机接入适用范围的有限性,提出本文针对MTC业务随机接入过程需要解决的问题为:高效、可允许系统容纳更多用户的新型随机接入模型以及用户辨别、信道估计可同时完成的算法研究。其次本文针对MTC业务特点,以在随机接入过程中同时完成用户辨别、信道估计为主要目的,将压缩感知用于随机接入中。并通过码分多址接入方式进行用户数据的复用,主要完成:基于同步、频率选择性衰落信道,分析双稀疏性之于用户辨别、信道估计的必要性;针对密集用户基于活跃用户的信道具有共同稀疏结构,提出有效的用户抽头分类块正交匹配追踪(Group Orthogonal Matching Pursuit-UserTap,GOMP-UT)算法;针对同步、双选择性衰落信道,基于符号间信道稀疏结构的共性,建立系统模型,提出低复杂度、有效的联合正交匹配追踪(Union-Orthogonal Matching Pursuit,Union-OMP)算法;基于异步建立:可在各活跃用户异步延迟未知的情况下,基于视距信道、瑞利信道,完成用户辨别、信道估计的模型以及相应算法设计,并针对视距信道提出低复杂度、有效的异步正交匹配追踪(Asynchronous Orthogonal Matching Pursuit,AOMP)算法。然后本文基于SCMA上行链路,通过分析系统模型的结构稀疏特性,采用多响应稀疏贝叶斯(Multiple Response Extension Of Sparse Bayesian Learning,M-SBL)算法,完成在随机接入过程中同时完成用户辨别与信道估计,同时分析本模型中控制信令生成的问题,通过复杂度分析验证了M-SBL算法具有低复杂度,并通过仿真验证了M-SBL算法的有效性。最后基于同步频率选择性衰落信道,以稀疏贝叶斯算法作为用户辨别和信道估计的主要算法,以码分多址作为多用户的用户数据复用方式的随机接入模型,使用通用软件无线电外设完成4个活跃用户1个中心汇聚节点的随机接入,以验证采用压缩感知算法在随机接入过程中同时完成用户辨别和信道估计以及后续的用户数据检测的实际可行性。下一代移动通信需要系统可容纳更多的用户,并需要在高可靠性的基础上保证高效、低时延性。所以本文针对MTC业务,设计新型的随机接入模型以及相应的算法研究是必要的。