在大规模MIMO-NOMA系统中实施深度学习方法用于信号检测

科学领域:

• 光学通信是指光学通信的应用.
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 光学非对角多重接入 (O-NOMA) 系统通过允许共享时间频率资源来提高频谱效率.
• 传统的检测方法在O-NOMA系统中难以应对复杂的干扰和可变的通道条件.

研究的目的:

• 探索深度学习方法 (DLM) 在大规模多输入多输出 (M-MIMO) O-NOMA系统中用于信号检测的应用.
• 与传统方法相比,评估DLM检测的性能.

主要方法:

• 深度神经网络旨在处理信号,功率分配系数和符号解码的辅助信息.
• 网络参数通过多样化数据集的梯度下降优化进行代更新.
• 基于比特错误率 (BER),复杂度和功率光谱密度 (PSD) 的16x16,32x32和64x64 M-MIMO-NOMA模型的比较分析.

主要成果:

• 在4.1dB时,DLM算法达到10^-3的比特错误率 (BER).
• 证明了 -2500 的优异功率光谱密度 (PSD) 性能.
• 拟议的DLM算法优于传统的低复杂度的方法.

结论:

• 深度学习方法为M-MIMO O-NOMA系统中的信号检测挑战提供了强大的解决方案.
• 与传统技术相比,DLM在BER和PSD性能方面提供了显著的改进.
• 谨慎的模型设计,大量数据和计算资源对于最佳的DLM性能至关重要.