5G-NOMA 检测：一种在线自适应机器学习方法
机器学习
2018-01-12 v2 信息论
math.IT
摘要
非正交多址接入（NOMA）已成为一种有前景的无线接入技术，可在连接性、低延迟和高频谱效率方面实现第五代（5G）网络所承诺的性能提升。在 NOMA 上行链路中，已提出基于连续干扰消除（SIC）并结合设备分簇的检测方案。在多接收天线情况下，SIC 可与最小均方误差（MMSE）波束成形相结合。然而，NOMA 簇大小与由此产生的 SIC 误差之间存在权衡。较大的簇会导致较大的误差，但从频谱效率和连接性角度来看它们是可取的。我们提出了一种基于在线学习的新型 NOMA 上行链路检测方案。具体而言，我们在线性与高斯再生核 Hilbert 空间（RKHS）的和空间中设计了一个在线自适应滤波器。这种和空间设计对动态无线网络的变异具有鲁棒性，而这些变异会使纯非线性自适应滤波器的性能恶化。我们通过仿真证明，所提方法在大簇大小情况下优于基于 MMSE-SIC 的检测。
引用
@article{arxiv.1711.00355,
title = {Detection for 5G-NOMA: An Online Adaptive Machine Learning Approach},
author = {Daniyal Amir Awan and Renato L. G. Cavalcante and Masahiro Yukawa and Slawomir Stanczak},
journal= {arXiv preprint arXiv:1711.00355},
year = {2018}
}
备注
Accepted at ICC 2018