增强非正交多址系统：一种可重构机器学习分类方法及其在通信信号解码中的应用

本综述提出了一种创新的可重构机器学习（ML）框架，用于解决非正交多址（NOMA）系统中连续干扰消除（SIC）的技术瓶颈。通过开发低复杂度数据集（MLbD）并应用高斯朴素贝叶斯（GNB）等算法，该模型在保持与最大似然（MLH）解码器相当精度的同时，显著提升了下一代通信系统的自适应性和抗干扰能力，为6G网络中的毫米波（mmWave）和大规模MIMO（mMIMO）应用提供了新思路。

　　

Highlight

本研究聚焦功率域非正交多址（PD-NOMA）系统中的符号解码挑战，传统连续干扰消除（SIC）机制存在误差传播和计算延迟问题。我们开发了一种基于机器学习（ML）的可重构解码框架，通过生成低复杂度数据集（MLbD）替代传统SIC过程，实现了与最大似然（MLH）解码器相当的精度，同时显著降低计算复杂度。

Problem statement

在双用户上行链路PD-NOMA网络中，基站接收到的叠加信号可表示为：

y = h₁x₁ + h₂x₂ + n

其中h_i为信道系数，x_i为用户符号，n为加性高斯白噪声（AWGN）。传统SIC解码需按功率排序逐层消除干扰，而ML方法直接通过特征学习实现联合符号检测。

Related works

早期人工智能在通信领域的应用集中于神经网络（NN）信道建模，近年来逐渐扩展到NOMA场景。研究表明机器学习特别适用于毫米波（mmWave）和大规模MIMO（mMIMO）环境下的信号检测，如集成袋装决策树（EBDT）等算法在干扰抑制方面展现潜力。

Proposed ML-based reconfigurable decoder

本研究构建了以接收符号为核心预测因子的三重特征体系：

1. 1.

   原始接收信号幅值

2. 2.

   相位旋转特征

3. 3.

   功率归一化特征

   采用高斯朴素贝叶斯（GNB）和核朴素贝叶斯（KNB）分类器，在保持<5%符号错误率（SER）的同时，将训练时间缩短至深度学习（DL）方法的1/10。

Result analysis and discussion

MATLAB R22b测试表明：

• •

  GNB解码器对QPSK符号的解码准确率达98.7%

• •

  在相同信道状态信息（CSI）条件下，ML模型较传统SIC减少40%计算延迟

• •

  混淆矩阵显示对低功率用户符号的识别精度提升显著

Conclusions and future scope

该可重构ML解码器成功规避了SIC的误差传播缺陷，为物联网（IoT）爆发式传输场景提供了理想解决方案。未来工作将扩展至多用户MIMO-NOMA系统，并探索与可见光通信（VLC）的跨领域集成。