基于稀疏贝叶斯学习的大规模多用户检测算法

针对现有算法大都基于高斯逆伽马先验模型的稀疏贝叶斯学习（GIG-SBL），忽略了稀疏解所对应的支撑集向量稀疏性的问题，提出一种基于伯努利高斯逆伽马先验模型的稀疏贝叶斯学习（BGIG-SBL）架构，通过引入一个伯努利先验的二元向量，设计了单测量向量（SMV）的BGIG-SBL-SMV算法，结合支撑集向量的稀疏性提高重构性能。进一步将该算法扩展到多测量向量（MMV）方案，通过共享相同控制稀疏解的超参数，利用MMV的联合稀疏性提出BGIG-SBL-MMV算法。实验结果表明，所提BGIG-SBL-SMV算法相较于传统GIG-SBL-SMV算法，在mMTC用户检测场景可实现2 dB的性能增益；同时，所提BGIG-SBL-MMV算法相对于单测量向量BGIG-SBL-SMV算法，用户检测率和数据检错率的性能增益可达到4 dB，证明了所提算法的优越性。