CN110139392B - Lte电力无线专网随机接入信道多重冲突检测方法 - Google Patents

Lte电力无线专网随机接入信道多重冲突检测方法 Download PDF

Info

Publication number
CN110139392B
CN110139392B CN201910372373.4A CN201910372373A CN110139392B CN 110139392 B CN110139392 B CN 110139392B CN 201910372373 A CN201910372373 A CN 201910372373A CN 110139392 B CN110139392 B CN 110139392B
Authority
CN
China
Prior art keywords
matrix
detection
neural network
initial
convolutional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910372373.4A
Other languages
English (en)
Other versions
CN110139392A (zh
Inventor
吴庆
杨阳
刘智威
朱道华
汪玉成
吕玉祥
郭雅娟
孙云晓
李温静
王光发
秦浩
吴昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
State Grid Jiangsu Electric Power Co Ltd
Anhui Jiyuan Software Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
State Grid Jiangsu Electric Power Co Ltd
Anhui Jiyuan Software Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Information and Telecommunication Co Ltd, State Grid Jiangsu Electric Power Co Ltd, Anhui Jiyuan Software Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910372373.4A priority Critical patent/CN110139392B/zh
Publication of CN110139392A publication Critical patent/CN110139392A/zh
Application granted granted Critical
Publication of CN110139392B publication Critical patent/CN110139392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W74/00—Wireless channel access
    • H04W74/08—Non-scheduled access, e.g. ALOHA
    • H04W74/0833—Random access procedures, e.g. with 4-step access
    • H04W74/0841—Random access procedures, e.g. with 4-step access with collision treatment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W74/00—Wireless channel access
    • H04W74/08—Non-scheduled access, e.g. ALOHA
    • H04W74/0833—Random access procedures, e.g. with 4-step access
    • H04W74/0841—Random access procedures, e.g. with 4-step access with collision treatment
    • H04W74/0858—Random access procedures, e.g. with 4-step access with collision treatment collision detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种LTE电力无线专网随机接入信道多重冲突检测方法，通过接入检测单元，对获取随机接入信道信息执行接收信号与基序列循环相关运算操作、二值化处理、噪声消除和波形尺寸调整等操作，基于深度学习的卷积神经网络，实现卷积神经网络检测模型粗训练和精训练，得到最终卷积神经网络检测模型，从而通过该卷积神经网络检测模型检测随机接入信道的前导码和识别冲突多重度。有益效果：采用基于深度学习的卷积神经网络检测RACH冲突，无需修改现有的协议栈，且可以在基站完成冲突检测，能获得更精确的冲突检测性能，提高了LTE电力无线专网的吞吐量、降低通信时延。

Description

LTE电力无线专网随机接入信道多重冲突检测方法
技术领域
本发明涉及无线通信技术领域，具体的说是一种LTE电力无线专网随机接入信道多重冲突检测方法。
背景技术
在LTE(Long Term Evolution)电力无线专网中，随机接入信道(Random AccessChannel,RACH)过程提供基站(eNB)与终端设备(TE)之间的同步机制，包括四个阶段。其中，第一阶段是随机接入前导码：请求突发传输的终端设备从可用前导码集合中随机选择一个并通过RACH发送给基站；第二阶段是随机接入响应(Random Access Response,RAR)：基站接收信号中包括所有终端设备发送的前导码叠加，从中检测出所有前导码，对每个检测到的前导码发送一条RAR消息；第三阶段是L2/L3消息：终端设备利用分配的信道传送连接请求消息和唯一标识符；第四阶段是竞争解决消息：基站依据L2/L3消息中的唯一标识符响应终端设备，为该终端设备分配请求的通信资源。
在LTE技术规范中，RACH的信道带宽为1.08MHz，持续时间为1-4个LTE子帧长度，能支持的接入请求能力为128次/秒。但随着工业物联网特别是泛在物联网的发展和在智能电网中的广泛运用，机器类通信业务会越来越频发。预计在泛在电力物联网时代，海量机器类通信的接入请求规模将达到370次/秒，一旦发生故障，同时请求接入的并发告警终端设备甚至可能比正常状态增加10倍。导致请求接入的终端设备几乎都会发生冲突，RACH过载会显著降低网络性能。
上述RACH过程实现的前提是在基于前导码的竞争阶段不冲突。但由于基站无法预测和推断发起通信请求的终端设备数量，RACH过程又无反馈机制，冲突的终端设备仅能通过RACH过程的后期隐含了解冲突发生，而一旦发生冲突，终端设备必须重启接入请求过程，导致RACH负载增加，进一步增加冲突概率。因此，随机接入信道过程的冲突解决机制是LTE电力无线专网支持海量机器类通信面临的主要瓶颈之一。
现有的RACH冲突解决手段主要围绕改进前导码检测或高效利用随机接入信道资源两方面开展。基于阈值的前导码检测器首先将接收信号与基序列执行循环相关运算获得相关信号，然后与预置阈值比较，当相关信号峰值高于阈值时检测到前导码，阈值是噪声水平的函数。该方法以漏检性能降低为代价，能控制错检概率；基于离散化的阈值扩展方法虽然能提高前导码检测性能，但仍会增大漏检概率。级联了预处理单元的前导码检测方法在执行相关运算前，通过预处理平滑噪声，能提高低信噪比加性高斯白噪声(AWGN)信道下的检测性能，但对衰落信道不适用。为了抑制频率选择性衰落信道的时间弥散，基于多个基序列的前导码检测器通过消除原接收信号中的干扰信号，基站利用功率时延剖面提取信道特性参数，进而重构前置信号，可以在无干扰环境中识别非正交前导码并抑制噪声，但实时计算功率时延剖面会耗费大量硬件资源，且时间开销大。
当多个通信终端激活同一个前导码时，多重冲突检测能避免向所有终端设备发送RAR消息，避免L2/L3消息冲突，并缩短RACH过程。利用多重冲突检测结果可以推断RACH的当前负载并预测其变化趋势，进而调整PRACH的资源配置和操作过程，如动态分配或动态访问限制等。此外，基于多重冲突检测信息还能指导高级冲突解决算法设计，降低时延，提高RACH的可靠性和吞吐量。
发明内容
针对上述问题，本发明提供了一种LTE电力无线专网随机接入信道多重冲突检测方法，基于深度学习的卷积神经网络还能准确估计选择了相同前导码的终端设备数量，基站据此信息调整竞争策略，制定合理的冲突解决方案，从而提高LTE电力无线专网的吞吐量、降低通信时延。
为达到上述目的，本发明采用的具体技术方案如下：
一种LTE电力无线专网随机接入信道多重冲突检测方法，其关键技术在于：搭建检测系统，该检测系统由循环相关运算与相关信号预处理单元以及卷积神经网络检测与识别单元构成，所述循环相关运算与相关信号预处理单元包括依次连接的CC模块和PP模块，所述CC模块的信号输入端连接有接入检测单元；所述PP模块与所述卷积神经网络检测与识别单元连接；
其中CC模块为循环相关运算模块，PP模块为噪声消除模块；
所述卷积神经网络检测与识别单元由2对卷积层和池化层、1个致密层和1个softmax分类器构成，卷积层i∈{1,2}配置Ni个特征图，卷积核大小为di×di，所有卷积层的卷积核的激活函数均采用整流线性单元(ReLU)，池化层均采用均值池化，全连接层将池化层2的输出特征图展开为列向量，softmax分类器配置的神经元与RACH协议栈设定的最大前导码冲突多重度相同，首先利用检测与识别数据集的一部分数据训练卷积神经网络，然后利用检测与识别数据集的另一部分数据，基于训练后的卷积神经网络检测前导码和识别冲突多重度。
检测方法按照以下步骤进行：
S1：选定检测窗口，设定检测周期T：T＝N/fs；获取接入检测单元检测的随机接入信道的接收信号样本序列r[n],n＝0,1,…,N-1与基序列zr[n],n＝0,1,…,N-1执行循环相关运算；并获得相对于根索引的N×N维循环相关信号波形Rc∈RN×N，其中，fs表示接收信号采样频率，N表示检测周期T内的样本数；
S2：对循环相关信号波形Rc执行二值化处理操作、噪声消除操作和波形尺寸调整操作，构成检测与识别数据集XMCD：
S3：根据所述检测与识别数据集XMCD和卷积神经网络框架，进行卷积神经网络检测模型第一次训练，得到卷积神经网络检测模型中所有卷积层的初始权重矩阵、初始偏置向量以及softmax分类器的初始权值矩阵；
S4：将步骤S3得到的所有卷积层的初始权重矩阵、初始偏置向量以及softmax分类器的初始权值矩阵作为初始条件，交叉熵作为损失函数，基于反向传播算法和随机梯度下降算法对卷积神经网络检测模型进行第二次训练，获得所有卷积层的最终权重矩阵、最终偏置向量以及softmax分类器的最终权值矩阵，得到训练后的卷积神经网络检测模型。
S5：利用卷积神经网络检测模型，检测随机接入信道前导码，识别冲突多重度。
深度学习(deep learning,DL)作为人工智能(artificial intelligence,AI)的核心技术之一，通过自动学习，能结合低层特征生成抽象的高层特征。本发明提供了一种LTE电力无线专网随机接入信道多重冲突检测方法，该方法采用基于深度学习的卷积神经网络检测RACH冲突，无需修改现有的协议栈，且可以在基站完成冲突检测，比LTE技术规范建议的基于阈值的冲突检测算法能获得更精确的冲突检测性能。
进一步的，在步骤S2中，构成检测与识别数据集XMCD的具体步骤为：
S21：对所述循环相关信号波形Rc进行二值化处理操作生成二值化数据集
Figure GDA0003899242350000051
S22：对二值化数据集
Figure GDA0003899242350000052
执行泛化奇异值分解操作、子空间划分操作和消除噪声操作，得到噪声消除数据集
Figure GDA0003899242350000053
S23：采用最近邻插值法调整循环相关信号波形尺寸，将噪声消除数据集
Figure GDA0003899242350000054
调整成大小为D×D的循环相关信号波形，作为检测与识别数据集XMCD。
其中，在步骤S21中的具体步骤为：
S211：将循环相关信号波形Rc中所有像素Rc(i,j)；i,j＝0,1,…,N-1的取值归一化为[0,1]，记为
Figure GDA0003899242350000055
S212：估计初始阈值Tth：
Figure GDA0003899242350000056
S213：利用初始阈值Tth将循环相关信号波形分为第一波形图M1和第二波形图M2；
S214：计算第一波形图M1的平均值，得到第一平均值μ1；计算第二波形图M2的平均值，得到第二平均值μ2；
S215：更新阈值，Tth:＝(μ1+μ2)/2；
S216：判断相邻两次计算得到的Tth之差小于0.001；若是，得到二值化处理后的
Figure GDA0003899242350000057
构成数据集
Figure GDA0003899242350000058
其元素：
Figure GDA0003899242350000059
否则返回步骤S213。
其中，在步骤S22中的具体步骤为：
S221：计算参数
Figure GDA0003899242350000061
设置奇异值的提取参数个数κ、误差矩阵元素最小阈值ε、参数μ的更新系数ρ，并初始化误差矩阵E＝0；过程矩阵Λ＝0；
Figure GDA0003899242350000062
表示求初始周期相关特征数字谱图
Figure GDA0003899242350000063
的2范数；
S222：构造矩阵
Figure GDA0003899242350000064
对其执行奇异值分解，按照奇异值大小降序排列，提取前κ个大的奇异值和对应的奇异向量{Fs,Σs,Gs},s＝1,2,…,κ；
S223：计算中间矩阵U,V；
Figure GDA0003899242350000065
S224：更新误差矩阵E:Eij＝sign(Pij)×|Pij-1/μ|，其中，其中，Eij为误差矩阵E的第i行第j列元素值；Pij为构造矩阵P第i行第j列元素值；i,j＝0,1,…,N-1；
S225：更新过程矩阵Λ和参数μ；
Figure GDA0003899242350000066
S226：判断误差矩阵E中所有元素取值是否均小于误差矩阵元素最小阈值ε；若是，将得到的U,V记为U*,V*，生成噪声消除后的数据集
Figure GDA0003899242350000067
否则返回步骤S222。
再进一步的，在步骤S3中，所述卷积神经网络框架由2对卷积层、2对池化层、1个致密层和1个softmax分类器构成；
所述卷积神经网络检测模型的卷积层1的初始最优权重矩阵、初始偏置向量的求取步骤为：
生成卷积层1的训练数据集：从检测与识别数据集XMCD中随机抽取L批大小为d1×d1的数组，每批数组构成向量
Figure GDA0003899242350000068
L批数组构成矩阵
Figure GDA0003899242350000069
对卷积层1执行卷积运算和平滑处理，得到特征矩阵：
Figure GDA00038992423500000610
其中，W1为卷积层1所有卷积核的权重矩阵，b1为对应的偏置向量，δ用于控制平滑度，g(·)为整流线性单元激活函数，repmat(b1,1,L)表示将b1复制L次并平铺；
对特征矩阵F1的每个行向量
Figure GDA0003899242350000071
归一化处理，即
Figure GDA0003899242350000072
得到行归一化特征矩阵
Figure GDA0003899242350000073
其中，N1为卷积层1的特征图数量；
对行归一化特征矩阵
Figure GDA0003899242350000074
的每个列向量
Figure GDA0003899242350000075
归一化处理，即
Figure GDA0003899242350000076
得到归一化特征矩阵
Figure GDA0003899242350000077
用l1-范数罚函数和l2-范数加权衰减正则化对归一化特征矩阵
Figure GDA0003899242350000078
进一步处理，得到优化模型：
Figure GDA0003899242350000079
其中，normr(·),normc(·)分别表示行和列的归一化过程，通过求解公式(1)得到卷积层1的初始权重矩阵
Figure GDA00038992423500000710
和初始偏置向量
Figure GDA00038992423500000711
卷积神经网络检测模型的卷积层2的初始权重矩阵、初始偏置向量的求取步骤为：
池化层1采用均值池化，对来自卷积层1输出的特征图进行特征选择和信息过滤，生成卷积层2的原始训练数据集
Figure GDA00038992423500000712
生成卷积层2的训练数据集：从卷积层2的原始训练数据集
Figure GDA00038992423500000713
中随机抽取L批大小为d2×d2的数组，每批数组构成向量
Figure GDA00038992423500000714
L批数组构成矩阵
Figure GDA00038992423500000715
对卷积层2执行卷积运算和平滑处理，得到卷积层2特征矩阵：
Figure GDA00038992423500000716
其中，W2为卷积层2所有卷积核的权重矩阵，b2为对应的偏置向量，δ用于控制平滑度，g(·)为整流线性单元激活函数，repmat(b2,1,L)表示将b2复制L次并平铺；
对卷积层2的特征矩阵F2的每个行向量
Figure GDA0003899242350000081
归一化处理，即
Figure GDA0003899242350000082
得到卷积层2的行归一化特征矩阵
Figure GDA0003899242350000083
其中，N2为卷积层2的特征图数量；
对卷积层2的行归一化特征矩阵
Figure GDA0003899242350000084
的每个列向量
Figure GDA0003899242350000085
归一化处理，即
Figure GDA0003899242350000086
得到卷积层2归一化特征矩阵
Figure GDA0003899242350000087
用l1-范数罚函数和l2-范数加权衰减正则化对
Figure GDA0003899242350000088
进一步处理，即建立如下优化模型：
Figure GDA0003899242350000089
其中，normr(·),normc(·)分别表示行和列的归一化过程，求解公式2得到卷积层2的初始权重矩阵
Figure GDA00038992423500000810
和初始偏置向量
Figure GDA00038992423500000811
所述softmax分类器的初始权值矩阵求取步骤为：
池化层2采用均值池化，对来自卷积层2输出的特征图进行特征选择和信息过滤，生成softmax分类器的训练数据集
Figure GDA00038992423500000812
全连接层将
Figure GDA00038992423500000813
展开为列向量，全连接至softmax分类器，对其训练得到softmax分类器的初始权值矩阵
Figure GDA00038992423500000814
本发明的有益效果：本发明对获取的循环相关信号时域波形执行泛化奇异值分解操作和空间划分消噪操作，能增强多重冲突检测数据集的真实性；对卷积神经网络采用先粗训练再精训练级联，可以防止小样本训练数据集引起的过拟合，提高前导码检测和冲突多重度识别的泛化能力；并且无需修改现有的协议栈，可在基站完成高精度冲突检测，并能准确估计选择了相同前导码的终端设备数量，指导冲突解决方案设计。
附图说明
图1是本发明中随机接入信道多重冲突检测系统结构框图；
图2是本发明中相关信号波形图；
图3是本发明中前导码检测性能比较图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
从图1可以看出，一种LTE电力无线专网随机接入信道多重冲突检测方法，其特征在于：搭建检测系统，该检测系统由循环相关运算与相关信号预处理单元以及卷积神经网络检测与识别单元构成，所述循环相关运算与相关信号预处理单元包括依次连接的CC模块和PP模块，所述CC模块的信号输入端连接有接入检测单元；所述PP模块与所述卷积神经网络检测与识别单元连接；
卷积神经网络框架由2对卷积层和池化层、1个致密层和1个softmax分类器构成，其中，卷积层i∈{1,2}配置Ni个特征图，卷积核大小为di×di，所有卷积层的卷积核的激活函数均采用整流线性单元(ReLU)，池化层均采用均值池化，全连接层将池化层2的输出特征图展开为列维向量，softmax分类器配置的神经元与RACH协议栈设定的最大前导码冲突多重度相同，首先利用检测与识别数据集的一部分数据训练卷积神经网络，然后利用检测与识别数据集的另一部分数据，基于训练后的卷积神经网络检测前导码和识别冲突多重度。
本实施例中，循环相关信号波形XMCD作为卷积层1的输入，其尺寸为28×28，卷积层1配置N1＝6个特征图，每个特征图的卷积核大小为5×5，即大小为28×28的输入数据经过单位步长、无填充5×5卷积核后输出特征图大小为6×24×24，池化层1将6×24×24的输入特征图经过单位步长、无填充2×2均值池化后输出特征图大小为6×12×12；卷积层2配置N2＝12个特征图，每个特征图的卷积核大小为5×5，即大小为12×12的输入数据经过单位步长、无填充5×5卷积核后输出特征图大小为12×8×8，池化层2将12×8×8的输入特征图经过单位步长、无填充2×2均值池化后输出特征图大小为12×4×4；所有卷积核的激活函数均采用整流线性单元即为：ReLU，致密层将池化层2的输出特征图展开为192×1维向量，并与softmax分类器全连接，对于前导码检测，有两个可能的类别，即0或至少一个设备，而冲突多重度识别可能的类别数量为Nmax+1，其中，Nmax为最大冲突终端设备数量，依据3GPP的描述，99％的情况下最多有5个终端设备选择相同前导码，本实施例设置Nmax＝5，相应地，softmax分类器配置6个神经元。
在本实施例中，检测方法按照以下步骤进行：
S1：选定检测窗口，设定检测周期T：T＝N/fs；获取接入检测单元检测的随机接入信道的接收信号样本序列r[n],n＝0,1,…,N-1与基序列zr[n],n＝0,1,…,N-1执行循环相关运算；并获得相对于根索引的N×N维循环相关信号波形Rc∈RN×N，其中，fs表示接收信号采样频率，N表示检测周期T内的样本数；
本实施例中，根据LTE标准建议每小区配置64个前导码，选择T＝0.16μs,N＝1600sf,＝10，M循环相关运算得到的单终端设备选择前导码的相关信号波形如附图2所示。
S2：对循环相关信号波形Rc执行二值化处理操作、噪声消除操作和波形尺寸调整操作，构成检测与识别数据集XMCD：
在步骤S2中，构成检测与识别数据集XMCD的具体步骤为：
S21：对所述循环相关信号波形Rc进行二值化处理操作生成二值化数据集
Figure GDA0003899242350000111
在步骤S21中的具体步骤为：
S211：将循环相关信号波形Rc中所有像素Rc(i,j)；i,j＝0,1,…,1599的取值归一化为[0,1]，记为
Figure GDA0003899242350000112
S212：估计初始阈值Tth：
Figure GDA0003899242350000113
S213：利用初始阈值Tth将循环相关信号波形分为第一波形图M1和第二波形图M2；
S214：计算第一波形图M1的平均值，得到第一平均值μ1；计算第二波形图M2的平均值，得到第二平均值μ2；
S215：更新阈值，Tth:＝(μ1+μ2)/2；
S216：判断相邻两次计算得到的Tth之差小于0.001；若是，得到二值化处理后的
Figure GDA0003899242350000114
构成数据集
Figure GDA0003899242350000115
其元素：
Figure GDA0003899242350000116
否则返回步骤S213。
S22：对二值化数据集
Figure GDA0003899242350000117
执行泛化奇异值分解操作、子空间划分操作和消除噪声操作，得到噪声消除数据集
Figure GDA0003899242350000118
在步骤S22中的具体步骤为：
S221：计算参数
Figure GDA0003899242350000119
设置奇异值的提取参数个数κ、误差矩阵元素最小阈值ε、参数μ的更新系数ρ，并初始化误差矩阵E＝0；过程矩阵Λ＝0；
Figure GDA00038992423500001110
表示求初始周期相关特征数字谱图
Figure GDA00038992423500001111
的2范数；
在本实施例中，设置参数κ＝6,ρ＝1,ε＝0.0005，初始化误差矩阵E＝0、过程矩阵Λ＝0；
S222：构造矩阵
Figure GDA0003899242350000121
对其执行奇异值分解，按照奇异值大小降序排列，提取前κ个大的奇异值和对应的奇异向量{Fs,Σs,Gs},s＝1,2,…,6；
S223：计算中间矩阵U,V；
Figure GDA0003899242350000122
S224：更新误差矩阵E:Eij＝sign(Pij)×|Pij-1/μ|，其中，其中，Eij为误差矩阵E的第i行第j列元素值；Pij为构造矩阵P的第i行第j列元素值；i,j＝0,1,…,1599；
S225：更新过程矩阵Λ和参数μ；
Figure GDA0003899242350000123
S226：判断误差矩阵E中所有元素取值是否均小于误差矩阵元素最小阈值ε；若是，将得到的U,V记为U*,V*，生成噪声消除后的数据集
Figure GDA0003899242350000124
否则返回步骤S222。
S23：采用最近邻插值法调整循环相关信号波形尺寸，将噪声消除数据集
Figure GDA0003899242350000125
调整成大小为D×D的循环相关信号波形，作为检测与识别数据集XMCD。
S3：根据所述检测与识别数据集XMCD和卷积神经网络框架，进行卷积神经网络检测模型第一次训练，得到卷积神经网络检测模型中所有卷积层的初始权重矩阵、初始偏置向量以及softmax分类器的初始权值矩阵；
所述卷积神经网络检测模型的卷积层1的初始权重矩阵、初始偏置向量的求取步骤为：
生成卷积层1的训练数据集：从检测与识别数据集XMCD中随机抽取L批大小为d1×d1的数组，每批数组构成向量
Figure GDA0003899242350000126
L批数组构成矩阵
Figure GDA0003899242350000127
在本实施例中，L＝20。
对卷积层1执行卷积运算和平滑处理，得到特征矩阵：
Figure GDA0003899242350000131
其中，W1为卷积层1所有卷积核的权重矩阵，b1为对应的偏置向量，δ用于控制平滑度，在本实施例中，δ＝2×10-4；g(·)为整流线性单元激活函数，repmat(b1,1,L)表示将b1复制L次并平铺；
对特征矩阵F1的每个行向量
Figure GDA0003899242350000132
归一化处理，即
Figure GDA0003899242350000133
得到行归一化特征矩阵
Figure GDA0003899242350000134
其中，N1为卷积层1的特征图数量；N1＝6；
对行归一化特征矩阵
Figure GDA0003899242350000135
的每个列向量
Figure GDA0003899242350000136
归一化处理，即
Figure GDA0003899242350000137
得到归一化特征矩阵
Figure GDA0003899242350000138
用l1-范数罚函数和l2-范数加权衰减正则化对归一化特征矩阵
Figure GDA0003899242350000139
进一步处理，得到优化模型：
Figure GDA00038992423500001310
其中，normr(·),normc(·)分别表示行和列的归一化过程，通过求解公式(1)得到卷积层1的初始权重矩阵
Figure GDA00038992423500001311
和初始偏置向量
Figure GDA00038992423500001312
在本实施例中，选择λ＝5×10-5。
卷积神经网络检测模型的卷积层2的初始权重矩阵、初始偏置向量的求取步骤为：
池化层1采用均值池化，对来自卷积层1输出的特征图进行特征选择和信息过滤，生成卷积层2的原始训练数据集
Figure GDA00038992423500001313
生成卷积层2的训练数据集：从卷积层2的原始训练数据集
Figure GDA00038992423500001314
中随机抽取L批大小为d2×d2的数组，每批数组构成向量
Figure GDA00038992423500001315
L批数组构成矩阵
Figure GDA00038992423500001316
在本实施例中，L＝20。
对卷积层2执行卷积运算和平滑处理，得到卷积层2特征矩阵：
Figure GDA0003899242350000141
其中，W2为卷积层2所有卷积核的权重矩阵，b2为对应的偏置向量，δ用于控制平滑度，δ＝2×10-4；g(·)为整流线性单元激活函数，repmat(b2,1,L)表示将b2复制L次并平铺；
对卷积层2的特征矩阵F2的每个行向量
Figure GDA0003899242350000142
归一化处理，即
Figure GDA0003899242350000143
得到卷积层2的行归一化特征矩阵
Figure GDA0003899242350000144
其中，N2为卷积层2的特征图数量；N2＝12；
对卷积层2的行归一化特征矩阵
Figure GDA0003899242350000145
的每个列向量
Figure GDA0003899242350000146
归一化处理，即
Figure GDA0003899242350000147
得到卷积层2归一化特征矩阵
Figure GDA0003899242350000148
用l1-范数罚函数和l2-范数加权衰减正则化对
Figure GDA0003899242350000149
进一步处理，即建立如下优化模型：
Figure GDA00038992423500001410
其中，normr(·),normc(·)分别表示行和列的归一化过程，选择λ＝5×10-5；求解公式2得到卷积层2的最优权重矩阵
Figure GDA00038992423500001411
和初始偏置向量
Figure GDA00038992423500001412
所述softmax分类器的初始权值矩阵求取步骤为：
池化层2采用均值池化，对来自卷积层2输出的特征图进行特征选择和信息过滤，生成softmax分类器的训练数据集
Figure GDA00038992423500001413
全连接层将
Figure GDA00038992423500001414
展开为列向量，全连接至softmax分类器，对其训练得到softmax分类器的初始权值矩阵
Figure GDA00038992423500001415
S4：步骤S3得到
Figure GDA00038992423500001416
作为初始条件，交叉熵作为损失函数，基于反向传播算法和随机梯度下降算法对卷积神经网络检测模型进行第二次训练，获得所有卷积层的最终矩阵
Figure GDA0003899242350000151
最终偏置向量
Figure GDA0003899242350000152
以及softmax分类器的最终权值矩阵
Figure GDA0003899242350000153
得到训练后的卷积神经网络检测模型。
S5：利用卷积神经网络检测模型，检测随机接入信道前导码，识别冲突多重度。
从检测与识别数据集中选择80％的数据用于训练，20％的数据用于测试，卷积神经网络进行10轮训练，选择损失函数最小的卷积神经网络进行测试，结合表一可以看出得到的混合矩阵。
表一前导码检测性能混合矩阵
冲突多重度 0 1 2 3 4 5
0 0.996 0.003 0 0 0 0
1 0 0.972 0.027 0 0 0
2 0 0.005 0.987 0.007 0.007 0
3 0 0 0.013 0.978 0.007 0
4 0 0 0 0.018 0.971 0.009
5 0 0 0 0 0.033 0.966
前导码检测率约为0.98，冲突多重度识别率约为0.97；进一步与基于时域的阈值算法、基于频域的阈值算法和线性回归算法对比结果如附图3所示。由图可知，本发明提出的基于卷积神经网络的检测算法，当信噪比为-15dB时，误检概率已下降至10-4，而要达到相同的检测性能水平，其余算法至少要求信噪比为-13.7dB。
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (4)

1.一种LTE电力无线专网随机接入信道多重冲突检测方法，其特征在于：搭建检测系统，该检测系统由循环相关运算与相关信号预处理单元以及卷积神经网络检测与识别单元构成，所述循环相关运算与相关信号预处理单元包括依次连接的CC模块和PP模块，所述CC模块的信号输入端连接有接入检测单元；所述PP模块与所述卷积神经网络检测与识别单元连接；
其中CC模块为循环相关运算模块，PP模块为噪声消除模块；
检测方法按照以下步骤进行：
S1：选定检测窗口，设定检测周期T：T＝N/fs；获取接入检测单元检测的随机接入信道的接收信号样本序列r[n],n＝0,1,…,N-1与基序列zr[n],n＝0,1,…,N-1执行循环相关运算；并获得相对于根索引的N×N维循环相关信号波形Rc∈RN×N，其中，fs表示接收信号采样频率，N表示检测周期T内的样本数；
S2：对循环相关信号波形Rc执行二值化处理操作、噪声消除操作和波形尺寸调整操作，构成检测与识别数据集XMCD；
S3：根据所述检测与识别数据集XMCD和卷积神经网络框架，进行卷积神经网络检测模型第一次训练，得到卷积神经网络检测模型中所有卷积层的初始权重矩阵、初始偏置向量以及softmax分类器的初始权值矩阵；
所述卷积神经网络框架由2对卷积层、2对池化层、1个致密层和1个softmax分类器构成；
所述卷积神经网络检测模型的卷积层1的初始权重矩阵、初始偏置向量的求取步骤为：
生成卷积层1的训练数据集：从检测与识别数据集XMCD中随机抽取L批大小为d1×d1的数组，每批数组构成向量
Figure FDA0003899242340000021
l＝1,…,d1×d1，L批数组构成矩阵
Figure FDA0003899242340000022
对卷积层1执行卷积运算和平滑处理，得到特征矩阵：
Figure FDA0003899242340000023
其中，W1为卷积层1所有卷积核的权重矩阵，b1为对应的偏置向量，δ用于控制平滑度，g(·)为整流线性单元激活函数，repmat(b1,1,L)表示将b1复制L次并平铺；
对特征矩阵F1的每个行向量
Figure FDA0003899242340000024
i＝1,…,N1归一化处理，即
Figure FDA0003899242340000025
得到行归一化特征矩阵
Figure FDA0003899242340000026
其中，N1为卷积层1的特征图数量；
对行归一化特征矩阵
Figure FDA0003899242340000027
的每个列向量
Figure FDA0003899242340000028
j＝1，…，L归一化处理，即
Figure FDA0003899242340000029
得到归一化特征矩阵
Figure FDA00038992423400000210
用l1-范数罚函数和l2-范数加权衰减正则化对归一化特征矩阵
Figure FDA00038992423400000211
进一步处理，得到优化模型：
Figure FDA00038992423400000212
Figure FDA00038992423400000213
Figure FDA00038992423400000214
其中，normr(·),normc(·)分别表示行和列的归一化过程，通过求解公式(1)得到卷积层1的初始最优权重矩阵
Figure FDA00038992423400000215
和初始最优偏置向量
Figure FDA00038992423400000216
λ＝5×10-5；
卷积神经网络检测模型的卷积层2的初始权重矩阵、初始偏置向量的求取步骤为：
池化层1采用均值池化，对来自卷积层1输出的特征图进行特征选择和信息过滤，生成卷积层2的原始训练数据集
Figure FDA00038992423400000217
生成卷积层2的训练数据集：从卷积层2的原始训练数据集
Figure FDA00038992423400000218
中随机抽取L批大小为d2×d2的数组，每批数组构成向量
Figure FDA0003899242340000031
l＝1,…,d2×d2，L批数组构成矩阵
Figure FDA0003899242340000032
对卷积层2执行卷积运算和平滑处理，得到卷积层2特征矩阵：
Figure FDA0003899242340000033
其中，W2为卷积层2所有卷积核的权重矩阵，b2为对应的偏置向量，δ用于控制平滑度，g(·)为整流线性单元激活函数，repmat(b2,1,L)表示将b2复制L次并平铺；
对卷积层2的特征矩阵F2的每个行向量
Figure FDA0003899242340000034
i＝1,…,N2归一化处理，即
Figure FDA0003899242340000035
得到卷积层2的行归一化特征矩阵
Figure FDA0003899242340000036
其中，N2为卷积层2的特征图数量；
对卷积层2的行归一化特征矩阵
Figure FDA0003899242340000037
的每个列向量
Figure FDA0003899242340000038
j＝1，…，L归一化处理，即
Figure FDA0003899242340000039
得到卷积层2归一化特征矩阵
Figure FDA00038992423400000310
用l1-范数罚函数和l2-范数加权衰减正则化对
Figure FDA00038992423400000311
进一步处理，即建立如下优化模型：
Figure FDA00038992423400000312
Figure FDA00038992423400000313
Figure FDA00038992423400000314
其中，normr(·),normc(·)分别表示行和列的归一化过程，求解公式2得到卷积层2的初始权重矩阵
Figure FDA00038992423400000315
和初始偏置向量
Figure FDA00038992423400000316
所述softmax分类器的初始权值矩阵求取步骤为：
池化层2采用均值池化，对来自卷积层2输出的特征图进行特征选择和信息过滤，生成softmax分类器的训练数据集
Figure FDA00038992423400000317
全连接层将
Figure FDA00038992423400000318
展开为列向量，全连接至softmax分类器，对其训练得到softmax分类器的初始最优权值矩阵
Figure FDA0003899242340000041
S4：将步骤S3得到的所有卷积层的初始最优权重矩阵、初始偏置向量以及softmax分类器的初始最优权值矩阵作为初始条件，交叉熵作为损失函数，采用反向传播算法和随机梯度下降算法对卷积神经网络检测模型进行第二次训练，获得所有卷积层的最终权重矩阵、最终偏置向量以及softmax分类器的最终权值矩阵，得到训练后的卷积神经网络检测模型；
S5：利用卷积神经网络检测模型，检测随机接入信道前导码，识别冲突多重度。
2.根据权利要求1所述的LTE电力无线专网随机接入信道多重冲突检测方法，其特征在于：在步骤S2中，构成检测与识别数据集XMCD的具体步骤为：
S21：对所述循环相关信号波形Rc进行二值化处理操作生成二值化数据集
Figure FDA0003899242340000042
S22：对二值化数据集
Figure FDA0003899242340000043
执行泛化奇异值分解操作、子空间划分操作和消除噪声操作，得到噪声消除数据集
Figure FDA0003899242340000044
S23：采用最近邻插值法调整循环相关信号波形尺寸，将噪声消除数据集
Figure FDA0003899242340000045
调整成大小为D×D的循环相关信号波形，作为检测与识别数据集XMCD。
3.根据权利要求2所述的LTE电力无线专网随机接入信道多重冲突检测方法，其特征在于：在步骤S21中的具体步骤为：
S211：将循环相关信号波形Rc中所有像素Rc(i,j)；i,j＝0,1,…,N-1的取值归一化为[0,1]，记为
Figure FDA0003899242340000046
S212：估计初始阈值Tth：
Figure FDA0003899242340000047
S213：利用初始阈值Tth将循环相关信号波形分为第一波形图M1和第二波形图M2；
S214：计算第一波形图M1的平均值，得到第一平均值μ1；计算第二波形图M2的平均值，得到第二平均值μ2；
S215：更新阈值，Tth:＝(μ1+μ2)/2；
S216：判断相邻两次计算得到的Tth之差是否小于0.001；若是，得到二值化处理后的
Figure FDA0003899242340000051
构成数据集
Figure FDA0003899242340000052
其元素：
Figure FDA0003899242340000053
否则，返回步骤S213。
4.根据权利要求2所述的LTE电力无线专网随机接入信道多重冲突检测方法，其特征在于：在步骤S22中的具体步骤为：
S221：计算参数
Figure FDA0003899242340000054
设置奇异值的提取参数个数κ、误差矩阵元素最小阈值ε、参数μ的更新系数ρ，并初始化误差矩阵E＝0；过程矩阵Λ＝0；
Figure FDA0003899242340000055
表示求初始周期相关特征数字谱图
Figure FDA0003899242340000056
的2范数；
S222：构造矩阵
Figure FDA0003899242340000057
对其执行奇异值分解，按照奇异值大小降序排列，提取前κ个大的奇异值和对应的奇异向量{Fs,Σs,Gs},s＝1,2,…,κ；
S223：计算中间矩阵U,V；U＝[F1,F2,…,Fκ],
Figure FDA0003899242340000058
S224：更新误差矩阵E:Eij＝sign(Pij)×|Pij-1/μ|，其中，Eij为误差矩阵E的第i行第j列元素值；Pij为构造矩阵P的第i行第j列元素值；i,j＝0,1,…,N-1；
S225：更新过程矩阵Λ和参数μ；
Figure FDA0003899242340000059
μ＝min(μ×ρ,1010)；
S226：判断误差矩阵E中所有元素取值是否均小于误差矩阵元素最小阈值ε；若是，将得到的U,V记为U*,V*，生成噪声消除后的数据集
Figure FDA00038992423400000510
否则，返回步骤S222。
CN201910372373.4A 2019-05-06 2019-05-06 Lte电力无线专网随机接入信道多重冲突检测方法 Active CN110139392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910372373.4A CN110139392B (zh) 2019-05-06 2019-05-06 Lte电力无线专网随机接入信道多重冲突检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910372373.4A CN110139392B (zh) 2019-05-06 2019-05-06 Lte电力无线专网随机接入信道多重冲突检测方法

Publications (2)

Publication Number Publication Date
CN110139392A CN110139392A (zh) 2019-08-16
CN110139392B true CN110139392B (zh) 2022-11-25

Family

ID=67576240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910372373.4A Active CN110139392B (zh) 2019-05-06 2019-05-06 Lte电力无线专网随机接入信道多重冲突检测方法

Country Status (1)

Country Link
CN (1) CN110139392B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3826415B1 (en) 2019-11-25 2023-06-14 Nokia Technologies Oy Preamble detection in wireless network
CN111245758B (zh) * 2019-12-30 2022-04-29 河南科技大学 一种用于泛在电力物联网的qpsk调制非相干检测方法
CN111669820B (zh) * 2020-05-27 2022-02-11 南京邮电大学 一种密度峰值异常检测方法及智能无源室内定位方法
WO2022104725A1 (en) * 2020-11-20 2022-05-27 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for detection of radio signal
CN112512075B (zh) * 2020-11-26 2022-02-15 华中科技大学 一种导频碰撞检测方法、装置及系统
CN115001609B (zh) * 2022-04-29 2024-06-21 国网上海市电力公司 计及干扰功率测量值的电力无线专网干扰类型识别方法
CN117241409B (zh) * 2023-11-13 2024-03-22 湖南大学 基于近端策略优化的多类型终端随机接入竞争解决方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1533203A (zh) * 2003-03-18 2004-09-29 大唐移动通信设备有限公司 一种用于检测多用户终端随机接入冲突的方法
CN107682216A (zh) * 2017-09-01 2018-02-09 南京南瑞集团公司 一种基于深度学习的网络流量协议识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220164064A (ko) * 2015-07-27 2022-12-12 애플 인크. 5g ciot(셀룰러 사물 인터넷)을 위한 향상된 rach(랜덤 액세스 채널) 설계
KR101701421B1 (ko) * 2015-10-16 2017-02-13 고려대학교 산학협력단 다중 시퀀스 확산을 이용한 랜덤 접속 및 다중 사용자 검출 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1533203A (zh) * 2003-03-18 2004-09-29 大唐移动通信设备有限公司 一种用于检测多用户终端随机接入冲突的方法
WO2004084565A1 (fr) * 2003-03-18 2004-09-30 Da Tang Mobile Communications Equipment Co., Ltd. Procede de detection de collision d'acces aleatoire sur equipement multi-utilisateur
CN107682216A (zh) * 2017-09-01 2018-02-09 南京南瑞集团公司 一种基于深度学习的网络流量协议识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
German Corrales Madueño等.Efficient LTE access with collision resolution for massive M2M communications.《2014 IEEE Globecom Workshops》.2015,全文. *
LTE系统中的M2M随机接入检测算法研究;吴珏莹;《中国优秀硕士学位论文全文数据库信息科技辑》;20170315;全文 *
基于CDMA的Ad Hoc网络抗多址干扰分析;陈西豪等;《上海大学学报(自然科学版)》;20061030(第05期);全文 *

Also Published As

Publication number Publication date
CN110139392A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN110139392B (zh) Lte电力无线专网随机接入信道多重冲突检测方法
TW201729629A (zh) 非正交多址接入系統中的上行檢測方法及裝置
CN109379153A (zh) 一种频谱感知方法
Magrin et al. Enabling LTE RACH collision multiplicity detection via machine learning
US11647468B2 (en) Transmission power allocation method based on user clustering and reinforcement learning
US11968541B2 (en) Spectrum sharing with deep reinforcement learning (RL)
CN110649982B (zh) 基于次用户节点选择的双阈值能量检测方法
CN114268388A (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
CN116192307A (zh) 非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质
EP4302545A1 (en) Machine learning aided location-based downlink interference assistance information
Zhang et al. Deep learning based double-contention random access for massive machine-type communication
US20230412429A1 (en) Active User Detection and Channel Estimation Method and Device, Using Deep Neural Network
CN111683023B (zh) 一种模型驱动的基于深度学习的大规模设备检测方法
WO2022086962A1 (en) Data-driven probabilistic modeling of wireless channels using conditional variational auto-encoders
CN105429913A (zh) 基于特征值的多电平检测与识别方法
CN112350790A (zh) 一种基于深度学习的频谱感知检测方法、装置及设备
CN106972900A (zh) 基于广义t2统计量的盲频谱感知方法
CN115499115B (zh) CF-mMIMO场景下基于正交导频的活跃用户检测方法
CN116170066A (zh) 一种面向低轨卫星物联网的负载预测方法
CN113556157B (zh) 非高斯干扰下mimo系统发射天线数估计方法及系统
CN108900268A (zh) 利用小特征值估计噪声功率的最大特征值频谱感知方法
Zou et al. Joint user activity and data detection in grant-free NOMA using generative neural networks
CN116318476B (zh) 基于功率比较的信道占用状态预测方法及装置
Mikhailov et al. Performance assessment of an early preamble collision detection approach for cellular M2M random access
Byun et al. Random Access Issues for Next Generation Mobile Communications Services

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant