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 PDFInfo
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 32
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000008030 elimination Effects 0.000 claims abstract description 6
- 238000003379 elimination reaction Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 106
- 239000013598 vector Substances 0.000 claims description 61
- 230000008569 process Effects 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 5
- 230000020411 cell activation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 230000004913 activation Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- YZCKVEUIGOORGS-OUBTZVSYSA-N Deuterium Chemical compound [2H] YZCKVEUIGOORGS-OUBTZVSYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
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:
其中,在步骤S21中的具体步骤为:
S212:估计初始阈值Tth:
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;
否则返回步骤S213。
其中,在步骤S22中的具体步骤为:
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;
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:
对卷积层1执行卷积运算和平滑处理,得到特征矩阵:
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;
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:
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:
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;
所述softmax分类器的初始权值矩阵求取步骤为:
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:
在步骤S21中的具体步骤为:
S212:估计初始阈值Tth:
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;
否则返回步骤S213。
在步骤S22中的具体步骤为:
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;
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;
否则返回步骤S222。
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:
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:
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;
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:
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:
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;
所述softmax分类器的初始权值矩阵求取步骤为:
S4:步骤S3得到作为初始条件,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。
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:
对卷积层1执行卷积运算和平滑处理,得到特征矩阵:
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;
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:
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:
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;
所述softmax分类器的初始权值矩阵求取步骤为:
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。
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:
S212:估计初始阈值Tth:
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;
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:
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;
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)
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)
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)
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 |
-
2019
- 2019-05-06 CN CN201910372373.4A patent/CN110139392B/zh active Active
Patent Citations (3)
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)
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 |