CN111641570A - 一种基于深度学习的联合设备检测和信道估计方法 - Google Patents

一种基于深度学习的联合设备检测和信道估计方法 Download PDF

Info

Publication number
CN111641570A
CN111641570A CN202010305196.0A CN202010305196A CN111641570A CN 111641570 A CN111641570 A CN 111641570A CN 202010305196 A CN202010305196 A CN 202010305196A CN 111641570 A CN111641570 A CN 111641570A
Authority
CN
China
Prior art keywords
base station
iteration
layer
deep learning
channel estimation
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.)
Granted
Application number
CN202010305196.0A
Other languages
English (en)
Other versions
CN111641570B (zh
Inventor
邵晓丹
陈晓明
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010305196.0A priority Critical patent/CN111641570B/zh
Publication of CN111641570A publication Critical patent/CN111641570A/zh
Application granted granted Critical
Publication of CN111641570B publication Critical patent/CN111641570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00Baseband systems
    • H04L25/02Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202Channel estimation
    • H04L25/024Channel estimation channel estimation algorithms
    • H04L25/0254Channel estimation channel estimation algorithms using neural network algorithms
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00Baseband systems
    • H04L25/02Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202Channel estimation

Landscapes

  • Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于深度学习的联合设备检测和信道估计方法。在蜂窝物联网中,一个配备大规模天线阵列的基站同时服务大量的单天线设备。在任一给定时隙,仅有部分设备激活,而其他设备处于休眠状态。本发明采用免授权的随机接入协议,即激活设备同时向基站发送一段基站已知的导频序列。接着基站基于近似消息传递模型,构造一个深度学习网络,并通过反向传播的方式训练深度学习网络的参数,以较短的训练时间快速地检测出设备状态并估计出相应的信道信息。最后基站利用所估计的信道信息和激活设备进行数据交互。本发明对设备状态矩阵的分布有较强鲁棒性,为具有大规模设备接入的蜂窝物联网提供了一种高效的联合设备检测和信道估计方法。

Description

一种基于深度学习的联合设备检测和信道估计方法
技术领域
本发明涉及无线通信领域,尤其涉及一种基于深度学习的联合设备检测和 信道估计方法。
背景技术
大规模机器式通信是6G无线网络的三种主要应用场景之一。它的关键性的 特点是无线网络需要支持大规模的无线终端的同时接入,同时网络中的终端的 激活模式通常是间歇的。因为在每个时隙内,仅有少部分的终端处于激活状态, 从而与基站通信。其他设备为了节省能量而暂时处于休眠状态,它们只有在受 到外部事件触发时才会被激活。激活的终端在每个时隙的开始阶段同时向基站 发射导频序列,基站通过激活检测和信道估计算法,得知哪些终端处于激活状 态并获得其相应的信道状态信息。然后在每个时隙的剩余长度内,基站和激活 的终端之间再进行上行和下行数据交互。
由于深度学习具有较强的数据学习能力,它已成功地应用于计算机视觉、 自动语音识别和自然语言处理领域。近年来,数据驱动型的机器学习也已经在 无线通信中得到了广泛的应用,如信道估计,信道反馈和信道编码。在终端检 测和信道估计问题上,完全连接的深神经网络(DNN)已经被嵌入到大规模机 器类型通信的系统中。这些工作将接收器视为一个黑匣子。首先,训练这样一 个基于黑箱的网络需要很多训练时间和庞大的数据集。其次,设备状态矩阵的 先验知识在这类机器学习算法中并没有得到有效利用。
大规模机器式通信系统中庞大的潜在设备数目和大规模天线阵列的使用, 使得每个训练数据的维数非常高,导致训练过程耗费大量时间。另外,考虑信 道的波束空间特性时,目前大多数工作所假设得设备状态矩阵服从伯努利-高斯 分布并不合理。因此如何设计一个检测模型,并重新设计易于实现的的检测算 法,在此基础上构建模型驱动型的深度学习网络,实现高效的终端状态检测和 信道估计尤为重要。
发明内容
本发明的目的是为了解决当基站配备大规模天线阵列时,在现有基于机器 学习的大规模接入系统中,终端激活检测和信道估计方案的参数训练时间长, 计算复杂度高和信道先验知识假设不合理问题,提出了一种基于深度学习的联 合设备检测和信道估计方法。
本发明所采用的具体技术方案如下:
一种基于深度学习的联合设备检测和信道估计方法,其包括如下步骤:
1)在每个长度为T的时隙的开始阶段,所有激活的终端设备同时向基站发 送长度为L的导频序列;
2)基站接收到导频序列后,基于一种数据分解方法,将接收信号从高维空 间映射到低维空间,以降低算法复杂度;
3)在低维空间,基站基于近似消息传递算法,构建出一个基于深度学习的 检测器;
4)基站得到基于深度学习的检测器后,基于反向传播方式逐层训练模型中 的未知参数;
5)基站将训练好的参数代入步骤3)中的检测器里,检测出激活的终端设 备,并估计出激活终端设备的信道状态信息;
6)在每个时隙剩余的长度T-L的时长内,基站利用信道估计值与激活设备 进行上行和下行的数据交互。
在上述技术方案基础上,各步骤可进一步采用如下具体方式实现。
作为优选,步骤2)中的数据分解方法为:
首先基站对接收到的信号Y进行奇异值分解:
Figure BDA0002455507530000021
其中Ssd为酉 矩阵,Vsd为奇异值矩阵,
Figure BDA0002455507530000022
为酉矩阵;然后得到
Figure BDA0002455507530000023
其中
Figure BDA0002455507530000024
是Ssd的 前re列,
Figure BDA0002455507530000025
是由Vsd的左上角re×re个元素构成的方阵,其中re是需要检测的 未知信号的秩;接下来通过取
Figure BDA0002455507530000031
的前re行得到U;数据分解满足
Figure BDA0002455507530000032
并且 V的秩为re
Figure BDA0002455507530000033
并且UUH=I,其中I为单位矩阵,M为基站天线数目。
作为优选,步骤3)中所述的基于深度学习的检测器为:
3.a)设置
Figure BDA0002455507530000034
Figure BDA0002455507530000035
为第t层 网络的训练参数,其中
Figure BDA0002455507530000036
为第t层网络中第n个终端设备的功率调节参数,
Figure BDA0002455507530000037
为 第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的概率值,
Figure BDA0002455507530000038
为第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的高斯 分布方差;下标n∈{1,2,…,N}表示第n个终端设备,N为终端设备总数,下标 j∈{1,2,…,J}表示伯努利-高斯混合分布中的第j个分量,J为总的分量数;
3.b)在第t层网络中,对任意的
Figure BDA0002455507530000039
依次迭代更新残差Rt+1、 噪声变量
Figure BDA00024555075300000310
中间变量
Figure BDA00024555075300000311
和第n个终端设备的状态向量估值
Figure BDA00024555075300000312
首先,更新
Figure BDA00024555075300000313
其中函数g't,n的计算方法为:
Figure BDA00024555075300000314
Figure BDA00024555075300000315
式中,St为低维空间未知信号的估值,Rt为第t次迭代的残差,
Figure BDA00024555075300000316
为第t次 迭代的噪声变量,
Figure BDA00024555075300000317
为第t次迭代的中间变量,
Figure BDA00024555075300000318
为第t次迭代的训练参数,第t 次迭代的方差为
Figure BDA00024555075300000319
中间变量
Figure BDA00024555075300000320
代表变量
Figure BDA00024555075300000321
符合0均值 且方差为
Figure BDA00024555075300000322
的正态分布,中间变量
Figure BDA00024555075300000323
代表变量
Figure BDA00024555075300000324
符合0均值且方 差为
Figure BDA00024555075300000325
的正态分布,A为导频矩阵,其中∈n代表第n个终端设备的激活概率;
然后,更新
Figure BDA0002455507530000041
其中M是基站天线数目,‖.‖2代表二范数;
再后,更新
Figure BDA0002455507530000042
其中H为共轭转置,an为第n个终端设备 的导频序列,
Figure BDA0002455507530000043
为t轮迭代中第n个终端设备的状态向量估计值;
最后更新
Figure BDA0002455507530000044
作为优选,步骤4)中所述的基于反向传播方式逐层训练模型中的未知参数 的方法为:
给定需要学习的参数βt
Figure BDA0002455507530000045
的初始值β0=[1,…,1]和Ω0, 其中Ωt代表所有终端设备的学习参数
Figure BDA0002455507530000046
的集合,T代表转置操作,设置Tmax为 训练层数上界,设置网络层数标识t=0,按照所述的步骤3.b)开始进行第t层迭 代的参数学习:
首先,固定
Figure BDA0002455507530000047
学习βt,以达到最小化线性代价函数
Figure BDA0002455507530000048
的目的,其中||.||F代表F范数,
Figure BDA0002455507530000049
为第t轮迭代中第n个终端的中间变量值,sn为 第n个终端设备的状态向量真实值;
然后学习
Figure BDA00024555075300000410
Figure BDA00024555075300000411
以达到最小化线性代价函数
Figure BDA00024555075300000412
的目的;其中
Figure BDA00024555075300000413
为第t轮迭代中第n个终端的中间变量值估计值;
接着固定βt
Figure RE-GDA00025702141700000414
学习Ωt,以达到最小化非线性代价函数
Figure RE-GDA00025702141700000415
的目的;
最后学习
Figure BDA00024555075300000416
以达到最小化非线性代价函数
Figure BDA00024555075300000417
的目的;
完成一层网络的更新后,更新层数t←t+1,再次重复下一层网络的的参数 学习,直到t=Tmax-1时停止循环,完成模型中未知参数的训练。
作为优选,步骤5)中所述的设备激活检测和信道估计方法为:将训练层数 和迭代次数等价看待,进行如下迭代:
5.a)初始化外部迭代次数t=0,残差初始值为R0=V,低维空间未知参数估 值的初始值为S0=0,最大迭代次数为Tmax1,基站将步骤4)中训练好的模型参数 代入步骤3)构建的检测器中;
5.b)执行一遍所述的步骤3.b);
5.c)更新迭代次数t←t+1,然后重新进行下一轮迭代,即执行步骤5.b),直 到t=Tmax1时停止循环,最终输出状态矩阵的估计值S=St
5.d)利用激活判断标准:
Figure BDA0002455507530000051
判断哪些终端设备处于激活状态,其中k为终端标识,v为可调参数,S(k,:)为S的第k行,
Figure BDA0002455507530000052
代表检测出来的 激活设备的标识集合;再利用关系式
Figure BDA0002455507530000053
恢复出原始高维空间的信号估值, 从而得到激活设备的信道估计值为
Figure BDA0002455507530000054
其中Xk表示高维空间未 知状态向量的估值,
Figure BDA0002455507530000055
代表取S中与
Figure BDA0002455507530000056
对应的部分行,ξk为导频的发射能量。
本发明具有的有益效果是:本发明提出的基于深度学习的大规模终端激活 检测和信道估计方法,可以利用较少的训练数据实现更准确的终端激活检测和 信道估计,解决了传统的大规模终端激活检测和信道估计问题中计算复杂度高, 检测准确率低,信道先验分布假设不合理等所产生的一系列问题。
附图说明
图1是深度学习整体框架示意图;
图2是每一层学习网络的框架示意图;
图3是将本发明的基于深度学习的联合设备检测和信道估计方法与其他常 用终端信道估计方法比较时,信道估计的归一化均方误差与导频长度的关系;
图4是将本发明的基于深度学习的联合设备检测和信道估计方法与其他常 用终端检测方法比较时,检测错误率与导频长度的关系。
具体实施方式
本实施例中,大规模接入系统的基站安装M根天线,每个终端配置1根天 线,每个时隙内,仅有少量终端随机激活与基站进行通信,其他终端暂时处于 睡眠状态。并且激活的终端无需得到基站的授权就可直接接入网络。即每个时 隙的开始部分,激活的终端同时向基站发射导频序列,基站通过大规模终端检 测和信道估计算法获得哪些终端处于激活阶段并获得其相应的信道状态信息。 在每个时隙的剩余的部分,激活终端与基站进行数据交互。
基于该基站,本实施例提供了一种基于深度学习的联合设备检测和信道估 计方法,其包括如下步骤:
1)在每个长度为T的时隙的开始阶段,所有激活的终端设备同时向基站发 送长度为L的导频序列。
2)基站接收到导频序列后,基于一种数据分解方法,将接收信号从高维空 间映射到低维空间,以降低算法复杂度。
在本步骤中的数据分解方法为:
首先基站对接收到的信号Y进行奇异值分解:
Figure BDA0002455507530000061
其中Ssd为酉 矩阵,Vsd为奇异值矩阵,
Figure BDA0002455507530000062
为酉矩阵;然后得到
Figure BDA0002455507530000063
其中
Figure BDA0002455507530000064
是Ssd的 前re列,
Figure BDA0002455507530000065
是由Vsd的左上角re×re个元素构成的方阵,其中re是需要检测的 未知信号的秩;接下来通过取
Figure BDA0002455507530000066
的前re行得到U;数据分解满足
Figure BDA0002455507530000067
并且 V的秩为re
Figure BDA0002455507530000068
并且UUH=I,其中I为单位矩阵,M为基站天线数目。
3)在低维空间,基站基于近似消息传递算法,构建出一个基于深度学习的 检测器。
在本步骤中,将近似消息传递模型按照外层迭代标识展开,即每一次迭代t 是一层网络,每一层网络输入是St,Rt和V,输出是St+1,Rt+1,一共Tmax层网 络串连在一起,构成深度学习网络。基于深度学习的检测器具体为:
3.a)设置
Figure BDA0002455507530000071
Figure BDA0002455507530000072
为第t层 网络的训练参数,其中
Figure BDA0002455507530000073
为第t层网络中第n个终端设备的功率调节参数,
Figure BDA0002455507530000074
为 第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的概率值,
Figure BDA0002455507530000075
为第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的高斯 分布方差;下标n∈{1,2,…,N}表示第n个终端设备,N为终端设备总数,下标 j∈{1,2,…,J}表示伯努利-高斯混合分布中的第j个分量,J为总的分量数;
3.b)在第t层网络中,对任意的
Figure BDA0002455507530000076
依次迭代更新残差Rt+1、 噪声变量
Figure BDA0002455507530000077
中间变量
Figure BDA0002455507530000078
和第n个终端设备的状态向量估值
Figure BDA0002455507530000079
首先,更新
Figure BDA00024555075300000710
其中函数gt',n的计算方法为:
Figure BDA00024555075300000711
Figure BDA00024555075300000712
式中,St为低维空间未知信号的估值,Rt为第t次迭代的残差,
Figure BDA00024555075300000713
为第t次 迭代的噪声变量,
Figure BDA00024555075300000714
为第t次迭代的中间变量,
Figure BDA00024555075300000715
为第t次迭代的训练参数,第t 次迭代的方差为
Figure BDA00024555075300000716
中间变量
Figure BDA00024555075300000717
代表变量
Figure BDA00024555075300000718
符合0均值 且方差为
Figure BDA00024555075300000719
的正态分布,中间变量
Figure BDA00024555075300000720
代表变量
Figure BDA00024555075300000721
符合0均值且方 差为
Figure BDA00024555075300000722
的正态分布,A为导频矩阵,其中∈n代表第n个终端设备的激活概率,这 里
Figure BDA00024555075300000723
为t次迭代设备n的第j个分量的方差,
Figure BDA00024555075300000724
代表第t次迭代的概率值;
然后,更新
Figure BDA00024555075300000725
其中M是基站天线数目,‖.‖2代表二范数;
再后,更新
Figure BDA0002455507530000081
其中H为共轭转置,an为第n个终端设备 的导频序列,
Figure BDA0002455507530000082
为t轮迭代中第n个终端设备的状态向量估计值;
最后更新
Figure BDA0002455507530000083
4)基站得到基于深度学习的检测器后,基于反向传播方式逐层训练模型中 的未知参数。
在本步骤中,基于反向传播方式逐层训练模型中的未知参数的方法为:
给定需要学习的参数βt
Figure BDA0002455507530000084
的初始值β0=[1,…,1]和Ω0, 其中Ωt代表所有终端设备的学习参数
Figure BDA0002455507530000085
的集合,T代表转置操作,设置Tmax为 训练层数上界,设置网络层数标识t=0,按照所述的步骤3.b)开始进行第t层迭 代的参数学习:
首先,固定
Figure BDA0002455507530000086
学习βt,以达到最小化线性代价函数
Figure BDA0002455507530000087
的目的,其中||.||F代表F范数,
Figure BDA0002455507530000088
为第t轮迭代中第n个终端的中间变量值,sn为 第n个终端设备的状态向量真实值;
然后学习
Figure BDA0002455507530000089
Figure BDA00024555075300000810
以达到最小化线性代价函数
Figure BDA00024555075300000811
的目的;其中
Figure BDA00024555075300000812
为第t轮迭代中第n个终端的中间变量值估计值;
接着固定βt
Figure RE-GDA00025702141700000813
学习Ωt,以达到最小化非线性代价函数
Figure RE-GDA00025702141700000814
的目的;
最后学习
Figure BDA00024555075300000815
以达到最小化非线性代价函数
Figure BDA00024555075300000816
的目的;
完成一层网络的更新后,更新层数t←t+1,再次重复下一层网络的的参数 学习,直到t=Tmax-1时停止循环,完成模型中未知参数的训练。
5)基站将训练好的参数代入步骤3)中的检测器里,检测出激活的终端设 备,并估计出激活终端设备的信道状态信息。
由于本发明的深度学习模型分为离线训练阶段和在线检测阶段,离线训练阶 段是要得到被训练的参数的值,这时t是第t层网络;在线检测阶段,将被训练 出来的参数在代入算法结构中,t就等效看做了第t次迭代。因此在本步骤中, 设备激活检测和信道估计的方法具体为:
将训练层数和迭代次数等价看待,进行如下迭代:
5.a)初始化外部迭代次数t=0,残差初始值为R0=V,低维空间未知参数估 值的初始值为S0=0,最大迭代次数为Tmax1,基站将步骤4)中训练好的模型参数 代入步骤3)构建的检测器中;
5.b)执行一遍所述的步骤3.b);
5.c)更新迭代次数t←t+1,然后重新进行下一轮迭代,即执行步骤5.b),直 到t=Tmax1时停止循环,最终输出状态矩阵的估计值S=St
5.d)利用激活判断标准:
Figure BDA0002455507530000091
判断哪些终端设备处于激活状态,其中k为终端标识,v为可调参数,S(k,:)为S的第k行,
Figure BDA0002455507530000092
代表检测出来的 激活设备的标识集合;再利用关系式
Figure BDA0002455507530000093
恢复出原始高维空间的信号估值, 从而得到激活设备的信道估计值为
Figure BDA0002455507530000094
其中Xk表示高维空间未 知状态向量的估值,
Figure BDA0002455507530000095
代表取S中与
Figure BDA0002455507530000096
对应的部分行,ξk为导频的发射能量。
6)在每个时隙剩余的长度T-L的时长内,基站利用信道估计值与激活设备 进行上行和下行的数据交互。
上述深度学习整体框架和每一层学习网络的示意图分别如图1和图2所示。 通过计算机仿真可以看出:如图3所示,本发明的大规模终端信道估计方案相 较于传统的信道估计方案,即近似消息传递算法,正交匹配追踪算法估计的准 确率有明显的提升。图4表明本发明提出的大规模检测方法,相对于传统的近 似消息传递算法和正交匹配追踪算法检测准确度有明显提升。这些优势是因为 本文方案将状态矩阵更为准确的伯努利-高斯混合分布结合到了近似消息传递算 法中,利用深度学习有效地训练了系统参数。因此,本发明提出的终端激活检 测和信道估计方案可以为大规模通信系统提供一种高效的终端激活检测和信道 估计方法。

Claims (5)

1.一种基于深度学习的联合设备检测和信道估计方法,其特征在于包括如下步骤:
1)在每个长度为T的时隙的开始阶段,所有激活的终端设备同时向基站发送长度为L的导频序列;
2)基站接收到导频序列后,基于一种数据分解方法,将接收信号从高维空间映射到低维空间,以降低算法复杂度;
3)在低维空间,基站基于近似消息传递算法,构建出一个基于深度学习的检测器;
4)基站得到基于深度学习的检测器后,基于反向传播方式逐层训练模型中的未知参数;
5)基站将训练好的参数代入步骤3)中的检测器里,检测出激活的终端设备,并估计出激活终端设备的信道状态信息;
6)在每个时隙剩余的长度T-L的时长内,基站利用信道估计值与激活设备进行上行和下行的数据交互。
2.根据权利要求1所述的一种基于深度学习的联合设备检测和信道估计方法,其特征在于步骤2)中的数据分解方法为:
首先基站对接收到的信号Y进行奇异值分解:
Figure FDA0002455507520000011
其中Ssd为酉矩阵,Vsd为奇异值矩阵,
Figure FDA0002455507520000012
为酉矩阵;然后得到
Figure FDA0002455507520000013
其中
Figure FDA0002455507520000014
是Ssd的前re列,
Figure FDA0002455507520000015
是由Vsd的左上角re×re个元素构成的方阵,其中re是需要检测的未知信号的秩;接下来通过取
Figure FDA0002455507520000016
的前re行得到U;数据分解满足
Figure FDA0002455507520000017
并且V的秩为re
Figure FDA0002455507520000018
并且UUH=I,其中I为单位矩阵,M为基站天线数目。
3.根据权利要求1所述的一种基于深度学习的联合设备检测和信道估计方法,其特征在于步骤3)中所述的基于深度学习的检测器为:
3.a)设置
Figure FDA0002455507520000021
Figure FDA0002455507520000022
为第t层网络的训练参数,其中
Figure FDA0002455507520000023
为第t层网络中第n个终端设备的功率调节参数,
Figure FDA0002455507520000024
为第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的概率值,
Figure FDA0002455507520000025
为第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的高斯分布方差;下标n∈{1,2,…,N}表示第n个终端设备,N为终端设备总数,下标j∈{1,2,…,J}表示伯努利-高斯混合分布中的第j个分量,J为总的分量数;
3.b)在第t层网络中,对任意的
Figure FDA0002455507520000026
依次迭代更新残差Rt+1、噪声变量
Figure FDA0002455507520000027
中间变量
Figure FDA0002455507520000028
和第n个终端设备的状态向量估值
Figure FDA0002455507520000029
首先,更新
Figure FDA00024555075200000210
其中函数g′t,n的计算方法为:
Figure FDA00024555075200000211
式中,St为低维空间未知信号的估值,Rt为第t次迭代的残差,
Figure FDA00024555075200000212
为第t次迭代的噪声变量,
Figure FDA00024555075200000213
为第t次迭代的中间变量,
Figure FDA00024555075200000214
为第t次迭代的训练参数,第t次迭代的方差为
Figure FDA00024555075200000215
中间变量
Figure FDA00024555075200000216
代表变量
Figure FDA00024555075200000217
符合0均值且方差为
Figure FDA00024555075200000218
的正态分布,中间变量
Figure FDA00024555075200000219
代表变量
Figure FDA00024555075200000220
符合0均值且方差为
Figure FDA00024555075200000221
的正态分布,A为导频矩阵,其中∈n代表第n个终端设备的激活概率;
然后,更新
Figure FDA00024555075200000222
其中M是基站天线数目,‖.‖2代表二范数;
再后,更新
Figure FDA00024555075200000223
其中H为共轭转置,an为第n个终端设备的导频序列,
Figure FDA00024555075200000224
为t轮迭代中第n个终端设备的状态向量估计值;
最后更新
Figure FDA0002455507520000031
4.根据权利要求3所述的一种基于深度学习的联合设备检测和信道估计方法,其特征在于步骤4)中所述的基于反向传播方式逐层训练模型中的未知参数的方法为:
给定需要学习的参数βt
Figure RE-FDA0002570214160000032
的初始值β0=[1,...,1]和Ω0,其中Ωt代表所有终端设备的学习参数
Figure RE-FDA0002570214160000033
的集合,T代表转置操作,设置Tmax为训练层数上界,设置网络层数标识t=0,按照所述的步骤3.b)开始进行第t层迭代的参数学习:
首先,固定
Figure RE-FDA0002570214160000034
学习βt,以达到最小化线性代价函数
Figure RE-FDA0002570214160000035
的目的,其中||.||F代表F范数,
Figure RE-FDA0002570214160000036
为第t轮迭代中第n个终端的中间变量值,sn为第n个终端设备的状态向量真实值;
然后学习
Figure RE-FDA0002570214160000037
Figure RE-FDA0002570214160000038
以达到最小化线性代价函数
Figure RE-FDA0002570214160000039
的目的;其中
Figure RE-FDA00025702141600000310
为第t轮迭代中第n个终端的中间变量值估计值;
接着固定βt
Figure RE-FDA00025702141600000311
学习Ωt,以达到最小化非线性代价函数
Figure RE-FDA00025702141600000312
的目的;
最后学习
Figure RE-FDA00025702141600000313
以达到最小化非线性代价函数
Figure RE-FDA00025702141600000314
的目的;
完成一层网络的更新后,更新层数t←t+1,再次重复下一层网络的的参数学习,直到t=Tmax-1时停止循环,完成模型中未知参数的训练。
5.根据权利要求3所述的一种基于深度学习的联合设备检测和信道估计方法,其特征在于步骤5)中所述的设备激活检测和信道估计方法为:将训练层数和迭代次数等价看待,进行如下迭代:
5.a)初始化外部迭代次数t=0,残差初始值为R0=V,低维空间未知参数估值的初始值为S0=0,最大迭代次数为Tmax1,基站将步骤4)中训练好的模型参数代入步骤3)构建的检测器中;
5.b)执行一遍所述的步骤3.b);
5.c)更新迭代次数t←t+1,然后重新进行下一轮迭代,即执行步骤5.b),直到t=Tmax1时停止循环,最终输出状态矩阵的估计值S=St
5.d)利用激活判断标准:
Figure FDA0002455507520000041
判断哪些终端设备处于激活状态,其中k为终端标识,v为可调参数,S(k,:)为S的第k行,
Figure FDA0002455507520000042
代表检测出来的激活设备的标识集合;再利用关系式
Figure FDA0002455507520000043
恢复出原始高维空间的信号估值,从而得到激活设备的信道估计值为
Figure FDA0002455507520000044
其中Xk表示高维空间未知状态向量的估值,
Figure FDA0002455507520000045
代表取S中与
Figure FDA0002455507520000046
对应的部分行,ξk为导频的发射能量。
CN202010305196.0A 2020-04-17 2020-04-17 一种基于深度学习的联合设备检测和信道估计方法 Active CN111641570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010305196.0A CN111641570B (zh) 2020-04-17 2020-04-17 一种基于深度学习的联合设备检测和信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010305196.0A CN111641570B (zh) 2020-04-17 2020-04-17 一种基于深度学习的联合设备检测和信道估计方法

Publications (2)

Publication Number Publication Date
CN111641570A true CN111641570A (zh) 2020-09-08
CN111641570B CN111641570B (zh) 2021-04-27

Family

ID=72330823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010305196.0A Active CN111641570B (zh) 2020-04-17 2020-04-17 一种基于深度学习的联合设备检测和信道估计方法

Country Status (1)

Country Link
CN (1) CN111641570B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112217545A (zh) * 2020-10-09 2021-01-12 哈尔滨工程大学 一种大规模mimo系统检测模型构建方法
CN113347123A (zh) * 2021-05-31 2021-09-03 北京理工大学 一种基于模型驱动的混合mimo系统信道估计与反馈网络
CN113766669A (zh) * 2021-11-10 2021-12-07 香港中文大学(深圳) 一种基于深度学习网络的大规模随机接入方法
CN116264704A (zh) * 2023-05-08 2023-06-16 深圳大学 基于信道感知和强化学习的低功耗广域网通感融合方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743103A (zh) * 2017-10-26 2018-02-27 北京交通大学 基于深度学习的mmtc系统的多节点接入检测和信道估计方法
CN109194595A (zh) * 2018-09-26 2019-01-11 东南大学 一种基于神经网络的信道环境自适应ofdm接收方法
US20190356516A1 (en) * 2018-05-18 2019-11-21 Parallel Wireless, Inc. Machine Learning for Channel Estimation
CN110535803A (zh) * 2019-09-03 2019-12-03 西南交通大学 一种无源光网络上行传输接收端解调方法
CN110852175A (zh) * 2019-10-16 2020-02-28 华东师范大学 一种基于混合受限玻尔兹曼机的深度网络高光谱遥感分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743103A (zh) * 2017-10-26 2018-02-27 北京交通大学 基于深度学习的mmtc系统的多节点接入检测和信道估计方法
US20190356516A1 (en) * 2018-05-18 2019-11-21 Parallel Wireless, Inc. Machine Learning for Channel Estimation
CN109194595A (zh) * 2018-09-26 2019-01-11 东南大学 一种基于神经网络的信道环境自适应ofdm接收方法
CN110535803A (zh) * 2019-09-03 2019-12-03 西南交通大学 一种无源光网络上行传输接收端解调方法
CN110852175A (zh) * 2019-10-16 2020-02-28 华东师范大学 一种基于混合受限玻尔兹曼机的深度网络高光谱遥感分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
B. LIU, Z. WEI, J. YUAN AND M. PAJOVIC: "Deep Learning Assisted User Identification in Massive Machine-Type Communications", 《2019 IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM)》 *
X. SHAO, X. CHEN AND R. JIA: "A Dimension Reduction-Based Joint Activity Detection and Channel Estimation Algorithm for Massive Access", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112217545A (zh) * 2020-10-09 2021-01-12 哈尔滨工程大学 一种大规模mimo系统检测模型构建方法
CN112217545B (zh) * 2020-10-09 2021-10-01 哈尔滨工程大学 一种大规模mimo系统检测模型构建方法
CN113347123A (zh) * 2021-05-31 2021-09-03 北京理工大学 一种基于模型驱动的混合mimo系统信道估计与反馈网络
CN113347123B (zh) * 2021-05-31 2023-03-28 北京理工大学 一种基于模型驱动的混合mimo系统信道估计与反馈网络
CN113766669A (zh) * 2021-11-10 2021-12-07 香港中文大学(深圳) 一种基于深度学习网络的大规模随机接入方法
CN113766669B (zh) * 2021-11-10 2021-12-31 香港中文大学(深圳) 一种基于深度学习网络的大规模随机接入方法
CN116264704A (zh) * 2023-05-08 2023-06-16 深圳大学 基于信道感知和强化学习的低功耗广域网通感融合方法
CN116264704B (zh) * 2023-05-08 2023-09-08 深圳大学 基于信道感知和强化学习的低功耗广域网通感融合方法

Also Published As

Publication number Publication date
CN111641570B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN111641570B (zh) 一种基于深度学习的联合设备检测和信道估计方法
Vieira et al. Deep convolutional neural networks for massive MIMO fingerprint-based positioning
CN108566257B (zh) 一种基于反向传播神经网络的信号恢复方法
CN110177062B (zh) 一种终端激活检测和信道估计方法
CN113194548B (zh) 一种智能超表面辅助的大规模无源随机接入方法
CN105791186B (zh) 一种大规模mimo系统中的稀疏低秩信道联合估计方法
CN112637094A (zh) 一种基于模型驱动深度学习的多用户mimo接收方法
Bai et al. Deep learning based fast multiuser detection for massive machine-type communication
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
Ahn et al. Active user detection and channel estimation for massive machine-type communication: Deep learning approach
CN110971547B (zh) 一种基于毫米波/太赫兹的宽带大规模终端检测和信道估计方法
CN114580498A (zh) 一种无线通信场景下高通信效率的联邦学习方法
CN107276646A (zh) 大规模mimo‑ofdm上行链路迭代检测方法
CN107332599A (zh) 一种基于功率和码字联合域的上行非正交多址接入方法
CN112188520B (zh) 基于神经网络负载预测的卫星物联网传输控制方法与系统
Li et al. A novel CSI feedback approach for massive MIMO using LSTM-attention CNN
Shi et al. Sparse signal processing for massive device connectivity via deep learning
CN114204971B (zh) 一种迭代的聚合波束成形设计和用户设备选择方法
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
CN112929306B (zh) 一种基于深度学习信道估计的多播频控阵方法
Deng et al. Joint flexible duplexing and power allocation with deep reinforcement learning in cell-free massive MIMO system
CN107181705A (zh) 一种半盲信道估计方法及系统
CN109688076A (zh) 基于离散多电平迟滞的噪声混沌神经网络的盲检测方法
Zhong et al. Over-the-air federated learning over MIMO channels: A sparse-coded multiplexing approach
Shao et al. Deep learning-based joint activity detection and channel estimation for massive access: When more antennas meet fewer pilots

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