CN112968853A - 一种mmtc系统多用户接入检测和信道估计的方法 - Google Patents
一种mmtc系统多用户接入检测和信道估计的方法 Download PDFInfo
- Publication number
- CN112968853A CN112968853A CN202110127151.3A CN202110127151A CN112968853A CN 112968853 A CN112968853 A CN 112968853A CN 202110127151 A CN202110127151 A CN 202110127151A CN 112968853 A CN112968853 A CN 112968853A
- Authority
- CN
- China
- Prior art keywords
- data
- channel
- pilot
- user
- obtaining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000011084 recovery Methods 0.000 claims abstract description 13
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 12
- 241001134453 Lista Species 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 32
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000003892 spreading Methods 0.000 claims description 17
- 230000007480 spreading Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000005562 fading Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- RDUORFDQRFHYBF-UHFFFAOYSA-N 6-methoxy-1-methyl-2,3,4,9-tetrahydro-1h-pyrido[3,4-b]indole Chemical compound CC1NCCC2=C1NC1=CC=C(OC)C=C12 RDUORFDQRFHYBF-UHFFFAOYSA-N 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 16
- 238000013528 artificial neural network Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
- H04L27/2655—Synchronisation arrangements
- H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
- H04L27/2695—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation with channel estimation, e.g. determination of delay spread, derivative or peak tracking
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种MMTC系统多用户接入检测和信道估计的方法，包括：对MMTC通信中的海量用户稀疏接入场景，根据通信中的循环冗余校验可以检验恢复数据正确性的原理，将检验正确的活跃用户的信息作为反馈传输给神经网络，作为神经网络的先验信息，使网络能更快速的收敛和更加精确的估计出稀疏的信道。本发明提供的方法通过将初始检测的成功恢复用户数据的信息作为反馈，再采用先验知识辅助的深度神经网络模型进行二次检测，与原始的神经网络LISTA和传统压缩感知迭代算法ISTA和AMP相比，新的网络模型可以有效的降低信道估计的误差，提高数据恢复的正确率。
Description
技术领域
本发明涉及无线通信通信技术领域，尤其涉及一种MMTC系统多用户接入检测和信道估计的方法。
背景技术
大规模机器类通信(Massive Machine-type Communication,MMTC)是B5G/6G的重要研究场景。该通信系统具有海量机器类型设备(Machine-type Devices,MTD)以低速率零星的传输小数据包的通信特性。为了满足海量MTD的接入需求，需要为MMTC系统设计新的接入机制和接入算法。其中一种有潜力的方法是基于压缩感知(Compressed Sensing,CS)的多用户检测(Multi-user Detection,MUD)。
CS-MUD利用MMTC系统的稀疏特性，通过在接收端对接收到的用户导频使用CS信号重建算法，如正交匹配追踪(Orthogonal Matching Pursuit,OMP)、压缩采样匹配追踪(Compressive Sampling Matching Pursuit,CoSaMP)、近似消息传递(ApproximateMessage Passing,AMP)等，重建所有用户的稀疏信道。其中，非零信道对应活跃的用户节点，信道为零代表非活跃的用户节点。然而，传统的CS重建算法基本采用循环迭代优化的方式来实现信号的重构，重构时间受迭代次数的限制一般较长，且重构的精度受限于测量矩阵的性质。
深度学习(Deep Learning,DL)方法使用已知的导频矩阵产生大量的训练数据，来训练深度有限的深度神经网络(Deep Neural Network,DNN)，将基站的接收数据作为网络的输入，训练网络输出用户活跃的概率或者直接输出稀疏的信道取值。相比于传统的压缩感知恢复算法，深度学习方法具备运算单元算法稳定，模型速度较快，网络结构可自主学习进化，且随着数据训练量的增加，系统增益明显提高。MMTC通信系统的大数据量满足了训练可靠的深度神经网络模型的要求，而训练好的深度神经网络模型在测试时的高速度也满足了MMTC通信的实时性要求。
在DNN用于MMTC系统中基于压缩感知的多用户接入检测和信道估计时，通信系统的先验知识通常被忽略。比如，在通信系统中，接收端通过循环冗余校验(CyclicRedundancy Check，CRC)可以准确的确认检测数据的正确性。通过将该边缘信息反馈给神经网络作为先验信息，将该先验信息用于激活层的阈值函数，可以加速训练时神经网络的收敛速度，并且提升网络信道估计的准确性。
发明内容
本发明的实施例提供了一种MMTC系统多用户接入检测和信道估计的方法，以实现提高使用神经网络实现MMTC系统中对多用户接入检测和信道估计时网络的收敛速度和准确率。
为了实现上述目的，本发明采取了如下技术方案。
一种MMTC系统多用户接入检测和信道估计的方法，包括：
S1基于导频矩阵和信道模型获得第一训练数据，通过该第一训练数据训练首次检测的神经网络模型；
S2基于导频矩阵和信道模型获得测试数据，通过该测试数据测试训练后的首次检测的神经网络模型，获得第一次信道估计值，并通过该第一次信道估计值进行数据恢复，获得传输数据的第一次估计值；通过循环冗余校验方法确定传输数据的第一次估计值的正确性，获得第一次估计正确的传输数据的用户ID集合；
S3根据第一次估计正确的传输数据的用户ID集合获得第一次估计正确的导频索引集合的平均准确率，结合导频矩阵和信道模型，获得第二训练数据，通过该第二训练数据训练基于先验的神经网络模型；
S4将测试数据和第一次估计正确的导频索引集合作为训练后的基于先验的神经网络模型的输入，获得第二次信道估计值，基于该第二次信道估计值进行数据恢复，获得传输数据的第二次估计值和相应的活跃用户ID集合。
优选地，步骤S1具体包括：
S11基于导频的数量M和长度lp，获得导频矩阵
并且所有导频均服从复高斯分布；
S12对导频矩阵P进行复数域到实数域的变换，获得矩阵
S13针对N个节点，设置N个节点的活跃概率均为pa，每个活跃用户随机选择一个导频；
S14根据N个节点的位置，为N个节点生成相对应的路损；
S15确定N个节点的信道模型为准静态瑞利衰落信道hk，k表示节点；
S16设定非活跃节点的信道为0，将选择相同导频的活跃用户的信道进行叠加，得到所有导频对应的信道向量h；
S17对该信道向量h进行复数域到实数域的变换，获得
S18根据
生成第一训练数据，式中，np为服从高斯分布的噪声信号；
S19通过第一训练数据训练LISTA神经网络模型。
优选地，步骤S2具体包括：
S21基于导频矩阵
和信道模型获得测试数据，通过测试数据测试训练后的LISTA神经网络模型，获得与
相对应的第一次信道估计值，以及活跃用户所选导频集合的第一次估计；
S22通过第一次信道估计值恢复用户传输的数据，获得传输数据的第一次估计值，利用循环冗余校验确定传输数据的第一次估计值的正确性，进一步获得传输数据的第一次估计值的正确的数据对应的用户ID集合
优选地，子步骤S21具体包括：
S211通过与子步骤S11至S18中获得第一训练数据相同的方法获得测试数据；
S212测试数据将测试数据中基站得到的接收信号矩阵
输入训练后的神经网络模型，获得对信道向量
的估计；
S213将该第一预测信道转化为复数形式，获得复数信道的估计值
其中，
的非零项的表明该导频被某个或某些活跃用户选中；
子步骤S22具体包括：
S221设置扩频码的长度ls，获得扩频码矩阵
其中，导频序列的元素为[-1，1]；
S222随机生成活跃用户的数据比特；其中，活跃节点k的数据dk为传输信息比特和用户ID经过编码、调制、扩频后得到的符号序列；活跃节点k使用的扩频码的索引与子步骤S211中随机分配的导频序列的索引相同；
S223根据Yd＝SX+Nd (6)生成接收信号Yd，其中，
为选择第m个导频的用户的索引的集合；
S224根据导频与扩频码一一对应的关系，获得X与h具有相同的稀疏特性；根据式(6)和接收信号Yd，通过最小二乘法求解X；
S225根据复数信道的估计值
和X，计算第m个导频对应的传输数据为
S226进行解调制和解编码之后得到传输的信息比特和用户ID；根据循环冗余校验，获得解码数据的正确性，进一步确定检测成功的活跃用户的索引集合
优选地，步骤S3具体包括：
S31基于活跃用户的集合
获得维度为M×1的one-hot向量sr；其中，该向量的第m个元素0表示第m个导频未被检测到被
中的活跃用户选中，为1表示该导频初
的活跃用户选中；
S32基于sr、导频矩阵
和信道模型生成第二训练数据；
S33设置
和sr为输入数据，
为标签，L2函数为损失函数，训练M-PIAN网络模型。
优选地，步骤S4具体包括：
S41将基站接收到的导频信号
和sr作为训练后的M-PIAN网络模型的输入，获得第二次信道估计值；
S42基于第二次信道估计值、扩频码矩阵和基站接收到的数据信号，恢复用户传输的数据，并基于该用户传输的数据获得目标用户索引集合及相应的传输数据。
由上述本发明的实施例提供的技术方案可以看出，本发明提供一种MMTC系统多用户接入检测和信道估计的方法，包括：对MMTC通信中的海量用户稀疏接入场景，根据通信中的循环冗余校验可以检验恢复数据正确性的原理，将检验正确的活跃用户的信息作为反馈传输给神经网络，作为神经网络的先验信息，使网络能更快速的收敛和更加精确的估计出稀疏的信道。本发明提供的方法通过将初始检测的成功恢复用户数据的信息作为反馈，再采用先验知识辅助的深度神经网络模型进行二次检测，与原始的神经网络LISTA和传统压缩感知迭代算法ISTA和AMP相比，新的网络模型可以有效的降低信道估计的误差，提高数据恢复的正确率。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种处理流程图MMTC系统多用户接入检测和信道估计的方法的步骤流程图；
图2为本发明提供的一种处理流程图MMTC系统多用户接入检测和信道估计的方法的处理流程图；
图3为本发明提供的一种处理流程图MMTC系统多用户接入检测和信道估计的方法中竞争接入的基于压缩感知的MMTC通信系统架构图；
图4为本发明提供的一种处理流程图MMTC系统多用户接入检测和信道估计的方法中先验信息辅助的神经网络原理示意图；
图5为不同的恢复算法在不同迭代次数下信道估计的性能对比示意图；
图6为不同的恢复算法在不同迭代次数下的数据恢复性能对比示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
参见图1和2，本发明提供的一种基于反馈的深度学习的MMTC系统多用户接入检测和信道估计的方法，包括如下过程：
训练首次检测的网络模型；
S1基于给定的导频矩阵和信道模型获得第一训练数据，通过该第一训练数据训练一个首次检测的无先验的神经网络模型直至模型收敛，保存训练完成的该首次检测的无先验的神经网络模型；
首次检测；
S2基于给定的导频矩阵和信道模型获得测试数据，通过该测试数据测试步骤S1中训练后的首次检测的无先验的神经网络模型，获得第一次信道估计值，并通过该第一次信道估计值进行数据恢复，获得传输数据的第一次估计值；
S3通过循环冗余校验方法确定步骤S2中通过恢复获得的传输数据的第一次估计值的正确性，从而从传输数据的第一次估计值中获得正确恢复数据的用户ID集合，进一步获得根据传输数据的第一次估计值中用户索引反向推导的所选的导频索引；在本发明提供的实施例中，其被称之为第一次估计正确的导频索引集合；
构建和训练基于先验信息的M-PIAN网络模型；
S4根据该第一次估计正确的导频索引集合的平均准确率，并结合前述给定的导频矩阵和信道模型，获得第二训练数据，通过该第二训练数据训练基于先验的神经网络模型；
二次检测；
S5将测试数据和步骤S3获得的导频索引作为训练后的M-PIAN网络模型的输入，获得第二信道估计值，通过该第二次信道估计值进行数据恢复，获得传输数据的第二次估计值和相应的活跃用户ID集合。
进一步的，在一些优选实施例中，步骤S1具体包括如下子步骤：
S11基于导频的数量M和长度lp，获得导频矩阵
其中，所有导频均服从复高斯分布；
S12对所述导频矩阵P进行复数域到实数域的变换，获得常数导频矩阵
S13针对信道模型中所有N个节点，设置节点的激活概率为pa；
S14根据该所有N个节点的位置，为每个节点生成固定的路损，并根据该路损为信道模型中活跃的节点k生成独立的准静态瑞利衰落信道hk，该活跃的节点k的路损lk，信道hk为hk＝lkgk，其中，gk服从复数高斯分布，
S15每个用户随机的选择一个导频，其中，不同的活跃用户可能选中相同的导频，在本实施例中，获取选择相同导频的多个活跃用户，对该多个活跃用户的信道进行叠加处理，未被选中的导频对应的信道视为0，可以获得所有导频相对应的信道向量h，其中的第m个元素hm为第m个导频对应的信道；
S16对该信道向量h进行复数域到实数域的变换，获得常数信道向量
S17将批量生成的
作为神经网络模型的标签数据，针对矩阵
由
获得接收信号矩阵
作为神经网络模型的输入，式中，np为服从高斯分布的噪声信号；
S18基于导频矩阵
和
获得第一训练数据，通过第一训练数据结合学习率等参数训练一个首次检测的无先验的神经网络模型，完成训练并保存训练后的该首次检测的无先验的神经网络模型。在本发明提供的优选实施例中，确定初始训练使用的网络模型为LISTA(Learned iterative shrinkage thresholding algorithm)，但本方法不局限于LISTA网络，可使用多种神经网络模型实现该功能。LISTA网络模型的结构为全连接层和激活函数层交替，其中激活函数层采用软阈值函数，损失函数为L2损失函数。
进一步的，在本发明提供的优选实施例中，步骤S2具体包括：
S21基于导频矩阵
获得所述测试数据，通过所述测试数据测试训练后的LISTA神经网络模型，获得与
相对应的第一次信道估计值，以及被活跃用户选中的导频的索引集合的估计；
S22通过所述第一次信道估计值恢复用户传输的数据，基于用户传输数据的第一次估计值获得对应的活跃用户ID的估计值，进一步获得该传输数据的第一次估计值中正确的数据相对应的用户ID集合
其中，子步骤S21具体包括：
S211随机选取活跃节点，生成活跃节点的信道，并对每个活跃节点随机分配一个导频；
S212根据
生成测试数据，将测试数据中基站得到的接收信号矩阵
输入训练后的初始神经网络模型，获得对信道向量
的估计，即第一次信道估计值；
S213将该第一次信道估计值转化为复数形式，获得复数信道的估计值
其中，
的非零项的表明该导频被某个或某些活跃用户选中；
子步骤S22具体包括：
S221设置扩频码的长度ls，获得一个扩频码矩阵
其中，导频序列的元素为[-1，1]；
S222随机生成活跃用户的数据比特；其中，活跃节点k的数据dk为传输信息比特和用户ID经过编码、调制、扩频后得到的符号序列；活跃节点k使用的扩频码的索引与S211中随机分配的导频序列的索引相同；
S223根据Yd＝SX+Nd (6)生成接收信号Yd，其中，
为选择第m个导频的用户的索引的集合，X是一个矩阵，用于表示信道传输的数据，在这个矩阵中，将第i列表示使用第i个扩频码的用户的(信道*数据)的和，即正常的通信系统的信道*(扩频码*数据)，通过数学变换，把扩频码换到前面，对使用相同扩频码的用户的信道*数据进行了合并。
S224根据导频与扩频码一一对应的关系，X与h具有相同的稀疏特性，即具有相同的非零元素的索引。根据Yd＝SX+Nd (6)和接收信号Yd，使用最小二乘法求解X；
S225根据复数信道的估计值
和X，计算第m个导频对应的传输数据为
S226进行解调制和解编码之后得到传输的信息比特和用户ID。根据循环冗余校验，可以得到解码数据的正确性，从而确定检测成功的活跃用户的索引集合
在本发明提供的实施例中，二次训练的模型为所设计的M-PIAN模型(Model-driven Prior Information Aided Network)，M-PIAN网络在LISTA模型的基础上，增加了先验信息的输入，该先验信息由上述针对神经网络模型首次检测的结果得到。具体的，步骤S4包括如下子步骤：
S41基于所述活跃用户的集合
获得维度为M×1的one-hot向量sr，其中，该向量的第m个元素0表示第m个导频未被检测到被
中的活跃用户选中，为1表示该导频被
中的到的活跃用户选中；
S42生成训练数据时，不需要将所有训练数据进行检测得到该先验信息，基于所述活跃用户的集合
对应导频所占所述所有被选中导频的百分比，随机选取部分被选导频作为所述先验信息得到sr；
S43设置
和sr为输入数据，
为标签，L2函数为损失函数，结合给定的导频矩阵
和已知被选中导频占所有被选中导频的百分比，生成训练数据，训练M-PIAN网络模型，保存训练后的M-PIAN网络模型。
更进一步的，步骤S5具体包括：
S51将测试数据中的基站接收到的导频信号
和所由所述初次检测的正确恢复传输数据的活跃用户集合
得到的sr作为M-PIAN网络模型的输入，获得信道的第二次估计值；
S52基于信道的第二次估计值、扩频码矩阵和基站接收到的数据信号，恢复用户传输的数据，并基于该用户传输的数据获得所述活跃用户索引，确定活跃用户的集合。
本发明提供的方法通过将初始检测的成功恢复用户数据的信息作为反馈，再采用先验知识辅助的深度神经网络模型进行二次检测，从图5和6可以看出，与原始的神经网络LISTA和传统压缩感知迭代算法ISTA和AMP相比，新的网络模型可以有效的降低信道估计的误差，提高数据恢复的正确率。
综上所述，本发明提供一种MMTC系统多用户接入检测和信道估计的方法，包括：对MMTC通信中的海量用户稀疏接入场景，根据通信中的循环冗余校验可以检验恢复数据正确性的原理，将检验正确的活跃用户的信息作为反馈传输给神经网络，作为神经网络的先验信息，使网络能更快速的收敛和更加精确的估计出稀疏的信道。本发明提供的方法通过将初始检测的成功恢复用户数据的信息作为反馈，再采用先验知识辅助的深度神经网络模型进行二次检测，与原始的神经网络LISTA和传统压缩感知迭代算法ISTA和AMP相比，新的网络模型可以有效的降低信道估计的误差，提高数据恢复的正确率。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种MMTC系统多用户接入检测和信道估计的方法，其特征在于，包括：
S1基于导频矩阵和信道模型获得第一训练数据，通过该第一训练数据训练首次检测的神经网络模型；
S2基于导频矩阵和信道模型获得测试数据，通过该测试数据测试训练后的所述首次检测的神经网络模型，获得第一次信道估计值，并通过该第一次信道估计值进行数据恢复，获得传输数据的第一次估计值；通过循环冗余校验方法确定所述传输数据的第一次估计值的正确性，获得第一次估计正确的传输数据的用户ID集合；
S3根据所述第一次估计正确的传输数据的用户ID集合获得第一次估计正确的导频索引集合的平均准确率，结合导频矩阵和信道模型，获得第二训练数据，通过该第二训练数据训练基于先验的神经网络模型；
S4将所述测试数据和所述第一次估计正确的导频索引集合作为训练后的基于先验的神经网络模型的输入，获得第二次信道估计值，基于该第二次信道估计值进行数据恢复，获得传输数据的第二次估计值和相应的活跃用户ID集合。
2.根据权利要求1所述的方法，其特征在于，步骤S1具体包括：
S11基于导频的数量M和长度lp，获得导频矩阵
并且所有导频均服从复高斯分布；
S12对所述导频矩阵P进行复数域到实数域的变换，获得矩阵
S13针对N个节点,设置所述N个节点的活跃概率均为pa，每个活跃用户随机选择一个导频；
S14根据所述N个节点的位置，为所述N个节点生成相对应的路损；
S15确定所述N个节点的信道模型为准静态瑞利衰落信道hk，k表示节点；
S16设定非活跃节点的信道为0，将选择相同导频的活跃用户的信道进行叠加，得到所有导频对应的信道向量h；
S17对该信道向量h进行复数域到实数域的变换，获得
S18根据
生成所述第一训练数据，式中，np为服从高斯分布的噪声信号；
S19通过所述第一训练数据训练LISTA神经网络模型。
3.根据权利要求2所述的方法，其特征在于，步骤S2具体包括：
S21基于导频矩阵
和信道模型获得所述测试数据，通过所述测试数据测试训练后的所述LISTA神经网络模型，获得与
相对应的所述第一次信道估计值，以及活跃用户所选导频集合的第一次估计；
S22通过所述第一次信道估计值恢复用户传输的数据，获得所述传输数据的第一次估计值，利用循环冗余校验确定传输数据的第一次估计值的正确性，进一步获得所述传输数据的第一次估计值的正确的数据对应的用户ID集合
4.根据权利要求3所述的方法，其特征在于，子步骤S21具体包括：
S211通过与子步骤S11至S18中获得所述第一训练数据相同的方法获得所述测试数据；
S212测试数据将所述测试数据中基站得到的接收信号矩阵
输入训练后的神经网络模型，获得对信道向量
的估计；
S213将该第一预测信道转化为复数形式，获得复数信道的估计值
其中，
的非零项的表明该导频被某个或某些活跃用户选中；
子步骤S22具体包括：
S221设置扩频码的长度ls，获得扩频码矩阵
其中，导频序列的元素为[-1,1]；
S222随机生成活跃用户的数据比特；其中，活跃节点k的数据dk为传输信息比特和用户ID经过编码、调制、扩频后得到的符号序列；活跃节点k使用的扩频码的索引与子步骤S211中随机分配的导频序列的索引相同；
S223根据Yd＝SX+Nd (6)生成接收信号Yd，其中，
为选择第m个导频的用户的索引的集合；
S224根据导频与扩频码一一对应的关系，获得X与h具有相同的稀疏特性；根据式(6)和接收信号Yd，通过最小二乘法求解X；
S225根据复数信道的估计值
和X,计算第m个导频对应的传输数据为
S226进行解调制和解编码之后得到传输的信息比特和用户ID；根据循环冗余校验，获得解码数据的正确性，进一步确定检测成功的活跃用户的索引集合
5.根据权利要求4所述的方法，其特征在于，步骤S3具体包括：
S31基于所述活跃用户的集合
获得维度为M×1的one-hot向量sr；其中，该向量的第m个元素0表示第m个导频未被检测到被
中的活跃用户选中，为1表示该导频被
的活跃用户选中；
S32基于所述sr、导频矩阵
和信道模型生成所述第二训练数据；
S33设置
和sr为输入数据，
为标签，L2函数为损失函数，训练M-PIAN网络模型。
6.根据权利要求5所述的方法，其特征在于，步骤S4具体包括：
S41将所述基站接收到的导频信号
和所述sr作为训练后的所述M-PIAN网络模型的输入，获得所述第二次信道估计值；
S42基于所述第二次信道估计值、扩频码矩阵和基站接收到的数据信号，恢复用户传输的数据，并基于该用户传输的数据获得所述目标用户索引集合及相应的传输数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110127151.3A CN112968853B (zh) | 2021-01-29 | 2021-01-29 | 一种mmtc系统多用户接入检测和信道估计的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110127151.3A CN112968853B (zh) | 2021-01-29 | 2021-01-29 | 一种mmtc系统多用户接入检测和信道估计的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112968853A true CN112968853A (zh) | 2021-06-15 |
| CN112968853B CN112968853B (zh) | 2022-07-01 |
Family
ID=76272130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110127151.3A Active CN112968853B (zh) | 2021-01-29 | 2021-01-29 | 一种mmtc系统多用户接入检测和信道估计的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112968853B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113766541A (zh) * | 2021-09-07 | 2021-12-07 | 北京交通大学 | Mmtc场景下的活跃设备及其使用信道的检测方法 |
| CN114124623A (zh) * | 2021-10-28 | 2022-03-01 | 中国信息通信研究院 | 一种无线通信信道估计方法和装置 |
| CN116319195A (zh) * | 2023-04-04 | 2023-06-23 | 上海交通大学 | 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法 |
| CN116915555A (zh) * | 2023-08-28 | 2023-10-20 | 中国科学院声学研究所 | 一种基于自监督学习的水声信道估计方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160352551A1 (en) * | 2015-06-01 | 2016-12-01 | Liqing Zhang | System and scheme of scalable ofdm numerology |
| 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 |
| US20180317040A1 (en) * | 2017-04-26 | 2018-11-01 | Institute For Information Industry | Massive small data transmission for machine-type communication system |
| CN110062361A (zh) * | 2019-05-13 | 2019-07-26 | 北京交通大学 | Mmtc场景下基于cs的非授权接入及数据传输方法 |
| KR20200066220A (ko) * | 2018-11-30 | 2020-06-09 | 서울대학교산학협력단 | 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치 |
| CN111865845A (zh) * | 2020-06-04 | 2020-10-30 | 国网江西省电力有限公司供电服务管理中心 | 一种mimo用户检测与信道估计装置及方法 |
| CN111901069A (zh) * | 2020-07-31 | 2020-11-06 | 东南大学 | 一种基于神经网络与近似消息传递算法的多用户检测方法 |
-
2021
- 2021-01-29 CN CN202110127151.3A patent/CN112968853B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160352551A1 (en) * | 2015-06-01 | 2016-12-01 | Liqing Zhang | System and scheme of scalable ofdm numerology |
| US20180317040A1 (en) * | 2017-04-26 | 2018-11-01 | Institute For Information Industry | Massive small data transmission for machine-type communication system |
| 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 |
| KR20200066220A (ko) * | 2018-11-30 | 2020-06-09 | 서울대학교산학협력단 | 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치 |
| CN110062361A (zh) * | 2019-05-13 | 2019-07-26 | 北京交通大学 | Mmtc场景下基于cs的非授权接入及数据传输方法 |
| CN111865845A (zh) * | 2020-06-04 | 2020-10-30 | 国网江西省电力有限公司供电服务管理中心 | 一种mimo用户检测与信道估计装置及方法 |
| CN111901069A (zh) * | 2020-07-31 | 2020-11-06 | 东南大学 | 一种基于神经网络与近似消息传递算法的多用户检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| TIANYU ZHAO;FENG LI;PEITING TIAN: "A Deep-Learning Method for Device Activity Detection in mMTC Under Imperfect CSI Based on Variational-Autoencoder", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
| WONJUN KIM;GUYOUNG LIM;YONGJUN AHN;BYONGHYO SHIM: "Active User Detection of Machine-Type Communications via Dimension Spreading Neural Network", 《ICC 2019 - 2019 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》 * |
| 白艳娜: "MMTC中基于深度学习的多用户接入检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113766541A (zh) * | 2021-09-07 | 2021-12-07 | 北京交通大学 | Mmtc场景下的活跃设备及其使用信道的检测方法 |
| CN113766541B (zh) * | 2021-09-07 | 2023-10-17 | 北京交通大学 | Mmtc场景下的活跃设备及其使用信道的检测方法 |
| CN114124623A (zh) * | 2021-10-28 | 2022-03-01 | 中国信息通信研究院 | 一种无线通信信道估计方法和装置 |
| CN114124623B (zh) * | 2021-10-28 | 2023-07-07 | 中国信息通信研究院 | 一种无线通信信道估计方法和装置 |
| CN116319195A (zh) * | 2023-04-04 | 2023-06-23 | 上海交通大学 | 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法 |
| CN116319195B (zh) * | 2023-04-04 | 2023-10-20 | 上海交通大学 | 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法 |
| CN116915555A (zh) * | 2023-08-28 | 2023-10-20 | 中国科学院声学研究所 | 一种基于自监督学习的水声信道估计方法及装置 |
| CN116915555B (zh) * | 2023-08-28 | 2023-12-29 | 中国科学院声学研究所 | 一种基于自监督学习的水声信道估计方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112968853B (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112968853B (zh) | 一种mmtc系统多用户接入检测和信道估计的方法 | |
| CN111224906B (zh) | 基于深度神经网络的近似消息传递大规模mimo信号检测算法 | |
| CN107743103B (zh) | 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 | |
| CN109921882A (zh) | 一种基于深度学习的mimo解码方法、装置及存储介质 | |
| US9160398B2 (en) | Method and apparatus for transmitting sparse signal, and method and apparatus for recovering sparse signal via belief propagation and Bayesian hypothesis test | |
| CN109417435B (zh) | 编码设备和方法以及相应的解码设备和方法 | |
| Jankowski et al. | Airnet: Neural network transmission over the air | |
| CN109728824A (zh) | 一种基于深度学习的ldpc码迭代译码方法 | |
| CN114362851B (zh) | 一种基于机器学习的无线信道数据去噪方法 | |
| CN101834693B (zh) | 一种多输入多输出信号检测方法、装置及系统 | |
| CN113067666B (zh) | Noma系统的用户活跃性和多用户联合检测方法 | |
| Liu et al. | OFDM-based digital semantic communication with importance awareness | |
| US20050289406A1 (en) | Discrete universal denoising with reliability information | |
| CN116128070B (zh) | 基于无线空中计算和多比特量化压缩感知的联邦学习方法 | |
| CN115459816B (zh) | 多输入多输出系统的无线通信符号检测方法及装置 | |
| Wang et al. | Expectation propagation-based sampling decoding: Enhancement and optimization | |
| CN106656423B (zh) | 一种基于em算法的ldpc码译码噪声方差的估计方法 | |
| Zhu et al. | Deep learning for waveform level receiver design with natural redundancy | |
| CN115037339A (zh) | 信号检测方法及终端设备 | |
| KR102144715B1 (ko) | 저분해능 adc를 사용하는 다중 유저 다중 안테나 통신 시스템에서 온라인 클러스터 분석 기법을 응용한 최소 가중 해밍 거리 기반 데이터 검출 방법 및 그 장치 | |
| CN107342797B (zh) | 信号检测方法及装置 | |
| US20050289433A1 (en) | Discrete universal denoising with error correction coding | |
| CN109889241A (zh) | 一种基于稀疏重构的广义空间调制系统检测方法及系统 | |
| CN103875220B (zh) | Llr计算器以及纠错解码装置 | |
| CN115632726B (zh) | 一种基于模型驱动的ISTA-Net上行免调度大规模MIMO-NOMA信号检测方法 |
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 |