CN113472484B - 基于交叉熵迭代学习的物联网设备用户特征码识别方法 - Google Patents

基于交叉熵迭代学习的物联网设备用户特征码识别方法 Download PDF

Info

Publication number
CN113472484B
CN113472484B CN202110733036.0A CN202110733036A CN113472484B CN 113472484 B CN113472484 B CN 113472484B CN 202110733036 A CN202110733036 A CN 202110733036A CN 113472484 B CN113472484 B CN 113472484B
Authority
CN
China
Prior art keywords
sequence
cross entropy
representing
gamma
updating
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
CN202110733036.0A
Other languages
English (en)
Other versions
CN113472484A (zh
Inventor
房宵杰
宋鸽
沙学军
李卓明
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202110733036.0A priority Critical patent/CN113472484B/zh
Publication of CN113472484A publication Critical patent/CN113472484A/zh
Application granted granted Critical
Publication of CN113472484B publication Critical patent/CN113472484B/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
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056—Systems characterized by the type of code used
    • H04L1/0061—Error detection codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

基于交叉熵迭代学习的物联网终端设备用户特征码识别方法，它属于无线通信技术领域。本发明解决了现有缓解RACH拥塞方案的计算复杂度高、可实现性差的问题。本发明通过迭代分析接收信号的收敛性，逐步学习来获取活跃用户检测和数据接收的近似最优估计，本发明通过物理层算法设计来进行认证，分别针对单活跃用户和多活跃用户给出了基于交叉熵的迭代更新规则，保证了算法的计算可行性。在较低的计算复杂度下，可以获得近似的最优性能，具有较好的鲁棒性，增强了无线通信系统的物理层认证能力。本发明可以应用于物联网终端设备用户特征码识别。

Description

基于交叉熵迭代学习的物联网设备用户特征码识别方法
技术领域
本发明属于无线通信技术领域，具体涉及一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法。
背景技术
随着物联网(IoT)的普及，人们越来越关注利用IoT技术进行工业创新。作为信息物理交互的关键促成因素，机器类型通信(MTC)设备在IoT网络中占据着重要的地位。然而多用途MTC设备的大量访问可能导致工业物联网(IIoT)网络拥塞，这阻碍了其应用业务的增长。为解决传统无线网络在支持大规模随机接入方面的不足，缓解随机接入信道(RACH)拥塞问题得到了学术界和工业界的极大关注。
现有的缓解RACH拥塞方法主要可以分为两类。一类方法是协调MAC层协议，通过执行精心设计的握手和信道分配方案来实现高效的随机访问，例如退避机制设计、接入类限制、RACH资源动态分配等。另一类方法是采用前同步码作为用户签名和扩展码用于用户数据传输的无授权传输方法，这类方案无需握手，也可以取得较好的认证效果。
然而，现有缓解RACH拥塞方案仍存在一定的缺陷，协调随机访问协议受到高控制开销的影响且可能需要频繁的重传，这不适用于复杂度高和能源资源有限的IIoT设备。此外，用户检测和解码的复杂性随着前导码的数量呈指数增长，尤其是针对IIoT接入设备数目众多、发起数据传输请求的设备随机的应用场景，导致传统数据库查询匹配用户码确定消息传输请求用户方案实现复杂度高、可实现性差。
综上，由于现有缓解RACH拥塞方案的计算复杂度高、可实现性差，因此，现有物理层用户码识别方案的性能仍需要进一步提升。为了克服RACH拥塞问题，同时降低信令和控制开销，设计一种低复杂度、鲁棒的用户签名获取算法来可靠地完成用户识别和用户数据恢复任务具有重要意义。
发明内容
本发明的目的是为解决现有缓解RACH拥塞方案的计算复杂度高、可实现性差的问题，而提出一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法。
本发明为解决上述技术问题所采取的技术方案是：
基于本发明的一个方面，一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法，所述方法具体包括以下步骤：
步骤一、通过天线从信道中接收信号y；
步骤二、参数初始化
设置初始状态
Figure GDA0003657798690000021
pi表示p中的第i个元素，i＝1,2，…，M，设置临时变量ρ，被选取的二进制序列集合
Figure GDA0003657798690000022
设置迭代指标s＝0，阈值ΓL；
步骤三、根据p生成T个二进制序列
Figure GDA0003657798690000023
并分别计算每个序列的交叉熵L(Xt)，其中，Xt表示根据p生成的T个二进制序列中的第t个序列，t＝1,2,…,T；
步骤四、将集合
Figure GDA0003657798690000024
中的元素按降序排列，并令门限值
Figure GDA0003657798690000025
其中，
Figure GDA0003657798690000026
为Δ中第
Figure GDA0003657798690000027
个序列的交叉熵，
Figure GDA0003657798690000028
是向下取整函数；
步骤五、根据集合Δ中每个序列的交叉熵和Γ来更新p，将更新后的p记为p′＝{p1,p2,...pM}；
步骤六、根据集合Δ更新被选取的二进制序列集合，将更新后的Λ记为
Figure GDA0003657798690000029
Λ′中的序列为Δ中的前
Figure GDA00036577986900000210
个序列；
步骤七、判断是否满足
Figure GDA00036577986900000211
且Γ≤ΓL，若满足，则更新迭代指标s＝s+1，令p′→p，Λ′→Λ，并重复步骤三至步骤六的过程；直至不满足
Figure GDA00036577986900000212
且Γ≤ΓL时停止迭代，执行步骤八；
步骤八、根据最后一次迭代更新后的p生成估计用户签名序列
Figure GDA00036577986900000213
和用户数据
Figure GDA00036577986900000214
基于本发明的另一个方面，一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法，所述方法具体包括以下步骤：
步骤一、通过天线从信道中接收信号y；
步骤二、参数初始化
设置初始状态
Figure GDA00036577986900000215
设置临时变量ρ，被选取的二进制序列集合
Figure GDA00036577986900000216
设置迭代指标s＝0，k＝0和阈值ΓL；
步骤三、判断是否满足循环迭代条件
Figure GDA00036577986900000217
若满足，则执行步骤四，否则执行步骤九；
步骤四、更新迭代指标s＝s+1；
步骤五、根据p生成T个二进制序列
Figure GDA0003657798690000031
并分别计算每个序列的交叉熵L(Xt)，其中，Xt表示根据p生成的T个二进制序列中的第t个序列，t＝1,2,…,T；
步骤六、将集合
Figure GDA0003657798690000032
中的元素按降序排列，并令门限值
Figure GDA0003657798690000033
其中，
Figure GDA0003657798690000034
为
Figure GDA0003657798690000035
中第
Figure GDA0003657798690000036
个序列的交叉熵，
Figure GDA0003657798690000037
是向下取整函数；
步骤七、判断是否满足判决条件s≤smax或Γ≥ΓL，smax为最大迭代次数，若满足判决条件，则根据集合X中每个序列的交叉熵和Γ更新p，将更新后的p记为p′＝{p1,p2,...pM}；若不满足判决条件，则结束算法；
步骤八、根据X更新被选取的二进制序列集合
Figure GDA0003657798690000038
将更新后的被选取的二进制序列集合记为Λ′，Λ′中的序列为X中的前
Figure GDA0003657798690000039
个序列；
令p′→p，Λ′→Λ，并返回步骤三；
步骤九、更新迭代指标k＝k+1；
步骤十、生成估计用户签名序列
Figure GDA00036577986900000310
和用户数据
Figure GDA00036577986900000311
步骤十一、更新数据
Figure GDA00036577986900000312
并重置
Figure GDA00036577986900000313
之后返回执行步骤三。
本发明的有益效果是：本发明提出了一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法，本发明通过迭代分析接收信号的收敛性，逐步学习来获取活跃用户检测和数据接收的近似最优估计，由于本发明通过物理层算法设计来进行认证，因此所提方案可以减少信令和控制开销，大幅度降低了认证所需的计算复杂度，具有较好的可实现性，克服了随机接入信道的拥塞问题。
本发明分别针对单活跃用户和多活跃用户给出了基于交叉熵的迭代更新规则，保证了算法的计算可行性。本发明所提方案在较低的计算复杂度下，可以获得近似的最优性能，具有较好的鲁棒性，有效增强了无线通信系统的物理层认证能力。
附图说明
图1是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在单活跃用户场景下的算法流程图；
图2是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在多活跃用户场景下的算法流程图；
图3是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在单活跃用户场景下的误码性能图；
图中，Φ代表皮尔逊线性相关系数；
图4是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在多活跃用户场景下的误码性能图；
图5是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在多活跃用户场景下误码性能随平均有源器件的数量变化图；
图中，λ为平均有源器件数量；
图6是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法的活动用户特征码检测错误率(ADER)与平均有源器件的数量、皮尔逊线性相关系数关系图；
图7是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在不同迭代约束下的ADER性能图。
具体实施方式
具体实施方式一、结合图1说明本实施方式。本实施方式所述的一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法，所述方法具体包括以下步骤：
步骤一、信号接收模块通过天线从信道中接收信号y；
步骤二、参数初始化
设置初始状态
Figure GDA0003657798690000041
pi表示p中的第i个元素，i＝1,2，…，M，设置临时变量ρ，被选取的二进制序列集合
Figure GDA0003657798690000042
设置迭代指标s＝0，阈值ΓL；
步骤三、根据p生成T个二进制序列
Figure GDA0003657798690000043
并分别计算每个序列的交叉熵L(Xt)，其中，Xt表示根据p生成的T个二进制序列中的第t个序列，t＝1,2,…,T；
步骤四、将测试样本集合
Figure GDA0003657798690000044
中的元素按降序排列，并令本次迭代选取的门限值
Figure GDA0003657798690000045
其中，
Figure GDA0003657798690000046
为Δ中第
Figure GDA0003657798690000047
个序列的交叉熵，
Figure GDA0003657798690000048
是向下取整函数；
步骤五、根据集合Δ中每个序列的交叉熵和Γ来更新p，将更新后的p记为p′＝{p1,p2,...pM}；
步骤六、根据集合Δ更新被选取的二进制序列集合，将更新后的Λ记为
Figure GDA0003657798690000051
Λ′中的序列为Δ中的前
Figure GDA0003657798690000052
个序列；
步骤七、判断是否满足
Figure GDA0003657798690000053
(即判断经过本次迭代获得的p′中的元素pi是否满足
Figure GDA0003657798690000054
且Γ≤ΓL，若满足，则更新迭代指标s＝s+1，令p′→p，Λ′→Λ，并重复步骤三至步骤六的过程；直至不满足
Figure GDA0003657798690000055
且Γ≤ΓL时停止迭代，执行步骤八；
步骤八、根据最后一次迭代更新后的p生成估计用户签名序列
Figure GDA0003657798690000056
和用户数据
Figure GDA0003657798690000057
得到基于交叉熵的单活跃用户智能USCA算法结果。
本实施方式是针对于单活跃用户进行的，临时变量ρ和阈值ΓL可以根据实际情况选取，临时变量ρ和阈值ΓL的取值决定了收敛的速度。
具体实施方式二、本实施方式与具体实施方式一不同的是：所述步骤一中，通过天线从信道中接收信号y，信号y的形式为：
y＝Hcd+n
其中，d是活跃设备U的传输信号，c＝[c1,c2,...,cM]T表示活跃设备U的特征码，M代表特征码的长度，ci代表特征码的第i个码元，i＝1,2，…，M，对角矩阵H＝diag(h1,h2,...,hM)表示U到AP(接入点)的信道矩阵，hi代表发送码元ci时，活跃设备U到AP时的信道特性，n表示复高斯白噪声向量。
其它步骤及参数与具体实施方式一相同。
具体实施方式三、本实施方式与具体实施方式一或二之一不同的是：所述步骤三中，分别计算每个序列的交叉熵L(Xt)，其具体过程为：
Figure GDA0003657798690000058
其中，L(Xt)表示Xt的交叉熵，yi表示y中的第i个元素，Xt,i为Xt中的第i个元素，‖·‖2表示向量范数的平方。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四、本实施方式与具体实施方式一至三之一不同的是：所述步骤五的具体过程为：
Figure GDA0003657798690000061
其中，|Δ|表示集合Δ中的样本总数，t′＝1,2,…,|Δ|，Xt′为Δ中的第t′个序列，Xt′,i为Xt′中的第i个元素，I{·}表示指标函数，I{·}满足如下关系：
Figure GDA0003657798690000062
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五、本实施方式与具体实施方式一至四之一不同的是：所述步骤八的具体过程为：
Figure GDA0003657798690000063
Figure GDA0003657798690000064
其中，sgn(·)表示sign函数，(·)T代表转置，运算符
Figure GDA0003657798690000065
和
Figure GDA0003657798690000066
分别表示提取
Figure GDA0003657798690000067
的实部和虚部，j为虚数符号。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六、结合图2说明本实施方式。本实施方式所述的一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法，所述方法具体包括以下步骤：
步骤一、信号接收模块通过天线从信道中接收信号y；
步骤二、参数初始化
设置初始状态
Figure GDA0003657798690000068
设置临时变量ρ，被选取的二进制序列集合
Figure GDA0003657798690000069
设置迭代指标s＝0，k＝0和阈值ΓL；
步骤三、判断是否满足循环迭代条件
Figure GDA00036577986900000610
若满足，则执行步骤四，否则执行步骤九；
步骤四、更新迭代指标s＝s+1；
步骤五、根据p生成T个二进制序列
Figure GDA0003657798690000071
并分别计算每个序列的交叉熵L(Xt)，其中，Xt表示根据p生成的T个二进制序列中的第t个序列，t＝1,2,…,T；
步骤六、将测试样本集合
Figure GDA0003657798690000072
中的元素按降序排列，并令本次迭代的门限值
Figure GDA0003657798690000073
其中，
Figure GDA0003657798690000074
为X中第
Figure GDA0003657798690000075
个序列的交叉熵，
Figure GDA0003657798690000076
是向下取整函数；
步骤七、判断是否满足判决条件s≤smax或Γ≥ΓL，smax为最大迭代次数，若满足判决条件，则根据集合X中每个序列的交叉熵和Γ更新p，将更新后的p记为p′＝{p1,p2,...pM}；若不满足判决条件，则结束算法；
步骤八、根据X更新被选取的二进制序列集合
Figure GDA0003657798690000077
将更新后的被选取的二进制序列集合记为Λ′，Λ′中的序列为X中的前
Figure GDA0003657798690000078
个序列；
令p′→p，Λ′→Λ，并返回步骤三；
步骤九、更新迭代指标k＝k+1；
步骤十、生成估计用户签名序列
Figure GDA0003657798690000079
和用户数据
Figure GDA00036577986900000710
步骤十一、更新数据
Figure GDA00036577986900000711
并重置
Figure GDA00036577986900000712
之后返回执行步骤三。
本实施方式是针对于多活跃用户进行的，临时变量ρ和阈值ΓL可以根据实际情况选取，临时变量ρ和阈值ΓL的取值决定了收敛的速度。
具体实施方式七、本实施方式与具体实施方式六不同的是：所述步骤一中，通过天线从信道中接收信号y，信号y的形式为：
Figure GDA00036577986900000713
其中，dk是活跃设备Uk的传输信号，k＝1,2,…,K，K为活跃设备的总个数，ck＝[ck,1,ck,2,...,ck,M]T表示活跃设备Uk的特征码，M代表特征码的长度，ck,i代表特征码的第i个码元，i＝1,2，…，M，对角矩阵Hk＝diag(hk,1,hk,2,...,hk,M)表示Uk到AP的信道矩阵，hk,i代表发送码元ck,i时，活跃设备Uk到AP时的信道特性，n表示复高斯白噪声向量。
其它步骤及参数与具体实施方式六相同。
具体实施方式八、本实施方式与具体实施方式六或七之一不同的是：所述分别计算每个序列的交叉熵L(Xt)，其具体过程为：
Figure GDA0003657798690000081
其中，L(Xt)表示Xt的交叉熵，yi为y中的第i个元素，‖·‖2表示向量范数的平方。
其它步骤及参数与具体实施方式六或七相同。
具体实施方式九、本实施方式与具体实施方式六至八之一不同的是：所述根据测试样本集X中每个序列的交叉熵和Γ更新p，其具体过程为：
Figure GDA0003657798690000082
其中，j＝1,2,…,M，I{·}表示指标函数，|Λ|为被选取的二进制序列集合中的序列总数，Xt′为X中的第t′个序列，Xt′,j为序列Xt′中的第j个元素；
Figure GDA0003657798690000083
其它步骤及参数与具体实施方式六至八之一相同。
具体实施方式十、本实施方式与具体实施方式六至九之一不同的是：所述步骤十的具体过程为：
Figure GDA0003657798690000084
Figure GDA0003657798690000085
其中，sgn(·)表示sign函数，运算符
Figure GDA0003657798690000086
和
Figure GDA0003657798690000087
分别表示提取
Figure GDA0003657798690000088
的实部和虚部，j为虚数符号。
其它步骤及参数与具体实施方式六至九之一相同。
图3到图7分析了在不同场景下基于交叉熵迭代学习的物联网终端设备用户特征码识别方法的误码性能和活动用户特征码检测错误率与参数Φ、λ的关系，说明本发明所提方案可以保障认证可靠性并具有较好的可实现性，有效解决了现有认证方法的随机接入拥塞问题。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (4)

1.基于交叉熵迭代学习的物联网设备用户特征码识别方法，其特征在于，所述方法具体包括以下步骤：
步骤一、通过天线从信道中接收信号y；
步骤二、参数初始化
设置初始状态
Figure FDA0003657798680000011
pi表示p中的第i个元素，i＝1,2，…，M，设置临时变量ρ，被选取的二进制序列集合
Figure FDA0003657798680000012
设置迭代指标s＝0，阈值ΓL；
步骤三、根据p生成T个二进制序列
Figure FDA0003657798680000013
并分别计算每个序列的交叉熵L(Xt)，其中，Xt表示根据p生成的T个二进制序列中的第t个序列，t＝1,2,…,T；
所述步骤三中，分别计算每个序列的交叉熵L(Xt)，其具体过程为：
Figure FDA0003657798680000014
其中，L(Xt)表示Xt的交叉熵，yi表示y中的第i个元素，Xt,i为Xt中的第i个元素，‖·‖2表示向量范数的平方；
步骤四、将集合
Figure FDA0003657798680000015
中的元素按降序排列，并令门限值
Figure FDA0003657798680000016
其中，
Figure FDA0003657798680000017
为Δ中第
Figure FDA0003657798680000018
个序列的交叉熵，
Figure FDA0003657798680000019
是向下取整函数；
步骤五、根据集合Δ中每个序列的交叉熵和Γ来更新p，将更新后的p记为p′＝{p1,p2,...pM}；
所述步骤五的具体过程为：
Figure FDA00036577986800000110
其中，|Δ|表示集合Δ中的样本总数，t′＝1,2,…,|Δ|，Xt′为Δ中的第t′个序列，Xt′,i为Xt′中的第i个元素，I{·}表示指标函数，I{·}满足如下关系：
Figure FDA00036577986800000111
步骤六、根据集合Δ更新被选取的二进制序列集合，将更新后的Λ记为
Figure FDA00036577986800000112
Λ′中的序列为Δ中的前
Figure FDA0003657798680000021
个序列；
步骤七、判断是否满足
Figure FDA0003657798680000022
且Γ≤ΓL，若满足，则更新迭代指标s＝s+1，令p′→p，Λ′→Λ，并重复步骤三至步骤六的过程；直至不满足
Figure FDA0003657798680000023
且Γ≤ΓL时停止迭代，执行步骤八；
步骤八、根据最后一次迭代更新后的p生成估计用户签名序列
Figure FDA0003657798680000024
和用户数据
Figure FDA0003657798680000025
所述步骤八的具体过程为：
Figure FDA0003657798680000026
Figure FDA0003657798680000027
其中，sgn(·)表示sign函数，(·)T代表转置，运算符
Figure FDA0003657798680000028
和
Figure FDA0003657798680000029
分别表示提取
Figure FDA00036577986800000210
的实部和虚部，j为虚数符号。
2.根据权利要求1所述的基于交叉熵迭代学习的物联网设备用户特征码识别方法，其特征在于，所述步骤一中，通过天线从信道中接收信号y，信号y的形式为：
y＝Hcd+n
其中，d是活跃设备U的传输信号，c＝[c1,c2,...,cM]T表示活跃设备U的特征码，M代表特征码的长度，ci代表特征码的第i个码元，i＝1,2，…，M，对角矩阵H＝diag(h1,h2,...,hM)表示U到AP的信道矩阵，hi代表发送码元ci时，活跃设备U到AP时的信道特性，n表示复高斯白噪声向量。
3.基于交叉熵迭代学习的物联网设备用户特征码识别方法，其特征在于，所述方法具体包括以下步骤：
步骤一、通过天线从信道中接收信号y；
步骤二、参数初始化
设置初始状态
Figure FDA00036577986800000211
设置临时变量ρ，被选取的二进制序列集合
Figure FDA00036577986800000212
设置迭代指标s＝0，k＝0和阈值ΓL；
步骤三、判断是否满足循环迭代条件
Figure FDA0003657798680000031
若满足，则执行步骤四，否则执行步骤九；
步骤四、更新迭代指标s＝s+1；
步骤五、根据p生成T个二进制序列
Figure FDA0003657798680000032
并分别计算每个序列的交叉熵L(Xt)，其中，Xt表示根据p生成的T个二进制序列中的第t个序列，t＝1,2,…,T；
所述分别计算每个序列的交叉熵L(Xt)，其具体过程为：
Figure FDA0003657798680000033
其中，L(Xt)表示Xt的交叉熵，yi为y中的第i个元素，‖·‖2表示向量范数的平方；
步骤六、将集合
Figure FDA0003657798680000034
中的元素按降序排列，并令门限值
Figure FDA0003657798680000035
其中，
Figure FDA0003657798680000036
为X中第
Figure FDA0003657798680000037
个序列的交叉熵，
Figure FDA0003657798680000038
是向下取整函数；
步骤七、判断是否满足判决条件s≤smax或Γ≥ΓL，smax为最大迭代次数，若满足判决条件，则根据集合X中每个序列的交叉熵和Γ更新p，将更新后的p记为p′＝{p1,p2,...pM}；若不满足判决条件，则结束算法；
所述根据测试样本集X中每个序列的交叉熵和Γ更新p，其具体过程为：
Figure FDA0003657798680000039
其中，j＝1,2,…,M，I{·}表示指标函数，|Λ|为被选取的二进制序列集合中的序列总数，Xt′为X中的第t′个序列，Xt′,j为序列Xt′中的第j个元素；
Figure FDA00036577986800000310
步骤八、根据X更新被选取的二进制序列集合
Figure FDA00036577986800000311
将更新后的被选取的二进制序列集合记为Λ′，Λ′中的序列为X中的前
Figure FDA00036577986800000312
个序列；
令p′→p，Λ′→Λ，并返回步骤三；
步骤九、更新迭代指标k＝k+1；
步骤十、生成估计用户签名序列
Figure FDA0003657798680000041
和用户数据
Figure FDA0003657798680000042
所述步骤十的具体过程为：
Figure FDA0003657798680000043
Figure FDA0003657798680000044
其中，sgn(·)表示sign函数，运算符
Figure FDA0003657798680000045
和
Figure FDA0003657798680000046
分别表示提取
Figure FDA0003657798680000047
的实部和虚部，j为虚数符号；
步骤十一、更新数据
Figure FDA0003657798680000048
并重置
Figure FDA0003657798680000049
之后返回执行步骤三。
4.根据权利要求3所述的基于交叉熵迭代学习的物联网设备用户特征码识别方法，其特征在于，所述步骤一中，通过天线从信道中接收信号y，信号y的形式为：
Figure FDA00036577986800000410
其中，dk是活跃设备Uk的传输信号，k＝1,2,…,K，K为活跃设备的总个数，ck＝[ck,1,ck,2,...,ck,M]T表示活跃设备Uk的特征码，M代表特征码的长度，ck,i代表特征码的第i个码元，i＝1,2，...，M，对角矩阵Hk＝diag(hk,1,hk,2,...,hk,M)表示Uk到AP的信道矩阵，hk,i代表发送码元ck,i时，活跃设备Uk到AP时的信道特性，n表示复高斯白噪声向量。
CN202110733036.0A 2021-06-29 2021-06-29 基于交叉熵迭代学习的物联网设备用户特征码识别方法 Active CN113472484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110733036.0A CN113472484B (zh) 2021-06-29 2021-06-29 基于交叉熵迭代学习的物联网设备用户特征码识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110733036.0A CN113472484B (zh) 2021-06-29 2021-06-29 基于交叉熵迭代学习的物联网设备用户特征码识别方法

Publications (2)

Publication Number Publication Date
CN113472484A CN113472484A (zh) 2021-10-01
CN113472484B true CN113472484B (zh) 2022-08-05

Family

ID=77874072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110733036.0A Active CN113472484B (zh) 2021-06-29 2021-06-29 基于交叉熵迭代学习的物联网设备用户特征码识别方法

Country Status (1)

Country Link
CN (1) CN113472484B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182470A (zh) * 2018-01-17 2018-06-19 深圳市唯特视科技有限公司 一种基于注意模块的递归神经网络的用户识别方法
CN109783805A (zh) * 2018-12-17 2019-05-21 北京邮电大学 一种网络社区用户识别方法及装置
CN111160443A (zh) * 2019-12-25 2020-05-15 浙江大学 一种基于深度多任务学习的活动和用户识别方法
CN111447160A (zh) * 2020-04-15 2020-07-24 上海交通大学 基于神经网络的大规模mimo无源随机接入的信号检测方法
CN112367683A (zh) * 2020-11-17 2021-02-12 重庆邮电大学 基于改进深度q学习的网络选择方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7565372B2 (en) * 2005-09-13 2009-07-21 Microsoft Corporation Evaluating and generating summaries using normalized probabilities
KR20190087351A (ko) * 2019-07-05 2019-07-24 엘지전자 주식회사 머신 러닝 시스템, 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182470A (zh) * 2018-01-17 2018-06-19 深圳市唯特视科技有限公司 一种基于注意模块的递归神经网络的用户识别方法
CN109783805A (zh) * 2018-12-17 2019-05-21 北京邮电大学 一种网络社区用户识别方法及装置
CN111160443A (zh) * 2019-12-25 2020-05-15 浙江大学 一种基于深度多任务学习的活动和用户识别方法
CN111447160A (zh) * 2020-04-15 2020-07-24 上海交通大学 基于神经网络的大规模mimo无源随机接入的信号检测方法
CN112367683A (zh) * 2020-11-17 2021-02-12 重庆邮电大学 基于改进深度q学习的网络选择方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Distributed Policy Learning Based Random Access for Diversified QoS Requirements;Zhiyuan Jiang等;《ICC 2019 - 2019 IEEE International Conference on Communications (ICC)》;20190715;全文 *
基于深度学习的无线资源管理与安全研究;杨宁;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20210115;全文 *

Also Published As

Publication number Publication date
CN113472484A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN105721106B (zh) 基于串行策略的scma上行通信系统多用户检测方法
Choi et al. Query tree-based reservation for efficient RFID tag anti-collision
CN113472707B (zh) 一种联合信道估计与符号检测方法、装置、设备及介质
CN112364729A (zh) 基于特征参数与bp神经网络的调制识别方法
CN107864029A (zh) 一种降低多用户检测复杂度的方法
Xu et al. Recognition of radar signals based on AF grids and geometric shape constraint
CN111245758A (zh) 一种用于泛在电力物联网的qpsk调制非相干检测方法
CN111031611B (zh) 一种基于非授权的导频随机接入方法
CN113472484B (zh) 基于交叉熵迭代学习的物联网设备用户特征码识别方法
CN103368700B (zh) 基于特征量预估计的时滞相关空时码模式盲识别方法
CN112187382B (zh) 一种基于粘性隐马尔可夫模型的噪声功率估计方法
CN110944002B (zh) 一种基于指数平均数据增强的物理层认证方法
CN103490863B (zh) 基于部分序列参数检测的空时码模式盲识别方法
CN116032317B (zh) 一种免授权的联合活跃用户与数据检测方法
CN108173791A (zh) 基于平滑技术的时变衰落信道的物理层盲认证方法及系统
WO2021042639A1 (zh) 基于边缘计算和离散随机卷积的数据包合法性确认方法
Yu et al. Cross-layer protocol fingerprint for large-scale fine-grain devices identification
CN108199991A (zh) 基于置信传递的时变衰落信道的物理层盲认证方法和系统
CN111612097B (zh) 一种基于gru网络的主用户数目估计方法
CN114337883A (zh) 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统
Yin et al. Echo state network based symbol detection in chaotic baseband wireless communication
CN110912906A (zh) 一种边缘计算恶意节点识别方法
CN111769975A (zh) Mimo系统信号检测方法及系统
CN106911431B (zh) 应用于稀疏编码多址接入系统解调过程中改进的部分边缘信息传递方法
CN114997299B (zh) 一种资源受限环境下的射频指纹识别方法

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