CN113766541A - Mmtc场景下的活跃设备及其使用信道的检测方法 - Google Patents

Abstract

本发明提供了一种MMTC场景下的活跃设备及其适用信道的检测方法。包括：每个活跃设备选择导频序列组成矩阵，基站通过间距为半波长的均匀阵列天线接收来自活跃设备发送的数据；根据基站的接收信号得到基站的信道状态矩阵，对所述信道状态矩阵进行字典学习得到稀疏信道状态矩阵，利用克罗内克积对所述稀疏信道状态矩阵进行向量化处理，利用改进的BOMP算法得到最终的信道状态矩阵；计算最终的信道状态矩阵的各行的信道能量，将各行的信道能量与设定的信道阈值进行比较，根据比较结果得到各个活跃设备所选的导频情况。本发明可以实现在未知活跃设备数量的情况下，提高MMTC中设备活跃度检测及信道估计的精确度。

Description

MMTC场景下的活跃设备及其使用信道的检测方法

技术领域

本发明涉及媒体通信技术领域，尤其涉及一种MMTC(Massive Machine-typeCommunication，大规模机器类通信)场景下的活跃设备及其使用信道的检测方法。

背景技术

MMTC作为5G(fifth-generation，第五代移动通信系统)的三大场景之一，具有大规模的设备数量、小数据包传输、低移动性及低活跃度的特点。传统的基于授权的随机接入方法具有繁琐的信令交互流程，不仅会造成过多的时延，同时控制信息所占的开销对于MMTC的小数据包来讲显得较大，并不适用于MMTC。

为了减少接入的时延，降低信令开销，可以采用免授权的随机接入，活跃设备直接向基站传输数据。由于MMTC存在海量设备间歇性发送数据的特性，将非活跃设备的发送数据看做零，则所有用户的发送数据为稀疏信号。因此，基站可以利用数据存在的稀疏性采用CS(Compressive Sensing，压缩感知)算法重建出原始数据。CS的核心思想是将一个稀疏或者可压缩的高维信号通过特定的矩阵变换投影到一个低纬度的空间上，在进行信号重建的时候，利用稀疏信号或压缩过的信号的稀疏性，使用线性或非线性的恢复算法重建出原始信号。经典的压缩感知信号恢复算法包括OMP(Orthogonal Matching Pursuit，正交匹配追踪)、CoSaMP(Compressive Sampling Matching Pursuit，压缩采样匹配追踪)、SP(Subspace Pursuit,子空间追踪)。

当基站具有多天线时，活跃设备的信道由于活跃设备与基站的距离及角度原因，在角度域呈现稀疏特性，而该角度域的稀疏特性有利于信道的检测。字典学习(DictionaryLearning)和稀疏表示(Sparse Representation)统称为稀疏字典学习(SparseDictionary Learning)。字典学习是对样本进行学习，目的是寻求最佳的字典能够将样本稀疏表示，即在所求的字典下，有更少的系数表征样本集。通过对信道进行字典学习，找出信道更为稀疏的形式，利用更稀疏的变换结果参与信道检测，从而达到对信道检测性能的增强。

现有技术中的OMP算法在MP(Match Pursuit,匹配追踪算法)基础上进行残差正交化处理，增强了算法的收敛性，但由此也带来了较高的复杂度。CoSaMP和SP算法都是对OMP的一种改进，每次迭代选择多个原子，同样没有解决复杂度过高导致较高时延的问题，并且信号重构概率不高。SAMP提出了一种只需要设置步长和停止条件，不需要输入稀疏度就可估计信号的算法，解决了未知活跃设备数的情况下仍能够求解信号的问题，但步长的选择限制了算法精度和效率。

发明内容

本发明实施提供了一种MMTC场景下的活跃设备及其使用信道的检测方法，以实现在未知活跃设备数量的情况下，提高MMTC中设备活跃度检测及信道估计的精确度。

为了实现上述目的，本发明采取了如下技术方案。

一种MMTC场景下的活跃设备及其使用信道的检测方法，设置MMTC场景下基站覆盖的小区内共有

台设备，基站配备有M根均匀阵列天线,且每一根天线间距为半波长，而每台设备均只有一根天线。其中同一时段只有

台活跃设备向基站传输数据，所述

台活跃设备与基站间的距离及角度均服从随机分布，所述方法包括；

每个活跃设备从导频池中随机选择一个非正交导频序列,所有活跃设备的导频序列组成矩阵，基站通过间距为半波长的均匀阵列天线接收来自活跃设备发送的数据；

根据基站的接收信号得到基站的信道状态矩阵，对所述信道状态矩阵进行字典学习得到稀疏信道状态矩阵，利用克罗内克积对所述稀疏信道状态矩阵进行向量化处理，利用改进的BOMP算法得到最终的信道状态矩阵；

计算所述最终的信道状态矩阵的各行的信道能量，将各行的信道能量与设定的信道阈值进行比较，根据比较结果得到各个活跃设备所选的导频情况。

优选地，所述的每个活跃设备从导频池中随机选择一个非正交导频序列,所有活跃设备的导频序列组成矩阵，基站通过间距为半波长的均匀阵列天线接收来自活跃设备发送的数据，包括：

假定某一时段

台活跃设备与基站间的距离及角度均服从随机分布，角度在-90°至90°之间，距离在D_min至D_max之间，只有离活跃设备最近的N_fardevice个远散射体对该活跃设备产生影响，活跃设备相关的散射体为N_device个，基站处的角度扩散服从对数正态分布，基站每条路径的出发角服从正态分布，移动台每条路径的到达角同样服从正态分布。

每个活跃设备从导频池

中随机选择一个非正交导频序列a_i∈C^L,所有活跃设备的导频序列组成矩阵A∈C^L×N(L＜N)，基站通过间距为半波长的均匀阵列天线接收来自活跃设备发送的数据，基站接收到的信号表达式为Q＝AH+Z,其中Q＝[q₁,...,q_M]∈C^L×M，

Z∈C^L×M是高斯白噪声，

分别表示第一个和第N个导频资源在M根天线域上的信道相应，所有活跃设备共选了K个导频，导频数量

优选地，对所述信道状态矩阵进行字典学习得到稀疏信道状态矩阵之前，还包括：

在基站侧将接收到的信号进行离散傅里叶变换DFT，X＝HW，W∈C^M×M是DFT变换矩阵，变换后的信号表达式为Y＝AX+n。

优选地，所述的根据基站的接收信号得到基站的信道状态矩阵，对所述信道状态矩阵进行字典学习得到稀疏信道状态矩阵，包括：

信道状态矩阵H的每一行表示每个导频对应的活跃设备在基站不同天线上的信道信息，n∈C^L×M为高斯白噪声，在信道状态矩阵H中不活跃的设备所在的行均为零；

通过发送收发端已知的导频序列组成的矩阵A及基站接收到的信号Y∈R^L×M，在基站侧利用压缩感知CS算法获得此时的信道状态的估计值

将上述基站的信号收发过程循环Q次，得到用于训练字典的信道状态矩阵

利用该信道状态矩阵作为样本进行字典学习，基于信道的角度稀疏特征在字典学习过程中采用分块处理，获得能够稀疏表示信道状态且具有块稀疏特征的字典D，该字典能够最大化稀疏信道状态矩阵，即H^T＝Dθ，其中D∈R^M×P为字典，P为字典的冗余程度。

优选地，所述的利用克罗内克积对所述稀疏信道状态矩阵进行向量化处理，包括：

利用克罗内克积的性质

将基站的接收信号Y＝Aθ^TD^T+n进行向量化，得到

令vec_Y＝vec(Y)，

vec_θ＝vec(θ^T)，vec_Y是长度为L·M的列向量，T为L·M×P·N的矩阵，vec_θ为长度为P·N的列向量，将上式变为vec_Y＝T·vec_θ。

优选地，所述的利用改进的BOMP算法得到最终的信道状态矩阵，包括：

在基站端已知字典D及导频序列A，即已知矩阵T及接收信号vec_Y，通过压缩感知算法解出向量vec_θ，根据克罗内克积转置运算符合分配律

矩阵的列向量和残差的投影系数

根据克罗内克积的性质

矩阵的列向量和残差的投影系数

对具有块稀疏特征的θ^T进行向量化后，其块稀疏特性表现为vec_θ中第i个元素非零，则第i+N,i+2N,...,i+(b-1)N个元素同样非零，其中b为块稀疏的块数，修改BOMP算法中关于块的标签和编号，使之能够刻画vec_θ特有的稀疏特性；得到信道状态矩阵H关于字典D的稀疏表示系数的向量化形式vec_θ，再通过向量化的逆变换将vec_θ变回θ，根据H^T＝Dθ，得到最终的信道状态矩阵H＝D^Tθ^T，所述信道状态矩阵H中的一个非零行表示一个被活跃设备选择的导频序列，并假定未活跃设备发送全零信息。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例提供了一种基于压缩感知的MMTC场景下利用角度域增强的非授权接入方法，以实现在未知活跃设备数量的情况下，提高MMTC中设备活跃度检测及信道估计的精确度。

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为本发明实施例提供的一种稀疏性多天线MMTC角度域增强场景示意图；

图2为本发明实施例提供的一种基于压缩感知的MMTC场景下的活跃设备及其使用信道的检测方法的具体处理流程图；

图3为本发明实施例提供的一种稀疏性多天线MMTC字典学习增强场景示意图；

图4为本发明实施例提供的一种远散射体分布和基站与活跃设备信道的角度扩展示意图；

图5-图8为本发明实施例提供的一种不同的信道恢复算法下在活跃设备数、导频长度、导频数量及信噪比条件下的信道恢复性能对比示意图；

图9-图12为不同的信道恢复算法下在活跃设备数、导频长度、导频数量及信噪比条件下的活跃设备检测对比示意图。

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。

本发明实施提供了一种基于压缩感知的MMTC场景下的活跃设备及其使用信道的检测方法，以实现在未知活跃设备数量的情况下，提高MMTC中设备活跃度检测、信道估计及数据恢复的精确度，该方法的应用场景如图1所示，具体处理流程如图2所示，包括如下的处理步骤：

步骤S10、MMTC场景下基站覆盖的小区内共有

台设备，基站配备有M根均匀阵列天线,且每一根天线间距为半波长，而每台设备均只有一根天线。其中同一时段只有

台设备向基站传输数据，即这些设备间歇性活跃。

假定某一时段

台活跃设备与基站间的距离及角度均服从随机分布，角度在-90°至90°之间，距离在D_min至D_max之间，路径损失与收发天线增益及波长与距离有关。假定远散射体位置固定不变，且服从均匀等距分布在基站周围，图4为本发明实施例提供的一种远散射体分布和基站与活跃设备信道的角度扩展示意图，参照图4。远散射体对设备的影响在一定距离以外可以忽略不计，假定只有离活跃设备最近的N_fardevice个远散射体对该设备产生影响，用户相关的散射体为N_device个，根据3GPP第十六版本的MIMO无线信道模型仿真的规范，每条多径存在20条子径，各子径的到达角由技术规范组无线接入网协议中给出，各子径的能量由时延扩散及远散射体数等参数有关。每条子径之间同样存在角度扩散，下列各参数均参照3GPP协议，例如对数正态阴影衰落的标准差。基站处的角度扩散服从对数正态分布，基站每条路径的出发角服从正态分布，移动台每条路径的到达角同样服从正态分布。

步骤S20、每个活跃设备首先从导频池

中随机选择一个非正交导频序列a_i∈C^L,所有的导频序列组成矩阵A∈C^L×N(L＜N)，此时在基站接收到的信号表达式为Q＝AH+Z,其中Q＝[q₁,...,q_M]∈C^L×M，

分别表示第一个和第N个导频资源在M根天线域上的信道相应，Z∈C^L×M是高斯白噪声。

活跃设备共选了K个导频，由于用户并不知道其他活跃设备选择的导频，即用户可以选择相同的导频，所以选择的导频数量

在基站侧将基站接收到的信号进行DFT(Discrete Fourier Transform，离散傅里叶变换)变换X＝HW，W∈C^M×M是DFT变换矩阵，此时变换后的信号表达式为Y＝AX+n，其中Y＝QW∈C^L×M,

N＝ZW∈C^L×M，通过变换可以实现信道在角度域上的稀疏，参照图1。通过角度域变换使得信道信息矩阵的稀疏度降低，从而提高信道恢复的性能。在此基础上，我们提出利用字典学习对该场景下的信道进行稀疏表示，最大程度上使信道信息矩阵稀疏。

图3为本发明实施例提供的一种稀疏性多天线MMTC字典学习增强场景示意图，参照图3。首先产生上万次循环的稀疏活跃设备数据，并通过信道在基站处获得信道矩阵

其中

为所有稀疏活跃设备数据的样本数，然后通过字典学习获得该场景下信道的字典D∈C^M×P，

其中

为字典D关于信道

的稀疏系数。此时可以将字典学习后的基站接收信号表达式写为Y＝Aθ^TD^T+n,其中θ具有稀疏性。

步骤S30、利用克罗内克积的性质

将基站的接收信号Y＝Aθ^TD^T+n进行向量化，得到

令vec_Y＝vec(Y)，

vec_θ＝vec(θ^T)，此时的vec_Y为长度为L·M的列向量，T为L·M×P·N的矩阵，vec_θ为长度为P·N的列向量，从而将上式变为vec_Y＝T·vec_θ。在基站端已知字典D及导频序列A，即已知矩阵T及接收信号vec_Y，通过压缩感知算法即可解出向量vec_θ，但由于克罗内克积后的矩阵T维度过大，压缩感知算法运行时间复杂度会过高，本发明基于OMP算法进行了改进。根据克罗内克积转置运算符合分配律

矩阵的列向量和残差的投影系数

根据克罗内克积的性质

矩阵的列向量和残差的投影系数

由此可以简化运算，降低压缩感知OMP算法的时间复杂度，从而得到信道状态矩阵H关于字典D的稀疏表示系数的向量化形式vec_θ，再通过向量化的逆变换将vec_θ变回θ，根据H^T＝Dθ，得到最终的信道状态矩阵H＝D^Tθ^T。

步骤S40、利用步骤S30获得的最终的信道状态矩阵H，通过计算信道状态矩阵H各行的信道能量，并根据设定的信道阈值进行比较，从而得到各个活跃设备所选的导频情况，达到检测活跃设备及其使用的导频的目的。

信道状态矩阵H中的一个非零行表示一个被活跃设备选择的导频序列，并假定未活跃设备发送全零信息。通过基站获取的接收信号得到估计信道，计算估计信道中每一行导频序列的能量，考虑到噪声的影响，利用先验信息信噪比得到发送信号占接收信号的百分比，将其作为活跃检测的信道阈值，估计信道导频总能量的前百分比能量所对应的导频视为活跃设备选择的。

图5-图8为本发明实施例提供的一种不同的信道恢复算法下在活跃设备数、导频长度、导频数量及信噪比条件下的信道恢复性能对比示意图，图9-图12为不同的信道恢复算法下在活跃设备数、导频长度、导频数量及信噪比条件下的活跃设备检测对比示意图。从图5-图8可以看出，在不同活跃设备数、导频长度、导频数量及信噪比下，本发明的方法的信道估计NMSE(Normalized Mean Square Error，归一化均方误差)性能均优于传统方法；从图9-12可以看出，在不同活跃设备数、导频长度、导频数量及信噪比下，本发明的方法的活跃设备检测F-measure性能均高于传统方法，其中F-measure是活跃设备漏检率和误报率的联合检测指标。

综上所述，本发明实施提供了一种基于压缩感知的MMTC场景下利用角度域增强的非授权接入方法，以实现在未知活跃设备数量的情况下，提高MMTC中设备活跃度检测及信道估计的精确度。

本发明解决了一些算法在未知活跃设备数的情况下的信道估计及活跃检测性能差的问题，同时利用字典学习对信道稀疏表示进一步提高算法信道估计及活跃检测的性能，并且在恢复信道算法中利用克罗内克积的多种性质简化了运算时间，提高了运算效率。通过对比发现，本发明提出的算法在信道估计和活跃检测性能方面均比目前相关的其他算法好。

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场景下的活跃设备及其使用信道的检测方法，其特征在于，设置MMTC场景下基站覆盖的小区内共有

台设备，基站配备有M根均匀阵列天线,且每一根天线间距为半波长，而每台设备均只有一根天线,其中同一时段只有

台活跃设备向基站传输数据，所述

台活跃设备与基站间的距离及角度均服从随机分布，所述方法包括；

每个活跃设备从导频池中随机选择一个非正交导频序列,所有活跃设备的导频序列组成矩阵，基站通过间距为半波长的均匀阵列天线接收来自活跃设备发送的数据；

根据基站的接收信号得到基站的信道状态矩阵，对所述信道状态矩阵进行字典学习得到稀疏信道状态矩阵，利用克罗内克积对所述稀疏信道状态矩阵进行向量化处理，利用改进的BOMP算法得到最终的信道状态矩阵；

计算所述最终的信道状态矩阵的各行的信道能量，将各行的信道能量与设定的信道阈值进行比较，根据比较结果得到各个活跃设备所选的导频情况。

2.根据权利要求1所述的方法，其特征在于，所述的每个活跃设备从导频池中随机选择一个非正交导频序列,所有活跃设备的导频序列组成矩阵，基站通过间距为半波长的均匀阵列天线接收来自活跃设备发送的数据，包括：

假定某一时段

台活跃设备与基站间的距离及角度均服从随机分布，角度在-90°至90°之间，距离在D_min至D_max之间，只有离活跃设备最近的N_fardevice个远散射体对该活跃设备产生影响，活跃设备相关的散射体为N_device个，基站处的角度扩散服从对数正态分布，基站每条路径的出发角服从正态分布，移动台每条路径的到达角同样服从正态分布。

每个活跃设备从导频池

中随机选择一个非正交导频序列a_i∈C^L,所有活跃设备的导频序列组成矩阵A∈C^L×N(L＜N)，基站通过间距为半波长的均匀阵列天线接收来自活跃设备发送的数据，基站接收到的信号表达式为Q＝AH+Z,其中Q＝[q₁,...,q_M]∈C^L×M，

Z∈C^L×M是高斯白噪声，

分别表示第一个和第N个导频资源在M根天线域上的信道相应，所有活跃设备共选了K个导频，导频数量

3.根据权利要求2所述的方法，其特征在于，对所述信道状态矩阵进行字典学习得到稀疏信道状态矩阵之前，还包括：

在基站侧将接收到的信号进行离散傅里叶变换DFT，X＝HW，W∈C^M×M是DFT变换矩阵，变换后的信号表达式为Y＝AX+n。

4.根据权利要求3所述的方法，其特征在于，所述的根据基站的接收信号得到基站的信道状态矩阵，对所述信道状态矩阵进行字典学习得到稀疏信道状态矩阵，包括：

信道状态矩阵H的每一行表示每个导频对应的活跃设备在基站不同天线上的信道信息，n∈C^L×M为高斯白噪声，在信道状态矩阵H中不活跃的设备所在的行均为零；

通过发送收发端已知的导频序列组成的矩阵A及基站接收到的信号Y∈R^L×M，在基站侧利用压缩感知CS算法获得此时的信道状态的估计值

将上述基站的信号收发过程循环Q次，得到用于训练字典的信道状态矩阵

利用该信道状态矩阵作为样本进行字典学习，基于信道的角度稀疏特征在字典学习过程中采用分块处理，获得能够稀疏表示信道状态且具有块稀疏特征的字典D，该字典能够最大化稀疏信道状态矩阵，即H^T＝Dθ，其中D∈R^M×P为字典，P为字典的冗余程度。

5.根据权利要求4所述的方法，其特征在于，所述的利用克罗内克积对所述稀疏信道状态矩阵进行向量化处理，包括：

利用克罗内克积的性质

将基站的接收信号Y＝Aθ^TD^T+n进行向量化，得到

令vec_Y＝vec(Y)，

vec_θ＝vec(θ^T)，vec_Y是长度为L·M的列向量，T为L·M×P·N的矩阵，vec_θ为长度为P·N的列向量，将上式变为vec_Y＝T·vec_θ。

6.根据权利要求5所述的方法，其特征在于，所述的利用改进的BOMP算法得到最终的信道状态矩阵，包括：

在基站端已知字典D及导频序列A，即已知矩阵T及接收信号vec_Y，通过压缩感知算法解出向量vec_θ，根据克罗内克积转置运算符合分配律

矩阵的列向量和残差的投影系数

根据克罗内克积的性质

矩阵的列向量和残差的投影系数

对具有块稀疏特征的θ^T进行向量化后，其块稀疏特性表现为vec_θ中第i个元素非零，则第i+N,i+2N,...,i+(b-1)N个元素同样非零，其中b为块稀疏的块数，修改BOMP算法中关于块的标签和编号，使之能够刻画vec_θ特有的稀疏特性；得到信道状态矩阵H关于字典D的稀疏表示系数的向量化形式vec_θ，再通过向量化的逆变换将vec_θ变回θ，根据H^T＝Dθ，得到最终的信道状态矩阵H＝D^Tθ^T，所述信道状态矩阵H中的一个非零行表示一个被活跃设备选择的导频序列，并假定未活跃设备发送全零信息。

Images