CN114285523A - 面向多业务需求的大规模mtc免授权多用户检测方法及系统 - Google Patents

面向多业务需求的大规模mtc免授权多用户检测方法及系统 Download PDF

Info

Publication number
CN114285523A
CN114285523A CN202111603475.6A CN202111603475A CN114285523A CN 114285523 A CN114285523 A CN 114285523A CN 202111603475 A CN202111603475 A CN 202111603475A CN 114285523 A CN114285523 A CN 114285523A
Authority
CN
China
Prior art keywords
user
data
model
signal
matrix
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
CN202111603475.6A
Other languages
English (en)
Other versions
CN114285523B (zh
Inventor
王熠晨
王奕欣
王弢
王璋楠
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202111603475.6A priority Critical patent/CN114285523B/zh
Publication of CN114285523A publication Critical patent/CN114285523A/zh
Application granted granted Critical
Publication of CN114285523B publication Critical patent/CN114285523B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种面向多业务需求的大规模MTC多用户检测方法及系统，为描述未来mMTC网络中的多业务传输需求，根据免授权mMTC上行MIMO传输模型以及用户的多种业务需求，建立多状态马尔可夫模型，多状态马尔可夫模型联合描述用户活跃状态的时间相关性与传输数据的长度多样性；将多用户检测问题转化为块感知模型下的最大后验概率估计问题；基于压缩感知的信号重建算法得到最大后验概率问题的解，并得到最终估计的数据矩阵，充分利用传输信号的块稀疏结构特性与马尔可夫模型中描述的多业务需求的先验信息，有效地求解最大后验概率估计问题，从而完成多用户检测，本发明提高了用户活跃性检测与数据解码的准确性，获得较优的系统性能。

Description

面向多业务需求的大规模MTC免授权多用户检测方法及系统
技术领域
本发明属于大规模MTC网络中的随机接入与数据传输技术，具体涉及一种面向多业务需求的大规模MTC免授权多用户检测方法。
背景技术
大规模机器类通信(massive Machine Type Communications，mMTC)，是第五代移动通信技术(The 5th Generation Mobile Communication Technology，5G)的三大典型应用场景之一，具有大规模连接、小数据包、零星传输的特点。为了解决mMTC在传统随机接入过程中产生的大量信令开销和严重的接入延时，免授权接入方式引起了研究者们的兴趣。在该接入方式下，用户不需要经过基站的授权，就可以直接进行数据传输，提高了系统通信效率。由于无法获知用户的传输信息，需要基于收到的信号进行活跃用户检测、数据解码等操作。而未来的mMTC网络将面临多样的业务传输需求，每一个设备会承载多种类型的服务，从而导致了设备的激活模式及传输的数据总量各不相同。业务需求的多样性为mMTC网络中的多用户检测问题带来了挑战。如何基于多种传输需求建立多用户检测方案，以提高系统检测的性能，是一个需要解决的技术问题。
发明内容
为了解决现有技术中存在的问题，本发明提供了一种面向多业务需求的大规模MTC免授权多用户检测方法，联合考虑了活跃用户的时间相关性与传输数据的长度多样性的影响，以获得较高的检测准确度。
为实现上述目的，本发明采用的技术方案为：一种面向多业务需求的大规模MTC免授权多用户检测方法，包括以下步骤：
建立免授权mMTC上行MIMO传输模型或传输系统，所述传输模型或传输系统包括N个单天设备，和一个具备M根天线的基站，并且由于mMTC零星传输的特征，每时刻只有很少一部分设备处于活跃状态；将设备用户索引集表示为
Figure BDA0003432675010000021
将一个时隙的持续时间划分为L个符号间隔；当用户在某时隙被激活时，传送包含不同数据符号个数的数据包，且每个数据包的最大长度为L；基站在时隙j内接收到的信号为Y[j]＝H[j]X[j]+W[j]，其中X[j]表示时隙j内包含所有用户发送数据的数据矩阵，H[j]表示信道矩阵，W[j]表示噪声；
根据免授权mMTC上行MIMO传输模型以及用户的多种业务需求，建立多状态马尔可夫模型，多状态马尔可夫模型联合描述用户活跃状态的时间相关性与传输数据的长度多样性；
将多用户检测问题转化为块感知模型下的最大后验概率估计问题
Figure BDA0003432675010000022
其中p[j]和c[j]分别为Y[j]和X[j]的等效块稀疏形式；
基于接收信号Y[j]与确定的信道矩阵H[j]，利用压缩感知的信号重建算法得到最大后验概率问题的解
Figure BDA0003432675010000023
并得到最终估计的数据矩阵
Figure BDA0003432675010000024
建立的信号模型Y[j]＝H[j]X[j]+W[j]中，其数据矩阵
Figure BDA0003432675010000025
表示所有用户在时隙j发送的数据，其中
Figure BDA0003432675010000026
为用户n发送的数据向量，设
Figure BDA0003432675010000027
表示该用户传输的数据包长度，即非零数据符号的个数；每个数据符号从复数调制星座集
Figure BDA0003432675010000028
中随机选取，K表示调制阶数；
Figure BDA0003432675010000029
表示信道矩阵，
Figure BDA00034326750100000210
表示用户n与基站的天线m间的信道系数，且
Figure BDA00034326750100000211
考虑平坦瑞丽衰落，信道状态在一个时隙内保持不变；
Figure BDA00034326750100000212
为噪声干扰，其元素
Figure BDA00034326750100000213
其中
Figure BDA00034326750100000214
表示噪声功率。
所述马尔可夫模型中，每一个用户的活跃状态变化对应一条(T+1)状态的马尔可夫链，对应状态集合
Figure BDA00034326750100000215
其中S0表示用户处于非活跃状态，St状态表示用户已连续激活t个时隙(t＝1,…,T)，T表示用户可连续激活的最大时隙数；用户n在时隙j从状态Sp转移至Sq的概率为如下：
Figure BDA0003432675010000031
其中
Figure BDA0003432675010000032
与
Figure BDA0003432675010000033
表示用户n在时隙j与时隙(j+1)时的活跃状态，λ，γ，β分别为(0,1)之间的常数；考虑用户传输数据的长度多样性，设数据包长度集合为
Figure BDA0003432675010000034
(1≤L1＜…＜LR≤L)，则若用户n在时隙j处于状态St，则该用户以概率
Figure BDA0003432675010000035
生成长度为Lr的数据包，即
Figure BDA0003432675010000036
将多用户检测问题下的普通稀疏模型转换为块压缩感知模型，具体如下：
将数据矩阵X[j]中每一行划分为一个块单元，作为信号检测的最小单位，并将其转换为向量形式
Figure BDA0003432675010000037
即：
Figure BDA0003432675010000038
其中vec(·)表示矩阵的列向量化；
基于块压缩感知理论，将信号模型Y[j]＝H[j]X[j]+W[j]转换为如下的块压缩感知模型：
p[j]＝D[j]c[j]+v[j]
其中p[j]＝vec((Y[j])T)，
Figure BDA0003432675010000039
v[j]＝vec((W[j])T)，
Figure BDA00034326750100000310
表示克罗内克积，IL表示L×L的单位矩阵；
将多用户检测问题转化为在块压缩感知模型中从信号p[j]中恢复信号c[j]。
将多用户检测问题转化为块感知模型下的最大后验概率估计问题：
Figure BDA00034326750100000311
由贝叶斯准则，得到：
logp(p[j],c[j])＝logp(p[j]|c[j])+logp(c[j])
具体地，
Figure BDA0003432675010000041
Figure BDA0003432675010000042
其中，
Figure BDA0003432675010000043
为状态转移概率；
Figure BDA0003432675010000044
用于指示用户n的活跃性，
Figure BDA0003432675010000045
或0表示该用户处于活跃或非活跃状态。
所述采用基于压缩感知的算法，以贪婪迭代的方式获取最大后验概率问题的解
Figure BDA0003432675010000046
i表示当前迭代索引，每次迭代分为以下两个阶段：
在阶段一，进行活跃性指示向量a＝[a1,…aN]T的估计；在第i次迭代中，基于(i-1)次迭代得到的活跃性指示向量与数据信号的结果
Figure BDA0003432675010000047
与
Figure BDA0003432675010000048
对用户
Figure BDA0003432675010000049
活跃性估计结果
Figure BDA00034326750100000410
与信号估计结果
Figure BDA00034326750100000411
进行更新，其中
Figure BDA00034326750100000412
表示
Figure BDA00034326750100000413
中非零元素的索引集，即支撑集；将
Figure BDA00034326750100000414
的值更新为
Figure BDA00034326750100000415
Figure BDA00034326750100000416
更新为
Figure BDA00034326750100000417
对于其他用户
Figure BDA00034326750100000418
Figure BDA00034326750100000419
与
Figure BDA00034326750100000420
保持不变；则更新后的
Figure BDA00034326750100000421
与
Figure BDA00034326750100000422
表示为
Figure BDA00034326750100000423
与
Figure BDA00034326750100000424
得到更新后的数据信号
Figure BDA00034326750100000425
的对数似然比为：
Figure BDA00034326750100000426
用户n更新后的数据向量
Figure BDA00034326750100000427
可通过下式获得：
Figure BDA00034326750100000428
其中
Figure BDA00034326750100000429
表示信道矩阵D的第n个块；进一步可将
Figure BDA00034326750100000430
化简为：
Figure BDA00034326750100000431
得到用户n更新后的活跃性指示向量估计结果
Figure BDA0003432675010000051
的值为：
Figure BDA0003432675010000052
得到更新活跃性指示向量的候选集
Figure BDA0003432675010000053
为：
Figure BDA0003432675010000054
在候选集
Figure BDA0003432675010000055
中选择一个具有最大对数似然比ρi的用户作为本次迭代的更新用户，进而得到估计的活跃性指示向量：
Figure BDA0003432675010000056
在阶段二，进行传输信号的重建；首先利用最小二乘估计的方法估计传输信号：
Figure BDA0003432675010000057
Figure BDA0003432675010000058
其中
Figure BDA0003432675010000059
表示
Figure BDA00034326750100000510
的子向量，其元素为
Figure BDA00034326750100000511
Figure BDA00034326750100000512
表示D的子矩阵，元素为
Figure BDA00034326750100000513
Figure BDA00034326750100000514
(·)H表示矩阵的共轭转置，
Figure BDA00034326750100000515
表示
Figure BDA00034326750100000516
中的元素个数，(·)-1表示矩阵求逆；进行块内元素修正，估计每个块内非零数据符号的个数：
Figure BDA00034326750100000517
其中
Figure BDA00034326750100000518
表示
Figure BDA00034326750100000519
内的第l个符号，l′表示索引集{l,...,L}中的元素，Pth为功率阈值；将
Figure BDA00034326750100000520
进行星座映射，最终得到第i次迭代的信号重建结果
Figure BDA00034326750100000521
当满足条件
Figure BDA00034326750100000522
时，退出迭代；假设最终迭代次数i＝I，则得到最大后验概率问题的解
Figure BDA00034326750100000523
并得到重建的数据矩阵：
Figure BDA00034326750100000524
其中vec-1(·)表示vec(·)的逆函数。
另一方面，本发明还可以提供一种面向多业务需求的大规模MTC免授权多用户检测系统，包括模型或系统构建模块、多状态马尔可夫模型构建模块、多用户检测问题转化模块以及求解模块；
模型或系统构建模块用于建立免授权mMTC上行MIMO传输模型或传输系统，所述传输模型或传输系统包括N个单天设备，和一个具备M根天线的基站，并且由于mMTC零星传输的特征，每时刻只有很少一部分设备处于活跃状态；将设备用户索引集表示为
Figure BDA0003432675010000061
将一个时隙的持续时间划分为L个符号间隔；当用户在某时隙被激活时，传送包含不同数据符号个数的数据包，且每个数据包的最大长度为L；基站在时隙j内接收到的信号为Y[j]＝H[j]X[j]+W[j]，其中X[j]表示时隙j内包含所有用户发送数据的数据矩阵，H[j]表示信道矩阵，W[j]表示噪声；
多状态马尔可夫模型构建模块用于根据免授权mMTC上行MIMO传输模型以及用户的多种业务需求，建立多状态马尔可夫模型，多状态马尔可夫模型联合描述用户活跃状态的时间相关性与传输数据的长度多样性；
多用户检测问题转化模块用于将多用户检测问题转化为块感知模型下的最大后验概率估计问题
Figure BDA0003432675010000062
其中p[j]和c[j]分别为Y[j]和X[j]的等效块稀疏形式；
求解模块采用采用基于压缩感知的信号重建算法得到最大后验概率问题的解
Figure BDA0003432675010000063
并得到最终估计的数据矩阵
Figure BDA0003432675010000064
另外，本发明还挺一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取所述计算机可执行程序并执行，处理器执行计算可执行程序时能实现本发明所述面向多业务需求的大规模MTC免授权多用户检测方法。
同时可以提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的面向多业务需求的大规模MTC免授权多用户检测方法。
与现有技术相比，本发明至少具有以下有益效果：本发明建立了多状态马尔可夫模型，更加全面系统地描述了多业务需求中的用户活跃状态的时间相关性与传输数据的长度多样性；将信号模型转化为具有块稀疏结构的块压缩感知模型，将多用户检测问题转化为最大后验概率问题，有效地利用了所构建的马尔可夫模型中的先验信息；并设计了基于压缩感知的检测算法有效求解最大后验概率问题，提高了系统活跃用户检测和数据解码的准确度。
附图说明
图1为本发明考虑的mMTC用户在多时隙内的传输场景图。
图2为本发明建立的描述多业务需求的多状态马尔可夫模型图。
图3为不同功率阈值Pth下，系统误符号率的变化曲线。
图4为不同信噪比下，Pth最优值的变化曲线。
图5为本发明方法与对比方案下的活跃性错误率随信噪比的变化曲线。
图6为本发明方法与对比方案下的误符号率随信噪比的变化曲线。
具体实施方式
下面结合附图对本发明进行详细阐述。
系统模型
考虑免授权mMTC上行MIMO传输场景，N个单天设备和一个具备M根天线的基站，基于mMTC零星传输的特征，每时刻只有很少一部分设备处于活跃状态。将设备用户索引集表示为
Figure BDA0003432675010000071
本发明将一个时隙的持续时间划分为L个符号间隔，如图1所示，当用户在某时隙被激活时，传送包含不同数据符号个数的数据包，且每个数据包的最大长度为L。对于时隙j(j＝1,2,…)，用户n传输的数据包用一个长度为L的向量
Figure BDA0003432675010000072
表示，设
Figure BDA0003432675010000073
表示该用户数据包的大小，即非零数据符号的个数。对于
Figure BDA0003432675010000081
Figure BDA0003432675010000082
表示用户传输的第l个数据符号，该数据符号从一个复数星座集
Figure BDA0003432675010000083
中随机选择，其中K表示调制阶数。将每一个数据符号进行功率归一化，即
Figure BDA0003432675010000084
假设每个用户在空闲的符号间隔中发送符号“0”，则对于
Figure BDA0003432675010000085
有
Figure BDA0003432675010000086
此外，如果用户在该时隙内处于非活跃状态，则相当于发送了一个长为L的零向量。因此所有用户发送的符号可用星座集
Figure BDA0003432675010000087
表示。
本发明假设基站已知准确的信道信息，则基站在时隙j接收到来自所有用户的信号叠加为
Figure BDA0003432675010000088
Y[j]＝H[j]X[j]+W[j]
其中，
Figure BDA0003432675010000089
表示包含所有活跃用户发送数据的数据矩阵。
Figure BDA00034326750100000810
表示信道矩阵，
Figure BDA00034326750100000811
表示用户n与基站的天线m间的信道系数，考虑平坦瑞丽衰落，信道状态在一个时隙内保持不变，信道状态在一个时隙内保持不变；
Figure BDA00034326750100000812
为噪声干扰，其元素
Figure BDA00034326750100000813
其中
Figure BDA00034326750100000814
表示噪声功率。
由于mMTC设备具有零星传输的特征，只有极少的用户在同一时刻处于活跃状态，则数据矩阵X[j]具有行稀疏特性，即矩阵中只存在少部分的非零行。本发明通过从信号Y[j]中恢复行稀疏矩阵X[j]以实现多用户检测，即实现联合的用户活跃性与数据检测。
多状态马尔可夫模型
为描述mMTC网络中的多业务需求，本发明建立了多状态马尔可夫模型，如图2所示，该模型同时考虑了活跃用户的时间相关性与数据长度多样性的影响。本发明将用户活跃状态的时间相关性建模为(T+1)状态的马尔可夫链，对应状态集合
Figure BDA00034326750100000815
其中S0表示用户处于非活跃状态，St状态表示用户已连续激活t个时隙(t＝1,...,T)，T表示用户可连续激活的最大时隙数；用户n在时隙j从状态Sp转移至Sq的概率为：
Figure BDA0003432675010000091
其中
Figure BDA0003432675010000092
与
Figure BDA0003432675010000093
表示用户n在时隙j与时隙(j+1)时的状态，λ∈(0,1)表示用户从状态S0转移至S1，即非活跃转换为活跃的概率，βp-1γ表示用户从Sp转移至Sp+1(p＝1,…T-1)的概率，β∈(0,1)表示折扣因子，βp-1表示状态Sp转移至Sp+1时活跃概率的衰减程度，以保证随着用户连续激活的时隙个数的增加，用户的活跃概率逐渐减小。
考虑用户传输数据的长度多样性，设数据包长度集合为
Figure BDA0003432675010000094
(1≤L1＜…＜LR≤L)，则若用户n在时隙j处于状态St，则该用户以概率
Figure BDA0003432675010000095
生成长度为Lr的数据包，即
Figure BDA0003432675010000096
基于以上讨论，本发明通过建立多状态的马尔可夫模型，系统地描述了多业务需求的特征，联合考虑了时间相关性与数据长度多样性。
面向多业务需求的多用户检测
先将多用户检测问题转换为块压缩感知模型下的最大后验概率估计问题，然后设计出基于压缩感知的检测算法有效求解所建立的最大后验概率问题。
问题构建
将数据矩阵X[j]中每一行，即
Figure BDA0003432675010000097
划分为一个块单元，作为信号检测的最小单位，并将其转换为向量形式
Figure BDA0003432675010000098
即
Figure BDA0003432675010000099
其中vec(·)表示矩阵的列向量化。由于X[j]是行稀疏矩阵，则c[j]具有块稀疏性，即c[j]只存在少量的非零块。基于块压缩感知理论，将信号模型Y[j]＝H[j]X[j]+W[j]转换为如下的块压缩感知模型：
p[j]＝D[j]c[j]+v[j]
其中p[j]＝vec((Y[j])T)，
Figure BDA0003432675010000101
v[j]＝vec((W[j])T)，
Figure BDA0003432675010000102
表示克罗内克积，IL表示L×L的单位矩阵。从而将多用户检测问题转化为在块压缩感知模型中从信号p[j]中恢复信号c[j]。
用户的活跃性指示向量表示为
Figure BDA0003432675010000103
其元素an [j]＝1表示用户n在时隙j活跃，an [j]＝0则表示该用户处于非活跃状态，an [j]的概率分布由状态Sn [j-1]转移至
Figure BDA0003432675010000104
的转移概率决定，即
Figure BDA0003432675010000105
其中
Figure BDA0003432675010000106
由于每个用户的激活状态相互独立，因此有
Figure BDA0003432675010000107
进而得到数据矩阵
Figure BDA0003432675010000108
的概率分布：
Figure BDA0003432675010000109
由于每个用户数据包的生成相互独立，因此有
Figure BDA00034326750100001010
噪声矩阵W[j]服从复高斯分布
Figure BDA00034326750100001011
则在给定数据信号c[j]时，接收信号p[j]的后验概率p(p[j]|c[j])可表示为
Figure BDA00034326750100001012
进而将从信号p[j]中恢复信号c[j]的多用户检测问题转化为如下的最大后验概率问题
Figure BDA0003432675010000111
块内修正辅助的贝叶斯块正交匹配追踪
基于所构建的最大后验概率问题，本发明设计了一种压缩感知信号重构算法，名为块内元素修正辅助的贝叶斯块正交匹配追踪(intra-block pruning aided Bayesianblock orthogonal matching pursuit，IBPA-BBOMP)算法，有效解决构建的最大后验概率问题。
对于时隙j，算法以贪婪迭代的方式估计信号c[j]。在以下描述中，省略表示时隙的上标[j]。令i表示迭代索引，
Figure BDA0003432675010000112
与
Figure BDA0003432675010000113
表示在第i次迭代中估计的活跃性指示向量与估计的信号。
Figure BDA0003432675010000114
的支撑集定义为
Figure BDA0003432675010000115
其中
Figure BDA0003432675010000116
表示活跃性指示向量
Figure BDA0003432675010000117
中非零元素的索引集。可以得到
Figure BDA0003432675010000118
中的元素也表示估计的信号
Figure BDA0003432675010000119
中非零块的索引。将第i次迭代的残差信号定义为
Figure BDA00034326750100001110
在迭代开始前，进行初始化设置：
Figure BDA00034326750100001111
及r0＝p。每次迭代包含两个阶段：活跃性指示向量更新阶段与信号重建阶段。将第i次迭代的过程描述如下：
阶段一：活跃性指示向量的更新
基于第i-1次迭代中得到的结果
Figure BDA00034326750100001112
及
Figure BDA00034326750100001113
在第i次迭代中将估计的活跃性指示向量
Figure BDA00034326750100001114
进行更新，得到
Figure BDA00034326750100001115
以实现
Figure BDA00034326750100001116
注意到，接收信号数据信号的联合概率p(p,c)表示为
p(p,c)＝p(p|c)p(c)＝p(p|c)p(c,a)＝p(p|c)p(c|a)p(a)
其中第二个等式成立的原因是：a可由c唯一确定，有p(c)＝p(c,a)，即c的边缘概率等于a与c的联合概率。每次迭代，在集合
Figure BDA0003432675010000121
中选择一个用户，对其活跃性指示向量估计与信号估计进行更新，其中
Figure BDA0003432675010000122
表示在第i-1次迭代中估计的处于非活跃状态的用户。假设选择用户
Figure BDA0003432675010000123
并假设其对应的
Figure BDA0003432675010000124
的值更新为
Figure BDA0003432675010000125
Figure BDA0003432675010000126
更新为
Figure BDA0003432675010000127
对于其他用户
Figure BDA0003432675010000128
Figure BDA0003432675010000129
Figure BDA00034326750100001210
与
Figure BDA00034326750100001211
保持不变，则更新后的其他用户n′第i-1次迭代结果
Figure BDA00034326750100001212
与
Figure BDA00034326750100001213
表示为
Figure BDA00034326750100001214
与
Figure BDA00034326750100001215
为了描述经过上述更新过程后
Figure BDA00034326750100001216
的变化，定义更新后的数据信号
Figure BDA00034326750100001217
的对数似然比为：
Figure BDA00034326750100001218
用户n更新后的数据向量
Figure BDA00034326750100001219
可通过下式获得
Figure BDA00034326750100001220
其中
Figure BDA00034326750100001221
表示信道矩阵D的第n个块。由于对
Figure BDA00034326750100001222
有
Figure BDA00034326750100001223
则得到
Figure BDA00034326750100001224
且
Figure BDA00034326750100001225
另外由于
Figure BDA00034326750100001226
由
Figure BDA00034326750100001227
唯一确定，因此有
Figure BDA00034326750100001228
进而将
Figure BDA00034326750100001229
化简为
Figure BDA00034326750100001230
接着分两步进行活跃性指示向量的更新：
(1)生成候选集
用户n更新后的活跃性指示向量估计结果
Figure BDA00034326750100001231
的值为可由下式确定：
Figure BDA00034326750100001232
得到更新活跃性指示向量的候选集
Figure BDA0003432675010000131
为
Figure BDA0003432675010000132
(2)更新活跃性指示向量
在候选集
Figure BDA0003432675010000133
中选择一个具有最大对数似然比ρi的用户作为本次迭代的更新用户，进而得到估计的活跃性指示向量
Figure BDA0003432675010000134
Figure BDA0003432675010000135
阶段二：信号的重建
由
Figure BDA0003432675010000136
得到其支撑集
Figure BDA0003432675010000137
接着分以下三步对信号c进行重建：
(1)利用最小二乘估计初步恢复数据信号
根据支撑集
Figure BDA0003432675010000138
利用LS对数据信号进行估计：
Figure BDA0003432675010000139
Figure BDA00034326750100001310
其中
Figure BDA00034326750100001311
表示
Figure BDA00034326750100001312
的子向量，其元素为
Figure BDA00034326750100001313
Figure BDA00034326750100001314
表示D的子矩阵，元素为Dn
Figure BDA00034326750100001315
(·)H表示矩阵的共轭转置，
Figure BDA00034326750100001316
表示
Figure BDA00034326750100001317
中的元素个数，(·)-1表示矩阵求逆。
(2)块内元素修正
多业务需求场景中数据长度多样性的存在，使块稀疏信号c中每一个块内的非零元素个数各不相同。而在步骤(1)中的LS估计每次将每个块内的L个元素进行同时恢复，这使得原本的零元素被错误识别为非零元素。因此通过修正
Figure BDA00034326750100001318
中每一个块内的元素，获得实际非零元素的个数。由于被判断错误的零元素的功率通常小于实际的非零元素，则将修正准则设计如下：
Figure BDA00034326750100001319
其中
Figure BDA0003432675010000141
表示
Figure BDA0003432675010000142
内的第l个符号，l′表示索引集{l,...,L}中的元素，Pth为功率阈值。由于每个数据符号的功率被归一化，则Pth的最优值可通过一维搜索确定。
(3)星座映射
根据星座集
Figure BDA00034326750100001411
将估计信号的每一个元素
Figure BDA0003432675010000143
映射到对应的星座点，以得到第i次迭代的信号重建结果
Figure BDA0003432675010000144
进而对残差信号ri进行更新：
Figure BDA0003432675010000145
并计算
Figure BDA0003432675010000146
当满足条件
Figure BDA0003432675010000147
时，退出迭代；假设最终迭代次数i＝I，则得到最大后验概率问题的解
Figure BDA0003432675010000148
并得到重建的数据矩阵：
Figure BDA0003432675010000149
其中vec-1(·)表示vec(·)的逆函数。
具体算法过程如算法1所示。
Figure BDA00034326750100001410
Figure BDA0003432675010000151
另外，本发明还可以提供一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述面向多业务需求的大规模MTC免授权多用户检测方法。
另一方面，本发明提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的面向多业务需求的大规模MTC免授权多用户检测方法。
所述计算机设备可以采用笔记本电脑、桌面型计算机或工作站。
处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器，可以是笔记本电脑、桌面型计算机或工作站的内部存储单元，如内存、硬盘；也可以采用外部存储单元，如移动硬盘、闪存卡。计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括：只读存储器(ROM，Read OnlyMemory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid StateDrives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM，Dynamic RandomAccess Memory)。
数值仿真与结果分析
1)仿真参数设置
本发明通过仿真来评估所提方案的系统性能，系统参数设置如表1所示：
表1仿真参数
Figure BDA0003432675010000161
图3所示，在给定信噪比时，不同功率阈值Pth下系统误符号率的变化曲线。可以看出，存在一个Pth的最优值使得系统的误符号率性能最佳。
图4所示为不同信噪比下，Pth最优值的变化曲线。可以看出随着信噪比的增大，Pth最优值逐渐减小。在下面的仿真评估中，将采用图4所示的不同信噪比下的Pth最优值。
为了证明本发明所提出的面向多业务需求的多用户检测方案的性能优越性，将所述方案与传统的块正交匹配追踪(traditional BOMP)方案、修改的块正交匹配追踪(modified-BOMP)方案、边信息辅助的块正交匹配追踪(side-information aided BOMP，SIA-BOMP)方案、与作为基准的oracle LS方案进行了对比分析。其中modified-BOMP方案在traditional BOMP的基础上去除了基站已知准确的活跃用户个数的假设条件，并添加了块内元素修正步骤；SIA-BOMP方案将T个时隙内的所有数据包为一个检测块，利用BOMP算法进行联合检测，并利用前一检测块中的先验信息，并同样添加了元素修正步骤；oracle LS方案最为性能比较的基准方案，假设基站已知准确的活跃用户集合每个数据包的实际长度。
图5为本方案与traditional BOMP、modified-BOMP及SIA-BOMP方案下的活跃性检测错误率随信噪比的变化曲线。可以看出，随着系统信噪比的增加，所有方案的活跃性检测错误率都逐渐下降，但本发明提出的方案性能优于其他对比方案。这是由于本发明不像传统压缩感知算法一样仅采用最大相关原则进行用户检测，而是遵循了最大后验概率原则进行活跃用户集的选取，从而联合考虑了多业务需求带来的先验信息，获得了更高的活跃性检测准确度。
图6为本发明所述方法与traditional BOMP、modified-BOMP、SIA-BOMP及oracleLS方案下的误符号率随信噪比的变化曲线。可以看出，随着系统信噪比的增加，所有方案的误符号率都逐渐下降，但本方案的性能优于traditional BOMP、modified-BOMP及SIA-BOMP方案，其原因在于本方案通过求解最大后验概率问题进行信号支撑集的判断与信号系数的恢复，充分利用了所建立的多状态马尔可夫模型中多业务需求所提供的先验信息。而oracle LS方案的性能优于所提出的方案，因为该方案假设基站已知准确的活跃用户集与数据包长度，二者性能的差距是由不准确的活跃用户估计与不准确的数据长度估计造成的，
综上所述，本发明提出的面向多业务需求的mMTC多用户检测方案，充分利用了所构建的马尔可夫模型中描述的多业务需求的有效信息，并根据最大后验概率原则进行信号检测，获得了较高的系统性能。仿真结果表明：与现有的多用户检测方案相比，本发明面向多业务需求的多用户检测方案有效降低了用户活跃性检测错误率与误符号率，具有更优的系统性能。
以上内容是对本发明的详细说明，不能认定本发明的仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定保护范围。

Claims (9)

1.一种面向多业务需求的大规模MTC免授权多用户检测方法，其特征在于，包括以下步骤：
建立免授权mMTC上行MIMO传输模型或传输系统，所述传输模型或传输系统包括N个单天设备，和一个具备M根天线的基站，并且由于mMTC零星传输的特征，每时刻只有很少一部分设备处于活跃状态；将设备用户索引集表示为
Figure FDA0003432675000000011
将一个时隙的持续时间划分为L个符号间隔；当用户在某时隙被激活时，传送包含不同数据符号个数的数据包，且每个数据包的最大长度为L；基站在时隙j内接收到的信号为Y[j]＝H[j]X[j]+W[j]，其中X[j]表示时隙j内包含所有用户发送数据的数据矩阵，H[j]表示信道矩阵，W[j]表示噪声；
根据免授权mMTC上行MIMO传输模型以及用户的多种业务需求，建立多状态马尔可夫模型，多状态马尔可夫模型联合描述用户活跃状态的时间相关性与传输数据的长度多样性；
将多用户检测问题转化为块感知模型下的最大后验概率估计问题
Figure FDA0003432675000000012
其中p[j]和c[j]分别为Y[j]和X[j]的等效块稀疏形式；
基于接收信号Y[j]与确定的信道矩阵H[j]，利用压缩感知的信号重建算法得到最大后验概率问题的解
Figure FDA0003432675000000013
并得到最终估计的数据矩阵
Figure FDA0003432675000000014
2.根据权利要求1所述的面向多业务需求的大规模MTC免授权多用户检测方法，其特征在于，建立的信号模型Y[j]＝H[j]X[j]+W[j]中，其数据矩阵
Figure FDA0003432675000000015
表示所有用户在时隙j发送的数据，其中
Figure FDA0003432675000000016
为用户n发送的数据向量，设
Figure FDA0003432675000000017
表示该用户传输的数据包长度，即非零数据符号的个数；每个数据符号从复数调制星座集
Figure FDA0003432675000000018
中随机选取，K表示调制阶数；
Figure FDA0003432675000000019
表示信道矩阵，
Figure FDA00034326750000000110
表示用户n与基站的天线m间的信道系数，且
Figure FDA00034326750000000111
考虑平坦瑞丽衰落，信道状态在一个时隙内保持不变；
Figure FDA00034326750000000112
为噪声干扰，其元素
Figure FDA00034326750000000113
其中
Figure FDA00034326750000000114
表示噪声功率。
3.根据权利要求1所述的面向多业务需求的大规模MTC免授权多用户检测方法，其特征在于，所述马尔可夫模型中，每一个用户的活跃状态变化对应一条(T+1)状态的马尔可夫链，对应状态集合
Figure FDA0003432675000000021
其中S0表示用户处于非活跃状态，St状态表示用户已连续激活t个时隙(t＝1,…,T)，T表示用户可连续激活的最大时隙数；用户n在时隙j从状态Sp转移至Sq的概率为如下：
Figure FDA0003432675000000022
其中
Figure FDA0003432675000000023
与
Figure FDA0003432675000000024
表示用户n在时隙j与时隙(j+1)时的活跃状态，λ，γ，β分别为(0,1)之间的常数；考虑用户传输数据的长度多样性，设数据包长度集合为
Figure FDA0003432675000000025
Figure FDA0003432675000000026
则若用户n在时隙j处于状态St，则该用户以概率
Figure FDA0003432675000000027
生成长度为Lr的数据包，即
Figure FDA0003432675000000028
4.根据权利要求1所述的面向多业务需求的大规模MTC免授权多用户检测方法，其特征在于，将多用户检测问题下的普通稀疏模型转换为块压缩感知模型，具体如下：
将数据矩阵X[j]中每一行划分为一个块单元，作为信号检测的最小单位，并将其转换为向量形式
Figure FDA0003432675000000029
即
Figure FDA00034326750000000210
其中vec(·)表示矩阵的列向量化；
基于块压缩感知理论，将信号模型Y[j]＝H[j]X[j]+W[j]转换为如下的块压缩感知模型：
p[j]＝D[j]c[j]+v[j]
其中p[j]＝vec((Y[j])T)，
Figure FDA00034326750000000211
v[j]＝vec((W[j])T)，
Figure FDA00034326750000000212
表示克罗内克积，IL表示L×L的单位矩阵；
将多用户检测问题转化为在块压缩感知模型中从信号p[j]中恢复信号c[j]。
5.根据权利要求1所述的面向多业务需求的大规模MTC免授权多用户检测方法，其特征在于，将多用户检测问题转化为块感知模型下的最大后验概率估计问题：
Figure FDA0003432675000000031
由贝叶斯准则，得到：
logp(p[j],c[j])＝logp(p[j]|c[j])+logp(c[j])
具体地，
Figure FDA0003432675000000032
Figure FDA0003432675000000033
其中，
Figure FDA0003432675000000034
为状态转移概率；
Figure FDA0003432675000000035
用于指示用户n的活跃性，
Figure FDA0003432675000000036
或0表示该用户处于活跃或非活跃状态。
6.根据权利要求1所述的面向多业务需求的大规模MTC免授权多用户检测方法，其特征在于，所述采用基于压缩感知的算法，以贪婪迭代的方式获取最大后验概率问题的解
Figure FDA0003432675000000037
i表示当前迭代索引，每次迭代分为以下两个阶段：
在阶段一，进行活跃性指示向量a＝[a1,...aN]T的估计；在第i次迭代中，基于(i-1)次迭代得到的活跃性指示向量与数据信号的结果
Figure FDA0003432675000000038
与
Figure FDA0003432675000000039
对用户
Figure FDA00034326750000000310
活跃性估计结果
Figure FDA00034326750000000311
与信号估计结果
Figure FDA00034326750000000312
进行更新，其中
Figure FDA00034326750000000313
表示
Figure FDA00034326750000000314
中非零元素的索引集，即支撑集；将
Figure FDA00034326750000000315
的值更新为
Figure FDA00034326750000000316
Figure FDA00034326750000000317
更新为
Figure FDA00034326750000000318
对于其他用户
Figure FDA00034326750000000319
Figure FDA00034326750000000320
与
Figure FDA00034326750000000321
保持不变；则更新后的
Figure FDA00034326750000000322
与
Figure FDA00034326750000000323
表示为
Figure FDA00034326750000000324
与
Figure FDA00034326750000000325
得到更新后的数据信号
Figure FDA00034326750000000326
的对数似然比为：
Figure FDA0003432675000000041
用户n更新后的数据向量
Figure FDA0003432675000000042
可通过下式获得：
Figure FDA0003432675000000043
其中
Figure FDA0003432675000000044
表示信道矩阵D的第n个块；进一步可将
Figure FDA0003432675000000045
化简为：
Figure FDA0003432675000000046
得到用户n更新后的活跃性指示向量估计结果
Figure FDA0003432675000000047
的值为：
Figure FDA0003432675000000048
得到更新活跃性指示向量的候选集
Figure FDA0003432675000000049
为：
Figure FDA00034326750000000410
在候选集
Figure FDA00034326750000000411
中选择一个具有最大对数似然比ρi的用户作为本次迭代的更新用户，进而得到估计的活跃性指示向量：
Figure FDA00034326750000000412
在阶段二，进行传输信号的重建；首先利用最小二乘估计的方法估计传输信号：
Figure FDA00034326750000000413
Figure FDA00034326750000000414
其中
Figure FDA00034326750000000415
表示
Figure FDA00034326750000000416
的子向量，其元素为
Figure FDA00034326750000000417
Figure FDA00034326750000000418
表示D的子矩阵，元素为
Figure FDA00034326750000000419
Figure FDA00034326750000000420
(·)H表示矩阵的共轭转置，
Figure FDA00034326750000000421
表示
Figure FDA00034326750000000422
中的元素个数，(·)-1表示矩阵求逆；进行块内元素修正，估计每个块内非零数据符号的个数：
Figure FDA00034326750000000423
其中
Figure FDA0003432675000000051
表示
Figure FDA0003432675000000052
内的第l个符号，l′表示索引集{l,...,L}中的元素，Pth为功率阈值；将
Figure FDA0003432675000000053
进行星座映射，最终得到第i次迭代的信号重建结果
Figure FDA0003432675000000054
当满足条件
Figure FDA0003432675000000055
时，退出迭代；假设最终迭代次数i＝I，则得到最大后验概率问题的解
Figure FDA0003432675000000056
并得到重建的数据矩阵：
Figure FDA0003432675000000057
其中vec-1(·)表示vec(·)的逆函数。
7.一种面向多业务需求的大规模MTC免授权多用户检测系统，其特征在于，包括模型或系统构建模块、多状态马尔可夫模型构建模块、多用户检测问题转化模块以及求解模块；
模型或系统构建模块用于建立免授权mMTC上行MIMO传输模型或传输系统，所述传输模型或传输系统包括N个单天设备，和一个具备M根天线的基站，并且由于mMTC零星传输的特征，每时刻只有很少一部分设备处于活跃状态；将设备用户索引集表示为
Figure FDA0003432675000000058
将一个时隙的持续时间划分为L个符号间隔；当用户在某时隙被激活时，传送包含不同数据符号个数的数据包，且每个数据包的最大长度为L；基站在时隙j内接收到的信号为Y[j]＝H[j]X[j]+W[j]，其中X[j]表示时隙j内包含所有用户发送数据的数据矩阵，H[j]表示信道矩阵，W[j]表示噪声；
多状态马尔可夫模型构建模块用于根据免授权mMTC上行MIMO传输模型以及用户的多种业务需求，建立多状态马尔可夫模型，多状态马尔可夫模型联合描述用户活跃状态的时间相关性与传输数据的长度多样性；
多用户检测问题转化模块用于将多用户检测问题转化为块感知模型下的最大后验概率估计问题
Figure FDA0003432675000000059
其中p[j]和c[j]分别为Y[j]和X[j]的等效块稀疏形式；
求解模块采用采用基于压缩感知的信号重建算法得到最大后验概率问题的解
Figure FDA00034326750000000510
并得到最终估计的数据矩阵
Figure FDA00034326750000000511
8.一种计算机设备，其特征在于，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取所述计算机可执行程序并执行，处理器执行计算可执行程序时能实现权利要求1～6中任一项所述面向多业务需求的大规模MTC免授权多用户检测方法。
9.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现如权利要求1～6中任一项所述的面向多业务需求的大规模MTC免授权多用户检测方法。
CN202111603475.6A 2021-12-24 2021-12-24 面向多业务需求的大规模mtc免授权多用户检测方法及系统 Active CN114285523B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111603475.6A CN114285523B (zh) 2021-12-24 2021-12-24 面向多业务需求的大规模mtc免授权多用户检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111603475.6A CN114285523B (zh) 2021-12-24 2021-12-24 面向多业务需求的大规模mtc免授权多用户检测方法及系统

Publications (2)

Publication Number Publication Date
CN114285523A true CN114285523A (zh) 2022-04-05
CN114285523B CN114285523B (zh) 2023-09-15

Family

ID=80875402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111603475.6A Active CN114285523B (zh) 2021-12-24 2021-12-24 面向多业务需求的大规模mtc免授权多用户检测方法及系统

Country Status (1)

Country Link
CN (1) CN114285523B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115333709A (zh) * 2022-06-21 2022-11-11 北京邮电大学 数据传输方法、装置、电子设备和存储介质
WO2024066284A1 (zh) * 2022-09-29 2024-04-04 浙江大学 一种与源址无关的分布式状态监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9209870B1 (en) * 2014-12-11 2015-12-08 Telefonaktiebolaget L M Ericsson (Publ) Adaptive wireless MIMO communications system using list-based MIMO detector
CN107431521A (zh) * 2015-04-01 2017-12-01 三星电子株式会社 一种用于在无线通信系统中管理无线电链路的装置和方法
CN110071881A (zh) * 2019-04-26 2019-07-30 北京理工大学 一种自适应开销的活跃用户检测和信道估计方法
CN110139249A (zh) * 2019-05-05 2019-08-16 西安电子科技大学 基于机器类型通信设备分组的半非授权随机接入方法
CN112242861A (zh) * 2020-09-01 2021-01-19 宁波大学 大规模mimo系统的用户活跃性和信号联合检测方法
CN112994850A (zh) * 2021-05-18 2021-06-18 南京邮电大学 一种联合发送端和接收端的scma编译码方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9209870B1 (en) * 2014-12-11 2015-12-08 Telefonaktiebolaget L M Ericsson (Publ) Adaptive wireless MIMO communications system using list-based MIMO detector
CN107431521A (zh) * 2015-04-01 2017-12-01 三星电子株式会社 一种用于在无线通信系统中管理无线电链路的装置和方法
CN110071881A (zh) * 2019-04-26 2019-07-30 北京理工大学 一种自适应开销的活跃用户检测和信道估计方法
CN110139249A (zh) * 2019-05-05 2019-08-16 西安电子科技大学 基于机器类型通信设备分组的半非授权随机接入方法
CN112242861A (zh) * 2020-09-01 2021-01-19 宁波大学 大规模mimo系统的用户活跃性和信号联合检测方法
CN112994850A (zh) * 2021-05-18 2021-06-18 南京邮电大学 一种联合发送端和接收端的scma编译码方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JINHO CHOI: "MCMC-Based Detection for Random Access With Preambles in MTC", 《IEEE TRANSACTIONS ON COMMUNICATIONS ( VOLUME: 67, ISSUE: 1, JANUARY 2019)》 *
TAO WANG; YICHEN WANG; CHUNFENG WANG; ZIHUAN YANG; JULIAN CHENG: "Group-Based Random Access and Data Transmission Scheme for Massive MTC Networks", 《IEEE TRANSACTIONS ON COMMUNICATIONS ( VOLUME: 69, ISSUE: 12, DECEMBER 2021)》 *
杨一夫;武刚;李欣然;付靖微;胡苏;: "面向后5G的非正交多址技术综述", 《无线电通信技术》, no. 01 *
杨一夫;武刚;李欣然;付靖微;胡苏;: "面向后5G的非正交多址技术综述", 无线电通信技术, no. 01 *
杨子欢; 王熠晨: "大规模MTC网络中基于最优功率退避的NORA方案", 《2017-2019年"学术金秋"获奖论文集》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115333709A (zh) * 2022-06-21 2022-11-11 北京邮电大学 数据传输方法、装置、电子设备和存储介质
CN115333709B (zh) * 2022-06-21 2023-06-23 北京邮电大学 数据传输方法、装置、电子设备和存储介质
WO2024066284A1 (zh) * 2022-09-29 2024-04-04 浙江大学 一种与源址无关的分布式状态监测方法

Also Published As

Publication number Publication date
CN114285523B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
US9814077B2 (en) Mobility in a distributed antenna system
CN108141314B (zh) 用于确定纠错码系统的特征的方法和装置
US20090135944A1 (en) Cooperative-MIMO Communications
CN114285523A (zh) 面向多业务需求的大规模mtc免授权多用户检测方法及系统
TW201249129A (en) Model-based channel estimator for correlated fading channels and channel estimation method thereof
CN111835464B (zh) 一种与源址无关的大规模合作接入方法
TWI591973B (zh) A signal detection method and device
CN113114410A (zh) 数据处理方法、配置方法及通信设备
CN105978655A (zh) 一种无线网络中的小包数据传输方法及系统
Jamali et al. A low-complexity recursive approach toward code-domain NOMA for massive communications
CN102075224B (zh) Mimo系统及其信号接收方法和基站
WO2012106963A1 (zh) 干扰和噪声消除方法及装置
JP2010193310A (ja) 空間多重受信装置、及び空間多重受信方法
CN107615804B (zh) 用于设备通信的新传输方案
CN116032317B (zh) 一种免授权的联合活跃用户与数据检测方法
WO2014187356A1 (zh) 发射信号的多输入多输出mimo检测方法、装置及系统
WO2017116292A1 (en) Method and receiving node for detecting signals transmitted by multiple users
CN114640561A (zh) 一种通信信号传输方法和设备
Wang et al. Multi-service oriented joint channel estimation and multi-user detection scheme for grant-free massive MTC networks
CN114124298B (zh) 一种基于时隙Aloha和网络编码的无线随机接入与传输方法
CN116708089A (zh) 基于自适应匹配追踪的大规模多址接入方法
CN116260490B (zh) 一种面向去蜂窝多天线系统的前传压缩与预编码方法
JP5367474B2 (ja) 受信装置及び受信方法
CN116170256A (zh) 活动用户检测和信道估计方法及装置
CN107070516B (zh) 一种基于符号检测的mmse干扰对齐方法

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