CN115208944B - 活跃用户和数据的检测方法、系统、计算机设备及介质 - Google Patents
活跃用户和数据的检测方法、系统、计算机设备及介质 Download PDFInfo
- Publication number
- CN115208944B CN115208944B CN202210762474.4A CN202210762474A CN115208944B CN 115208944 B CN115208944 B CN 115208944B CN 202210762474 A CN202210762474 A CN 202210762474A CN 115208944 B CN115208944 B CN 115208944B
- Authority
- CN
- China
- Prior art keywords
- function
- objective function
- variable
- optimized
- objective
- 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
Links
Images
Classifications
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种活跃用户和数据的检测方法、系统、计算机设备及介质,属于通信技术领域。该方法包括:通过获取接收端信息和导频序列矩阵以构建第一目标函数;根据第一目标函数确定待优化变量和待优化稀疏约束函数;根据预定义的连续函数对待优化变量进行函数变换,得到目标变量;根据目标变量的第二性质对第一目标函数进行函数等价变换,得到第二目标函数;根据目标变量的第一性质对第二目标函数进行罚函数变换,得到第三目标函数;利用坐标下降算法对第三目标函数进行优化求解,确定目标活跃用户和所述目标活跃用户传递的数据信息。本申请实施例能够将不连续的稀疏条件约束融入到算法优化的过程中,提高对活跃用户和数据的检测准确率。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种活跃用户和数据的检测方法、系统、计算机设备及介质。
背景技术
在免调度随机接入过程中,活跃用户直接在分配得到的无线通信资源上进行数据传输。而由于系统采用免调度传输方案,使得基站端无法区分活跃用户和空闲用户。为了解决活跃用户的检测问题,现有的研究方案主要分为两类:(1)利用同一时隙仅有少量的活跃用户这一特性,将活跃用户检测问题建模成压缩感知问题;(2)利用协方差法,该方法主要利用信道统计特性和接收信号的协方差矩阵。与压缩感知方法相比,协方差法可以用更短的导频序列获得与其相同的活跃用户的检测效果,但是,协方差法与传统的活跃用户检测问题相比,在数学形式上又多了额外的不连续的稀疏条件约束,而现有的方法是通过忽略该不连续的稀疏约束条件,然后将该问题松弛为传统的活跃用户检测问题,最后使得松弛结果满足不连续的稀疏约束条件。然而,这种方法会导致活跃用户检测结果变差。因此,如何在存在不连续的稀疏条件约束的情况下,提高对活跃用户和数据的检测准确率,是当前重要的研究问题。
发明内容
本申请实施例的主要目的在于提出一种活跃用户和数据的检测方法、系统、计算机设备及介质,能够将不连续的稀疏条件约束融入到算法优化的过程中,提高对活跃用户和数据的检测准确率。
为实现上述目的,本申请实施例的第一方面提出了一种活跃用户和数据的检测方法,包括:
获取接收端信息和导频序列矩阵,所述导频序列矩阵用于表示N个待检测活跃用户传递的导频序列的集合,N为非负整数;
根据所述接收端信息和所述导频序列矩阵构建第一目标函数;
根据所述第一目标函数确定待优化变量和所述待优化变量对应的待优化稀疏约束函数;
根据预定义的连续函数对所述待优化变量进行函数变换,得到目标变量,所述目标变量包含第一性质和第二性质,所述第一性质用于表征所述目标变量的非负函数定义,所述第二性质用于表征所述目标变量基于所述待优化稀疏约束函数的约束定义;
根据所述第二性质对所述第一目标函数进行函数等价变换,得到第二目标函数;
根据所述第一性质对所述第二目标函数进行罚函数变换,得到第三目标函数;
利用坐标下降算法对所述第三目标函数进行优化求解,确定目标活跃用户和所述目标活跃用户传递的数据信息。
在一些实施例中,所述获取接收端信息和导频序列矩阵,包括:
获取接收端的噪声功率和所述接收端接收到的协方差矩阵,所述接收端与所述待检测活跃用户通信连接;其中,将所述噪声功率记为将所述协方差矩阵记为/> 表示复数域,L表示导频序列的长度,M表示所述接收端的数量;
获取导频序列矩阵,将所述导频序列矩阵记为S,其中,所述导频序列矩阵Q表示每个所述待检测活跃用户可以传递的导频序列的数量,Sn表示第n个所述待检测活跃用户的导频序列子矩阵,/> 表示第n个所述待检测活跃用户的第q个导频序列。
在一些实施例中,所述根据所述接收端信息和所述导频序列矩阵构建第一目标函数,包括:
根据所述噪声功率、所述协方差矩阵和所述导频序列矩阵构建第一目标函数,将所述第一目标函数记为P1;
其中,Λ表示一个对角矩阵,所述对角矩阵满足非对角线位置元素均为0,对角线元素为 表示实数域,SH表示对所述导频序列矩阵S进行转置共轭,s.t.表示目标函数需要满足的约束条件,/>表示单位矩阵,Tr(·)表示求解矩阵对角线元素之和;
所述根据所述第一目标函数确定待优化变量和所述待优化变量对应的待优化稀疏约束函数,包括:
在一些实施例中,所述根据所述第二性质对所述第一目标函数进行函数等价变换,得到第二目标函数,包括:
获取目标变量,将所述目标变量记为φ(γn),所述目标变量对应的所述第二性质用于表示当且仅当γn满足所述待优化稀疏约束函数||γn||0≤1时,所述目标变量φ(γn)为0;
根据所述第二性质对所述第一目标函数进行函数等价变换,得到第二目标函数,将所述第二目标函数记为P2;
在一些实施例中,所述根据所述第一性质对所述第二目标函数进行罚函数变换,得到第三目标函数,包括:
将所述罚函数添加到所述第二目标函数,得到第三目标函数,将所述第三目标函数记为P3;
其中,ρ表示惩罚因子。
在一些实施例中,所述利用坐标下降算法对所述第三目标函数进行优化求解,确定目标活跃用户和所述目标活跃用户传递的数据信息,包括:
根据所述第三目标函数确定每个所述待优化变量对应的第三目标子函数,将所述待优化变量记为γn,q;
利用坐标下降算法对所述第三目标子函数进行迭代计算,得到所述第三目标子函数的函数闭合解;
当所述函数闭合解满足预设的算法结束条件,确定当前所述待优化变量对应的第n个所述待检测活跃用户为目标活跃用户,并确定所述目标活跃用户传递的数据信息为第q个导频序列对应的数据信息。
在一些实施例中,在所述利用坐标下降算法对所述第三目标子函数进行迭代计算,得到所述第三目标子函数的函数闭合解之后,所述方法还包括:
当所述函数闭合解不满足预设的算法结束条件,根据预设的惩罚因子增加系数对所述第三目标子函数中的惩罚因子进行参数调整,并根据调整后的所述第三目标子函数继续进行迭代计算,直至求得的所述函数闭合解满足所述预设的算法结束条件,确定所述目标活跃用户和所述目标活跃用户传递的数据信息。
本申请实施例的第二方面提出了一种活跃用户和数据的检测装置,所述装置包括:
信息获取模块,用于获取接收端信息和导频序列矩阵,所述导频序列矩阵用于表示N个待检测活跃用户传递的导频序列的集合,N为非负整数;
函数构建模块,用于根据所述接收端信息和所述导频序列矩阵构建第一目标函数;
稀疏约束函数确定模块,用于根据所述第一目标函数确定待优化变量和所述待优化变量对应的待优化稀疏约束函数;
第一函数变换模块,用于根据预定义的连续函数对所述待优化变量进行函数变换,得到目标变量,所述目标变量包含第一性质和第二性质,所述第一性质用于表征所述目标变量的非负函数定义,所述第二性质用于表征所述目标变量基于所述待优化稀疏约束函数的约束定义;
第二函数变换模块,用于根据所述第二性质对所述第一目标函数进行函数等价变换,得到第二目标函数;
第三函数变换模块,用于根据所述第一性质对所述第二目标函数进行罚函数变换,得到第三目标函数;
优化求解模块,用于利用坐标下降算法对所述第三目标函数进行优化求解,确定目标活跃用户和所述目标活跃用户传递的数据信息。
本申请实施例的第三方面提出了一种计算机设备,所述计算机设备包括存储器和处理器,其中,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时所述处理器用于执行如本申请第一方面实施例任一项所述的方法。
本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,在所述计算机程序被计算机执行时,所述计算机用于执行如本申请第一方面实施例任一项所述的方法。
本申请实施例提出的活跃用户和数据的检测方法、系统、计算机设备及介质,为了使基站能否更好地区分活跃用户和空闲用户,首先,获取接收端信息和导频序列矩阵,导频序列矩阵用于表示N个待检测活跃用户传递的导频序列的集合,N为非负整数。根据接收端信息和导频序列矩阵构建第一目标函数,根据第一目标函数确定待优化变量和待优化变量对应的待优化稀疏约束函数。为了联合活跃用户检测和数据检测,根据预定义的连续函数对待优化变量进行函数变换,得到目标变量,该目标变量包含第一性质和第二性质,第一性质用于表征目标变量的非负函数定义,第二性质用于表征目标变量基于待优化稀疏约束函数的约束定义。为了提高对活跃用户和数据的检测准确率,根据第二性质对第一目标函数进行函数等价变换,得到第二目标函数。之后,根据第一性质对第二目标函数进行罚函数变换,得到第三目标函数。最后,利用坐标下降算法对第三目标函数进行优化求解,确定目标活跃用户和所述目标活跃用户传递的数据信息。本申请实施例能够将不连续的稀疏条件约束融入到算法优化的过程中,通过结合罚函数对目标函数进行优化,提高了对活跃用户和数据的检测准确率。
附图说明
图1是本申请实施例提供的活跃用户和数据的检测方法的流程图;
图2是图1中步骤S110的具体流程图;
图3是图1中步骤S150的具体流程图;
图4是图1中步骤S160的具体流程图;
图5是图1中步骤S170的具体流程图;
图6是本申请实施例提供的活跃用户和数据的检测方法的第一实验结果图;
图7是本申请实施例提供的活跃用户和数据的检测方法的第二实验结果图;
图8是本申请实施例提供的活跃用户和数据的检测装置的模块结构框图;
图9是本申请实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
导频序列:是基站已知的传输序列。
修正的近似消息传递算法:是一种基于压缩感知的检测活跃用户的算法。
原始协方差算法:该算法首先忽略不连续的稀疏约束,然后利用坐标下降的算法去求解该松弛问题,最后强迫得到的结果满足不连续的稀疏约束条件。
L1范数近似算法:该方法通过L1范数近似来处理不连续的稀疏约束,然后利用近似梯度下降的方法去处理近似后的问题。
L0范数投影算法:该方法利用投影梯度算法的框架,每一次迭代中包含一次梯度下降和一次L0范数投影。
大规模机器通信作为第五代移动通信技术的主要应用场景之一,能够为海量物联网终端提供了无处不在的连接。不同于传统的人与人之间的通信,大规模机器通信具有三个基本特征:海量的连接、少量的活跃用户数和短数据包。显然在大规模机器通信场景中,基于授权的随机接入过程会产生繁重的信令开销,较大的系统延迟以及较低的通信资源利用率。这些局限性使得基于授权的随机接入过程无法满足未来第五代移动通信系统的要求和发展趋势,而免调度传输技术恰好能够应对这些挑战。
在免调度随机接入过程中,活跃用户直接在分配得到的无线通信资源上进行数据传输。而由于系统采用免调度传输方案,使得基站端无法区分活跃用户和空闲用户。具体地,活跃用户先传输导频序列,然后基站根据接收到的信号进行活跃用户检测和信道估计。特别地,在大规模机器通信场景,用户可以仅仅传送几个比特的数据,即可以将需要传送的数据嵌入到导频传输的过程中,例如当用户需要传输1比特的信息,可以给每个用户分配两个导频序列,每个导频序列分别代表需要传送的数据(0或1)。在这种情况下,基站通过确定发送的导频序列,进而判断目标活跃用户并且解码它们传递的信息。虽然这是一个很好的方案,但是从数学的角度分析,与分开进行导频传输和信息传输的方案相比,由于一个用户一次最多只能选择一个导频序列进行传输,则这个方案给活跃用户检测问题引入了额外的稀疏约束条件,从而给活跃用户检测问题带来了额外的挑战。
为了解决活跃用户的检测问题,现有的研究方案主要分为两类:(1)利用同一时隙仅有少量的活跃用户这一特性,将活跃用户检测问题建模成压缩感知问题;(2)利用协方差法,该方法主要利用信道统计特性和接收信号的协方差矩阵。与压缩感知方法相比,协方差法可以用更短的导频序列获得与其相同的活跃用户的检测效果,但是,协方差法与传统的活跃用户检测问题相比,在数学形式上又多了额外的不连续的稀疏条件约束,而现有的方法是通过忽略该不连续的稀疏约束条件,然后将该问题松弛为传统的活跃用户检测问题,最后使得松弛结果满足不连续的稀疏约束条件。然而,这种方法会导致活跃用户检测结果变差。因此,如何在存在不连续的稀疏条件约束的情况下,提高对活跃用户和数据的检测准确率,是当前重要的研究问题。
基于此,本申请实施例的主要目的在于提出了一种活跃用户和数据的检测方法、系统、计算机设备及介质,能够将不连续的稀疏条件约束融入到算法优化的过程中,提高对活跃用户和数据的检测准确率。
本申请实施例提供的一种活跃用户和数据的检测方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现上述方法的应用等,但并不局限于以上形式。
本申请实施例可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费计算机设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
请参照图1,图1是本申请实施例提供的活跃用户和数据的检测方法的具体方法的流程图。在一些实施例中,活跃用户和数据的检测方法包括但不限于步骤S110至步骤S170。
步骤S110,获取接收端信息和导频序列矩阵,导频序列矩阵用于表示N个待检测活跃用户传递的导频序列的集合,N为非负整数;
步骤S120,根据接收端信息和导频序列矩阵构建第一目标函数;
步骤S130,根据第一目标函数确定待优化变量和待优化变量对应的待优化稀疏约束函数;
步骤S140,根据预定义的连续函数对待优化变量进行函数变换,得到目标变量,目标变量包含第一性质和第二性质,第一性质用于表征目标变量的非负函数定义,第二性质用于表征所述目标变量基于待优化稀疏约束函数的约束定义;
步骤S150,根据第二性质对第一目标函数进行函数等价变换,得到第二目标函数;
步骤S160,根据第一性质对第二目标函数进行罚函数变换,得到第三目标函数;
步骤S170,利用坐标下降算法对第三目标函数进行优化求解,确定目标活跃用户和目标活跃用户传递的数据信息。
在一些实施例的步骤S110中,为了使基站能否更好地区分活跃用户和空闲用户,获取基站的接收端信息和导频序列矩阵,其中,导频序列矩阵用于表示N个待检测活跃用户传递的导频序列的集合,N为非负整数。
请参照图2,图2是本申请实施例提供的步骤S110的具体流程图。在一些实施例中,步骤S110具体包括但不限于步骤S210和步骤S220。
步骤S210,获取接收端的噪声功率和接收端接收到的协方差矩阵,接收端与待检测活跃用户通信连接;
步骤S220,获取导频序列矩阵,将导频序列矩阵记为S。
在一些实施例的步骤S210中,首先,获取基站接收端的噪声功率和接收端接收到的协方差矩阵,基站的接收端与待检测活跃用户通信连接;其中,将噪声功率记为将协方差矩阵记为/> 表示复数域,L表示导频序列的长度,M表示接收端的数量,由于基站是通过天线与用户进行通信连接,即M表示基站对应安装的天线数量。
在一些实施例的步骤S220中,获取导频序列矩阵,将导频序列矩阵记为S,其中,导频序列矩阵Q表示每个待检测活跃用户可以传递的导频序列的数量,Sn表示第n个待检测活跃用户的导频序列子矩阵,/>则/>表示第n个待检测活跃用户的第q个导频序列。
其中,Λ表示一个对角矩阵,对角矩阵满足非对角线位置元素均为0,对角线元素为 表示实数域,SH表示对导频序列矩阵S进行转置共轭,s.t.表示当前的第一目标函数P1需要满足的约束条件,/>表示单位矩阵,Tr(·)表示求解矩阵对角线元素之和。
在一些实施例的步骤S140中,为了解决联合活跃用户和数据的检测问题,在获取待优化稀疏约束函数||γn||0≤1之后,根据预定义的连续函数对待优化变量进行函数变换,得到目标变量,并将目标变量记为φ(γn)。需要说明的是,如公式(2)所示,根据预定义的连续函数得到目标变量φ(γn),x为整数,表示待检测活跃用户的标记序号。
其中,目标变量φ(γn)用于表示连续函数和连续函数的差,则目标变量φ(γn)也是连续函数。
需要说明的是,目标变量包含第一性质和第二性质,第一性质具体为目标变量φ(γn)是一个非负函数,即用于表征目标变量的非负函数定义。第二性质具体为当且仅当待优化变量γn满足待优化稀疏约束函数||γn||0≤1时,目标变量φ(γn)=0,即用于表征所述目标变量基于待优化稀疏约束函数的约束定义。
请参照图3,图3是本申请实施例提供的步骤S150的具体流程图。在一些实施例中,步骤S150具体包括但不限于步骤S310和步骤S320。
步骤S310,获取目标变量,目标变量对应的第二性质用于表示当且仅当待优化变量满足待优化稀疏约束函数时,目标变量为0;
步骤S320,根据第二性质对第一目标函数进行函数等价变换,得到第二目标函数,将第二目标函数记为P2。
在一些实施例的步骤S310中,获取目标变量,将目标变量记为φ(γn),该目标变量对应的第二性质用于表示当且仅当γn满足待优化稀疏约束函数||γn||0≤1时,目标变量φ(γn)为0。
在一些实施例的步骤S320中,根据第二性质对第一目标函数进行函数等价变换,得到第二目标函数,如公式(3)所示,将第二目标函数记为P2。
其中,s.t.表示当前的第二目标函数P2需要满足的约束条件。
请参照图4,图4是本申请实施例提供的步骤S160的具体流程图。在一些实施例中,步骤S160具体包括但不限于步骤S41Q和步骤S420。
步骤S410,根据第一性质确定目标变量的罚函数;
步骤S420,将罚函数添加到第二目标函数,得到第三目标函数。
在一些实施例的步骤S410中,为了便于求解第二目标函数中的N个等式,即便于确定目标活跃用户,根据第一性质确定目标变量的罚函数,将罚函数表示为具体地,根据上述第一性质,在逼近/>时,即相当于逼近φ(γn)=0。得到第三目标函数P3。
在一些实施例的步骤S420中,为了便于求解第二目标函数P2,将N个等式约束构成的作为罚函数添加到P2中,将罚函数添加到第二目标函数得到第三目标函数,如公式(4)所示,将第三目标函数记为P3;
其中,ρ表示惩罚因子。
需要说明的是,当ρ趋于无穷大时,P3的解一定满足φ(γn)=0。可是,当ρ很大的时候,由于惩罚项主导了整个P3的目标函数,因此很难进行优化。为此,本申请在一开始给定一个很小的ρ,然后通过逐渐增加ρ并求解对应的优化问题。其中,本申请设置参数β用于增加惩罚因子ρ的参数。
请参照图5,图5是本申请实施例提供的步骤S170的具体流程图。在一些实施例中,步骤S170具体包括但不限于步骤S510至步骤S530。
步骤S510,根据第三目标函数确定每个待优化变量对应的第三目标子函数;
步骤S520,利用坐标下降算法对第三目标子函数进行迭代计算,得到第三目标子函数的函数闭合解;
步骤S530,当函数闭合解满足预设的算法结束条件,确定当前待优化变量目标活跃用户,并确定目标活跃用户传递的数据信息。
在一些实施例的步骤S510中,在每次给定的惩罚因子ρ下,第三目标函数P3是一个光滑的函数,且在约束条件下,每个待优化子变量γn,q是相互独立的。如公式(5)所述,得到每个待优化子变量γn,q对应的第三目标子函数。
在一些实施例的步骤S520中,利用坐标下降算法对第三目标子函数进行迭代计算,得到第三目标子函数的函数闭合解,即通过迭代更新待优化子变量γn,q以求解第三目标函数P3。其中,如公式(6)所示,在更新待优化子变量γn,g时,通过固定其余变量的值,然后依次对中的每个变量元素进行更新求解,以得到第三目标子函数的函数闭合解。
具体地,将公式(5)简化成如公式(7)所示。
ρκ3(1+κ1γn,q)2+κ1(1+κ1γn,q)-κ2=0 (8)
其中,因为γn,q是标量,则求解公式(8)的全部零点,即可以得到使公式(7)对应的函数最小的函数闭合解,如公式(9)所示。因此,根据公式(5)至公式(9)迭代求解每个第三目标子函数的函数闭合解。
在一些实施例的步骤S530中,通过不断更新γn,q,当函数闭合解满足预设的算法结束条件,确定当前待优化子变量γn,q对应的第n个待检测活跃用户为目标活跃用户,并确定目标活跃用户传递的数据信息为第q个导频序列对应的数据信息。需要说明的是,对应的预设的算法结束条件包括:
需要说明的是,第一判别门限值∈DN和第二判别门限值∈spar可以根据实际需求进行设定。
在一些实施例中,在步骤S520之后,本申请实施例提供的活跃用户和数据的检测方法还包括:当函数闭合解不满足预设的算法结束条件,根据预设的惩罚因子增加系数对第三目标子函数中的惩罚因子进行参数调整,并根据调整后的第三目标子函数继续进行迭代计算,直至求得的函数闭合解满足预设的算法结束条件,确定目标活跃用户和目标活跃用户传递的数据信息。具体地,预设的惩罚因子增加系数β与惩罚因子ρ之间的关系满足ρi=βρi-1。利用坐标下降算法求解第三目标函数公式时,当求解得到后,调整序号i=i+1,然后判断函数闭合解是否满足预设的算法结束条件根据预设的惩罚因子增加系数对第三目标子函数中的惩罚因子进行参数调整,并根据调整后的第三目标子函数继续进行迭代计算。
在一具体的实施例中,考虑一个半径为1000m的单蜂窝小区,小区里面一个装有M=64,即有64根的基站,并且均匀分布着N=200个用户,大尺度路径损耗符合模型128.1+37.6log10(d),其中d表示从基站到用户之间的距离。每个用户计划传送2bits的数据到基站,发射功率为23dBm,导频序列的长度L为20,且每个用户传送的导频序列sn,q服从均值为0,方差为1的复高斯分布,其中,基站接收端的噪声功率为-99dBm。假设初始化的惩罚因子ρ0为0.3,用于增加惩罚因子的参数β设置为1.1,且第一判别门限值∈DN、第二判别门限值∈spar和第三判别门限值∈CD分别设置为10-4。为了明显地确定本申请实施例提供的活跃用户和数据的检测方法的优越性,如图6和图7所示的实验结果表示了不同算法在不同用户数目下的错检概率,图6用于表示用户数量与错检概率的关系,图7用于表示导频长度与错检概率的关系,将本申请实施例提供的算法与另外四种现有算法进行实验结果的比较,分别为修正的近似消息传递算法610、原始协方差算法620、L1范数近似算法630、L0范数投影算法640本申请实施例提供的罚函数算法650。根据图6和图7可知,随着用户数目的增加,所有算法的错检概率都会增加,但是相比于其他四种现有算法,本申请实施例提出的罚函数算法650可以取得最低的错检概率。同时,随着导频长度的增加,所有算法的错检概率都会降低,同样地,相比于其他四种现有算法,本申请实施例提出的罚函数算法可以取得最低的错检概率,尤其当导频长度为18时,本申请实施例提出的算法可以取得接近0.001的错检概率,而其他算法的错检概率大概在0.007附近。本申请实施例能够将不连续的稀疏条件约束融入到算法优化的过程中,通过结合罚函数对目标函数进行优化,然后通过不断增加惩罚因子并且求解对应的优化问题,来获得最终活跃用户和对应数据的检测结果,使算法以一种更平滑的方式去避开糟糕的局部最优点,提高了对活跃用户和数据的检测准确率。
请参照图8,图8是本申请实施例提供的活跃用户和数据的检测装置的模块结构框图,用于执行上述任一实施例的活跃用户和数据的检测方法,该装置包括信息获取模块810、函数构建模块820、稀疏约束函数确定模块830、第一函数变换模块840、第二函数变换模块850、第三函数变换模块860和优化求解模块870。
信息获取模块810,用于获取接收端信息和导频序列矩阵,导频序列矩阵用于表示N个待检测活跃用户传递的导频序列的集合,N为非负整数;
函数构建模块820,用于根据接收端信息和导频序列矩阵构建第一目标函数;
稀疏约束函数确定模块830,用于根据第一目标函数确定待优化变量和待优化变量对应的待优化稀疏约束函数;
第一函数变换模块840,用于根据预定义的连续函数对待优化变量进行函数变换,得到目标变量,目标变量包含第一性质和第二性质,第一性质用于表征目标变量的非负函数定义,第二性质用于表征目标变量基于待优化稀疏约束函数的约束定义;
第二函数变换模块850,用于根据第二性质对第一目标函数进行函数等价变换,得到第二目标函数;
第三函数变换模块860,用于根据第一性质对第二目标函数进行罚函数变换,得到第三目标函数;
优化求解模块870,用于利用坐标下降算法对第三目标函数进行优化求解,确定目标活跃用户和目标活跃用户传递的数据信息。
本申请实施例的活跃用户和数据的检测装置用于执行上述实施例中的活跃用户和数据的检测方法,其具体处理过程与上述实施例中的活跃用户和数据的检测方法相同,此处不再一一赘述。
本申请实施例还提供了一种计算机设备,包括存储器和处理器,其中,存储器中存储有计算机程序,该计算机程序被处理器执行时处理器用于执行本申请上述实施例中的活跃用户和数据的检测方法。
下面结合图9对计算机设备的硬件结构进行详细说明。该计算机设备包括:处理器910、存储器920、输入/输出接口930、通信接口940和总线950。
处理器910,可以采用通用的CPU(Central Processin Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器920,可以采用只读存储器(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器920可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器920中,并由处理器910来调用执行本申请实施例的活跃用户和数据的检测方法;
输入/输出接口930,用于实现信息输入及输出;
通信接口940,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;和总线950,在设备的各个组件(例如处理器910、存储器920、输入/输出接口930和通信接口940)之间传输信息;
其中处理器910、存储器920、输入/输出接口930和通信接口940通过总线950实现彼此之间在设备内部的通信连接。
本申请实施例还提供一种存储介质,该存储介质为计算机可读存储介质,计算机可读存储介质存储有计算机程序,在计算机程序被计算机执行时,计算机用于执行如本申请上述实施例中的活跃用户和数据的检测方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1至图5中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中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,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可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (9)
1.一种活跃用户和数据的检测方法,其特征在于,所述方法包括:
获取接收端信息和导频序列矩阵,所述导频序列矩阵用于表示N个待检测活跃用户传递的导频序列的集合,N为非负整数;
根据所述接收端信息和所述导频序列矩阵构建第一目标函数;
根据所述第一目标函数确定待优化变量和所述待优化变量对应的待优化稀疏约束函数;
根据预定义的连续函数对所述待优化变量进行函数变换,得到目标变量,所述目标变量包含第一性质和第二性质,所述第一性质用于表征所述目标变量的非负函数定义,所述第二性质用于表征所述目标变量基于所述待优化稀疏约束函数的约束定义;
根据所述第二性质对所述第一目标函数进行函数等价变换,得到第二目标函数;
根据所述第一性质对所述第二目标函数进行罚函数变换,得到第三目标函数;
利用坐标下降算法对所述第三目标函数进行优化求解,确定目标活跃用户和所述目标活跃用户传递的数据信息;
其中,所述获取接收端信息和导频序列矩阵,包括:
获取导频序列矩阵,将所述导频序列矩阵记为S,其中,所述导频序列矩阵Q表示每个所述待检测活跃用户可以传递的导频序列的数量,Sn表示第n个所述待检测活跃用户的导频序列子矩阵,/> 表示第n个所述待检测活跃用户的第q个导频序列;
所述根据所述接收端信息和所述导频序列矩阵构建第一目标函数,包括:
根据所述噪声功率、所述协方差矩阵和所述导频序列矩阵构建第一目标函数,将所述第一目标函数记为P1;
5.根据权利要求1至4任一项所述的方法,其特征在于,所述利用坐标下降算法对所述第三目标函数进行优化求解,确定目标活跃用户和所述目标活跃用户传递的数据信息,包括:
根据所述第三目标函数确定每个所述待优化变量对应的第三目标子函数,将所述待优化变量记为γn,q;
利用坐标下降算法对所述第三目标子函数进行迭代计算,得到所述第三目标子函数的函数闭合解;
当所述函数闭合解满足预设的算法结束条件,确定当前所述待优化变量对应的第n个所述待检测活跃用户为目标活跃用户,并确定所述目标活跃用户传递的数据信息为第q个导频序列对应的数据信息。
6.根据权利要求5所述的方法,其特征在于,在所述利用坐标下降算法对所述第三目标子函数进行迭代计算,得到所述第三目标子函数的函数闭合解之后,所述方法还包括:
当所述函数闭合解不满足预设的算法结束条件,根据预设的惩罚因子增加系数对所述第三目标子函数中的惩罚因子进行参数调整,并根据调整后的所述第三目标子函数继续进行迭代计算,直至求得的所述函数闭合解满足所述预设的算法结束条件,确定所述目标活跃用户和所述目标活跃用户传递的数据信息。
7.一种活跃用户和数据的检测装置,其特征在于,所述装置包括:
信息获取模块,用于获取接收端信息和导频序列矩阵,所述导频序列矩阵用于表示N个待检测活跃用户传递的导频序列的集合,N为非负整数;其中,所述获取接收端信息和导频序列矩阵,包括:获取接收端的噪声功率和所述接收端接收到的协方差矩阵,所述接收端与所述待检测活跃用户通信连接;其中,将所述噪声功率记为将所述协方差矩阵记为表示复数域,L表示导频序列的长度,M表示所述接收端的数量;获取导频序列矩阵,将所述导频序列矩阵记为S,其中,所述导频序列矩阵/>Q表示每个所述待检测活跃用户可以传递的导频序列的数量,Sn表示第n个所述待检测活跃用户的导频序列子矩阵,/>表示第n个所述待检测活跃用户的第q个导频序列;
函数构建模块,用于根据所述接收端信息和所述导频序列矩阵构建第一目标函数;所述根据所述接收端信息和所述导频序列矩阵构建第一目标函数,包括:根据所述噪声功率、所述协方差矩阵和所述导频序列矩阵构建第一目标函数,将所述第一目标函数记为P1;
其中,Λ表示一个对角矩阵,所述对角矩阵满足非对角线位置元素均为0,对角线元素为 表示实数域,SH表示对所述导频序列矩阵S进行转置共轭,s.t.表示目标函数需要满足的约束条件,/>表示单位矩阵,Tr(·)表示求解矩阵对角线元素之和;
稀疏约束函数确定模块,用于根据所述第一目标函数确定待优化变量和所述待优化变量对应的待优化稀疏约束函数;
第一函数变换模块,用于根据预定义的连续函数对所述待优化变量进行函数变换,得到目标变量,所述目标变量包含第一性质和第二性质,所述第一性质用于表征所述目标变量的非负函数定义,所述第二性质用于表征所述目标变量基于所述待优化稀疏约束函数的约束定义;
第二函数变换模块,用于根据所述第二性质对所述第一目标函数进行函数等价变换,得到第二目标函数;
第三函数变换模块,用于根据所述第一性质对所述第二目标函数进行罚函数变换,得到第三目标函数;
优化求解模块,用于利用坐标下降算法对所述第三目标函数进行优化求解,确定目标活跃用户和所述目标活跃用户传递的数据信息。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,其中,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器用于执行:
如权利要求1至6中任一项所述的方法。
9.一种存储介质,其特征在于,所述存储介质为计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,在所述计算机程序被计算机执行时,所述计算机用于执行:
如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210762474.4A CN115208944B (zh) | 2022-06-30 | 2022-06-30 | 活跃用户和数据的检测方法、系统、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210762474.4A CN115208944B (zh) | 2022-06-30 | 2022-06-30 | 活跃用户和数据的检测方法、系统、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115208944A CN115208944A (zh) | 2022-10-18 |
CN115208944B true CN115208944B (zh) | 2023-07-11 |
Family
ID=83577790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210762474.4A Active CN115208944B (zh) | 2022-06-30 | 2022-06-30 | 活跃用户和数据的检测方法、系统、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115208944B (zh) |
Citations (3)
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 |
CN108429611A (zh) * | 2018-05-23 | 2018-08-21 | 东南大学 | 一种巨连接下的导频分配和信道估计方法 |
CN111726146A (zh) * | 2020-06-30 | 2020-09-29 | 清华大学 | 无中心非正交系统联合活跃用户的符号检测方法和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102377002B1 (ko) * | 2016-01-27 | 2022-03-21 | 삼성전자주식회사 | 전자 장치 및 그의 동작 방법 |
CN109474388B (zh) * | 2018-12-28 | 2021-07-30 | 重庆邮电大学 | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 |
CN110061825B (zh) * | 2019-04-24 | 2021-12-10 | 哈尔滨工业大学 | 上行scma系统中基于观测矩阵优化导频序列的方法 |
CN111901069B (zh) * | 2020-07-31 | 2022-08-23 | 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 |
CN113067666B (zh) * | 2021-02-04 | 2022-05-20 | 宁波大学 | Noma系统的用户活跃性和多用户联合检测方法 |
CN114500322B (zh) * | 2021-12-31 | 2023-08-25 | 上海交通大学 | 免授权大规模接入场景下设备活跃检测和信道估计方法 |
-
2022
- 2022-06-30 CN CN202210762474.4A patent/CN115208944B/zh active Active
Patent Citations (3)
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 |
CN108429611A (zh) * | 2018-05-23 | 2018-08-21 | 东南大学 | 一种巨连接下的导频分配和信道估计方法 |
CN111726146A (zh) * | 2020-06-30 | 2020-09-29 | 清华大学 | 无中心非正交系统联合活跃用户的符号检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115208944A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | AF-DCGAN: Amplitude feature deep convolutional GAN for fingerprint construction in indoor localization systems | |
Bickel et al. | A nonparametric view of network models and Newman–Girvan and other modularities | |
Zhang et al. | A spectrum sensing method based on signal feature and clustering algorithm in cognitive wireless multimedia sensor networks | |
CN104506378A (zh) | 一种预测数据流量的装置及方法 | |
CN105517019A (zh) | 采用集成回归系统检测lte网络性能的方法 | |
CN116187483A (zh) | 模型训练方法、装置、设备、介质和程序产品 | |
CN115473771A (zh) | 一种基于模型演进的环境感知方法 | |
Wei et al. | A data preprocessing method for deep learning-based device-free localization | |
CN115208944B (zh) | 活跃用户和数据的检测方法、系统、计算机设备及介质 | |
CN116527174B (zh) | 智能反射面信道状态估计方法、相位调整方法、系统 | |
CN103117821B (zh) | 一种基于瑞利商的加权协作频谱感知方法 | |
Uma Mageswari et al. | Machine Learning Empowered Accurate CSI Prediction for Large‐Scale 5G Networks | |
US20240086717A1 (en) | Model training control method based on asynchronous federated learning, electronic device and storage medium | |
Yan et al. | Bayesian optimization for online management in dynamic mobile edge computing | |
Gao et al. | Construction of an Intelligent APP for dance training mobile information management platform based on edge computing | |
CN115169455A (zh) | 基于改进的社区发现算法的交易数据异常检测方法及装置 | |
CN116415476A (zh) | 模型的构建方法、装置及通信设备 | |
Jiang et al. | CS-DICT: Accurate indoor localization with CSI selective amplitude and phase based regularized dictionary learning | |
KR102174127B1 (ko) | 라디오 통신 시스템의 장치 및 방법 | |
Gutierrez-Estevez et al. | Online learning of any-to-any path loss maps | |
Han et al. | Computational resource constrained multi-cell joint processing in cloud radio access networks | |
Chen et al. | Over-the-air computing aided federated learning and analytics via belief propagation based stochastic bandits | |
CN109218411A (zh) | 数据处理方法及装置、计算机可读存储介质、电子设备 | |
CN117641428A (zh) | 活跃设备检测方法和装置、计算机设备及存储介质 | |
US20230306291A1 (en) | Methods, apparatuses and computer program products for generating synthetic data |
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 |