CN116032317B - 一种免授权的联合活跃用户与数据检测方法 - Google Patents
一种免授权的联合活跃用户与数据检测方法 Download PDFInfo
- Publication number
- CN116032317B CN116032317B CN202310027254.1A CN202310027254A CN116032317B CN 116032317 B CN116032317 B CN 116032317B CN 202310027254 A CN202310027254 A CN 202310027254A CN 116032317 B CN116032317 B CN 116032317B
- Authority
- CN
- China
- Prior art keywords
- signal
- user
- super
- alpha
- iteration
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000012546 transfer Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000005562 fading Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010042135 Stomatitis necrotising Diseases 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 1
- 229910052622 kaolinite Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 201000008585 noma Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
Abstract
本发明公开了一种免授权的联合活跃用户与数据检测方法,包括以下步骤:步骤S1:给定基站接收信号和等效信道矩阵,设置迭代终止条件,对用户发射信号和噪声信号分配先验信息,初始化超参数集、后验分布信息以及传递消息的一阶导数;步骤S2:在当前迭代次数下,采用广义近似消息传递方法计算发射信号的后验分布;步骤S3:在当前迭代次数下,通过期望最大化方法更新超参数集;步骤S4:判断是否满足迭代终止条件,若满足则退出循环,输出恢复的发射信号,若不满足则返回步骤2进行下一轮迭代。本发明假设活跃用户因子未知的情况下进行数据检测,能够有效降低多用户检测的复杂度。
Description
技术领域
本发明涉及大规模机器类通信多用户检测方法,尤其是涉及一种免授权的联合活跃用户与数据检测方法。
背景技术
大规模机器类通信(mMTC)作为5G通信的三大应用场景之一,将支持不同业务物联网设备的海量连接。mMTC具有终端数量庞大、数据分组短和零星业务流量的特点,目前传统移动通信系统无法支撑大规模连接以及促进各垂直业务(如智慧城市、智能家居、环境监测等)的深度融合。非正交多址接入(NOMA)技术为所有用户分配相同的频段以实现资源块的复用,相比于现有的正交多址接入,能够支持更多用户同时接入网络。另一方面,基于免授权NOMA(GF-NOMA)的传输方式避免了用户对物理层资源的竞争,用户不需要获得基站授权即可随时传输数据,明显减少了传统调度策略产生的传输时延和信令开销。
mMTC通信业务呈现较强的偶发性和稀疏性,在某一时刻只有少量用户处于活跃状态,大量用户处于静默状态,基站无法识别活跃用户的数量,因此多用户检测(MUD)是实现大规模连接需要解决的关键问题。压缩感知(CS)技术利用用户活跃状态的稀疏性,将活跃用户检测转换为稀疏信号恢复问题,并通过压缩感知重构算法求解。通常,单时隙的多用户检测可以建模为单测量矢量(SMV)问题。
多用户检测方法有岭回归检测器(RD)、Lasso检测器(LD)、最小二乘检测器(LS)、最小均方误差检测器(MMSE)和稀疏贝叶斯学习(SBL)检测器。RD和LD检测器的性能优于传统LS和MMSE方法,但需要假设活跃用户因子已知。SBL检测器首先将发射信号看作符合某种先验分布的随机向量,根据以往对所求向量的知识,确定先验分布并分配超参数;然后根据接收信号的似然分布,运用贝叶斯准则,计算发射信号的后验分布;最后通过期望最大化算法,做出对未知超参数的最大似然估计。SBL检测方法利用了发射信号的先验信息,不需要知道活跃用户数量,但在迭代计算发射信号后验分布时,需要进行大量的矩阵求逆运算,增加了多用户检测的计算复杂度。
发明内容
本发明的目的在于克服现有技术的不足,提供一种免授权的联合活跃用户与数据检测方法,假设活跃用户因子未知的情况下进行数据检测,能够有效降低多用户检测的复杂度。
本发明的目的是通过以下技术方案来实现的:一种免授权的联合活跃用户与数据检测方法,对于包含一个单天线基站和K个单天线用户的上行免授权非正交多址接入系统,设在某个接入时隙,只有部分活跃用户发射信号,非活跃用户不发射信号,活跃用户k的发射信号bk扩展到长度为N的扩频序列sk=[s1k,s2k,...,sNk]T,对于N<K的情况,假设活跃用户的扩频信号经过无线信道传输同时到达基站,接收信号表示为:
y=Hb+w,
其中,是包含扩频序列和信道衰落系数的等效信道矩阵,表示发射信号,是全部用户发射信息构成的矢量,/>是均值为0,协方差矩阵为σ2Ι的复高斯噪声矢量,/>在基站接收到信号后,需要根据本地保存的等效信道矩阵H从接收信号y中恢复出发射信号b,包括以下步骤:
步骤S1:给定基站接收信号和等效信道矩阵,设置迭代终止条件,对用户发射信号和噪声信号分配先验信息,初始化超参数集、后验分布信息以及传递消息的一阶导数;
步骤S2:在当前迭代次数下,采用广义近似消息传递方法计算发射信号的后验分布;
步骤S3:在当前迭代次数下,通过期望最大化方法更新超参数集;
步骤S4:判断是否满足迭代终止条件,若满足则退出循环,输出恢复的发射信号,若不满足则返回步骤S2进行下一轮迭代。
本发明的有益效果是:
(1)考虑到传统多用户检测方法需要预先知道活跃用户的数量,但是,mMTC设备通常表现出瞬时传输特性,某一接入时隙很难捕捉到实际的活跃用户数量,本发明首先分配统计分布先验信息,再通过广义近似消息传递和期望最大化方法,迭代更新发射信号的后验分布信息和超参数集,最后输出后验均值作为待估计发射信号,不需要用户活跃因子作为辅助信息;
(2)考虑到经典稀疏贝叶斯学习检测器计算发射信号后验分布时,需要迭代的进行矩阵求逆运算,用户数量直接决定了运算矩阵的维度,当mMTC潜在用户数较大时,多用户检测难以实现,本发明引入广义近似消息传递方法,将稀疏贝叶斯学习检测器计算后验分布所需的矢量求逆转化为标量运算,在保证多用户检测性能的同时,可以有效降低计算复杂度。
附图说明
图1是本发明一种免授权的联合活跃用户与数据检测方法流程图;
图2是高斯信道下各多用户检测方法误符号率分析图;
图3是高斯信道下各多用户检测方法平均运行时间分析图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
本申请,考虑一个典型的上行免授权非正交多址接入系统。为了不失一般性,假设有K个单天线用户,基站配置单个天线。根据mMTC系统的零星流量特性,设在某个接入时隙,只有部分活跃用户发射信号,非活跃用户不发射信号。活跃用户k的发射信号bk扩展到长度为N的扩频序列sk=[s1k,s2k,...,sNk]T,本发明仅考虑过载系统N<K的情况。假设活跃用户的扩频信号经过无线信道传输同时到达基站,接收信号可以表示为:
y=Hb+w,
其中,是包含扩频序列和信道衰落系数的等效信道矩阵,表示发射信号,是全部用户发射信息构成的矢量,/>是均值为0,协方差矩阵为σ2Ι的复高斯噪声矢量,/>多用户检测指的是在信道矩阵H和接收信号y已知条件下恢复发射信号b。
参见附图1,一种免授权的联合活跃用户与数据检测方法,具体实施方式如下:
步骤1:输入基站接收信号y和等效信道矩阵H,设置最大迭代次数Tmax和最大允许误差ε。设无噪声输出信号为u,则u与发射信号b的关系为:u=Hb。当用户活跃因子pa给定时,用户发射信号b中有K(1-pa)个元素为零,对每个用户的发射信号分配均值为零的高斯先验分布,
其中,α=[α1,α2,...,αK]T是非负的超参数,用来促进发射信号b的稀疏性。当用户发射信号bk为零时,αk趋近于正无穷。当用户发射信号bk为±1时,αk接近于1。Λ=diag{α1,α2,...,αK}是维度为K×K的对角矩阵。超参数α满足参数{a,b}控制的Gamma先验分布,
为了简化方便,定义超参数β为噪声方差的逆,即β=1/σ2,高斯噪声矢量通常满足另一方面,超参数β满足参数{c,d}控制的Gamma先验分布,
p(β)=Gamma(β|c,d)=Γ(c)-1dcβc-1e-dβ。
接收信号y的似然分布可以表示为:
对超参数集Θ={α,β}、发射信号b的后验分布信息Ξ={μb,φb}和传递消息的一阶导数进行赋初值。超参数α=[α1,α2,...,αK]T的初始值/>为1,其中k=1,2,...,K;超参数β的初始值β(0)为大于0的常数;后验均值/>和后验方差/>的初始值/>均为1;传递消息一阶导数/>的初始值/>为0,其中n=1,2,...,N。随着迭代次数的增加,αk、β、/>和/>逐渐逼近真实值。固定的参数值为a=1.5和b=c=d=10-8。
步骤2:在当前迭代次数下,采用广义近似消息传递方法计算发射信号的后验分布信息,将后验均值作为发射信号的估计值,具体步骤如下:
2.1计算无噪声输出信号加噪声后的变量/>以及噪声的方差/>
其中,Hnk表示矩阵H中第n行第k列的元素,t表示当前迭代次数,t≥1,初始值取1。
2.2计算无噪声输出信号un的后验均值和后验方差/>
2.3计算因子节点向变量节点传递信息的一阶导数和二阶导数/>
2.4在n=1,2,...,N时,重复执行步骤2.1~2.3,即得到了无噪声输出信号u的后验均值和后验方差,以及n=1,2,...,N时,因子节点向变量节点传递信息的一阶导数和二阶导数/>
2.5计算发射信号bk加多用户干扰和噪声后的变量以及多用户干扰和噪声的方差/>
2.6计算发射信号bk的后验均值和后验方差/>
2.7.在k=1,2,...,K时,重复执行步骤2.5~2.6。
步骤3:在当前迭代次数下,基于无噪声输出信号u=Hb和发射信号b的后验分布信息,通过期望最大化方法更新超参数集。
固定当前超参数{α(t-1),β(t-1)}的值,计算包含发射信号的对数完全似然函数的期望值,并表示为Q函数:
通过最大化Q函数更新超参数集,对于Q函数仅包含α的项,可以得到:
其中,const表示常数项,bk近似服从后验均值为方差为/>的高斯分布,E[(bk)2]表示为:
计算E[lnp(b;α)p(α)]关于αk的一阶偏导数,并取值为零,得到更新的αk,k=1,2,...,K:
对于Q函数仅包含β的项,可以得到:
其中,N为扩频序列的长度,const表示常数项,un近似服从后验均值为方差为的高斯分布,E[(yn-un)2]表示为:
计算E[lnp(y|b;β)p(β)]关于β的一阶偏导数,并取值为零,得到更新的β:
步骤4:当运行次数达到最大循环次数t=Tmax,或前后两次迭代估计的后验均值之差的二范数小于预先设定的最大允许误差ε时,结束当前循环,输出b的后验均值作为恢复的发射信号。若不满足迭代终止条件,令t=t+1,并基于步骤3得到的更新后的超参数集,返回步骤2进行下一轮迭代。
在本申请的实施例中,通过仿真实验验证一种免授权的联合活跃用户与数据检测方法的可行性。
仿真参数:本发明采用二进制相移键控(BPSK)调制,即活跃用户检测错误概率等于数据检测符号错误概率。本发明考虑加性高斯白噪声信道,潜在用户总数为K=20,活跃用户因子为pa=0.2,扩频序列长度N的取值为10到18,平均信噪比(SNR)的取值为3dB到15dB。
仿真结果:图2为N=16时各多用户检测方法的误符号率(SER)性能分析图。可以看出,本发明方法优于传统LS、MMSE、RD和LD检测方法。这是由于本发明方法利用了发射信号的先验分布,适用于用户活动较低的情况。另一方面,本发明方法与SBL方法采用不同的规则更新发射信号的后验分布,但它们都接近真实的后验分布。因此,在整个有效SNR范围内,两种方法具有相似的SER性能。
图3为平均SNR=12dB时各多用户检测方法的平均运行时间分析图。运行时间反映了多用户检测方法的计算复杂度。LD方法运用凸优化工具箱稀疏表示发射信号,因此具有较高的计算复杂度。与SBL方法不同,本发明方法将矢量估计问题分解为因子节点和变量节点处的标量运算,迭代计算发射信号后验分布时不需要矩阵求逆运算,有效降低了多用户检测的计算复杂度。
以上是本发明的具体实施方式和仿真验证。应当指出,本领域的普通技术人员能够清楚的理解,本发明一种免授权的联合活跃用户与数据检测方法所举的以上实施例和仿真仅用于说明和验证方法的合理性和可行性,而并不用于限制本发明方法。虽然通过实施例能有效说明和描述了本发明,本发明存在许多变化而不脱离本发明的精神。在不背离本发明方法的精神及其实质的情况下,本领域技术人员可根据本发明方法做出各种相应的改变或变形,但这些相应的改变或变形均属于本发明方法要求的保护范围。
Claims (5)
1.一种免授权的联合活跃用户与数据检测方法,其特征在于:对于包含一个单天线基站和K个单天线用户的上行免授权非正交多址接入系统,设在某个接入时隙,只有部分活跃用户发射信号,非活跃用户不发射信号,活跃用户k的发射信号bk扩展到长度为N的扩频序列sk=[s1k,s2k,...,sNk]T,对于N<K的情况,假设活跃用户的扩频信号经过无线信道传输同时到达基站,接收信号表示为:
y=Hb+w,
其中,是包含扩频序列和信道衰落系数的等效信道矩阵,表示发射信号,是全部用户发射信息构成的矢量,/>是均值为0,协方差矩阵为σ2Ι的复高斯噪声矢量,/>在基站接收到信号后,需要根据本地保存的等效信道矩阵H从接收信号y中恢复出发射信号b;
恢复过程包括以下步骤:
步骤S1:输入基站接收信号和等效信道矩阵,设置迭代终止条件,对用户发射信号和噪声信号分配先验信息,初始化超参数集、后验分布信息以及传递消息的一阶导数;
步骤S2:在当前迭代次数下,采用广义近似消息传递方法计算发射信号的后验分布;
步骤S3:在当前迭代次数下,通过期望最大化方法更新超参数集;
步骤S4:判断是否满足迭代终止条件,若满足则退出循环,输出恢复的发射信号,若不满足,返回步骤S2进行下一轮迭代。
2.根据权利要求1所述的一种免授权的联合活跃用户与数据检测方法,其特征在于:所述步骤S1包括:
S101.输入基站接收信号y和等效信道矩阵H,设置最大迭代次数Tmax和最大允许误差ε;
S102.当用户活跃因子pa给定时,用户发射信号b中有K(1-pa)个元素为零,对每个用户的发射信号分配均值为零的高斯先验分布,
其中,α=[α1,α2,...,αK]T是非负的超参数,用来促进发射信号b的稀疏性;当用户发射信号bk为零时,αk趋近于正无穷;当用户发射信号bk为±1时,αk趋近于1;Λ=diag{α1,α2,...,αK}是维度为K×K的对角矩阵;超参数α满足参数{a,b}控制的Gamma先验分布,
定义超参数β为噪声方差σ2的逆,即β=1/σ2,高斯噪声矢量满足另一方面,超参数β满足参数{c,d}控制的Gamma先验分布,
p(β)=Gamma(β|c,d)=Γ(c)-1dcβc-1e-dβ;
将接收信号y的似然分布表示为:
S103.对超参数集Θ={α,β}、发射信号b的后验分布信息Ξ={μb,φb}和传递消息的一阶导数进行赋初值;超参数α=[α1,α2,...,αK]T的初始值/>为1,其中k=1,2,...,K;超参数β的初始值β(0)为大于0的常数;后验均值/>和后验方差/>的初始值/> 均为1;传递消息一阶导数/>的初始值/>为0,其中n=1,2,...,N;随着迭代次数的增加,αk、β、/>和/>逐渐逼近真实值。
3.根据权利要求2所述的一种免授权的联合活跃用户与数据检测方法,其特征在于:所述步骤S2包括:
S201.计算无噪声输出信号加噪声后的变量/>以及噪声的方差/>
其中,Hnk表示矩阵H中第n行第k列的元素,t表示当前迭代次数,t≥1,初始值取1;
S202.计算无噪声输出信号un的后验均值和后验方差/>
S203.计算因子节点向变量节点传递信息的一阶导数和二阶导数/>
S204.在n=1,2,...,N时,重复执行步骤S201~S203;
S205.计算发射信号bk加多用户干扰和噪声后的变量以及多用户干扰和噪声的方差
S206.计算发射信号bk的后验均值和后验方差/>
S207.在k=1,2,...,K时,重复执行步骤S205~S206,即得到了b的后验均值和后验方差/>
4.根据权利要求3所述的一种免授权的联合活跃用户与数据检测方法,其特征在于:所述步骤S3包括:
固定当前超参数{α(t-1),β(t-1)}的值,计算包含发射信号的对数完全似然函数的期望值,并表示为Q函数:
通过最大化Q函数更新超参数集,对于Q函数仅包含α的项,得到:
其中,const表示常数项,bk近似服从后验均值为方差为/>的高斯分布,E[(bk)2]表示为:
计算E[lnp(b;α)p(α)]关于αk的一阶偏导数,并取值为零,得到更新的αk,k=1,2,...,K:
对于Q函数仅包含β的项,得到:
其中,N为扩频序列的长度,const表示常数项,un近似服从后验均值为方差为/>的高斯分布,E[(yn-un)2]表示为:
计算E[lnp(y|b;β)p(β)]关于β的一阶偏导数,并取值为零,得到更新的β:
5.根据权利要求4所述的一种免授权的联合活跃用户与数据检测方法,其特征在于:所述步骤S4中,当运行次数达到最大循环次数t=Tmax,或前后两次迭代估计的后验均值之差的二范数小于预先设定的最大允许误差ε时,结束当前循环,输出b的后验均值作为恢复的发射信号;若不满足迭代终止条件,令t=t+1,并基于步骤S3得到的更新后的超参数集,返回步骤S2进行下一轮迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027254.1A CN116032317B (zh) | 2023-01-09 | 2023-01-09 | 一种免授权的联合活跃用户与数据检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027254.1A CN116032317B (zh) | 2023-01-09 | 2023-01-09 | 一种免授权的联合活跃用户与数据检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116032317A CN116032317A (zh) | 2023-04-28 |
CN116032317B true CN116032317B (zh) | 2024-04-02 |
Family
ID=86073658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310027254.1A Active CN116032317B (zh) | 2023-01-09 | 2023-01-09 | 一种免授权的联合活跃用户与数据检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116032317B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019222875A1 (en) * | 2018-05-21 | 2019-11-28 | Qualcomm Incorporated | Techniques and apparatuses for configuring demodulation reference signals in grant-free uplink non-orthogonal multiple access systems |
CN110784286A (zh) * | 2019-11-01 | 2020-02-11 | 重庆邮电大学 | 基于压缩感知的非正交多址接入系统的多用户检测方法 |
CN111313988A (zh) * | 2020-02-22 | 2020-06-19 | 吉林大学 | 基于鞅变换模型实现urllc的免授权noma方法 |
CN113067667A (zh) * | 2021-02-04 | 2021-07-02 | 宁波大学 | 一种用户活跃性和多用户联合检测方法 |
CN113067666A (zh) * | 2021-02-04 | 2021-07-02 | 宁波大学 | Noma系统的用户活跃性和多用户联合检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102329272B1 (ko) * | 2017-08-04 | 2021-11-19 | 삼성전자주식회사 | 무선 통신 시스템에서 상향링크 전송을 위한 장치 및 방법 |
CN111466132B (zh) * | 2017-12-22 | 2023-08-11 | 中兴通讯股份有限公司 | 用于非正交多址接入传输的序列选择 |
-
2023
- 2023-01-09 CN CN202310027254.1A patent/CN116032317B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019222875A1 (en) * | 2018-05-21 | 2019-11-28 | Qualcomm Incorporated | Techniques and apparatuses for configuring demodulation reference signals in grant-free uplink non-orthogonal multiple access systems |
CN110784286A (zh) * | 2019-11-01 | 2020-02-11 | 重庆邮电大学 | 基于压缩感知的非正交多址接入系统的多用户检测方法 |
CN111313988A (zh) * | 2020-02-22 | 2020-06-19 | 吉林大学 | 基于鞅变换模型实现urllc的免授权noma方法 |
CN113067667A (zh) * | 2021-02-04 | 2021-07-02 | 宁波大学 | 一种用户活跃性和多用户联合检测方法 |
CN113067666A (zh) * | 2021-02-04 | 2021-07-02 | 宁波大学 | Noma系统的用户活跃性和多用户联合检测方法 |
Non-Patent Citations (4)
Title |
---|
Improved Bayesian Learning Detectors for Uplink Grant-Free MIMO-NOMA;Boran Yang, Xiaoxu Zhang, Li Hao, George K. Karagiannidis;《IEEE Wireless Communications Letters 》;20230920;全文 * |
NOMA系统中免授权接入技术研究;黄博文;《中国优秀硕士学位论文全文数据库(电子期刊)》;20220515;全文 * |
Renxiang Zhang ; Xiaofu Wu ; Chunxiang Li ; Jun Yan ; Suofei Zhang.Active User Detection and Data Recovery for Quasi-Asynchronous Grant-Free Random Access.《2021 13th International Conference on Wireless Communications and Signal Processing (WCSP)》.2021,全文. * |
基于改进稀疏度自适应匹配算法的免授权非正交多址接入上行传输多用户检测;王茜竹 方冬 吴广富;《电子信息学报》;20201117;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116032317A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111698182B (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
CN105721106B (zh) | 基于串行策略的scma上行通信系统多用户检测方法 | |
Emir et al. | DeepMuD: Multi-user detection for uplink grant-free NOMA IoT networks via deep learning | |
Jeya et al. | Optimized semiblind sparse channel estimation algorithm for MU-MIMO OFDM system | |
Chege et al. | Energy efficient resource allocation for uplink hybrid power domain sparse code nonorthogonal multiple access heterogeneous networks with statistical channel estimation | |
CN103685088A (zh) | 稀疏信道的导频优化方法、装置和信道估计方法 | |
Shao et al. | Reconfigurable intelligent surface-aided 6G massive access: Coupled tensor modeling and sparse Bayesian learning | |
Jamali et al. | A low-complexity recursive approach toward code-domain NOMA for massive communications | |
Xie et al. | Massive unsourced random access for massive MIMO correlated channels | |
CN116841732A (zh) | 一种基于单比特量化的联邦学习资源优化设计方法 | |
CN109981219B (zh) | 一种基于分布式压缩感知的非正交多址系统信号检测方法 | |
US20220076134A1 (en) | Two-stage deep learning based secure precoder for information and artificial noise signal in non-orthogonal multiple access system | |
CN108566227B (zh) | 一种多用户检测方法 | |
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 | |
Ahsan et al. | Reinforcement learning for user clustering in NOMA-enabled uplink IoT | |
CN116032317B (zh) | 一种免授权的联合活跃用户与数据检测方法 | |
CN115967421A (zh) | 一种分布式天线系统下联合参数估计与信号重构的方法及系统 | |
US20230412429A1 (en) | Active User Detection and Channel Estimation Method and Device, Using Deep Neural Network | |
CN114337876A (zh) | 一种基于nsga2算法训练的amp检测算法和实施该算法的系统 | |
Bhatt et al. | Analysis of the fifth generation NOMA system using LSTM algorithm | |
CN116155418B (zh) | 一种时间相关的稀疏信号恢复方法 | |
Shang et al. | Computation offloading management in vehicular edge network under imperfect CSI | |
Wu | EVD-based multiuser detection in uplink generalized spatial modulation MIMO systems | |
CN110086557B (zh) | 一种免调度多用户检测方法 | |
Wang et al. | Multi-Service Oriented Joint Channel Estimation and Multi-User Detection Scheme for Grant-Free Massive MTC Networks |
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 |