CN111224905B - 一种大规模物联网中基于卷积残差网络的多用户检测方法 - Google Patents

Abstract

本发明公开了一种大规模物联网中基于卷积残差网络的多用户检测方法，假定所有帧的接收都是同步的，每个用户使用不同的导频序列做信道估计，把所有用户的导频序列矩阵、信道矢量和用户活动性分别放在同一个矩阵中进行优化得到基站接收的信号；设计集中层卷积神经网络CLCNN，用深度学习方法检测激活的用户，把接收到的信号输入深度学习网络估计出激活向量；收集或生成数据，分为训练集与测试集，把接收到的信号输入网络，使用随机梯度下降优化器进行优化训练，计算损失函数与检测准确率，将大规模接入的信道估计简化为少量激活用户的信道估计，采用最小均方误差法估计出信道，完成多用户检测。本发明具有高性能、训练与检测速度快、完全可实施性特点。

Description

一种大规模物联网中基于卷积残差网络的多用户检测方法

技术领域

本发明属于无线通信技术领域，具体涉及一种大规模物联网中基于卷积残差网络的多用户检测方法。

背景技术

物联网(Internet of Things,IoT)被看作信息领域一次重大的发展和变革机遇，并有望带来革命性变革。但IoT也与传统通信有着明显的区别。例如，大规模物联网的特点是大量用户零星地发送很小的包，这与传统蜂窝通信不同。

大规模物联网的用户检测是物联网面临的一个具有挑战性的问题。大量用户的接入使得传统用户检测方案的复杂度过高而难以使用，而大规模物联网的稀疏性是该网络的一个关键点。目前对稀疏性的解决方法主要是压缩感知(Compressed Sensing，CS)和深度学习(Deep Learning,DL)。压缩感知虽然能利用稀疏性减少复杂度，但其性能与复杂度还有很大的改进空间。

深度学习就是深层次的神经网络，也就是深度神经网络。深度学习依靠包含大量神经元的非线性深层网络结构，能够对复杂函数逼近，进而实现从样本集中学习到数据集本质特征的能力。深度学习目前取得了很大的成就，但也伴随着很多的挑战。就应用来看，深度学习主要集中在图像、自然语言处理等领域，目前热门的卷积神经网络也主要是因为在这些领域取得较大成功而被人们所关注。深度学习在各个领域的应用虽然也在不断发展，但广泛程度与特定网络的发展仍然很有限。这既是挑战也是机遇，把深度学习应用于通信领域是很有前景的研究，而研究适用于通信领域的网络结构，则更是能推动通信行业在新时代的发展。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种大规模物联网中基于卷积残差网络的多用户检测方法，在多用户检测与信道估计中具有更好的性能，在网络训练过程中也更快地能达到收敛。

本发明采用以下技术方案：

一种大规模物联网中基于卷积残差网络的多用户检测方法，包括以下步骤：

S1、假定所有帧的接收都是同步的，每个用户使用不同的导频序列s_k做信道估计，k＝1,...,K，把所有用户的导频序列矩阵s_k、信道矢量h_k和用户活动性a_k分别放在同一个矩阵中进行优化，得到基站接收的信号y；

S2、设计集中层卷积神经网络CLCNN，用深度学习方法检测激活的用户，把接收到的信号y输入深度学习网络估计出激活向量a；

S3、收集或生成数据，分为训练集与测试集，把接收到的信号y输入网络，使用随机梯度下降优化器进行优化训练，计算损失函数与检测准确率，将大规模接入的信道估计简化为少量激活用户的信道估计，采用最小均方误差法估计出信道，完成多用户检测。

具体的，步骤S1中，基站接收的信号y为：

y＝SAh+n＝Sx+n

其中，S为，为，x＝Ah是对应于活动用户的有n个非零块的块稀疏向量；n是加性高斯白噪声。

进一步的，用y重建x，同时检测激活用户和估计这些用户的信道，优化问题为：

其中，||·||₀表示0范数，L为信道向量的维度，n为最大激活用户数。

具体的，步骤S2中，CLCNN网络结构采用卷积层作为计算层，卷积层使用一维卷积，第一层的卷积核大小为7，剩余为3，通道数从64到1028逐段成倍递增；池化层步长为2；全连接网络层的神经元数量为1000个；恒等连接实线是直接相加，虚线是维度变化，用卷积核大小为1的卷积层实现维度变换。

进一步的，CLCNN网络正则化后的目标函数为：

J_final(θ)＝J_loss(θ)+aΩ(θ)

其中，θ是所有参数的集合，α是正则化系数，Ω(θ)为参数范数惩罚，J_loss(θ)为目标函数。

进一步的，CLCNN网络的损失函数为：

J_final(θ)＝(a_output-a_actual)²+a∑_iW_i ²

其中，a_output为网络的输出，其元素为小数，a_actual为用户的实际激活向量，W_i是网络的权值参数。

具体的，步骤S3具体为：

S301、收集或生成数据，数据集包含导频序列矩阵S_all、大量样本的接收信号y和激活用户向量a；把数据集分为训练集与测试集两部分，比例为10∶1，训练集用于训练网络，测试集用于检验网络是否训练成功；

S302、在网络训练过程中，把接收信号y输入网络，计算输出a_output与数据集样本的激活向量a_actual的偏差，即损失函数J(θ)＝(a_output-a_actual)²，然后使用随机梯度下降优化器进行优化训练；

S303、在测试过程中，把测试样本输入网络，计算损失函数与检测准确率；

S304、在激活向量a估计出来后，将大规模接入的信道估计简化为少量激活用户的信道估计，采用最小均方误差法估计出信道。

进一步的，步骤S301中，总用户数K中激活的用户数为n，n的值和激活用户随机分布，描述用户激活情况的向量a＝{a_k}是维度K的向量，其中，随机n个值为1，其余值为0；活动用户传输的信号是用二进制相移键控调制的N_s长度导频序列；每个用户的导频序列长度固定为N_s，通道的模型是L独立同分布的高斯信道；随机生成导频序列，K＞(N_s+L-1)/L时多用户检测问题是欠定的。

进一步的，步骤S302中，训练数据使用激活用户数n上限的数据。

具体的，多用户检测方法包含一个基站与多个用户，接入方式采用grant-free，多个用户向基站不申请而直接发送信号，在同一帧总共K个用户中只有少数n个用户在发送信号。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种大规模物联网中基于卷积残差网络的多用户检测方法，对标准卷积残差网络进行重新设计，采用了卷积计算层恒等连接结构，同时对网络结构进行了重新设计，使得本发明中的网络在性能上超过全连接网络、标准残差网络与压缩感知算法，在研究的所有方案中达到最优。

进一步的，CLCNN网络结构采用卷积层，由于卷积层权值复用等优点，因而在性能上远超过全连接网络，而参数数量却比全连接网络少很多。同时因为对网络结构的重新设计，使得网络收敛速度远超过标准残差网络，能很好地应用于场景。

进一步的，通过设置合理的正则化系数α，可以通过正则化减少过拟合，提升网络的测试准确率，使网络在使用时有更好的准确率。

进一步的，物联网场景采用grant-free直接单方向发送的方式，相对于自由接入等需要基站管理的方式更加简单。检测过程中先用网络检测用户，然后把大规模接入问题简化为少量几个用户的信道估计问题，这样相对于用网络直接估计信道的方式来说，需要的训练数据是用户的激活向量而非信道向量，具有完全的可实现性。有些论文的方案使用信道向量的数据，这在实际中不可实施，因为信道向量的是不可知的。

综上所述，本发明检测方法具有高性能、训练与检测速度快、完全的可实施性的特点。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的***模型图；

图2为本发明的深层网络的网络块结构图；

图3为本发明的深层网络的整体结构图；

图4为本发明方案在训练过程中的损失函数随训练次数变化图；

图5为不同方案用户检测准确率随激活用户数变化的对比图；

图6为不同方案信道准确率随激活用户数变化的对比图。

具体实施方式

请参阅图1，本发明一种大规模物联网中基于卷积残差网络的多用户检测方法，包含一个基站与多个用户，接入方式采用grant-free，多个用户向基站不申请而直接发送信号，在同一帧总共K个用户中只有少数n个用户在发送信号。包括以下步骤：

S1、假定所有帧的接收都是同步的，每个用户使用不同的导频序列s_k(k＝1,...,K)做信道估计，用户k的信道矢量记为h_k∈C^L，其中，C表示复数的集合。导频序列s_k和信道h_k的卷积y＝SAh+n＝Sx+n可以被写成矩阵s_k与向量h_k的乘积，S_k矩阵由s_k序列移位构成，如下：

基站接收的信号

其中，a_k∈{0,1}表示用户k是否激活，a_k＝1表示用户在这一帧中发送了信号，a_k＝0表示用户静默；n是加性高斯白噪声。

把所有用户的导频序列矩阵s_k、信道矢量h_k和用户活动性a_k分别放在同一个矩阵中，

A＝diag(a₁I,...,a_KI)∈Z^KL×KL，其中，diag(·)表示把向量转为对角矩阵。

式(2)可以写为y＝SAh+n＝Sx+n (3)

其中，x＝Ah是对应于活动用户的有n个非零块的块稀疏向量，用y重建x，同时检测激活用户和估计这些用户的信道。因此，问题归结于解下面的优化问题：

其中，||·||₀表示0范数，也就是非零元素的个数。

S2、设计集中层卷积神经网络CLCNN，用深度学习方法检测激活的用户，把接收到的信号y输入深度学习网络估计出激活向量a；

深层神经网络使用本发明公开的集中层卷积神经网络(Concentrated LayersConvolutional Neural Network,CLCNN)，CLCNN网络与整体结构如图2与图3所示。标准的ResNet网络在图像分类时性能很好，如图但由于物联网场景和图像分类有一定的区别，把ResNet直接使用时性能很差。本发明公布的新网络CLCNN依据一定的准则对残差网络块和整个网络结构进行了重新设计。设计的网络训练速度更快，性能更好。

请参阅图2，本发明的深层网络的网络块结构图具体描述如下：

CLCNN的设计准则使得网络层更集中

首先，对于神经元来说，权值计算(这里是卷积层)与激活函数是一体的，是一个神经元细胞的两部分，完整的神经元细胞结构有利于信息传递，而在一个神经元细胞中加归一化的计算BatchNorm，把神经元分成两半，既不符合生物学特性，在神经元中做了信息改动，也一定程度上阻碍了信息传递。因而本发明把卷积层与激活函数之间的BatchNorm和恒等连接移出神经元细胞，以保证神经元细胞的完整性。

其次，把同类神经元集中到一起而把附加层如BatchNorm放在末尾，有利于信息传递的。这就像生物的组织结构，由同类细胞构成。因而CLCNN的第二条准则是把同类神经元尽量集中，LeNet等经典网络总是把所有卷积层放在前面，而把全连接层放在后面，从侧面印证了这一准则。

CLCNN的第三条准则是每个网络块的恒等尽可能包括本网络块的所有层(包括激活函数)，而在不同网络块之间没有任何计算层。激活函数Relu在AlexNet中使用后，因其相对于Sigmoid函数能极大地减少梯度弥散而受到深度学习研发人员的青睐，其正数部分为1的梯度使得正数部分不会出现梯度弥散会梯度***，但其负数部分为0的梯度却会引起梯度弥散。本发明把ResNet放在恒等连接外侧的Relu函数放到了恒等连接内侧，这样更加减少梯度弥散的问题，使得网络训练速度更快。改进后的残差网络块如图2所示。

图中卷积核大小为3。BatchNorm起到把数据归一化的作用。Relu是一种激活函数，y＝max(x,0)。

请参阅图3，本发明的深层网络的整体结构图深层网络具体描述如下：

CLCNN网络结构采用卷积层作为计算层，比采用全连接层的BRNN好得多。如果有足够的数据，更宽的网络可能会获得更好的性能，所以从第一个网络段开始，就将卷积核的数目加倍，以提高拟合能力，同时减少特征图尺寸，使得提取的特征更多且更能表征某个特征，以得到更好的性能。重新设计的网络在不同的网络段保持相同的层数，以方便设计，不需要太多的时间来调整网络层数。

卷积层使用一维卷积，第一层的卷积核大小为7，其余的均为3，通道数(卷积核个数)从64到1028逐段成倍递增。池化层就是下采样，步长为2。全连接网络层的神经元数量为1000个。恒等连接实线是直接相加，虚线是维度变化，这里用卷积核大小为1的卷积层实现维度变换。

正则化

在深度学习检测时，经常会出现过拟合的情况。学习器在训练集和测试集上的误差分别称为训练误差与泛化误差。过拟合指对训练样本拟合过度，训练误差很小，但泛化误差却很大。欠拟合是学习器拟合能力不够，训练误差与泛化误差都很大。

过拟合的原因是数据量太小或神经网络规模太大，因而解决方法是增大数据量或减小网络。正则化是对目标函数J_loss(θ)加一个参数范数惩罚Ω(θ)，限制学习器的学习能力。正则化后的目标函数

J_final(θ)＝J_loss(θ)+aΩ(θ) (6)

其中θ是所有参数的集合，α是正则化系数。这里用最小均方误差(MSE)作为损失，2-范数函数作为惩罚因子。因此，本发明的网络最终的损失函数：

J_final(θ)＝(a_output-a_actual)²+a∑_iW_i ² (7)

其中，a_output为网络的输出，其元素为小数，a_actual为用户的实际激活向量，其元素为1或0。W_i是网络的权值参数。在正则化后过拟合会大大减少。

S3、多用户检测

S301、收集或生成数据，数据集包含导频序列矩阵S_all、大量样本的接收信号y和激活用户向量a；把数据集分为训练集与测试集两部分，比例为10∶1，训练集用于训练网络，测试集用于检验网络是否训练成功；

总用户数K中激活的用户数为n，n的值和激活用户的分布都是随机的。也就是说，描述用户激活情况的向量a＝{a_k}是维度K的向量，其中，随机n个值为1，其余值为0.活动用户传输的信号是用二进制相移键控(BPSK)调制的N_s长度导频序列。每个用户的导频序列长度固定为N_s，通道的模型是L独立同分布的高斯信道。导频序列是随机生成的，K＞(N_s+L-1)/L时多用户检测问题是欠定的。而场景中用户数K很大，而导频序列长度N_s却很有限，因而该问题的欠定性是常态。

S302、在网络训练过程中，把接收信号y输入网络，计算输出a_output与数据集样本的激活向量a_actual的偏差，也就是损失函数J(θ)＝(a_output-a_actual)²，然后使用随机梯度下降优化器(SGD)进行优化训练；

训练数据使用激活用户数n上限的数据，比如n的取值范围是1-6，那么就使用n＝6的数据，也就是K个用户中随机n＝6个用户在发送信号。在训练过程完成后，激活用户数n＝1～6的数据均可由该网络计算。用n＝6的网络计算n＝1～6准确率稍低于用特定n值的网络计算该n值的性能。例如用n＝4的数据训练网络，然后用来计算n＝4的数据，这样性能会略微高一点，但这样就需要训练n＝1～6的6个网络，计算时还要先估计n值，当n范围比较大时，复杂度会高很多倍。因而还是使用n上限数据进行训练。

S303、在测试过程中，把测试样本输入网络，计算损失函数与检测准确率；

训练过程中的损失函数随训练次数变化如图4所示。

S304、在激活向量a估计出来后，将大规模接入的信道估计简化为少量激活用户的信道估计，采用最小均方误差(Minimum Mean Squared Error，MMSE)的方法估计出信道。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

仿真实验

在仿真中，总用户数K＝100中激活的用户数n∈{1,2,…,6}，n的值和激活用户的分布都是随机的。

描述用户激活情况的向量a＝{a_k}是维度100的向量，其中随机n个值为1，其余值为0。

活动用户传输的信号是用二进制相移键控(BPSK)调制的N_s长度导频序列。

每个用户的导频序列长度固定为N_s＝40。

通道的模型是L＝6独立同分布的高斯信道。

接收噪声n是信噪比为10dB的加性高斯白噪声向量。

对于信号传递过程y＝Sx+n，导频序列矩阵S∈C^(Ns+L-1)*KL经过稀疏信道x∈C^KL得到接收信号

用接收的信号y与已知导频序列矩阵S估计稀疏信道x。导频序列是随机生成的，K＞(N_s+L-1)/L时多用户检测问题是欠定的。而场景中用户数K大，导频序列长度N_s有限，因而该问题的欠定性是常态。把提出的CLCNN网络与BRNN网络以及压缩感知算法进行比较，包括正交匹配追踪(OMP)，迭代硬阈值(IHT)和块结构正交匹配追踪(BOMP)。

在仿真中生成了8×10⁶个不同的训练样本和10⁵个测试样本。在训练过程中，使用激活用户数n＝6的数据，也就是K＝100个用户中随机n＝6个用户在发送信号。

在训练过程完成后，激活用户数n＝1～6的数据均由该网络计算。用n＝6的网络计算n＝1～6准确率稍低于用特定n值的网络计算该n值的性能。例如用n＝4的数据训练网络，然后用来计算n＝4的数据，性能会略微高一点，但需要训练n＝1～6的6个网络，计算时先估计n值，当n范围大时，复杂度高很多倍。实验训练过程中用于训练神经网络的优化器是随机梯度下降优化器(SGD)，学习率为0.01。批量大小固定为256。

图4是训练过程中损失函数随训练次数变化图；训练过程中损失函数逐渐减小，在2×10⁶batch时接近收敛；测试误差比训练误差稍差一点，泛化性能良好，没有出现过拟合。

图5为不同方案用户检测准确率随激活用户数变化的对比图。本发明的方案在所有方案中性能最好。在仿真结果中，由于DNN性能不及BRNN，标准ResNet难以收敛，所以都未在图中比较。所有方案中深度学习方法超过CS方法，而深度学习方案中本发明的超过BRNN网络。

图6是不同方案信道准确率随激活用户数变化的对比图。在使用MMSE估计信道后的结果与用户检测准确率是相似的，本发明的CLCNN网络性能最优。从中可以看出深度学习方案的优势及本发明对网络结构的设计可以实现更好的性能。

综上所述，本发明一种大规模物联网中基于卷积残差网络的多用户检测方法，与标准残差网络相比，本发明的网络训练速度更快，在本发明网络已经收敛的训练次数时，标准残差网络还远远没有收敛，以至于标准残差网络在本发明描述的场景中因训练速度太慢而不能使用。

与压缩感知方法相比，本发明不用提前估计n，而CS的这几种经典方法都需要提前估计n。本实验中CS方法的n是作为已知值直接输入的，如果加上估计n的过程，会使得本来性能就处于劣势的CS方法性能更低一些。同时，在使用恒等连接后，上百甚至上千层的网络都是可以实现的，当数据量够大时，更深的网络会体现出更好的性能。本发明网络性能的提升只是增加数据量和层数的问题，而CS方法性能的提升却往往需要性能更好的新算法出现，相对于本发明来说性能更难提升。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (6)

1.一种大规模物联网中基于卷积残差网络的多用户检测方法，其特征在于，包括以下步骤：

S1、假定所有帧的接收都是同步的，每个用户使用不同的导频序列s_k做信道估计，k＝1,...,K，把所有用户的导频序列矩阵S_all、信道矢量h_k和用户活动性a_k分别放在同一个矩阵中进行优化，得到基站接收的信号y，用y重建x，同时检测激活用户和估计这些用户的信道，优化问题为：

其中，||·||₀表示0范数，L为信道向量的维度，n为最大激活用户数；

基站接收的信号y为：

y＝SAh+m＝Sx+m

其中，S为发送信号的矩阵，x＝Ah是对应于活动用户的有n个非零块的块稀疏向量；m是加性高斯白噪声；

S2、设计集中层卷积神经网络CLCNN，用深度学习方法检测激活的用户，把接收到的信号y输入深度学习网络估计出激活向量a；

S3、收集或生成数据，分为训练集与测试集，把接收到的信号y输入网络，使用随机梯度下降优化器进行优化训练，计算损失函数与检测准确率，将大规模接入的信道估计简化为少量激活用户的信道估计，采用最小均方误差法估计出信道，完成多用户检测，具体为：

S301、收集或生成数据，数据集包含导频序列矩阵S_all、大量样本的接收信号y和激活用户向量a；把数据集分为训练集与测试集两部分，比例为10∶1，训练集用于训练网络，测试集用于检验网络是否训练成功；

S302、在网络训练过程中，把接收信号y输入网络，计算输出a_output与数据集样本的激活向量a_actual的偏差，即损失函数J(θ)＝(a_output-a_actual)²，然后使用随机梯度下降优化器进行优化训练；

S303、在测试过程中，把测试样本输入网络，计算损失函数与检测准确率；

S304、在激活向量a估计出来后，将大规模接入的信道估计简化为少量激活用户的信道估计，采用最小均方误差法估计出信道；

多用户检测方法包含一个基站与多个用户，接入方式采用grant-free，多个用户向基站不申请而直接发送信号，在同一帧总共K个用户中只有少数n个用户在发送信号。

2.根据权利要求1所述的方法，其特征在于，步骤S2中，CLCNN网络结构采用卷积层作为计算层，卷积层使用一维卷积，第一层的卷积核大小为7，剩余为3，通道数从64到1028逐段成倍递增；池化层步长为2；全连接网络层的神经元数量为1000个；恒等连接实线是直接相加，虚线是维度变化，用卷积核大小为1的卷积层实现维度变换，对目标函数J_loss(θ)加一个参数范数惩罚Ω(θ)，限制学习器的学习能力，完成CLCNN网络正则化。

3.根据权利要求2所述的方法，其特征在于，CLCNN网络正则化后的目标函数为：

J_final(θ)＝J_loss(θ)+λΩ(θ)

其中，θ是所有参数的集合，λ是正则化系数，Ω(θ)为参数范数惩罚，J_loss(θ)为目标函数。

4.根据权利要求2所述的方法，其特征在于，CLCNN网络的损失函数为：

J_final(θ)＝(a_output-a_actual)²+a∑_iW_i ²

其中，a_output为网络的输出，其元素为小数，a_actual为用户的实际激活向量，W_i是网络的权值参数。

5.根据权利要求1所述的方法，其特征在于，步骤S301中，总用户数K中激活的用户数为n，n的值和激活用户随机分布，描述用户激活情况的向量a＝{a_k}是维度K的向量，其中，随机n个值为1，其余值为0；活动用户传输的信号是用二进制相移键控调制的N_s长度导频序列；每个用户的导频序列长度固定为N_s，通道的模型是L独立同分布的高斯信道；随机生成导频序列，K＞(N_s+L-1)/L时多用户检测问题是欠定的，L为信道长度。

6.根据权利要求1所述的方法，其特征在于，步骤S302中，训练数据使用激活用户数n上限的数据。

Images