CN113766669B - 一种基于深度学习网络的大规模随机接入方法 - Google Patents

一种基于深度学习网络的大规模随机接入方法 Download PDF

Info

Publication number
CN113766669B
CN113766669B CN202111323583.8A CN202111323583A CN113766669B CN 113766669 B CN113766669 B CN 113766669B CN 202111323583 A CN202111323583 A CN 202111323583A CN 113766669 B CN113766669 B CN 113766669B
Authority
CN
China
Prior art keywords
neural network
user
matrix
random access
algorithm
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
Application number
CN202111323583.8A
Other languages
English (en)
Other versions
CN113766669A (zh
Inventor
黄川�
崔曙光
黄坚豪
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.)
Chinese University of Hong Kong Shenzhen
Original Assignee
Chinese University of Hong Kong Shenzhen
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 Chinese University of Hong Kong Shenzhen filed Critical Chinese University of Hong Kong Shenzhen
Priority to CN202111323583.8A priority Critical patent/CN113766669B/zh
Publication of CN113766669A publication Critical patent/CN113766669A/zh
Application granted granted Critical
Publication of CN113766669B publication Critical patent/CN113766669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W74/00—Wireless channel access
    • H04W74/08—Non-scheduled access, e.g. ALOHA
    • H04W74/0833—Random access procedures, e.g. with 4-step access
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于深度学习网络的大规模随机接入方法，包括以下步骤：构建基于大规模随机接入的***模型；构建利用深度神经网络对用户的发射信号
Figure 618710DEST_PATH_IMAGE001
进行检测和用户接入判断的模型；进行神经网络训练和参数更新；根据训练更新后的神经网络对用户发射信号进行检测，从而判断用户是否成功接入。本发明提供的大规模随机接入方案中，提出了低复杂度的解码算法，有效提升通信性能，具体而言，基于神经网络的检测算法与传统的算法相比，无需信道的先验统计特性，能够大大降低***的损耗，更加适用于实际的通信***，另外，所提出算法将比传统算法更加具有鲁棒性，即当***先验知识不完备时，该算法将提供更好的性能。

Description

一种基于深度学习网络的大规模随机接入方法
技术领域
本发明涉及深度学习网络，特别是涉及一种基于深度学习网络的大规模随机接入方法。
背景技术
随着通信技术的高速发展，基站在社会生活中的应用越来越广泛，基站常常需要接入大量用户，并支持大量用户的上行传输；此时用户的接入方法非常重要。
传统的接入策略和数据传输策略是独立的，分为两步：首先对活跃用户进行检测，然后对已检测的活跃用户进行信道估计及数据检测。这种分立式策略需要用户在数据发送前，通过导频完成活跃度检测和信道估计，会产生巨大的时间延迟和性能开销。因此，这种传统通信模式很难再满足大规模场景下高能量效率和低通信延迟的通信需求。另外，传统的接入算法往往需要知道信道的统计特性以及用户活跃特征，这在实际情况中是很难实现的。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于深度学习网络的大规模随机接入方法，提出了低复杂度的解码方案，有效提升通信性能。
本发明的目的是通过以下技术方案来实现的：一种基于深度学习网络的大规模随机接入方法，包括以下步骤：
S1.构建基于大规模随机接入的***模型；
S2.构建利用深度神经网络对用户的发射信号
Figure DEST_PATH_IMAGE001
进行检测和用户接入判断的模型；
S3.进行神经网络训练和参数更新；
S4. 根据训练更新后的神经网络对用户发射信号进行检测，从而判断用户是否成功接入。
进一步地，所述步骤S1包括以下子步骤：
S101.对于包含
Figure DEST_PATH_IMAGE002
个单天线用户和一个接收端的通信***，每个用户随机接入接收端，即在每个发射时隙都会以一定概率向接收端发射信息，其中，接收端配有
Figure DEST_PATH_IMAGE003
根天线；用随机变量
Figure DEST_PATH_IMAGE004
来形容用户
Figure DEST_PATH_IMAGE005
的活跃特性，在每一个时隙，
Figure 506649DEST_PATH_IMAGE004
满足：
Figure DEST_PATH_IMAGE006
；
S102.各个用户采用基于自由接入的随机接入方案；在传输之前每一个用户预先分配了一个专用的导频序列
Figure DEST_PATH_IMAGE007
，其中
Figure DEST_PATH_IMAGE008
为导频长度，符号
Figure DEST_PATH_IMAGE009
代表长度为
Figure 971260DEST_PATH_IMAGE008
的复数序列集合；每个导频的元素由独立同分布的高斯分布得到，即
Figure DEST_PATH_IMAGE010
，其中符号
Figure DEST_PATH_IMAGE011
代表均值为0，方差为
Figure DEST_PATH_IMAGE012
的复高斯分布，
Figure DEST_PATH_IMAGE013
代表维度为
Figure 360784DEST_PATH_IMAGE008
的单位矩阵；所有用户的导频序列都储存在接收端中；
S103.在每一个发射时隙，每个活跃用户同步地发射导频序列和发射信号
Figure 165447DEST_PATH_IMAGE001
到接收端，接收信号表示为
Figure DEST_PATH_IMAGE014
令
Figure DEST_PATH_IMAGE016
, 得到接收信号的矩阵表达式，
Figure DEST_PATH_IMAGE017
其中
Figure 100002_DEST_PATH_IMAGE018
为高斯噪声，每个元素满足独立同分布均值为零，方差为
Figure DEST_PATH_IMAGE019
的高斯分布；
Figure DEST_PATH_IMAGE020
代表用户n到接收端的信道参数，
Figure DEST_PATH_IMAGE021
为表示长度为
Figure DEST_PATH_IMAGE022
的复数序列集合，并且在接收端是未知的，设
Figure DEST_PATH_IMAGE023
为用户n的发射信号。其中发射信号
Figure 340339DEST_PATH_IMAGE023
是由以下码本产生：
Figure DEST_PATH_IMAGE024
其中
Figure DEST_PATH_IMAGE025
是第
Figure DEST_PATH_IMAGE026
个调制码字，
Figure DEST_PATH_IMAGE027
是用户n 的传输速率，
Figure DEST_PATH_IMAGE028
代表这个用户是非活跃的，即
Figure DEST_PATH_IMAGE029
。
进一步地，所述步骤S2包括以下子步骤：
S201.初始化：输入接收信号
Figure DEST_PATH_IMAGE030
，用户的稀疏参数g，每个用户的速率
Figure DEST_PATH_IMAGE031
；初始化令
Figure DEST_PATH_IMAGE032
；
S202. 首先将接收信号
Figure 785971DEST_PATH_IMAGE030
输入进设计的神经网络算法，进行干扰消除处理，神经网络算法基于多层结构，第t层的计算过程为：
Figure DEST_PATH_IMAGE033
其中,
Figure DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE035
是矩阵
Figure DEST_PATH_IMAGE036
的共轭转置，t 为大于零的整数,最大层数设定为
Figure DEST_PATH_IMAGE037
，即
Figure DEST_PATH_IMAGE038
；
Figure DEST_PATH_IMAGE039
，
Figure DEST_PATH_IMAGE040
代表去噪器作用于第n列信号，
Figure DEST_PATH_IMAGE041
代表去噪器函数的一阶导数；去噪器的设计将由深度神经网络实现,
Figure DEST_PATH_IMAGE042
代表去噪器
Figure DEST_PATH_IMAGE043
的神经网络参数；
去噪器
Figure DEST_PATH_IMAGE044
的设计如下：首先将复数矩阵
Figure DEST_PATH_IMAGE045
转化为实数矩阵
Figure DEST_PATH_IMAGE046
，其中
Figure DEST_PATH_IMAGE047
代表维度为
Figure DEST_PATH_IMAGE048
的实数矩阵集合,转化方式为：
Figure DEST_PATH_IMAGE049
其中
Figure DEST_PATH_IMAGE050
，其中
Figure DEST_PATH_IMAGE051
代表维度为
Figure DEST_PATH_IMAGE052
的实数向量集合，是矩阵
Figure DEST_PATH_IMAGE053
的第n个切面矩阵；然后将矩阵输入以下神经网络：
Figure DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
代表两个神经网络的组合；
Figure DEST_PATH_IMAGE056
是卷积神经网络，过滤器数量为
Figure DEST_PATH_IMAGE057
，内核大小为(1,1)，步长大小为 (1,1)；
在卷积网络
Figure DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE059
的末尾添加 Relu 函数 作为激活函数；令
Figure DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE061
是一个软收缩函数：
Figure DEST_PATH_IMAGE062
其中，矩阵
Figure DEST_PATH_IMAGE063
是矩阵
Figure DEST_PATH_IMAGE064
的第n个切片，
Figure DEST_PATH_IMAGE065
是收缩参数包含在参数集合
Figure DEST_PATH_IMAGE066
中；最后，将
Figure DEST_PATH_IMAGE067
转化为复数矩阵
Figure DEST_PATH_IMAGE068
；输出信号
Figure DEST_PATH_IMAGE069
，令
Figure DEST_PATH_IMAGE070
。
S203.利用神经网络计算基于
Figure DEST_PATH_IMAGE071
的后验概率：
首先，每个复数向量
Figure DEST_PATH_IMAGE072
转化为实数向量
Figure DEST_PATH_IMAGE073
，即，
Figure DEST_PATH_IMAGE074
其中，
Figure DEST_PATH_IMAGE075
代表向量
Figure DEST_PATH_IMAGE076
中第
Figure DEST_PATH_IMAGE077
个元素到第
Figure DEST_PATH_IMAGE078
个元素组成的向量，
Figure DEST_PATH_IMAGE079
和
Figure DEST_PATH_IMAGE080
分别代表实数和虚数；随后，将得到的向量
Figure DEST_PATH_IMAGE081
输入神经网络，即，
Figure DEST_PATH_IMAGE082
其中，
Figure DEST_PATH_IMAGE083
和
Figure DEST_PATH_IMAGE084
是全连接神经网络层，神经元数分别为
Figure DEST_PATH_IMAGE085
和
Figure DEST_PATH_IMAGE086
；Relu 函数和 Softmax 函数分别添加在网络
Figure 687892DEST_PATH_IMAGE083
和
Figure 417950DEST_PATH_IMAGE084
的末尾，
Figure DEST_PATH_IMAGE087
是神经网络的参数；
最后，根据得到的输出
Figure DEST_PATH_IMAGE088
，计算用于检测的最优后验概率，即，
Figure DEST_PATH_IMAGE089
其中
Figure DEST_PATH_IMAGE090
是发送信息
Figure DEST_PATH_IMAGE091
的热编码码字；
若
Figure DEST_PATH_IMAGE092
，则
Figure DEST_PATH_IMAGE093
，当
Figure DEST_PATH_IMAGE094
，则
Figure DEST_PATH_IMAGE095
, 其中
Figure DEST_PATH_IMAGE096
代表长度为n的零向量；
S204. 得到后验概率之后，通过最大化后验概率的方法，对用户发射信息进行检测,即，
Figure DEST_PATH_IMAGE097
得到
Figure DEST_PATH_IMAGE098
之后，通过步骤S203中热编码的对应关系，得到发射信息
Figure DEST_PATH_IMAGE099
。
S205. 通过检测到的信息
Figure 195151DEST_PATH_IMAGE099
，从而判断用户是否成功接入：当
Figure DEST_PATH_IMAGE100
, 则代表用户n成功接入接收端。
进一步地，所述步骤S3包括以下子步骤：
所述步骤S3包括以下子步骤：
S301. 初始化，输入
Figure DEST_PATH_IMAGE101
，参数
Figure DEST_PATH_IMAGE102
和
Figure DEST_PATH_IMAGE103
，训练样本
Figure DEST_PATH_IMAGE104
，其中，
Figure DEST_PATH_IMAGE105
为第j个样本下的接收信号，
Figure DEST_PATH_IMAGE106
代表第j个样本下的第n个用户的发送码字，B为样本总数，正实数
Figure DEST_PATH_IMAGE107
；
S302. 将样本
Figure 411018DEST_PATH_IMAGE105
输入进入S202中的神经网络，
Figure DEST_PATH_IMAGE108
代表神经网络输出的第n行实数信号；接着将
Figure DEST_PATH_IMAGE109
输入S203中的神经网络，输出
Figure DEST_PATH_IMAGE110
；
S303.利用
Figure DEST_PATH_IMAGE111
，
Figure DEST_PATH_IMAGE112
，和热编码码字
Figure DEST_PATH_IMAGE113
，对神经网络参数
Figure DEST_PATH_IMAGE114
和
Figure DEST_PATH_IMAGE115
进行更新；
首先，为训练神经网络设计损失函数，损失函数包括三个方面：
Figure DEST_PATH_IMAGE116
Figure DEST_PATH_IMAGE117
Figure DEST_PATH_IMAGE118
其中，
Figure DEST_PATH_IMAGE119
代表向量
Figure DEST_PATH_IMAGE120
的第i个元素，
Figure DEST_PATH_IMAGE121
是通过随机打乱训练样本得到的发送码字；方程
Figure DEST_PATH_IMAGE122
是由参数为
Figure DEST_PATH_IMAGE123
的神经网络，设计方法如下：
Figure DEST_PATH_IMAGE124
其中，
Figure DEST_PATH_IMAGE125
是全连接神经网络，其节点数为
Figure DEST_PATH_IMAGE126
；设置
Figure DEST_PATH_IMAGE127
；ELU函数被设置在每个神经网络的后面作为激活函数；
每一次训练，输入样本
Figure DEST_PATH_IMAGE128
进入神经网络，得到
Figure DEST_PATH_IMAGE129
和
Figure DEST_PATH_IMAGE130
，然后计算损失函数，然后利用后向迭代算法和Ada优化器对参数
Figure DEST_PATH_IMAGE131
更新；当更新固定数量次后，输出为更新后的神经网络参数，即
Figure DEST_PATH_IMAGE132
；
S304. 在步骤S2算法中使用更新后的神经网络参数
Figure DEST_PATH_IMAGE133
；经过更新后的神经网络能够得到更准确的发射信息
Figure DEST_PATH_IMAGE134
，使得随机接入更加准确。
本发明的有益效果是：本发明提供的大规模随机接入方案中，提出了低复杂度的解码算法，有效提升通信性能。具体而言，基于神经网络的检测算法与传统的算法相比，无需信道的先验统计特性，能够大大降低***的损耗，更加适用于实际的通信***。另外，所提出算法将比传统算法更加具有鲁棒性，即当***先验知识不完备时，该算法将提供更好的性能，如更低的误码率。
附图说明
图1为大规模随机接入信道的示意图；
图2为本发明的方法流程图；
图3为基于多层结构神经网络算法示意图；
图4为去噪器的设计原理示意图；
图5为实施例中用户数量分别为(4,8,28), 稀疏度分别为(0.2,0.1,0.2)时的算法比较示意图；
图6为实施例中用户数量为(8,20,12)，稀疏度为(0.1,0.2,0.3)的算法比较示意图；
图7为实施例中用户数量分别为(4,8,28), 稀疏度分别为(0.1,0.2,0.3)的算法比较示意图。
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。
如图1所示，针对5G通信中大规模随机接入问题，本发明设计了一种基于深度学习网络的随机接入算法。考虑一个大规模随机接入信道如图1所示，基站需要同时支持大量用户的上行传输。在一个传输时刻，只有少量的用户处于活跃状态，向基站传输信息，而其他用户处于休眠状态。基站需要同时对用户的活跃状态和活跃用户的发射数据进行检测，如图2所示，具体的方法包括以下步骤：
S1.构建基于大规模随机接入的***模型:
S101.对于
Figure DEST_PATH_IMAGE135
个单天线用户和一个接收端的通信***，每个用户随机接入接收端，即在每个发射时隙都会以一定概率向接收端发射信息，其中，接收端配有
Figure DEST_PATH_IMAGE136
根天线；用随机变量
Figure DEST_PATH_IMAGE137
来形容用户n的活跃特性，在每一个时隙，
Figure 743229DEST_PATH_IMAGE137
满足：
Figure DEST_PATH_IMAGE138
；
S102. 各个用户采用基于自由接入的随机接入方案；在传输之前每一个用户预先分配了一个专用的导频序列
Figure DEST_PATH_IMAGE139
，其中
Figure DEST_PATH_IMAGE140
为导频长度，符号
Figure DEST_PATH_IMAGE141
代表长度为
Figure 493623DEST_PATH_IMAGE140
的复数序列集合；每个导频的元素由独立同分布的高斯分布得到，即
Figure DEST_PATH_IMAGE142
，其中符号
Figure DEST_PATH_IMAGE143
代表均值为0，方差为
Figure DEST_PATH_IMAGE144
的复高斯分布，
Figure DEST_PATH_IMAGE145
代表维度为
Figure 830057DEST_PATH_IMAGE140
的单位矩阵；所有用户的导频序列都储存在接收端中；
S103.在每一个发射时隙，每个活跃用户同步地发射导频序列和发射信号
Figure 791060DEST_PATH_IMAGE001
到接收端，接收信号表示为
Figure DEST_PATH_IMAGE146
令
Figure 970368DEST_PATH_IMAGE016
, 得到接收信号的矩阵表达式，
Figure DEST_PATH_IMAGE147
其中
Figure DEST_PATH_IMAGE148
为高斯噪声，每个元素满足独立同分布均值为零，方差为
Figure DEST_PATH_IMAGE149
的高斯分布；
Figure DEST_PATH_IMAGE150
代表用户n到接收端的信道参数，
Figure DEST_PATH_IMAGE151
为表示长度为M的复数序列集合，并且在接收端是未知的，设
Figure DEST_PATH_IMAGE152
为用户n的发射信号；其中发射信号
Figure 999154DEST_PATH_IMAGE152
是由以下码本产生：
Figure DEST_PATH_IMAGE153
其中
Figure DEST_PATH_IMAGE154
是第
Figure DEST_PATH_IMAGE155
个调制码字，
Figure DEST_PATH_IMAGE156
是用户n 的传输速率，
Figure DEST_PATH_IMAGE157
代表这个用户是非活跃的，即
Figure DEST_PATH_IMAGE158
。
S2.构建利用深度神经网络对用户的发射信号
Figure DEST_PATH_IMAGE159
进行检测和用户接入判断的模型；
所述步骤S2包括：
S201.初始化：输入接收信号
Figure DEST_PATH_IMAGE160
，用户的稀疏参数g，每个用户的速率
Figure DEST_PATH_IMAGE161
。初始化令
Figure DEST_PATH_IMAGE162
；
S202. 首先将接收信号
Figure 406739DEST_PATH_IMAGE160
输入进设计的神经网络算法，进行干扰消除处理，神经网络算法基于多层结构，第t层的计算过程为：
Figure DEST_PATH_IMAGE163
其中,
Figure DEST_PATH_IMAGE164
，
Figure DEST_PATH_IMAGE165
是矩阵
Figure DEST_PATH_IMAGE166
的共轭转置，t 为大于零的整数,最大层数设定为
Figure DEST_PATH_IMAGE167
，即
Figure DEST_PATH_IMAGE168
；
Figure DEST_PATH_IMAGE169
，
Figure DEST_PATH_IMAGE170
代表去噪器作用于第n列信号，
Figure DEST_PATH_IMAGE171
代表去噪器函数的一阶导数；去噪器的设计将由深度神经网络实现,
Figure DEST_PATH_IMAGE172
代表去噪器
Figure DEST_PATH_IMAGE173
的神经网络参数；
去噪器
Figure DEST_PATH_IMAGE174
的设计如下：首先将复数矩阵
Figure DEST_PATH_IMAGE175
转化为实数矩阵
Figure DEST_PATH_IMAGE176
，其中
Figure DEST_PATH_IMAGE177
代表维度为
Figure DEST_PATH_IMAGE178
的实数矩阵集合,转化方式为：
Figure DEST_PATH_IMAGE179
其中
Figure DEST_PATH_IMAGE180
，其中
Figure DEST_PATH_IMAGE181
代表维度为M的实数向量集合，是矩阵
Figure DEST_PATH_IMAGE182
的第n个切面矩阵； 然后将矩阵输入以下神经网络：
Figure DEST_PATH_IMAGE183
其中，
Figure DEST_PATH_IMAGE184
代表两个神经网络的组合；
Figure DEST_PATH_IMAGE185
是卷积神经网络，过滤器数量为
Figure DEST_PATH_IMAGE186
，内核大小为(1,1)，步长大小为 (1,1)；
在卷积网络
Figure DEST_PATH_IMAGE187
和
Figure DEST_PATH_IMAGE188
的末尾添加 Relu 函数 作为激活函数；令
Figure DEST_PATH_IMAGE189
，
Figure DEST_PATH_IMAGE190
是一个软收缩函数：
Figure DEST_PATH_IMAGE191
其中，
Figure DEST_PATH_IMAGE192
矩阵是矩阵
Figure DEST_PATH_IMAGE193
的第n个切片，
Figure DEST_PATH_IMAGE194
是收缩参数包含在参数集合
Figure DEST_PATH_IMAGE195
中；最后，将
Figure DEST_PATH_IMAGE196
转化为复数矩阵
Figure DEST_PATH_IMAGE197
；
经过S202 步骤之后，输出信号
Figure DEST_PATH_IMAGE198
，令
Figure DEST_PATH_IMAGE199
。
S203.在这一步骤中，我们将利用神经网络计算基于
Figure DEST_PATH_IMAGE200
的后验概率。 首先，每个复数向量
Figure DEST_PATH_IMAGE201
转化为实数向量
Figure DEST_PATH_IMAGE202
，即，
Figure DEST_PATH_IMAGE203
其中
Figure DEST_PATH_IMAGE204
代表向量
Figure DEST_PATH_IMAGE205
中第
Figure DEST_PATH_IMAGE206
个元素到第
Figure DEST_PATH_IMAGE207
个元素组成的向量，
Figure DEST_PATH_IMAGE208
和
Figure DEST_PATH_IMAGE209
分别代表实数和虚数。随后，我们将得到的向量
Figure DEST_PATH_IMAGE210
输入神经网络，即，
Figure DEST_PATH_IMAGE211
其中
Figure DEST_PATH_IMAGE212
和
Figure DEST_PATH_IMAGE213
是全连接神经网络层，神经元数分别为
Figure DEST_PATH_IMAGE214
和
Figure DEST_PATH_IMAGE215
。 Relu 函数和 Softmax 函数分别添加在网络
Figure 955620DEST_PATH_IMAGE212
和
Figure 950121DEST_PATH_IMAGE213
的末尾，
Figure DEST_PATH_IMAGE216
是神经网络的参数。最后，根据得到的输出
Figure DEST_PATH_IMAGE217
，我们可以计算用于检测的最优后验概率，即，
Figure DEST_PATH_IMAGE218
其中
Figure DEST_PATH_IMAGE219
是发送信息
Figure DEST_PATH_IMAGE220
的热编码码字；若
Figure DEST_PATH_IMAGE221
，则
Figure DEST_PATH_IMAGE222
，当
Figure DEST_PATH_IMAGE223
，则
Figure DEST_PATH_IMAGE224
, 其中
Figure DEST_PATH_IMAGE225
代表长度为n的零向量。
S204. 得到后验概率之后，我们通过最大化后验概率的方法，对用户发射信息进行检测,即，
Figure DEST_PATH_IMAGE226
得到
Figure DEST_PATH_IMAGE227
之后，通过S203中热编码的对应关系，我们可以得到发射信息
Figure DEST_PATH_IMAGE228
。
S205. 通过检测到的信息
Figure 810628DEST_PATH_IMAGE228
，从而判断用户是否成功接入：当
Figure DEST_PATH_IMAGE229
, 则代表用户n成功接入接收端。
步骤S2介绍了神经网络算法的具体步骤，然而神经网络的参数需要经过训练之后才能使用。为此，我们在S3中详细介绍了如何训练神经网络和更新参数。
所述步骤S3包括以下子步骤：
S301. 初始化，输入
Figure DEST_PATH_IMAGE230
，参数
Figure DEST_PATH_IMAGE231
和
Figure DEST_PATH_IMAGE232
，训练样本
Figure DEST_PATH_IMAGE233
，其中，
Figure DEST_PATH_IMAGE234
为第j个样本下的接收信号，
Figure DEST_PATH_IMAGE235
代表第j个样本下的第n个用户的发送码字，B为样本总数，正实数
Figure DEST_PATH_IMAGE236
；
S302. 将样本
Figure 197354DEST_PATH_IMAGE234
输入进入S202中的神经网络，
Figure DEST_PATH_IMAGE237
代表神经网络输出的第n行实数信号；接着将
Figure 703421DEST_PATH_IMAGE237
输入S203中的神经网络，输出
Figure DEST_PATH_IMAGE238
；
S303.利用
Figure 591743DEST_PATH_IMAGE237
，
Figure 880773DEST_PATH_IMAGE238
，和热编码码字
Figure DEST_PATH_IMAGE239
，对神经网络参数
Figure DEST_PATH_IMAGE240
和
Figure 108623DEST_PATH_IMAGE232
进行更新；
首先，为训练神经网络设计损失函数，损失函数包括三个方面：
Figure DEST_PATH_IMAGE241
Figure DEST_PATH_IMAGE242
Figure DEST_PATH_IMAGE243
其中，
Figure DEST_PATH_IMAGE244
代表向量
Figure DEST_PATH_IMAGE245
的第i个元素，
Figure DEST_PATH_IMAGE246
是通过随机打乱训练样本得到的发送码字；方程
Figure DEST_PATH_IMAGE247
是由参数为
Figure DEST_PATH_IMAGE248
的神经网络，设计方法如下：
Figure DEST_PATH_IMAGE249
其中，
Figure DEST_PATH_IMAGE250
是全连接神经网络，其节点数为
Figure DEST_PATH_IMAGE251
；设置
Figure DEST_PATH_IMAGE252
；ELU函数被设置在每个神经网络的后面作为激活函数；
每一次训练，输入样本
Figure DEST_PATH_IMAGE253
进入神经网络，得到
Figure DEST_PATH_IMAGE254
和
Figure DEST_PATH_IMAGE255
，然后计算损失函数，然后利用后向迭代算法和Ada优化器对参数
Figure DEST_PATH_IMAGE256
更新；当更新固定数量次后，输出为更新后的神经网络参数，即
Figure DEST_PATH_IMAGE257
；
S304. 在步骤S2算法中使用更新后的神经网络参数
Figure DEST_PATH_IMAGE258
；经过更新后的神经网络能够得到更准确的发射信息
Figure DEST_PATH_IMAGE259
，使得随机接入更加准确。
S4. 根据训练更新后的神经网络对用户发射信号进行检测，从而判断用户是否成功接入；判断是否成功接入时，按照步骤S201~S205中的步骤进行即可。
在本申请的实施例中，给出一些仿真结果，来验证提出的随机接入方式的可行性。实验参数选择为：用户数量N=40，序列长度K=30。考虑了三种不同的传输速率：组1中的用户的码本为
Figure DEST_PATH_IMAGE260
,组2中的用户的码本为
Figure DEST_PATH_IMAGE261
，组3 中的用户的码本为
Figure DEST_PATH_IMAGE262
。信道满足莱斯分布，即
Figure DEST_PATH_IMAGE263
。每个用户的信道参数
Figure DEST_PATH_IMAGE264
都是由K-factor莱斯分布随机产生的。我们将所提出的算法与传统的基于消息传递算法进行比较，并且设置参数
Figure DEST_PATH_IMAGE265
来衡量对于信道分布的估计误差，即
Figure DEST_PATH_IMAGE266
。神经网络的参数设计为：
Figure DEST_PATH_IMAGE267
，
Figure DEST_PATH_IMAGE268
。训练样本数为
Figure DEST_PATH_IMAGE269
。
在图5的实验中，我们设置用户组1，2，3的用户数量分别为(4,8,28), 稀疏度分别为(0.2,0.1,0.2)。如图5所示，我们提出的算法相比传统的消息传递算法具有更强的鲁棒性。当对与信道分布估计有误差时，我们提出的神经网络算法具有更好的性能。在图6中，我们改变了用户组的用户数量为(8,20,12)，稀疏度变为了(0.1,0.2,0.3)。如图6所示，我们所提出的算法的性能依旧比消息传递算法在鲁棒性上拥有更好的性能。
在图7中，我们研究了天线数量对于性能的影响。我们设置用户组1，2，3的用户数量分别为(12,20,8), 稀疏度分别为(0.1,0.2,0.1)。如图7所示，随着天线数量的增加，我们提出的算法的误码率随之下降，并且相比传统的消息传递算法具有更好的鲁棒性。
以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (2)

1.一种基于深度学习网络的大规模随机接入方法，其特征在于：包括以下步骤：
S1.构建基于大规模随机接入的***模型；
S2.构建利用深度神经网络对用户的发射信号
Figure 81890DEST_PATH_IMAGE001
进行检测和用户接入判断的模型；
S3.进行神经网络训练和参数更新；
S4. 根据训练更新后的神经网络对用户发射信号进行检测，从而判断用户是否成功接入；
所述步骤S1包括以下子步骤：
S101.对于包含
Figure 326927DEST_PATH_IMAGE002
个单天线用户和一个接收端的通信***，每个用户随机接入接收端，即在每个发射时隙都会以一定概率向接收端发射信息，其中，接收端配有
Figure 450872DEST_PATH_IMAGE003
根天线；用随机变量
Figure 314923DEST_PATH_IMAGE004
来形容用户
Figure 457191DEST_PATH_IMAGE005
的活跃特性，在每一个时隙，
Figure 748495DEST_PATH_IMAGE004
满足：
Figure 94157DEST_PATH_IMAGE006
；
S102.各个用户采用基于自由接入的随机接入方案；在传输之前每一个用户预先分配了一个专用的导频序列
Figure 886532DEST_PATH_IMAGE007
，其中
Figure 758673DEST_PATH_IMAGE008
为导频长度，符号
Figure 96245DEST_PATH_IMAGE009
代表长度为
Figure 178470DEST_PATH_IMAGE008
的复数序列集合；每个导频的元素由独立同分布的高斯分布得到，即
Figure 384324DEST_PATH_IMAGE010
，其中符号
Figure 977549DEST_PATH_IMAGE011
代表均值为0，方差为
Figure 876234DEST_PATH_IMAGE012
的复高斯分布，
Figure 445756DEST_PATH_IMAGE013
代表维度为
Figure 799508DEST_PATH_IMAGE014
的单位矩阵；所有用户的导频序列都储存在接收端中；
S103.在每一个发射时隙，每个活跃用户同步地发射导频序列和发射信号
Figure DEST_PATH_IMAGE015
到接收端，接收信号表示为
Figure 505296DEST_PATH_IMAGE016
令
Figure 919091DEST_PATH_IMAGE017
， 得到接收信号的矩阵表达式，
Figure DEST_PATH_IMAGE018
其中
Figure 444750DEST_PATH_IMAGE019
为高斯噪声，每个元素满足独立同分布均值为零, 方差为
Figure 992406DEST_PATH_IMAGE020
的高斯分布；
Figure 569012DEST_PATH_IMAGE021
代表用户n到接收端的信道参数，
Figure 934134DEST_PATH_IMAGE022
为表示长度为
Figure 353614DEST_PATH_IMAGE023
的复数序列集合，并且在接收端是未知的，设
Figure 577398DEST_PATH_IMAGE024
为用户n的发射信号；其中发射信号
Figure 398723DEST_PATH_IMAGE024
是由以下码本产生：
Figure 669168DEST_PATH_IMAGE025
其中
Figure 575944DEST_PATH_IMAGE026
是第
Figure 75189DEST_PATH_IMAGE027
个调制码字，
Figure 875655DEST_PATH_IMAGE028
是用户n 的传输速率，
Figure 67733DEST_PATH_IMAGE029
代表这个用户是非活跃的，即
Figure 196226DEST_PATH_IMAGE030
；
所述步骤S2包括以下子步骤：
S201.初始化：输入接收信号
Figure 748430DEST_PATH_IMAGE031
，用户的稀疏参数g，每个用户的速率
Figure 154135DEST_PATH_IMAGE032
；初始化令
Figure 641748DEST_PATH_IMAGE033
；
S202. 首先将接收信号
Figure 382171DEST_PATH_IMAGE031
输入进设计的神经网络算法，进行干扰消除处理，神经网络算法基于多层结构，第t层的计算过程为：
Figure 491728DEST_PATH_IMAGE034
其中,
Figure 1207DEST_PATH_IMAGE035
，
Figure 659721DEST_PATH_IMAGE036
是矩阵
Figure 903752DEST_PATH_IMAGE037
的共轭转置，t 为大于零的整数,最大层数设定为
Figure 938704DEST_PATH_IMAGE038
，即
Figure 833848DEST_PATH_IMAGE039
；
Figure 397684DEST_PATH_IMAGE040
，
Figure 129011DEST_PATH_IMAGE041
代表去噪器作用于第n列信号，
Figure 967654DEST_PATH_IMAGE042
代表去噪器函数的一阶导数；去噪器的设计将由深度神经网络实现,
Figure 451725DEST_PATH_IMAGE043
代表去噪器
Figure 717621DEST_PATH_IMAGE044
的神经网络参数；
去噪器
Figure 405086DEST_PATH_IMAGE044
的设计如下：首先将复数矩阵
Figure 172053DEST_PATH_IMAGE045
转化为实数矩阵
Figure 385997DEST_PATH_IMAGE046
，其中
Figure 695231DEST_PATH_IMAGE047
代表维度为
Figure 260205DEST_PATH_IMAGE048
的实数矩阵集合，转化方式为：
Figure 565284DEST_PATH_IMAGE049
其中
Figure 509100DEST_PATH_IMAGE050
，其中
Figure 116799DEST_PATH_IMAGE051
代表维度为
Figure 293703DEST_PATH_IMAGE052
的实数向量集合，是矩阵
Figure 12260DEST_PATH_IMAGE053
的第n个切面矩阵；然后将矩阵输入以下神经网络：
Figure 341741DEST_PATH_IMAGE054
其中，
Figure 120341DEST_PATH_IMAGE055
代表两个神经网络的组合；
Figure 784541DEST_PATH_IMAGE056
是卷积神经网络，过滤器数量为
Figure 41210DEST_PATH_IMAGE057
，内核大小为(1,1)，步长大小为 (1,1)；
在卷积网络
Figure 225198DEST_PATH_IMAGE058
和
Figure 174699DEST_PATH_IMAGE059
的末尾添加 Relu 函数 作为激活函数；令
Figure 60616DEST_PATH_IMAGE060
，
Figure 386555DEST_PATH_IMAGE061
是一个软收缩函数：
Figure 439697DEST_PATH_IMAGE062
其中，矩阵
Figure 419155DEST_PATH_IMAGE063
是矩阵
Figure 933313DEST_PATH_IMAGE064
的第n个切片，
Figure 672730DEST_PATH_IMAGE065
是收缩参数包含在参数集合
Figure 690364DEST_PATH_IMAGE066
中；最后，将
Figure 371881DEST_PATH_IMAGE067
转化为复数矩阵
Figure 842177DEST_PATH_IMAGE068
；输出信号
Figure 385285DEST_PATH_IMAGE069
，令
Figure 257426DEST_PATH_IMAGE070
；
S203.利用神经网络计算基于
Figure 109844DEST_PATH_IMAGE071
的后验概率：
首先，每个复数向量
Figure 942802DEST_PATH_IMAGE072
转化为实数向量
Figure 148656DEST_PATH_IMAGE073
，即，
Figure 265516DEST_PATH_IMAGE074
其中，
Figure 164202DEST_PATH_IMAGE075
代表向量
Figure 481526DEST_PATH_IMAGE076
中第
Figure 491071DEST_PATH_IMAGE077
个元素到第
Figure 728017DEST_PATH_IMAGE078
个元素组成的向量，
Figure 532025DEST_PATH_IMAGE079
和
Figure 339575DEST_PATH_IMAGE080
分别代表实数和虚数；随后，将得到的向量
Figure 887231DEST_PATH_IMAGE081
输入神经网络，即，
Figure 978684DEST_PATH_IMAGE082
其中，
Figure 953593DEST_PATH_IMAGE083
和
Figure 514019DEST_PATH_IMAGE084
是全连接神经网络层，神经元数分别为
Figure 865366DEST_PATH_IMAGE085
和
Figure 545746DEST_PATH_IMAGE086
；Relu 函数和Softmax 函数分别添加在网络
Figure 832502DEST_PATH_IMAGE083
和
Figure 739278DEST_PATH_IMAGE084
的末尾，
Figure 753370DEST_PATH_IMAGE087
是神经网络的参数；
最后，根据得到的输出
Figure 694781DEST_PATH_IMAGE088
，计算用于检测的最优后验概率，即，
Figure 889789DEST_PATH_IMAGE089
其中
Figure 18282DEST_PATH_IMAGE090
是发送信息
Figure 836065DEST_PATH_IMAGE091
的热编码码字；
若
Figure 631983DEST_PATH_IMAGE092
，则
Figure 260542DEST_PATH_IMAGE093
，当
Figure 141910DEST_PATH_IMAGE094
，则
Figure 497805DEST_PATH_IMAGE095
, 其中
Figure 758016DEST_PATH_IMAGE096
代表长度为n的零向量；
S204. 得到后验概率之后，通过最大化后验概率的方法，对用户发射信息进行检测,即，
Figure 682110DEST_PATH_IMAGE097
得到
Figure 175408DEST_PATH_IMAGE098
之后，通过步骤S203中热编码的对应关系，得到发射信息
Figure 210360DEST_PATH_IMAGE099
；
S205. 通过检测到的信息
Figure 590657DEST_PATH_IMAGE099
，从而判断用户是否成功接入：当
Figure 685652DEST_PATH_IMAGE100
, 则代表用户n成功接入接收端。
2.根据权利要求1所述的一种基于深度学习网络的大规模随机接入方法，其特征在于：所述步骤S3包括以下子步骤：
S301. 初始化，输入
Figure 400667DEST_PATH_IMAGE101
，参数
Figure 973731DEST_PATH_IMAGE102
和
Figure 471184DEST_PATH_IMAGE103
，训练样本
Figure 737080DEST_PATH_IMAGE104
，其中，
Figure 673812DEST_PATH_IMAGE105
为第j个样本下的接收信号，
Figure 191512DEST_PATH_IMAGE106
代表第j个样本下的第n个用户的发送码字，B为样本总数，正实数
Figure 671035DEST_PATH_IMAGE107
；
S302. 将样本
Figure 232466DEST_PATH_IMAGE105
输入进入S202中的神经网络，
Figure 797440DEST_PATH_IMAGE108
代表神经网络输出的第n行实数信号；接着将
Figure 587672DEST_PATH_IMAGE108
输入S203中的神经网络，输出
Figure 921702DEST_PATH_IMAGE109
；
S303.利用
Figure 654034DEST_PATH_IMAGE110
，
Figure 706304DEST_PATH_IMAGE111
，和热编码码字
Figure 300228DEST_PATH_IMAGE112
，对神经网络参数
Figure 754343DEST_PATH_IMAGE113
和
Figure 657577DEST_PATH_IMAGE114
进行更新；
首先，为训练神经网络设计损失函数，损失函数包括三个方面：
Figure 197142DEST_PATH_IMAGE115
Figure 320389DEST_PATH_IMAGE116
Figure 753644DEST_PATH_IMAGE117
其中，
Figure 703145DEST_PATH_IMAGE118
代表向量
Figure 339794DEST_PATH_IMAGE119
的第i个元素，
Figure 665733DEST_PATH_IMAGE120
是通过随机打乱训练样本得到的发送码字；方程
Figure 953495DEST_PATH_IMAGE121
是由参数为
Figure 808319DEST_PATH_IMAGE122
的神经网络，设计方法如下：
Figure 197843DEST_PATH_IMAGE123
其中，
Figure 61894DEST_PATH_IMAGE124
是全连接神经网络，其节点数为
Figure 204162DEST_PATH_IMAGE125
；设置
Figure 761045DEST_PATH_IMAGE126
；ELU函数被设置在每个神经网络的后面作为激活函数；
每一次训练，输入样本
Figure 106707DEST_PATH_IMAGE127
进入神经网络，得到
Figure 633503DEST_PATH_IMAGE128
和
Figure 771224DEST_PATH_IMAGE129
，然后计算损失函数，然后利用后向迭代算法和Ada优化器对参数
Figure 371445DEST_PATH_IMAGE130
更新；当更新固定数量次后，输出为更新后的神经网络参数，即
Figure 329037DEST_PATH_IMAGE131
；
S304. 在步骤S2算法中使用更新后的神经网络参数
Figure 925103DEST_PATH_IMAGE132
；经过更新后的神经网络能够得到更准确的发射信息
Figure 917330DEST_PATH_IMAGE133
，使得随机接入更加准确。
CN202111323583.8A 2021-11-10 2021-11-10 一种基于深度学习网络的大规模随机接入方法 Active CN113766669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111323583.8A CN113766669B (zh) 2021-11-10 2021-11-10 一种基于深度学习网络的大规模随机接入方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111323583.8A CN113766669B (zh) 2021-11-10 2021-11-10 一种基于深度学习网络的大规模随机接入方法

Publications (2)

Publication Number Publication Date
CN113766669A CN113766669A (zh) 2021-12-07
CN113766669B true CN113766669B (zh) 2021-12-31

Family

ID=78784916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111323583.8A Active CN113766669B (zh) 2021-11-10 2021-11-10 一种基于深度学习网络的大规模随机接入方法

Country Status (1)

Country Link
CN (1) CN113766669B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
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***的多节点接入检测和信道估计方法
CN107820321A (zh) * 2017-10-31 2018-03-20 北京邮电大学 一种基于蜂窝网络的窄带物联网中大规模用户智能接入算法
CN108882301A (zh) * 2018-07-25 2018-11-23 西安交通大学 大规模m2m网络中基于最优功率退避的非正交随机接入方法
CN109862567A (zh) * 2019-03-28 2019-06-07 电子科技大学 一种蜂窝移动通信***接入非授权频谱的方法
CN111182649A (zh) * 2020-01-03 2020-05-19 浙江工业大学 一种基于大规模mimo的随机接入方法
CN111224905A (zh) * 2019-12-25 2020-06-02 西安交通大学 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
CN111343730A (zh) * 2020-04-15 2020-06-26 上海交通大学 一种空间相关信道下的大规模mimo无源随机接入方法
CN111641570A (zh) * 2020-04-17 2020-09-08 浙江大学 一种基于深度学习的联合设备检测和信道估计方法
CN111683023A (zh) * 2020-04-17 2020-09-18 浙江大学 一种模型驱动的基于深度学习的大规模设备检测方法
CN112188539A (zh) * 2020-10-10 2021-01-05 南京理工大学 一种基于深度强化学习的干扰抵消调度码设计方法
CN112492686A (zh) * 2020-11-13 2021-03-12 辽宁工程技术大学 一种基于深度双q网络的蜂窝网络功率分配方法
CN112910806A (zh) * 2021-01-19 2021-06-04 北京理工大学 基于深度神经网络的联合信道估计及用户激活检测方法
CN113303022A (zh) * 2019-01-10 2021-08-24 苹果公司 2步rach的回退过程
CN113344212A (zh) * 2021-05-14 2021-09-03 香港中文大学（深圳） 模型训练方法、装置、计算机设备及可读存储介质
CN113438746A (zh) * 2021-08-27 2021-09-24 香港中文大学（深圳） 一种基于能量调制的大规模随机接入方法
CN113573284A (zh) * 2021-06-21 2021-10-29 吉林大学 大规模机器类通信基于机器学习的随机接入退避方法
US11164348B1 (en) * 2020-06-29 2021-11-02 Tsinghua University Systems and methods for general-purpose temporal graph computing

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11188035B2 (en) * 2018-07-19 2021-11-30 International Business Machines Corporation Continuous control of attention for a deep learning network
US11874897B2 (en) * 2020-04-09 2024-01-16 Micron Technology, Inc. Integrated circuit device with deep learning accelerator and random access memory

Patent Citations (17)

* Cited by examiner, † Cited by third party
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***的多节点接入检测和信道估计方法
CN107820321A (zh) * 2017-10-31 2018-03-20 北京邮电大学 一种基于蜂窝网络的窄带物联网中大规模用户智能接入算法
CN108882301A (zh) * 2018-07-25 2018-11-23 西安交通大学 大规模m2m网络中基于最优功率退避的非正交随机接入方法
CN113303022A (zh) * 2019-01-10 2021-08-24 苹果公司 2步rach的回退过程
CN109862567A (zh) * 2019-03-28 2019-06-07 电子科技大学 一种蜂窝移动通信***接入非授权频谱的方法
CN111224905A (zh) * 2019-12-25 2020-06-02 西安交通大学 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
CN111182649A (zh) * 2020-01-03 2020-05-19 浙江工业大学 一种基于大规模mimo的随机接入方法
CN111343730A (zh) * 2020-04-15 2020-06-26 上海交通大学 一种空间相关信道下的大规模mimo无源随机接入方法
CN111641570A (zh) * 2020-04-17 2020-09-08 浙江大学 一种基于深度学习的联合设备检测和信道估计方法
CN111683023A (zh) * 2020-04-17 2020-09-18 浙江大学 一种模型驱动的基于深度学习的大规模设备检测方法
US11164348B1 (en) * 2020-06-29 2021-11-02 Tsinghua University Systems and methods for general-purpose temporal graph computing
CN112188539A (zh) * 2020-10-10 2021-01-05 南京理工大学 一种基于深度强化学习的干扰抵消调度码设计方法
CN112492686A (zh) * 2020-11-13 2021-03-12 辽宁工程技术大学 一种基于深度双q网络的蜂窝网络功率分配方法
CN112910806A (zh) * 2021-01-19 2021-06-04 北京理工大学 基于深度神经网络的联合信道估计及用户激活检测方法
CN113344212A (zh) * 2021-05-14 2021-09-03 香港中文大学（深圳） 模型训练方法、装置、计算机设备及可读存储介质
CN113573284A (zh) * 2021-06-21 2021-10-29 吉林大学 大规模机器类通信基于机器学习的随机接入退避方法
CN113438746A (zh) * 2021-08-27 2021-09-24 香港中文大学（深圳） 一种基于能量调制的大规模随机接入方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
R3-206092 "Initial Analyse on the Interface Impact with AI-based RAN Architecture";ZTE Corporation等;《3GPP tsg_ran\wg3_iu》;20201023;全文 *
R3-206403 "Use cases, AI/ML algorithms, and general concepts";Intel Corporation;《3GPP tsg_ran\wg3_iu》;20201022;全文 *
去蜂窝大规模MIMO***研究进展与发展趋势;章嘉懿;《重庆邮电大学学报(自然科学版)》;20190615(第03期);全文 *
智简6G无线接入网:架构、技术和展望;彭木根等;《北京邮电大学学报》;20201120(第03期);全文 *
面向5G/B5G通信的智能无线资源管理技术;史清江等;《中国科学基金》;20200425(第02期);全文 *

Also Published As

Publication number Publication date
CN113766669A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
Ye et al. Power of deep learning for channel estimation and signal detection in OFDM systems
CN111224906B (zh) 基于深度神经网络的近似消息传递大规模mimo信号检测算法
CN109246038B (zh) 一种数据模型双驱动的gfdm接收机及方法
CN111698182A (zh) 一种基于压缩感知的时频分块稀疏的信道估计方法
CN102104574B (zh) 一种ofdm-tdcs信号收发方法、装置及***
CN111740934A (zh) 一种基于深度学习的水声fbmc通信信号检测方法
CN110430013B (zh) 一种基于深度学习的rcm方法
CN113438746B (zh) 一种基于能量调制的大规模随机接入方法
CN110233628B (zh) 极化码的自适应置信传播列表译码方法
CN110572340A (zh) 一种用于短波通信的Turbo时域均衡方法
Essai Ali Deep learning‐based pilot‐assisted channel state estimator for OFDM systems
CN112215335A (zh) 一种基于深度学习的***检测方法
CN114500322B (zh) 免授权大规模接入场景下设备活跃检测和信道估计方法
CN113766669B (zh) 一种基于深度学习网络的大规模随机接入方法
CN102882654A (zh) 一种基于编码约束及概率计算的编解码同步方法
Yuan et al. Channel estimation and pilot design for uplink sparse code multiple access system based on complex-valued sparse autoencoder
CN115412416A (zh) 一种面向高速移动场景的低复杂度otfs信号检测方法
Wang et al. A Signal processing method of OFDM communication receiver based on CNN
Sakoda et al. Residue Effect of Parallel Interference Canceller in Belief Propagation Decoding in Massive MIMO Systems
Setzler et al. Deep Learning for Spectral Filling in Radio Frequency Applications
CN110912651A (zh) 一种ftn索引调制信号检测方法
Lin et al. Low‐complexity multiple‐signal joint decoding for overlapped x domain multiplexing signalling
Li et al. Notice of Violation of IEEE Publication Principles: Channel Decoding Based on Complex-valued Convolutional Neural Networks
Duan et al. A model‐driven robust deep learning wireless transceiver
Li et al. Intelligent equalization based on RBF LSSVM and adaptive channel decoding in faster-than-nyquist receiver

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