CN114500322B - 免授权大规模接入场景下设备活跃检测和信道估计方法 - Google Patents
免授权大规模接入场景下设备活跃检测和信道估计方法 Download PDFInfo
- Publication number
- CN114500322B CN114500322B CN202111664853.1A CN202111664853A CN114500322B CN 114500322 B CN114500322 B CN 114500322B CN 202111664853 A CN202111664853 A CN 202111664853A CN 114500322 B CN114500322 B CN 114500322B
- Authority
- CN
- China
- Prior art keywords
- representing
- maximum likelihood
- equipment
- likelihood estimation
- active state
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 238000005562 fading Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000013475 authorization Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010042135 Stomatitis necrotising Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011480 coordinate descent method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000008585 noma Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
- H04L25/0226—Channel estimation using sounding signals sounding signals per se
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及基于OFDM的免授权大规模接入场景下设备活跃检测和信道估计方法,其中,设备活跃检测方法包括以下步骤:根据大尺度衰落、导频信息和接收导频信号直接得到实际设备活跃状态的最大似然估计值,或者先得到虚拟设备活跃状态的最大似然估计值,再根据该估计值得到实际设备活跃状态的最大似然估计值,然后将所述实际设备活跃状态的最大似然估计值与判决门限进行判决比较,得到设备活跃状态的检测结果;信道估计方法基于设备活跃状态的检测结果得到活跃设备信道状态的最小均方误差估计。与现有技术相比,本发明具有估计准确度高等优点。
Description
技术领域
本发明涉及海量机器类通信技术领域,尤其是涉及一种免授权大规模接入场景下设备活跃检测和信道估计方法。
背景技术
随着物联网的快速发展,海量机器类通信在第五代(5G)及以后的蜂窝技术中发挥着至关重要的作用,实现海量物联网设备的高效接入极具挑战。免授权接入机制相比传统的基于授权的随机接入机制更适合物联网设备的大规模接入。在免授权随机接入机制中,设备预先分配特定的非正交导频,活跃设备直接发送它们的导频和数据,多天线基站根据接收到的导频信号检测活跃设备并估计活跃设备的信道状态,再利用活跃设备的信道状态检测其发送的数据。免授权接入成功提高了设备传输效率并降低了设备能耗。然而,在基站端检测具有非正交导频并相互冲突的活跃设备并估计其信道状态非常复杂。
现有技术中解决活跃设备检测和信道状态估计问题主要采用的方法有:
(1)由于免授权大规模接入中设备活跃具有稀疏性,设备活跃检测和信道估计可以被建立成压缩感知问题,并通过近似消息传递和GROUP LASSO等压缩感知算法解决。如文献“Sparse activity detection for massive connectivity”(Z.Chen,F.Sohrabi,andW.Yu,IEEE Trans.Signal Process.,vol.66,no.7,pp.1890–1904,Apr.2018)提出了近似消息传递算法来处理单小区网络中的联合设备活跃检测和信道估计;文献“Jointactivity detection and channel estimation for IoT networks”(T.Jiang,Y.Shi,J.Zhang,and K.B.Letaief,IEEE Internet of Things J.,vol.6,no.4,pp.6212-6225,Aug.2019)应用GROUP LASSO进行单小区网络中的联合设备活跃检测和信道估计。
(2)传统的最大似然估计和最大后验估计等统计估计方法也被用于设备活跃检测。如文献“Non-bayesian activity detection,large-scale fading coefficientestimation,and unsourced random access with a massive MIMO receiver”(A.Fengler,S.Haghighatshoar,P.Jung,and G.Caire,IEEE Trans.Inf.Theory,vol.67,no.5,pp.2925–2951,May 2021)将单小区网络中的活跃设备检测建立为一个最大似然估计问题,并通过坐标下降方法获得最大似然估计问题的驻点;文献“MAP-based pilot statedetection in grant-free random access for mMTC”(D.Jiang and Y.Cui,inProc.IEEE SPAWC,May 2020,pp.1–5)将单小区网络中具有一般先验活跃分布的设备活跃检测建立为最大后验估计问题。
(3)数据驱动和模型驱动的机器学习方法也用于解决单小区网络中的设备活跃检测和信道估计问题,并通过深度学习中的自编码器联合设计导频、设备活跃检测和信道估计方法。如文献“Jointly sparse signal recovery and support recovery via deeplearning with applications in MIMO-based grant-free random access”(Y.Cui,S.Li,and W.Zhang,IEEE J.Sel.Areas Commun.,vol.39,no.3,pp.788–803,Mar.2021)提出了基于自编码器模型驱动的联合设计方法,并提出了多种模型驱动的解码器(例如,基于最大后验、GROUP LASSO和近似消息传递的解码器),用于设计设备活跃检测和信道估计方法。
现有文献均考虑窄带***在平坦衰落下的免授权大规模接入。然而,由于频率选择性衰落下的信号容易被破坏,现有的针对平坦衰落窄带***的活跃检测和信道估计方法不再适用于具有频率选择性衰落的宽带***。另一方面,正交频分复用对信道的频率选择性具有高度鲁棒性,被广泛用于4G-LTE和5G-NR。文献“Hyperparameter-free receiverfor grant-free NOMA systems with MIMO-OFDM”(T.Hara,H.Iimori,and K.Ishibashi,IEEE Wireless Commun.Lett.,Apr.2021)针对频率选择性衰落下的宽带***提出了基于正交频分复用的免授权接入方案,并针对单小区网络提出了基于最大似然估计的设备活跃检测和信道估计方法。具体来说,上述现有技术为了方法的可处理性忽略了每个设备和基站之间的多条路径之间的关系,在特定的频率选择性衰落模型下仅解决了似然函数上界而非似然函数本身的最大化问题,所得的设备活跃检测和信道估计方法准确性受限。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供高准确度的基于OFDM的免授权大规模接入场景下设备活跃检测和信道估计方法。
本发明的目的可以通过以下技术方案来实现:
本发明提供一种基于OFDM的免授权大规模接入场景下-设备活跃检测方法,包括以下步骤:
根据大尺度衰落、导频信息和接收导频信号得到实际设备活跃状态的最大似然估计值;
将所述实际设备活跃状态的最大似然估计值与判决门限进行判决比较,得到设备活跃状态的检测结果。
进一步地,所述根据大尺度衰落、导频信息和接收导频信号得到实际设备活跃状态的最大似然估计值具体为:
构建实际设备经历频率选择性衰落的接收导频信号模型:
其中,rm表示基站的第m根天线的L维接收信号,表示实际设备集合,表示天线集合,/>αn表示实际设备n的活跃状态,gn>0表示实际设备n和基站之间信道的大尺度衰落功率,Sn表示实际设备n的特定导频序列,hn,m表示实际设备n和基站的第m根天线之间的信道脉冲响应系数向量,nm表示加性高斯白噪声,/>表示均值为0,方差为σ2的复高斯分布;
基于所述接收导频信号模型建立设备活跃检测最大似然估计问题;
求解所述设备活跃检测最大似然估计问题获得实际设备活跃状态的最大似然估计值。
进一步地,所述设备活跃检测最大似然估计问题的建立过程如下:
所述服从/>的独立同分布,Ip表示p维单位矩阵,rm服从/>的独立同分布,其中/>IL表示L维单位矩阵,基于/>构建设备活跃检测最大似然估计问题:
其中,表示rm的样本方差矩阵。
进一步地,采用坐标下降算法求解所述设备活跃检测最大似然估计问题。
本发明还提供另一种基于OFDM的免授权大规模接入场景下设备活跃检测方法,包括以下步骤:
根据大尺度衰落、导频信息和接收导频信号得到虚拟设备活跃状态的最大似然估计值;
根据虚拟设备活跃状态的最大似然估计值得到对实际设备活跃状态的最大似然估计值;
将所述实际设备活跃状态的最大似然估计值与判决门限进行判决比较,得到设备活跃状态的检测结果。
进一步地,所述根据大尺度衰落、导频信息和接收导频信号得到虚拟设备活跃状态的最大似然估计值具体为:
构建虚拟设备经历平坦衰落的接收导频信号模型:
其中,rm表示基站的第m根天线的L维接收信号,表示天线集合,表示实际设备集合,/>表示虚拟设备集合,对于所有的/>虚拟设备(n-1)P+1,(n-1)P+2,...,nP与实际设备n具有相同的活跃状态和大尺度衰落功率,/>hn,m表示实际设备n和基站的第m根天线之间的信道脉冲响应系数向量,/>Sn表示实际设备n的特定导频序列,/>βi表示虚拟设备i的活跃状态,gn>0表示实际设备n和基站之间信道的大尺度衰落功率,IP表示P维单位矩阵,nm表示加性高斯白噪声,表示均值为0,方差为σ2的复高斯分布;
基于所述接收导频信号模型建立虚拟设备活跃检测最大似然估计问题;
求解所述虚拟设备活跃检测最大似然估计问题获得虚拟设备活跃状态的最大似然估计值。
进一步地,所述虚拟设备活跃检测最大似然估计问题的建立过程如下:
所述服从/>的独立同分布,INP表示NP维单位矩阵,rm服从的独立同分布,其中,/>IL表示L维单位矩阵,基于/>构建虚拟设备活跃检测最大似然估计问题:
其中,表示rm的样本方差矩阵。
进一步地,求解所述虚拟设备活跃检测最大似然估计问题时,采用惩罚方法将所述最大似然估计问题转化为惩罚问题后再进行求解。
进一步地,采用坐标下降算法求解所述惩罚问题。
本发明还提供一种活跃设备的信道估计方法,包括以下步骤:
基于上述得到的设备活跃状态的检测结果得到虚拟设备活跃状态的估计/>其中,/>表示实际设备集合,表示虚拟设备集合,/>
令建立虚拟设备的接收导频信号模型:
其中,rm表示基站的第m根天线的L维接收信号,表示天线集合,hn,m表示实际设备n和基站的第m根天线之间的信道脉冲响应系数向量,/>Sn表示实际设备n的特定导频序列,gn>0表示实际设备n和基站之间信道的大尺度衰落功率,IP表示P维单位矩阵,nm表示加性高斯白噪声,/> 表示均值为0,方差为σ2的复高斯分布;
根据所述虚拟设备的接收导频信号模型,利用最小均方误差估计方法得到信道状态的估计
其中,E[hm]表示hm的期望,表示hm和rm之间的互相关矩阵,/>表示rm的自相关矩阵,E[rm]表示rm的期望;
如果第n个设备被判决为活跃,则的第((n-1)P+p)个元素为第n个设备第p个抽头上的信道状态估计。
进一步地,若服从瑞利分布,即/>服从/>的独立同分布,INP表示NP维单位矩阵,rm服从/>的独立同分布,其中,IL表示L维单位矩阵,则利用最小均方误差估计方法得到信道状态的估计/>表示为:
与现有技术相比,本发明具有以下有益效果:
本发明通过构建接收导频信号模型,实现对设备活跃状态的最大似然估计值,从而准确判断设备活跃状态,可以有效提升基于OFDM的免授权大规模接入场景下的设备活跃检测和信道估计的精度。
具体实施方式
下面结合具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
符号注释:
粗体小写字母(例如x)表示向量,粗体大写字母(例如X)表示矩阵,非粗体字母(例如xn)表示标量,书法字母(例如)表示集合。Xi:表示矩阵X的第i行,X:,i表示矩阵X的第i列,X:,1:k表示矩阵X的前k列。XH和tr(X)分别表示为矩阵X的共轭装置和迹。/>表示克罗内克积,/>表示均值为μ,方差为σ2的复高斯分布。diag()和||分别表示对角矩阵和绝对值。IL表示L维单位矩阵。en表示单位向量,其中第n个元素为1,其余均为0。C、R+和R++分别表示复数域、非负实数域和正实数域。
考虑一个具有M根天线的基站和N个单天线的物联网设备的单小区蜂窝网络。令对于所有的/>用gn>0表示设备n和基站之间信道的大尺度衰落功率。考虑频率选择性衰落下的宽带***。令P表示信道抽头的数目,表示抽头索引的集合。hn,m,p∈C表示设备/>和基站第/>根天线之间的信道上第/>个信道脉冲响应系数。对于所有的/>αn∈{0,1}表示设备n的活跃状态,其中αn=1表示设备n处于活跃状态,αn=0表示设备n处于非活跃状态;在大规模接入场景中,/>即/>是稀疏向量。用L表示子载波的数目,表示子载波索引的集合。假设P<<L。为每个设备n预先分配一个特定的导频序列/>其包括L<<N个正交频分复用导频符号,每个符号由一个子载波携带。在导频传输阶段,所有活跃设备在L个子载波上同时向基站发送长度为L的导频,基站根据在L个子载波和M根天线上接收到的LM个正交频分复用导频符号检测所有设备的活跃状态并估计所有活跃设备的信道状态。
在时域上的表示(对/>做归一化IDFT变换)形式为:
其中,F是DFT矩阵。在每个设备传输之前附加循环前缀,因此,第根天线的L维接收信号可以表示为:
其中
表示加性高斯白噪声。
根据式(2)中给出的提出两种不同但等效的接收导频信号模型以便于设备活跃检测和信道估计。其中一个直接建模来自N个实际设备经历频率选择性衰落的接收导频信号,而另一个可以解释为NP个虚拟设备经历平坦衰落的接收导频信号模型。
N个实际设备经历频率选择性衰落的接收导频信号模型如下所述。定义首先根据DFT变换得到基站在频域的接收信号:
定义然后对式(4)中的/>做归一化IDFT变换,式(2)中的rm可以被重新表示为:
NP个虚拟设备经历的接收导频信号模型如下所述。令表示虚拟设备的集合,βi和δi分别表示虚拟设备i的活跃状态和虚拟设备i的大尺度衰落功率。对于所有的/>虚拟设备(n-1)P+1,n-1)P+2,...,nP与实际设备n具有相同的活跃状态和大尺度衰落功率。因此有:
除此之外,所有虚拟设备都经历平坦衰落,虚拟设备(n-1)P+p的小尺度信道系数为hn,m,o。定义因此,式(5)中的rm可等价转化为NP个虚拟设备经历平坦衰落的接收导频信号:
其中 由式(7)可知/>
基于式(5)和(8)给出的对于实际设备和虚拟设备的两种信号模型,本发明提出两种统计设备活跃检测方法。考虑一种广泛采用的频率选择性衰落模型,即频率选择性瑞利衰落,即假设基站已知大尺度衰落功率
第一种设备活跃检测方法是基于式(5)中实际设备的信号模型利用最大似然估计来实现设备活跃检测。该方法直接检测N个实际设备的活跃状态,α。首先,基于工(5)中rm的表达式建立一个设备活跃检测最大似然估计问题。若 服从瑞利分布,即/>服从/>的独立同分布,式(5)中的rm服从/>的独立同分布,其中
依赖于α。令R表示在第M根天线上的L维接收信号。其中/>因此,R的似然函数(可以视为α的函数)表示为:
最大化p(1)(R;α)等价于最小化f(1)(α),其中
这里,表示/>的样本方差矩阵。因此,针对α的最大似然估计问题可以表述如下(在每个估计问题中,将条件αn∈{0,1}松弛为αn∈[0,1],在求解估计问题后进行硬判决得到设备活跃检测结果):
问题1(实际设备活跃状态最大似然估计)
下面采用坐标下降算法得到问题1的一个驻点。给定上一步迭代获得的α,对αn的坐标优化等价于优化坐标αn的增量d:
定义两个函数和/>定义为:
利用特征值分解,
其中表示特征值,Un∈CP×P表示对应的特征向量。对于/>up表示/>的第p个对角元素。定义:
其中t=0,1,...,2P-2。基于上述定义,定义
式(13)中的坐标优化问题的最优解为:
其中
是一个2P-1次多项式方程,因此有2P-1个根。一个q次多项式方程在q∈{1,2,3,4}时有解析解,否则只能通过数值求解。因此,/>在p∈{1,2}时有解析解,复杂度为/>p>2时有数值解,复杂度为/>用于解决问题1的坐标下降算法的细节在算法1中进行了总结。如果式(13)中每一个坐标优化问题有唯一的最优解,那么随着迭代次数趋近于无穷大,算法1会收敛到问题1的一个驻点。当N,L→∞,算法1的步骤4、步骤6、步骤7的计算复杂度分别为/> 因此,算法1每一步迭代的复杂度为
最后,通过硬判决,根据算法1返回的实际设备活跃状态最大似然估计值得到设备活跃状态的估计具体而言,/>表示设备n的活跃状态估计,其中θ为判决门限。当/>时,设备n状态检测错误。通过数值仿真,获得可最小化设备检测错误率的判决门限,用以实现硬判决。
第二种设备活跃检测方法是基于式(8)中虚拟设备的信号模型利用最大似然估计来实现设备活跃检测。该方法通过检测NP个虚拟设备的活跃状态,β,来表征N个实际设备的活跃状态。首先,建立一个NP个虚拟设备活跃检测的最大似然估计问题。若服从瑞利分布,即/>服从/>的独立同分布,式(8)中的rm服从/>的独立同分布,其中
因此,R的似然函数(可视为β的函数)可以表示为:
最大化p(2)(R;β)等价于最小化f(2)(β),其中
因此,针对β的最大似然估计问题可以表述如下:
问题2(虚拟设备活跃状态最大似然估计)
下面采用惩罚的方法获得问题2的驻点。首先,忽略问题2中表达式(21)的耦合约束,并在问题2的目标函数中添加违背(21)的惩罚项。然后,问题2可以转化为:
问题3(问题2的惩罚问题)
s.t.(22)
其中ρ>0是惩罚参数,
是惩罚函数。如果ρ足够大,问题3和问题2等价(因为f(2)(β)有界)。
下面采用坐标下降算法得到问题3的一个驻点。给定上一步迭代获得的β,关于βi的坐标下降优化等价于优化坐标βi的增量d:
首先,和/>分别定义为:
其中
式(24)中的坐标优化问题的最优解为:
其中由于/>是一个三次多项式,故/>有闭式,复杂度为/>用于解决问题3的坐标下降算法的细节在算法2中进行了总结。如果式(24)中每一个坐标优化问题有唯一的最优解,那么随着迭代次数趋向无穷大,算法2会收敛到问题3的一个驻点。随着L→∞,算法2的步骤4、步骤6、步骤7的计算复杂度分别为/>因此,随着N,L→∞,算法2每一步迭代的复杂度为/>
然后,根据算法2返回的虚拟设备活跃状态估计值β得到实际设备活跃状态估计值α,其中
最后,通过硬判决,根据(28)式得到设备活跃状态的估计其中类似地,硬判决门限θ通过数值仿真优化。
本发明还可提供一种活跃设备的信道估计方法,基于两种设备活跃检测方法之一获得的设备活跃状态的估计得到虚拟设备活跃状态的估计/>其中/>
令然后用/>替代式(8)中的B,建立虚拟设备的接收导频信号模型,得到:
根据所述虚拟设备的接收导频信号模型,利用最小均方误差估计方法得到信道状态的估计
其中E[hm]表示hm的期望,表示hm和rm之间的互相关矩阵,/>表示rm的自相关矩阵,E[rm]表示rm的期望。
如果第n个设备被判决为活跃,则的第((n-1)P+p)个元素为第n个设备第p个抽头上的信道状态估计。
若服从瑞利分布,即/>服从/>的独立同分布,rm服从/>的独立同分布,根据上式,利用最小均方误差估计方法得到信道状态hm的估计/>
上述功能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,本发明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,包括若干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)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种基于OFDM的免授权大规模接入场景下设备活跃检测方法,其特征在于,包括以下步骤:
根据大尺度衰落、导频信息和接收导频信号得到实际设备活跃状态的最大似然估计值;
将所述实际设备活跃状态的最大似然估计值与判决门限进行判决比较,得到设备活跃状态的检测结果;
所述根据大尺度衰落、导频信息和接收导频信号得到实际设备活跃状态的最大似然估计值具体为:
构建实际设备经历频率选择性衰落的接收导频信号模型:
其中,rm表示基站的第m根天线的L维接收信号,表示实际设备集合, 表示天线集合,/>αn表示实际设备n的活跃状态,gn>0表示实际设备n和基站之间信道的大尺度衰落功率,Sn表示实际设备n的特定导频序列,hn,m表示实际设备n和基站的第m根天线之间的信道脉冲响应系数向量,nm表示加性高斯白噪声,/> 表示均值为0,方差为σ2的复高斯分布;
基于所述接收导频信号模型建立设备活跃检测最大似然估计问题;
求解所述设备活跃检测最大似然估计问题获得实际设备活跃状态的最大似然估计值;
所述设备活跃检测最大似然估计问题的建立过程如下:
所述服从/>的独立同分布,Ip表示p维单位矩阵,rm服从的独立同分布,其中/>IL表示L维单位矩阵,基于/>构建设备活跃检测最大似然估计问题:
其中,表示rm的样本方差矩阵。
2.根据权利要求1所述的基于OFDM的免授权大规模接入场景下设备活跃检测方法,其特征在于,采用坐标下降算法求解所述设备活跃检测最大似然估计问题。
3.一种基于OFDM的免授权大规模接入场景下设备活跃检测方法,其特征在于,包括以下步骤:
根据大尺度衰落、导频信息和接收导频信号得到虚拟设备活跃状态的最大似然估计值;
根据虚拟设备活跃状态的最大似然估计值得到对实际设备活跃状态的最大似然估计值;
将所述实际设备活跃状态的最大似然估计值与判决门限进行判决比较,得到设备活跃状态的检测结果;
所述根据大尺度衰落、导频信息和接收导频信号得到虚拟设备活跃状态的最大似然估计值具体为:
构建虚拟设备经历平坦衰落的接收导频信号模型:
其中,rm表示基站的第m根天线的L维接收信号,表示天线集合,/> 表示实际设备集合,/> 表示虚拟设备集合,/>对于所有的/>虚拟设备(n-1)P+1,(n-1)P+2,...,nP与实际设备n具有相同的活跃状态和大尺度衰落功率,/>hn,m表示实际设备n和基站的第m根天线之间的信道脉冲响应系数向量,/>Sn表示实际设备n的特定导频序列,βi表示虚拟设备i的活跃状态,gn>0表示实际设备n和基站之间信道的大尺度衰落功率,IP表示P维单位矩阵,nm表示加性高斯白噪声,/> 表示均值为0,方差为σ2的复高斯分布;
基于所述接收导频信号模型建立虚拟设备活跃检测最大似然估计问题;
求解所述虚拟设备活跃检测最大似然估计问题获得虚拟设备活跃状态的最大似然估计值;
所述虚拟设备活跃检测最大似然估计问题的建立过程如下:
所述服从/>的独立同分布,INP表示NP维单位矩阵,rm服从的独立同分布,其中,/>IL表示L维单位矩阵,基于/>构建虚拟设备活跃检测最大似然估计问题:
其中,表示rm的样本方差矩阵。
4.根据权利要求3所述的基于OFDM的免授权大规模接入场景下设备活跃检测方法,其特征在于,求解所述虚拟设备活跃检测最大似然估计问题时,采用惩罚方法将所述最大似然估计问题转化为惩罚问题后再进行基于坐标下降算法的求解。
5.一种基于OFDM免授权大规模接入场景下活跃设备的信道估计方法,其特征在于,包括以下步骤:
基于权利要求1或权利要求3得到的设备活跃状态的检测结果得到虚拟设备活跃状态的估计/>其中,/> 表示实际设备集合,/> 表示虚拟设备集合,/>
令建立虚拟设备的接收导频信号模型:
其中,rm表示基站的第m根天线的L维接收信号,表示天线集合,hn,m表示实际设备n和基站的第m根天线之间的信道脉冲响应系数向量,/>Sn表示实际设备n的特定导频序列,gn>0表示实际设备n和基站之间信道的大尺度衰落功率,IP表示P维单位矩阵,nm表示加性高斯白噪声,/> 表示均值为0,方差为σ2的复高斯分布;
根据所述虚拟设备的接收导频信号模型,利用最小均方误差估计方法得到信道状态的估计
其中,Ε[hm]表示hm的期望,表示hm和rm之间的互相关矩阵,/>表示rm的自相关矩阵,Ε[rm]表示rm的期望;
如果第n个设备被判决为活跃,则的第((n-1)P+p)个元素为第n个设备第p个抽头上的信道状态估计。
6.根据权利要求5所述的基于OFDM免授权大规模接入场景下活跃设备的信道估计方法,其特征在于,若服从瑞利分布,即/>服从/>的独立同分布,INP表示NP维单位矩阵,rm服从/>的独立同分布,其中,IL表示L维单位矩阵,则利用最小均方误差估计方法得到信道状态的估计/>表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111664853.1A CN114500322B (zh) | 2021-12-31 | 2021-12-31 | 免授权大规模接入场景下设备活跃检测和信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111664853.1A CN114500322B (zh) | 2021-12-31 | 2021-12-31 | 免授权大规模接入场景下设备活跃检测和信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114500322A CN114500322A (zh) | 2022-05-13 |
CN114500322B true CN114500322B (zh) | 2023-08-25 |
Family
ID=81508262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111664853.1A Active CN114500322B (zh) | 2021-12-31 | 2021-12-31 | 免授权大规模接入场景下设备活跃检测和信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114500322B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115021780B (zh) * | 2022-05-18 | 2023-12-22 | 浙江大学 | 基于无蜂窝大规模多输入多输出***的免授权随机接入方法 |
CN115208944B (zh) * | 2022-06-30 | 2023-07-11 | 深圳市大数据研究院 | 活跃用户和数据的检测方法、***、计算机设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108540410A (zh) * | 2018-03-06 | 2018-09-14 | 东南大学 | 免调度传输***联合活跃用户检测和信道估计方法 |
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 |
CN113556300A (zh) * | 2021-07-20 | 2021-10-26 | 北京理工大学 | 基于时域训练序列的联合活跃终端检测与信道估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7027519B2 (en) * | 2001-02-28 | 2006-04-11 | Mitsubishi Electric Research Laboratories, Inc. | Iterative maximum likelihood channel estimation and signal detection for OFDM systems |
AU2007233563B2 (en) * | 2006-04-03 | 2011-07-14 | National Ict Australia Limited | Channel estimation for rapid dispersive fading channels |
-
2021
- 2021-12-31 CN CN202111664853.1A patent/CN114500322B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108540410A (zh) * | 2018-03-06 | 2018-09-14 | 东南大学 | 免调度传输***联合活跃用户检测和信道估计方法 |
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 |
CN113556300A (zh) * | 2021-07-20 | 2021-10-26 | 北京理工大学 | 基于时域训练序列的联合活跃终端检测与信道估计方法 |
Non-Patent Citations (1)
Title |
---|
非协调多址接入活跃用户检测与信道估计方法研究;王智超;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第20171115期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114500322A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Deep neural network-based active user detection for grant-free NOMA systems | |
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 | |
Hu et al. | Semi-blind pilot decontamination for massive MIMO systems | |
CN113472706B (zh) | 一种基于深度神经网络的mimo-ofdm***信道估计方法 | |
CN111865843B (zh) | 大规模mimo-ofdm***混合消息传递信道估计方法 | |
CN106850013B (zh) | 一种上行链路大规模mimo***的信号检测方法 | |
Gizzini et al. | CNN aided weighted interpolation for channel estimation in vehicular communications | |
CN108964725B (zh) | 时变大规模mimo网络中信道参数的稀疏估计方法 | |
CN112242861A (zh) | 大规模mimo***的用户活跃性和信号联合检测方法 | |
CN110971547B (zh) | 一种基于毫米波/太赫兹的宽带大规模终端检测和信道估计方法 | |
Ding et al. | Digital-twin-enabled city-model-aware deep learning for dynamic channel estimation in urban vehicular environments | |
Zhang et al. | Real-time OFDM signal modulation classification based on deep learning and software-defined radio | |
CN111786923A (zh) | 一种正交频分复用***时频双选信道的信道估计方法 | |
CN112215335B (zh) | 一种基于深度学习的***检测方法 | |
CN108199990B (zh) | 一种非高斯噪声3d-mimo信道估计方法 | |
Ouyang et al. | Channel estimation for underwater acoustic OFDM communications: An image super-resolution approach | |
Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
CN105812299B (zh) | 基于联合块稀疏重构的无线传感网信道估计方法 | |
Jiang et al. | Statistical device activity detection for OFDM-based massive grant-free access | |
Zhang et al. | Graph neural network assisted efficient signal detection for OTFS systems | |
Ahn et al. | Deep neural network-based joint active user detection and channel estimation for mMTC | |
CN111291511B (zh) | 一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法 | |
CN107181705A (zh) | 一种半盲信道估计方法及*** | |
CN108023842B (zh) | 大规模mimo***的导频设计方法 | |
CN116383656A (zh) | 用于大规模mimo定位的半监督表征对比学习方法 |
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 |