基于压缩感知的免授权海量物联网支持海量 MIMO 技术
本文提出了一种基于压缩感知的自适应主动用户检测和信道估计方案,可支持出现突发流量的大规模连接用户设备和大规模 MIMO 信道的虚拟角度域稀疏,实现高效可靠的大规模信道接入。
Jun, 2019
本文利用监督式机器学习模型来解决非正交前导序列设计条件下的用户活动检测问题,并介绍了一个针对 GF-RA 协议下的无线电波多输入多输出(CF-mMIMO)网络的数据驱动算法和新颖的聚类策略,模拟实验结果显示算法在真实场景中具有 99% 的准确率。
Jun, 2024
本文提出了一种新的基于压缩感知和序列近似传递算法的大规模机器型通信系统的无授权随机接入策略,以提高活动用户检测和信道估计的性能。
Feb, 2021
本文提出了一种基于快速深度学习的块限制性激活非线性单元的方法来解决压缩感知多用户检测算法在实际通信系统中计算复杂度高的问题,并在大规模机器类型通信系统中进行了模拟实验,表明该方法在计算时间上减少了十倍,同时优于各种现有的压缩感知多用户检测算法。
Jul, 2018
提出了一种基于结构化压缩感知的时空联合通道估计方案,通过利用时延域 MIMO 通道的时空公共稀疏性来降低所需的导频开销,利用非正交导频和自适应结构子空间追踪算法,提高估计的准确性,并通过利用时域通道相关性,提出了空时自适应导频方案。
Dec, 2015
本文研究在大量设备与基站间的疏散通信场景下,通过利用随机签名序列和用户活动模式的稀疏性,将用户检测和信道估计问题建模为压缩感知单测量向量问题或多测量向量问题,利用近似消息传递算法高效求解,并开发了利用通道统计信息进行 AMP 算法设计的最小均方误差去噪器。同时,通过 AMP-MMV 算法和研究多天线的部署,量化了其优点。
Jan, 2018
提出了一种基于 AMP 的无授权随机接入蜂窝网络的用户活动检测和单信息位检测的联合方案,并与原始 AMP 方法进行了比较,该方法表现出更优越的性能,并且在设备数量方面具有可扩展性,适用于支持大量设备的蜂窝网络中的用户检测。
Sep, 2017
采用分布式压缩感知方法进行关键状态信息(CSIT)的估计,利用用户信道矩阵中的隐藏共享结构,提出了一种联合正交匹配追踪回收算法来利用联合信道稀疏性来提高 CSIT 估计性能。
May, 2014
本文研究在大量设备连接基站的场景下,利用压缩感知和非正交导频序列技术来实现设备活动检测,通过两阶段的访问方案实现数据传输,进而实现了上行大规模设备通信中用户暂态性的高效利用,并且在大规模 MIMO 系统下使得错过检测和虚警概率可以被刻意的控制到 0。
Jun, 2017
本文中,我们研究了使用单相不相干方案进行大规模机器型通信(mMTC)中的关节设备活动和数据检测,其中数据位嵌入到导联序列中,基站同时检测活动设备及其嵌入的数据位而无需显式通道估计;针对非相干传输方案引入的相关稀疏性模式,传统的幅度估计传输(AMP)算法无法达到令人满意的性能,因此,我们提出了一种深度学习修改的 AMP 网络(DL-mAMPnet)。DL-mAMPnet 通过有效利用导联活动相关性来增强检测性能。DL-mAMPnet 通过将 AMP 算法展开为前馈神经网络来构建,将 AMP 算法的原理数学模型与强大的学习能力相结合,从而使两种技术的优势得到了发挥。DL-mAMPnet 引入了可训练参数来近似相关稀疏性模式和大规模衰落系数。此外,设计了一种细化模块,通过利用相关稀疏性模式引起的空间特性进一步提高性能。仿真结果表明,所提出的 DL-mAMPnet 在符号误差率性能方面可以显著优于传统算法。
Jan, 2023