该论文研究了在大规模机器类型通信中，如何通过压缩感知等技术实现设备检测和数据解码，特别是提出了一种新的非相干传输方案，与现有的消息传递算法相比，该方案表现更优。

Jun, 2018

本文提出了一种 LS-SM-MIMO 方案用于上行通信，该方案通过聚合多个用户的 SM 信号以增加 UL 吞吐量，并使用压缩感知和多用户检测以实现效率高、低复杂度的检测性能。

Nov, 2015

本文介绍了一种基于期望传播算法的联合主动用户检测和信道估计技术，通过该技术，可为 5G 通信系统中的 mMTC 网络提供更好的表现，特别是在压缩感知和非正交多址接入 (NOMA) 环境下。

Oct, 2018

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

本论文提出了两种基于群组的深度神经网络主动用户检测方案，用于减轻大规模机器类型通信中的传输时延和信令开销问题。通过使用稀疏代码多址接入系统中的接收信号，实现了对多维码本结构和信道特性的非线性映射学习。该方案在接收机无状态信息的条件下，能够在离线训练时段检测到活动设备，有效提高了检测概率。仿真结果表明，该方案比传统的主动用户检测方案在感兴趣的信噪比范围内能够大幅提高概率检测。

Jun, 2021

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

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

通过使用机器学习网络，本文针对多信道随机接入网络中的突发流量，提出了一种轻量级灵活的框架，并通过在线预测算法实时更新网络状态，实现了对突发流量的准确预测，提高了长期预测精度达到 52%。

May, 2024

本文提出了一种基于深度学习的方案，以改进基于压缩感知技术的叠加信道状态信息反馈，包括频分双工、大规模 MIMO、1 比特压缩感知、模型驱动方法和干扰消除技术等方面。该方案能够显著提高用户上联信息和下联信道状态信息的恢复精度，并具有对参数变化的鲁棒性。

Mar, 2022

本文针对 mMTC 场景中海量 MTC 设备的 QoS 保障、RAN 拥塞等问题展开研究，综述了现有解决方案并提出了新的解决方向，其中包括利用机器学习技术解决 mMTC 中的 QoS 问题。

Aug, 2018