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

研究了无授权传输范例在物联网网络上的应用，并通过深度学习方法的卷积神经网络实现设备的活动检测，以优化传输性能。

Dec, 2022

本文研究了在不需要网络信息的情况下进行活动检测的问题，并采用了贝叶斯方法，该方法使用先验分布作为正则化，结合似然函数，得出了一种最大后验估计器和变分推断算法。广泛的模拟结果表明，即使没有这些系统参数的知识，所提出的方法仍然优于现有的协方差 - based 和近似传递信息方法。

Jan, 2024

本文研究在大规模 MIMO 设置下的活动检测问题，提出了一种基于压缩感知技术的方案，通过增加基站天线数量，解决了当潜在用户数大于信号维数时的局限性问题，并在物联网环境下得到了更高效的应用。

Mar, 2018

本文介绍了几种用于解决大规模物联网接入问题的信号处理技术，特别是先进的压缩感知技术及其在有效检测活动设备方面的应用。研究表明，采用大规模多输入多输出技术可以将设备检测误差驱动为零，并提供了几种解决大量接入的相关技术。

Apr, 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

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

本文提出了一种基于深度神经网络的算法，在实现联合活动检测和信道估计的同时，提高了算法的鲁棒性和计算效率，从而解决了物联网的大量接入问题。

Jun, 2021

本研究介绍了一种深度学习方法，利用多模态图像和频谱数据相结合，实现动态频谱访问，并识别潜在的发射器。通过使用边缘设备上的摄像头拍摄潜在对象（例如可能携带发射器的车辆），我们提出了一种协作系统，其中边缘设备与可信接收器之间进行有选择的信息通信并作出决策，以确定潜在的发射器是否存在。通过任务导向的通信，在发射器上使用编码器进行联合源编码、信道编码和调制，从而高效传输用于对象分类的精简维度的重要信息。同时，发送的信号可能会反射到物体并返回到发射器，从而实现目标感知数据的收集。然后，在发射器上对收集到的感知数据进行第二轮编码，通过任务导向的通信将降维后的信息传回融合中心。在接收端，解码器通过联合感知和任务导向的通信，执行识别发射器的任务。发射器的两个编码器以及接收器的解码器进行联合训练，实现了图像分类和无线信号检测的无缝集成。通过 AWGN 和 Rayleigh 信道模型，我们展示了所提出方法的有效性，在各种信道条件下取得了发射器识别的高准确性，并保持低延迟的决策过程。

Dec, 2023