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

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

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

介绍了 METIS 项目中为了解决物联网设备大规模联网和无线覆盖等问题开发的物理和媒介访问控制层解决方案。

Jun, 2016

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

基于图卷积的预期传播增强 MIMO 检测器 GCEPNet 提供更好的泛化能力和更快的推断速度，从而实现了最先进的 MIMO 检测性能。

Apr, 2024

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