MMJan, 2023

非相干大规模机器通信的模型驱动深度学习

PDF
TL;DR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。
massive machine-type communicationsnon-coherent schemedeep learningamp algorithmsymbol error rate
发现论文，激发创造
  • 利用大规模 MIMO 中的 AMP 检测设备活动和嵌入式信息比特

    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

  • 机器类型通信中，基于深度学习辅助的并行干扰取消用于无授权非正交多址接入技术

    本文提出了一种新颖的方法，用于在上行无授权非正交多址接入（NOMA）系统中进行联合活动检测（AD）、信道估计（CE）和数据检测（DD）。我们的方法采用了一种受并行干扰消除（PIC）启发的迭代和并行干扰消除策略，并结合了深度学习，共同解决 AD、CE 和 DD 问题。基于此方法，我们开发了三个 PIC 框架，每个框架分别设计用于相干或非相干方案。第一个框架使用接收到的相干信号进行联合 AD 和 CE。在这个框架的基础上，第二个框架利用接收到的导频和数据信号进行 CE，进一步提高了相干方案中 AD、CE 和 DD 的性能。第三个框架设计用于容纳涉及少量数据位的非相干方案，同时执行 AD 和 DD。通过联合损失函数和干扰消除模块，我们的方法支持端到端训练，提高了相干和非相干方案下 AD、CE 和 DD 的性能。模拟结果证明了我们的方法在传统技术上的优越性，展示了在保持较低计算复杂性的同时，AD、CE 和 DD 的增强性能。

    Mar, 2024

  • 基于深度学习的无授权随机接入下的无蜂窝大规模 MIMO 用户活动检测方法

    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

  • 基于模型驱动的深度学习技术的毫米波海量混合 MIMO 系统通道估计及反馈

    本文提出了一个基于深度学习的模型驱动的通道估计和反馈方案，适用于宽带毫米波巨型混合多输入多输出系统，利用角度 - 时延域通道的稀疏性来减少开销。

    Apr, 2021

  • 基于压缩感知的免授权海量物联网支持海量 MIMO 技术

    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

  • 基于深度学习的波束空间毫米波大规模 MIMO 系统信道估计

    本文旨在提高毫米波通信中有限射频 (RF) 链路下的通道估计。通过利用学习过程探测的近似传递 (LDAMP) 网络，可以学习信道结构和从大量的训练数据中估计信道。该文章结合了分析和仿真结果，表明即使接收机装备较少的 RF 链路数，LDAMP 神经网络也可以显著优于现有的压缩感知算法，从而进一步证明深度学习在毫米波通信中可以成为强有力的工具。

    Feb, 2018

  • 大规模机器类通信中的 RACH 流量预测

    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

  • 通过顺序信息传递联合进行活动用户检测和信道估计实现大规模随机接入与零散短数据包

    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

  • 大规模连接稀疏活动检测

    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

  • 环境反漏信号检测的深度迁移学习

    本文提出了一种基于深度迁移学习 (CNN) 和最小误差概率标准 (MEP) 的 DTL 检测框架，旨在消除通道估计需求以提高 AmBC 系统的性能，结果表明该方法的误码率性能可与完美 CSI 的最优检测方法相媲美。

    Sep, 2020