Mar, 2024

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

PDF
TL;DR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。
joint activity detectionchannel estimationdata detectionnon-orthogonal multiple accessdeep learning
发现论文，激发创造
  • 基于深度神经网络的无需授时 NOMA 系统主动用户检测

    本论文提出了一种基于深度神经网络的 Active User Detection 方案，通过训练数据在设计良好的 DNN 中应用，该方案学习了接收到的 NOMA 信号与活动设备指数之间的非线性映射，从而实现了对活动用户的准确检测。数值结果表明，该方案在活动用户检测成功率和计算复杂度方面优于传统方法。

    Dec, 2019

  • 用于无授权 SCMA 系统的基于深度学习的主动用户检测

    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

  • 毫米波非正交多址通信中的深度强化学习：联合功率分配和混合波束成形

    本论文介绍了使用深度强化学习和控制理论方法 (DRL) 实现毫米波非正交多址接入 (NOMA) 系统的联合功率分配和混合波束成形，通过考虑用户之间的相互干扰并同时满足高速率需求，模拟结果表明该方法比时分复用多址 (TDMA) 和非线视距 (NLOS)-NOMA 方法在用户总速率方面效果更好，且该方法独立于信道响应。

    May, 2022

  • 深度强化学习的毫米波非正交多址下行系统联合功率分配和波束成形器

    该研究使用深度强化学习方法，对毫米波条件下的非正交多址接入进行了功率分配和波束成形的优化，以达到用户总速率最大化，并在模拟结果中表现出较其他方法更佳的效果。

    May, 2022

  • 非相干大规模机器通信的模型驱动深度学习

    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

  • 基于 RIS 的 EH-NOMA 网络：一种深度强化学习方法

    该论文提出一种基于能量收集的可重构智能表面帮助非正交多用户下行通信系统提高谱效率的新方法，使用深度学习算法解决由于用户通信状态的动态变化和可利用能源的动态变化影响的非凸问题，获得了比其他基准算法更好的通信成功率表现。

    Apr, 2023

  • 缓存辅助的 NOMA 系统中的功率分配：优化与深度强化学习方法

    本文研究使用缓存和非正交多址接入技术进行系统优化及功率分配问题，并提出了两种方法，一种基于分治策略，另一种使用深度强化学习算法，通过仿真实验验证了这两种方法的有效性和性能。

    Sep, 2019

  • 海量 IoT 网络中无授权 NOMA 的活动检测

    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

  • 基于机器学习的 RIS 辅助 NOMA 网络用户分配和相移器设计

    提出了一种新颖的可重构智能表面辅助的非正交多址 (NOMA) 下行传输框架。该框架采用了长期随机优化问题和改进的移动对象迁移自动化算法 (MOMA) 来优化用户分组和可重构智能表面相位移动矩阵，结合深度确定性策略梯度 (DDPG) 算法来控制多重反射元素，实现了动态资源分配策略。通过多个数值结果的分析表明，该方法相对于传统正交多址 (OMA) 框架提高了移动用户 (MUs) 的总数据率，可以学会动态资源分配策略，同时通过提高可重构智能表面相位移动的粒度和增加反射元素的数量来提高数据收益。

    Jan, 2021

  • MIMO-NOMA 中的安全预编码：一种深度学习方法

    提出了一种新的信令设计，利用深度神经网络在多用户多输入多输出非正交多址信道上实现安全传输，并通过模拟结果表明该模型的信道极限接近于 98% 的机密容量率。

    Oct, 2021