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

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

论文研究了无源随机接入（U-RA）问题，通过利用大规模 MIMO 基站和协方差恢复算法实现高频谱效率，但也存在复杂度问题。

Nov, 2019

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

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

本研究考虑使用近似信息传递算法来实现非正交签名的移动通信中的稀疏设备活动检测。本文比较了两种网络架构：大规模多输入多输出（MIMO）和合作 MIMO，通过分析与数值模拟结果验证，大规模 MIMO 系统能有效将检测误差降至零，而增加合作规模主要能改善边缘用户性能，并探讨了 LLR 量化的影响。

Jun, 2019

本文全面讨论了来自免授权连接角度的非正交多址接入 (NOMA) 的最新进展，探讨了相关的实际挑战和未来方向。

Oct, 2019

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