[go: up one dir, main page]

CN112910806B - 基于深度神经网络的联合信道估计及用户激活检测方法 - Google Patents

基于深度神经网络的联合信道估计及用户激活检测方法 Download PDF

Info

Publication number
CN112910806B
CN112910806B CN202110069593.7A CN202110069593A CN112910806B CN 112910806 B CN112910806 B CN 112910806B CN 202110069593 A CN202110069593 A CN 202110069593A CN 112910806 B CN112910806 B CN 112910806B
Authority
CN
China
Prior art keywords
user
pdnn
channel estimation
ddnn
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110069593.7A
Other languages
English (en)
Other versions
CN112910806A (zh
Inventor
费泽松
赵涵昱
于含笑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110069593.7A priority Critical patent/CN112910806B/zh
Publication of CN112910806A publication Critical patent/CN112910806A/zh
Application granted granted Critical
Publication of CN112910806B publication Critical patent/CN112910806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及基于深度神经网络的联合信道估计及用户激活检测方法，属于信道估计与识别技术领域。利用深度神经网络的数据特征提取能力，实现用户识别和信道估计方案设计；搭建基于循环结构的导频检测神经网络PDNN迭代进行初步信道估计和用户激活检测，再将初步结果通过数据检测神经网络DDNN数提取据特征，即将PDNN与DDNN级联，生成用户激活检测与信道估计网络UAD‑CE‑NN，挖掘用户数据信号和导频信号信息结合，对导频信息和用户发送数据信号进行检测，实现信道估计和用户识别。增强使用导频信号检测获得的信道估计准确性，以提升信道估计和用户检测方面的精度。

Description

基于深度神经网络的联合信道估计及用户激活检测方法
本发明涉及基于深度神经网络的联合信道估计及用户激活检测方法，属于信道估计与识别技术领域。
背景技术
未来的无线系统中，在大规模连接场景下，大量用户位于小区周围以零星模式请求与小区中心连接，免授权非正交多址(Non-orthogonal Multiple Access，NOMA)能够有效降低信令开销及时延。然而，该技术也面临新的挑战。与基于授权的传输相比，由于缺少基站的调度信息，基站缺少用户活动的先验知识，因此基站需要在数据检测之前盲检测活跃用户集。与此同时，免授权场景的信道估计问题也相对于授权场景变得更为复杂。
近年来，深度学习算法被开发出来与无线网络相结合，以增强通信技术，满足越来越多的(Beyond 5th generation mobile networks，B5G)需求。与以凸优化和信息论为代表的传统通信技术不同，深度学习可以用数据驱动的方法来处理问题。深度学习在推进不同的通信模块方面显示了其巨大的潜能，并已在前期研究中与非正交多址(Non-orthogonal multiple-access,NOMA)系统相结合，提高NOMA系统的通信性能。
为了解决用户检测和信道估计问题，为每个用户预分配用户唯一的导频作为用户的标识，并且在数据之前发送导频是提高用户活动检测(user activity detection，UAD)和信道估计(channel estimation，CE)准确性的有效手段。然而，当潜在用户数量巨大时，应用正交导频序列将导致较大的开销。因此，基于NOMA，利用非正交的导频序列是导频开销和检测精度之间的折衷，也是本申请致力于解决的问题。
发明内容
本发明的目的是针对免授权传输中由于非正交导频间存在相互干扰，信道估计困难以及激活用户检测难以准确的技术缺陷，在上行免授权NOMA系统中，提出了基于深度神经网络的联合信道估计及用户激活检测方法。
本发明的核心思想为：基于循环结构的导频检测神经网络(Preamble detectionneural network，PDNN)迭代进行初步信道估计和用户激活检测，再将初步结果通过数据检测神经网络(Data detection neural network，DDNN)数提取据特征，即将PDNN与DDNN级联，挖掘用户数据信号和导频信号信息结合，对导频信息和用户发送数据信号进行检测，实现信道估计和用户识别。
为实现以上目的，本发明采用的技术方案如下：
所述基于联合改进深度神经网络的信道估计及用户激活检测方法依托的免授权NOMA系统，包括基站和N个用户，每个用户基于NOMA根据“到达即转发”模式以一定的激活概率被随机激活，并传输导频及基于导频扩频的数据块，所有潜在用户的导频组成集合，在基站端搭载设计的用户激活检测与信道估计网络(user activation detection andchannel estimation neural network,UAD-CE-NN)实现用户激活检测和信道估计；其中，UAD-CE-NN包括PDNN与DDNN。
其中，所有潜在用户导频组成的集合为S＝[s1，s2，…，sN]，其中，第n个用户的导频为sn＝[s1，n，s2，n…，sH，n]T，n的取值范围为1到N。
所述信道估计及用户激活检测方法，包括以下步骤：
步骤1、激活用户并发送数据，具体包括如下子步骤：
步骤1.1每个用户根据“到达即转发”模式以一定的激活概率被随机激活并输出激活指示因子；
其中，第n个用户的激活指示因子表示为
Figure BDA0002905377460000021
n的取值范围为1到N；
步骤1.2将所有为1的激活指示因子对应的用户序号，生成序号集合Γ；
步骤1.3序号集合Γ中的激活用户生成数据包并发送数据包至基站，具体为：
步骤1.3A激活用户m产生M个调制符号，利用该用户导频扩展调制符号，与该用户导频一起生成数据包；
其中，用户生成的数据包，包括导频yP及基于导频扩频的数据块y[m]，该数据块的个数为M个，每个数据块为对应的调制符号与导频扩展而成；m属于序号集合Γ，调制符号xm＝[xm [1]，xm [2]，…，xm [M]]；
步骤1.3B激活用户m发送数据包至基站；
步骤2、基站接收所有激活用户发送的数据包；
步骤3、搭建导频检测神经网络PDNN；
其中，PDNN包括T个PDNN层，每个PDNN层包括LP个隐藏层和一个输出层；
步骤4、搭建数据检测神经网络DDNN，并产生DDNN的输入；
其中，DDNN为全连接深度神经网络，包括LD个隐藏层以及一个输出层，DDNN的输入由yP、
Figure BDA0002905377460000031
S以及PDNN的信道估计结果
Figure BDA0002905377460000032
构成，表达式为：
Figure BDA0002905377460000033
其中，yP为基站接收数据包中的导频，
Figure BDA0002905377460000034
表示基于导频扩频的M个数据块，y[m]表示其中的第m个数据块，S为所有潜在用户导频组成的集合；
步骤5、利用前向反馈及梯度下降方法，训练步骤3搭建的PDNN，得到PDNN参数矩阵，以此得到训练好的PDNN网络，利用训练好的PDNN网络得到PDNN输出，具体为：
步骤5.1设置PDNN的代价函数为第T个PDNN输出信道估计结果
Figure BDA0002905377460000035
的MSE
其中，MSE即Mean square error，为最小均方误差，表达式为
Figure BDA0002905377460000036
步骤5.2初始化PDNN的迭代次数p1为1，并设置联合迭代次数为P；
步骤5.3判断p1是否等于P，若否，则p1＝p1+1，用梯度下降法更新PDNN参数矩阵，并转至步骤5.3；若是，第P次迭代获得的PDNN参数矩阵；
其中，参数矩阵表示为
Figure BDA0002905377460000037
为第i个PDNN层的第l个隐藏层的权重，bP (i)，l为第i个PDNN层的第l个隐藏层的偏差向量；i的取值范围是1到T，l的取值范围是1到LP；
步骤5.4利用第P次迭代获得的PDNN参数矩阵，得到训练好的PDNN网络；
步骤5.5设置i＝1，将输入信号pP (0)输入PDNN；
其中，输入信号为
Figure BDA0002905377460000041
其中，yP为基站接收数据包中的导频，
Figure BDA0002905377460000042
是初始化的信道估计结果，定义为
Figure BDA0002905377460000043
其中，S为所有潜在用户导频组成的集合；
Figure BDA0002905377460000044
为将yP和
Figure BDA0002905377460000045
拼接起来；
步骤5.6计算第i个PDNN层的输入
Figure BDA0002905377460000046
步骤5.7第i个PDNN层通过LP个隐藏层产生第i个信道估计结果
Figure BDA0002905377460000047
步骤5.8判断i是否等于T，若是，
Figure BDA0002905377460000048
将其记为PDNN信道估计结果
Figure BDA0002905377460000049
跳至步骤6；若否，i＝i+1，跳至步骤5.6；
步骤6、利用前向反馈及梯度下降方法，步骤4搭建的DDNN，得到DDNN参数矩阵，并基于该参数矩阵得到训练好的DDNN网络，具体为：
步骤6.1设置DDNN的代价函数为
Figure BDA00029053774600000410
步骤6.2判断p2是否等于P，若否，则p2＝p2+1，利用梯度下降法更新DDNN参数矩阵，并转至步骤6.2；若是，则获得第P次迭代的DDNN参数矩阵；
其中，DDNN参数矩阵表示为
Figure BDA00029053774600000411
其中，
Figure BDA00029053774600000412
为DDNN层的第l个隐藏层的权重，
Figure BDA00029053774600000413
为DDNN层的第l个隐藏层的偏差向量，l的取值范围是1到LD；
步骤6.3利用第P次迭代的DDNN参数矩阵，得到训练好的DDNN网络；
步骤6.4 DDNN对输入先信道估计再进行用户激活估计，输出信道估计结果
Figure BDA0002905377460000051
和用户激活估计结果
Figure BDA0002905377460000052
其中，用户激活估计结果，记为
Figure BDA0002905377460000053
用户激活估计结果为
Figure BDA0002905377460000054
通过公式
Figure BDA0002905377460000055
Figure BDA0002905377460000056
得出；
其中，
Figure BDA0002905377460000057
中的第j项
Figure BDA0002905377460000058
sgn()为符号函数，λ为平衡误警和误检概率的参数，
Figure BDA0002905377460000059
为用户激活估计结果
Figure BDA00029053774600000510
的第j项；
联合信道估计及用户激活检测结果，包括信道估计结果
Figure BDA00029053774600000511
和用户激活估计结果
Figure BDA00029053774600000512
步骤7、基于测试集，测试训练好的PDNN和DDNN，具体为：
步骤7.1 PDNN输入端口输入基站接收数据包中的导频与初始化信道估计结果，输出PDNN信道估计结果，然后产生PDNN用户检测结果；
步骤7.2 DDNN对基站接收到的数据包的导频及基于导频扩频的数据块、用户导频集合以及PDNN神经网络产生的信道估计结果进行测试，产生DDNN信道估计结果作为最终信道估计结果，产生DDNN用户检测结果作为最终用户检测结果，输出最终联合信道估计及用户激活检测结果；
至此，经过步骤1到步骤7，完成了基于深度神经网络的联合信道估计及用户激活检测方法。
有益效果
本发明基于深度神经网络的联合信道估计及用户激活检测方法，与现有技术相比，具有如下有益效果：
1.本方法依托的神经网络能实现用户激活及信道估计算法，相对于传统基于压缩感知技术的算法，能提升用户检测和信道估计的精度；
2.有效利用用户发送的数据信号中包含的信息，与导频信号的信息结合，较单独使用导频信号检测增强了获得的信道估计准确性并提升用户激活检测准确性。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定在附图中：
图1为本发明基于深度神经网络的联合信道估计及用户激活检测方法的多用户传输数据块产生示意图；
图2为本发明基于深度神经网络的联合信道估计及用户激活检测方法依托的UAD-CE-NN网络架构示意图；
图3为本发明基于深度神经网络的联合信道估计及用户激活检测方法实施例中的信道估计检测的性能仿真示意图；
图4为本发明基于深度神经网络的联合信道估计及用户激活检测方法实施例中的用户激活检测结果的性能仿真示意图。
具体实施方式
下面结合附图和具体实施例对本发明所阐述的基于深度神经网络的联合信道估计及用户激活检测方法进行详细说明。
实施例1
本发明依托的利用导频扩频叠加示意图如附图1所示，包括符号的调制，扩频，叠加。在大量机器类通信场景，大量物联网设备，如传感器等，以随机状态接入到基站，进行对环境监控数据上报、视频信号传输等工作。在一个小区内，基站接收多个分组的设备发送的上行信号并进行处理。基站一个分组内共服务20个设备，因此，此分组内设备存在干扰。基站在设备在初始注册时分配其固有的导频信号，因此设备间不存在导频选择冲突。设备在没有消息传输需求时，处于休眠状态，不向基站发送信号。当设备需要上行传输信息时，无需基站调度，采用随机接入方式向基站发送信号。
图2为利用PDNN和DDNN进行信道估计和用户检测的框图和架构示意图。本实施例考虑20个用户的场景，用户激活的概率都是0.4。使用的帧结构包括一个元数据块和5个数据块。用户使用的前导序列的长度是12。基于WBE的序列被分配给每个用户，并假设在基站是已知的。实施例中，20个用户均采用QPSK调制，信道模型为莱斯衰落信道模型。该实施例步骤如下：
步骤一、激活用户对数据进行调制扩频并发送数据。具体步骤为：
步骤1.A每个用户根据“到达即转发”模式以一定的激活概率被随机激活并输出激活指示因子；
其中，第n个用户的激活指示因子表示为
Figure BDA0002905377460000071
n的取值范围为1到N；
步骤1.B将所有为1的激活指示因子对应的用户序号，生成序号集合Γ
步骤1.C利用其导频扩展其调制符号生成数据信号，即用户m用其前导序列扩展xm，产生对应于5个数据块的5个数据信号。用户n的导频扩展调制符号被获得为：
Figure BDA0002905377460000072
其中，sj＝[s1，j，s2，j…,sH，j]T为用户m的前导序列，j属于生成序号集合Γ。且为保证每个用户发射功率相同，进行归一化。激活用户产生编码比特，并均采用QPSK调制将编码后比特调制成调制符号xj＝[xj [1]，xj [2]，…，xj [M]]，利用其导频扩展其调制符号。应用韦尔奇界等式(Welch-Bound Equality，WBE)序列作为导频，该序列已被证明对于对称高斯多址信道是最优的。
步骤1.D利用该用户导频扩展调制符号，与该用户导频一起生成数据包；
步骤二、激活用户发送数据包至基站，用户n到基站的信道表示为hn，基站接收到所有激活用户发送数据包，基站处接收到的导频和导频扩频的数据块分别表示为：
yP＝∑j∈Γhjajsj+nP (1)
和
y[m]＝∑j∈Γhjajsjxj [m]+n[m] m∈{1，2，…，M}， (2)
令z＝[z1，z2，…，zN]T，zj＝hjaj表示用户j和BS之间的有效信道，hj为用户j和BS之间的有效信道，当用户非激活时，其有效信道表示为0，nP和n[m]为噪声。
步骤三、搭建导频检测神经网络PDNN，具体步骤为：
步骤3.A搭建具有5个模块的PDNN，每个模块称之为一个PDNN层，每个PDNN层为3个隐藏层和1个输出层组成的神经网络。
步骤3.B设置i＝1，imax＝5，生成输入信号，
Figure BDA0002905377460000081
其中
Figure BDA0002905377460000082
是估计结果的初始化，定义为
Figure BDA0002905377460000083
步骤3.C第i个PDNN层通过3个隐藏层产生信道估计结果；
其中，信道估计结果为
Figure BDA0002905377460000084
Figure BDA0002905377460000085
其中，
Figure BDA0002905377460000086
为第i个PDNN层的第l个隐藏层的权重，bP (i)，l为第i个PDNN层的第l个隐藏层的偏差向量，将PDNN的参数集合表示为
Figure BDA0002905377460000087
步骤3.D计算第i+1个PDNN层的输入
Figure BDA0002905377460000088
步骤3.E判断i是否等于5，若是，
Figure BDA0002905377460000089
若否，i＝i+1，跳至步骤3.C；
步骤3.F获得用户检测结果，其计算过程为
Figure BDA00029053774600000810
其中，收缩函数
Figure BDA00029053774600000811
sgn()为符号函数λ为平衡误警和误检概率的参数，具有固定值；zj为向量
Figure BDA00029053774600000812
的元素。
步骤3.G输出PDNN的信道估计结果
Figure BDA0002905377460000091
以及用户检测结果
Figure BDA0002905377460000092
步骤四、搭建数据检测神经网络DDNN，且将yP、
Figure BDA0002905377460000093
S以及PDNN的信道估计结果
Figure BDA0002905377460000094
一起构成DDNN输入x，具体为：
搭建DDNN，并产生DDNN输入；
其中，DDNN为全连接深度神经网络，其隐藏层层数为5；
其中，DDNN输入
Figure BDA0002905377460000095
其中，yP为基站接收数据包中的导频，
Figure BDA0002905377460000096
表示基于导频扩频的M个数据块，y[m]表示其中的第m个数据块，S为所有潜在用户导频组成的集合；
步骤五、利用前向反馈及梯度下降方法，训练步骤三搭建的导频检测神经网络PDNN，并输入PDNN输入，产生PDNN输出；
步骤5.A设置PDNN的代价函数为5个PDNN层输出信道估计结果的MSE(Mean squareerror)，表达式为
Figure BDA0002905377460000097
步骤5.B设置PDNN的迭代次数为P1，DDNN的迭代次数为P2。
步骤5.C设迭代总次数P＝100000，判断p1是否等于P，若否，则p1＝p1+1，更新参数矩阵，公式如下
Figure BDA0002905377460000098
并转至步骤5.C；若否，则获得最终的参数矩阵ΘP；
其中，
Figure BDA0002905377460000099
为求导符号。
步骤5.D设置i＝1，imax＝5，生成输入信号，
Figure BDA00029053774600000910
其中
Figure BDA00029053774600000911
是估计结果的初始化，定义为
Figure BDA00029053774600000912
步骤5.E第i个PDNN层通过3个隐藏层产生信道估计结果；
其中，信道估计结果为
Figure BDA00029053774600000913
Figure BDA00029053774600000914
其中，
Figure BDA0002905377460000101
为第i个PDNN层的第l个隐藏层的权重，bP (i)，l为第i个PDNN层的第l个隐藏层的偏差向量，将PDNN的参数矩阵表示为
Figure BDA0002905377460000102
步骤5.F计算第i+1个PDNN层的输入
Figure BDA0002905377460000103
步骤5.G判断i是否等于5，若是，
Figure BDA0002905377460000104
若否，i＝i+1，跳至步骤5.E；
步骤3.G输出PDNN的信道估计结果
Figure BDA0002905377460000105
步骤六、利用前向反馈及梯度下降方法，训练步骤四搭建的数据检测神经网络DDNN,并输入DDNN输入，产生DDNN输出；
步骤6.A设置DDNN的代价函数为
Figure BDA0002905377460000106
步骤6.B判断p2是否等于P，若否，则p2＝p2+1，更新参数矩阵，公式如下
Figure BDA0002905377460000107
并转至步骤6.B；若否，则获得最终的参数矩阵ΘD。
步骤6.C产生DDNN输入为：
Figure BDA0002905377460000108
步骤6.D DDNN网络的层数为5，输出信道估计结果
Figure BDA0002905377460000109
DDNN的数据处理过程为
Figure BDA00029053774600001010
DDNN参数集合表示为
Figure BDA00029053774600001011
步骤6.E得到DDNN的用户激活估计结果，过程表示为
Figure BDA00029053774600001012
联合信道估计及用户激活检测结果，包括信道估计结果
Figure BDA00029053774600001013
和用户激活估计结果
Figure BDA00029053774600001014
步骤七、利用已知测试集，测试训练好的联合信道估计及用户激活检测神经网络；
步骤7.A PDNN输入端口输入基站接收数据包中的导频与初始化信道估计结果，输出PDNN信道估计结果，然后产生PDNN用户检测结果；
步骤7.B DDNN对基站接收到的数据包的导频及基于导频扩频的数据块、用户导频集合以及PDNN神经网络产生的信道估计结果进行测试，产生DDNN信道估计结果作为最终信道估计结果，产生DDNN用户检测结果作为最终用户检测结果，输出最终联合信道估计及用户激活检测结果；
图3为信道估计检测的性能对比图，以信道的归一化均方误差为评判指标，图4为用户激活检测结果的性能对比图，以检测错误的概率为评判指标。两图对比了本专利总体UAD-CE-NN网络的输出，以传统AMP算法的输出和全连接神经网络FCNN的输出作为对比。可以发现，本专利提出的用户激活检测及信道估计方案相对于传统算法和未经设计的全连接神经网络而言，可以达到更准确的估计性能。
为了说明本发明的内容及实施方法，本说明书给出了一个具体实施例。在实施例中引入细节的目的不是限制权利要求书的范围，而是帮助理解本发明所述方法。本领域的技术人员应理解：在不脱离本发明及其所附权利要求的精神和范围内，对最佳实施例步骤的各种修改、变化或替换都是可能的。因此，本发明不应局限于最佳实施例及附图所公开的内容。

Claims (6)

1.基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：依托的免授权NOMA系统，包括基站和N个用户，每个用户基于NOMA根据“到达即转发”模式以一定的激活概率被随机激活，并传输导频及基于导频扩频的数据块，所有潜在用户的导频组成集合，在基站端搭载设计的用户激活检测与信道估计网络UAD-CE-NN实现用户激活检测和信道估计；其中，UAD-CE-NN包括PDNN与DDNN；
其中，所有潜在用户导频组成的集合为S＝[s1,s2,…,sN]；
所述信道估计及用户激活检测方法，包括以下步骤：
步骤1、激活用户并发送数据，具体包括如下子步骤：
步骤1.1每个用户根据“到达即转发”模式以一定的激活概率被随机激活并输出激活指示因子；
步骤1.2将所有为1的激活指示因子对应的用户序号，生成序号集合Γ；
步骤1.3序号集合Γ中的激活用户生成数据包并发送数据包至基站，具体为：
步骤1.3A激活用户m产生M个调制符号，利用该用户导频扩展调制符号，与该用户导频一起生成数据包；
步骤1.3B激活用户m发送数据包至基站；
步骤2、基站接收所有激活用户发送的数据包；
步骤3、搭建导频检测神经网络PDNN；
其中，PDNN包括T个PDNN层，每个PDNN层包括LP个隐藏层和一个输出层；
步骤4、搭建数据检测神经网络DDNN，并产生DDNN的输入；
其中，DDNN为全连接深度神经网络，包括LD个隐藏层以及一个输出层，DDNN的输入由yP、
Figure FDA0003517314700000011
s以及PDNN的信道估计结果
Figure FDA0003517314700000012
构成，表达式为：
Figure FDA0003517314700000013
其中，yP为基站接收数据包中的导频，
Figure FDA0003517314700000014
表示基于导频扩频的M个数据块，y[m]表示其中的第m个数据块，S为所有潜在用户导频组成的集合；
步骤5、利用前向反馈及梯度下降方法，训练步骤3搭建的PDNN，得到PDNN参数矩阵，以此得到训练好的PDNN网络，利用训练好的PDNN网络得到PDNN输出，具体为：
步骤5.1设置PDNN的代价函数为第T个PDNN输出信道估计结果
Figure FDA0003517314700000021
的MSE；
其中，MSE即Mean square error，为最小均方误差，表达式为
Figure FDA0003517314700000022
z表示用户到基站的有效信道向量；
步骤5.2初始化PDNN的迭代次数p1为1，并设置联合迭代次数为P；
步骤5.3判断p1是否等于P，若否，则p1＝p1+1，用梯度下降法更新PDNN参数矩阵，并转至步骤5.3；若是，第P次迭代获得的PDNN参数矩阵；
PDNN参数矩阵表示为
Figure FDA0003517314700000023
Figure FDA0003517314700000024
为第i个PDNN层的第l个隐藏层的权重，bP (i),l为第i个PDNN层的第l个隐藏层的偏差向量；i的取值范围是1到T，l的取值范围是1到LP；
步骤5.4利用第P次迭代获得的PDNN参数矩阵，得到训练好的PDNN网络；
步骤5.5设置i＝1，将输入信号pP (0)输入PDNN；
其中，输入信号为
Figure FDA0003517314700000025
其中，yP为基站接收数据包中的导频，
Figure FDA0003517314700000026
是初始化的信道估计结果；
步骤5.6计算第i个PDNN层的输入
Figure FDA0003517314700000027
步骤5.7第i个PDNN层通过LP个隐藏层产生第i个信道估计结果
Figure FDA0003517314700000028
步骤5.8判断i是否等于T，若是，
Figure FDA0003517314700000029
将其记为PDNN信道估计结果
Figure FDA00035173147000000210
跳至步骤6；若否，i＝i+1，跳至步骤5.6；
步骤6、利用前向反馈及梯度下降方法，步骤4搭建的DDNN，得到DDNN参数矩阵，并基于该参数矩阵得到训练好的DDNN网络，具体为：
步骤6.1设置DDNN的代价函数为
Figure FDA0003517314700000031
步骤6.2初始化DDNN的迭代次数p2为1，判断p2是否等于P，若否，则p2＝p2+1，利用梯度下降法更新DDNN参数矩阵，并转至步骤6.2；若是，则获得第P次迭代的DDNN参数矩阵；
步骤6.3利用第P次迭代的DDNN参数矩阵，得到训练好的DDNN网络；
步骤6.4DDNN对输入先信道估计再进行用户激活估计，输出信道估计结果
Figure FDA0003517314700000032
和用户激活估计结果
Figure FDA0003517314700000033
其中，用户激活估计结果，记为
Figure FDA0003517314700000034
用户激活估计结果为
Figure FDA0003517314700000035
通过公式
Figure FDA0003517314700000036
得出；
其中，
Figure FDA0003517314700000037
中的第j项
Figure FDA0003517314700000038
sgn()为符号函数，λ为平衡误警和误检概率的参数，
Figure FDA0003517314700000039
为用户激活估计结果
Figure FDA00035173147000000310
的第j项；
联合信道估计及用户激活检测结果，包括信道估计结果
Figure FDA00035173147000000311
和用户激活估计结果
Figure FDA00035173147000000312
步骤7、基于测试集，测试训练好的PDNN和DDNN，具体为：
步骤7.1PDNN输入端口输入基站接收数据包中的导频与初始化信道估计结果，输出PDNN信道估计结果，然后产生PDNN用户检测结果；
步骤7.2DDNN对基站接收到的数据包的导频及基于导频扩频的数据块、用户导频集合以及PDNN神经网络产生的信道估计结果进行测试，产生DDNN信道估计结果作为最终信道估计结果，产生DDNN用户检测结果作为最终用户检测结果，输出最终联合信道估计及用户激活检测结果。
2.根据权利要求1所述的基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：第n个用户的导频为sn＝[s1,n,s2,n…,sH,n]T，n的取值范围为1到N。
3.根据权利要求2所述的基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：步骤1.1中，第n个用户的激活指示因子表示为
Figure FDA0003517314700000041
n的取值范围为1到N。
4.根据权利要求3所述的基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：步骤1.3A中，用户生成的数据包，包括导频yP及基于导频扩频的数据块y[m]，该数据块的个数为M个，每个数据块为对应的调制符号与导频扩展而成；m属于序号集合Γ，调制符号xm＝[xm [1],xm [2],…,xm [M]]。
5.根据权利要求4所述的基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：步骤5.4中，定义
Figure FDA0003517314700000042
其中，s为所有潜在用户导频组成的集合；
Figure FDA0003517314700000043
为将yP和
Figure FDA0003517314700000044
拼接起来。
6.根据权利要求5所述的基于深度神经网络的联合信道估计及用户激活检测方法，其特征在于：步骤6.2中，DDNN参数矩阵表示为
Figure FDA0003517314700000045
其中，
Figure FDA0003517314700000046
为DDNN层的第l个隐藏层的权重，
Figure FDA0003517314700000047
为DDNN层的第l个隐藏层的偏差向量，l的取值范围是1到LD。
CN202110069593.7A 2021-01-19 2021-01-19 基于深度神经网络的联合信道估计及用户激活检测方法 Active CN112910806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110069593.7A CN112910806B (zh) 2021-01-19 2021-01-19 基于深度神经网络的联合信道估计及用户激活检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110069593.7A CN112910806B (zh) 2021-01-19 2021-01-19 基于深度神经网络的联合信道估计及用户激活检测方法

Publications (2)

Publication Number Publication Date
CN112910806A CN112910806A (zh) 2021-06-04
CN112910806B true CN112910806B (zh) 2022-04-08

Family

ID=76115734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110069593.7A Active CN112910806B (zh) 2021-01-19 2021-01-19 基于深度神经网络的联合信道估计及用户激活检测方法

Country Status (1)

Country Link
CN (1) CN112910806B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113766669B (zh) * 2021-11-10 2021-12-31 香港中文大学（深圳） 一种基于深度学习网络的大规模随机接入方法
CN115002929B (zh) * 2022-05-16 2024-05-28 西南交通大学 一种基于前导和到达角联合估计的活跃用户检测方法
US20240113919A1 (en) * 2022-09-23 2024-04-04 Qualcomm Incorporated Recurrent equivariant inference machines for channel estimation
WO2024082106A1 (en) * 2022-10-17 2024-04-25 Nokia Shanghai Bell Co., Ltd. User activity detection
CN115694767B (zh) * 2022-10-27 2023-07-14 南通大学 一种基于Transformer的联合导频设计、反馈和信道估计方法
CN116319195B (zh) * 2023-04-04 2023-10-20 上海交通大学 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法
CN117978589B (zh) * 2024-01-31 2025-09-19 北京理工大学 一种基于深度学习的地空通信信道跟踪方法
CN119865265B (zh) * 2025-03-25 2025-06-27 国网浙江省电力有限公司嘉兴供电公司 一种基站接入设备的活动状态检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108282782A (zh) * 2017-01-06 2018-07-13 深圳市金立通信设备有限公司 一种上行免授权用户激活检测方法、装置及基站
CN110443298A (zh) * 2019-07-31 2019-11-12 华中科技大学 一种基于云-边缘协同计算的ddnn及其构建方法和应用
CN110738309A (zh) * 2019-09-27 2020-01-31 华中科技大学 Ddnn的训练方法和基于ddnn的多视角目标识别方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020220278A1 (zh) * 2019-04-30 2020-11-05 华为技术有限公司 一种信道估计模型训练方法及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108282782A (zh) * 2017-01-06 2018-07-13 深圳市金立通信设备有限公司 一种上行免授权用户激活检测方法、装置及基站
CN110443298A (zh) * 2019-07-31 2019-11-12 华中科技大学 一种基于云-边缘协同计算的ddnn及其构建方法和应用
CN110738309A (zh) * 2019-09-27 2020-01-31 华中科技大学 Ddnn的训练方法和基于ddnn的多视角目标识别方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Finite-Alphabet Signature Design for Grant-Free NOMA: A Quantized Deep Learning Approach;Hanxiao Yu et al.;《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》;20201031;全文 *
基于人工智能算法的功率域NOMA系统功率分配方法研究;张少敏 等;《移动通信》;20180831;全文 *

Also Published As

Publication number Publication date
CN112910806A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN112910806B (zh) 基于深度神经网络的联合信道估计及用户激活检测方法
Chen et al. Label-less learning for traffic control in an edge network
US20240330708A1 (en) Model training method and face recognition method based on adaptive split learning-federated learning
CN115802370A (zh) 一种通信方法及装置
US20220141319A1 (en) Systems and methods for performing simulations at a base station router
KR20190113114A (ko) 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치
Yang et al. Learning the interference graph of a wireless network
CN113194548B (zh) 一种智能超表面辅助的大规模无源随机接入方法
KR102862425B1 (ko) 지능적 신호 송수신 방법 및 이를 위한 장치
CN103619021A (zh) 一种基于神经网络的无线传感器网络入侵检测算法
Xu et al. Task-oriented and semantic-aware heterogeneous networks for artificial intelligence of things: Performance analysis and optimization
Mo et al. A deep learning-based human identification system with wi-fi csi data augmentation
CN112153615A (zh) 一种多小区蜂窝d2d设备中基于深度学习的用户关联方法
Sun et al. Joint DDPG and unsupervised learning for channel allocation and power control in centralized wireless cellular networks
Bai et al. Data-driven compressed sensing for massive wireless access
CN107294659A (zh) 一种基于交叉验证非正交多址系统多用户检测方法
Chen et al. Neuromorphic split computing with wake-up radios: Architecture and design via digital twinning
Meneghello et al. Smartphone identification via passive traffic fingerprinting: A sequence-to-sequence learning approach
Wang et al. Power Optimization and Deep Learning for Channel Estimation of Active IRS-Aided IoT
CN118713776A (zh) 一种轻量化强化学习动态频谱抗干扰方法及装置
CN105099587B (zh) 移动场景下认知无线电频谱感知系统检测性能参量获得方法
Wang et al. Cooperative spectrum sensing algorithm for UAV based on deep learning
CN118606827B (zh) 一种分布式物联网设备的射频指纹识别方法及系统
Wu et al. Neuromorphic wireless split computing with multi-level spikes
CN112073976A (zh) 一种基于机器学习的非正交多址中的用户通用分组方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant