基于深度学习的MMTC系统的多节点接入检测和信道估计方法技术方案

本发明专利技术提供了一种基于深度学习的MMTC系统的多节点接入检测和信道估计方法，包括：根据MMTC所采用的调制方案，确定每个节点的导频序列，确定每个节点的信道冲击响应；按照一定的节点活跃度生成输入数据，再进一步生成用于训练深度神经网络的训练集和验证集以及用于测试模型性能的测试集，设计用于检测活跃用户的DNN和BRNN模型并仿真验证，根据模型的用户活跃度检测结果运用最小二乘法解线性方程组进行信道估计。本发明专利技术提出的信道估计方法在不同的导频长度和不同的活跃用户数目下，用户接入检测的准确率均高于传统方法，且极大的缩减了节点接入检测的时间。

Multi node access detection and channel estimation method for MMTC system based on depth learning

The present invention provides a method of estimation, multi node access detection and channel based on deep learning MMTC system includes: according to the modulation scheme used by MMTC, to determine the pilot sequence of each node, each node determines the channel impulse response; according to a certain node activity generating input data, further training for generating depth neural network training set and validation set and test set for performance testing model, designed for DNN and BRNN model and Simulation of detection of active users, according to the model of active users of the detection results by using the least squares method in solving linear equations for channel estimation. The channel estimation method proposed by the invention has the higher accuracy rate of user access detection under different pilot lengths and different active users, and greatly reduces the time of node access detection.

【技术实现步骤摘要】
基于深度学习的MMTC系统的多节点接入检测和信道估计方法
本专利技术涉及通信系统中的信道估计
，尤其涉及一种基于深度学习的MMTC系统的多节点接入检测和信道估计方法。
技术介绍
MMTC(MassiveMachine-typeCommunication，大规模机器间通信)是IoTs(Internetsofthings，物联网)的热点研究问题，主要特点是大批量的接入节点仅零星的以低数据率传输小数据包。传统语音通信所使用的蜂窝系统主要是为了高数据率和大数据包所设计，节点和接收端进行通信时遵循接入预约的规则，MMTC的通信特点决定了该种通信规则会导致控制包头信息所占的开销相对于真正需要发送的分组信息来说较大，对MMTC通信网络的无线资源的占用是一种很大的浪费。MMTC通信系统中用户节点往往在同一时刻进行通信的数量并不多，并且传输的数据包也比较小，所以MMTC通信系统是一种稀疏性的通信系统。CS(CompressiveSensing，压缩感知)理论核心是将一个稀疏或者可压缩的高维信号通过特定的矩阵变换投影到一个低纬度的空间上，在进行信号重建的时候，利用稀疏信号或压缩过的信号的稀疏性，使本文档来自技高网...

【技术保护点】
一种基于深度学习的MMTC系统的多节点接入检测和信道估计方法，其特征在于，包括：S1：数据集准备；根据通信系统MMTC所采用的调制方案，确定每个节点的导频序列并生成相应的卷积矩阵，确认每个节点服从标准正态分布的信道冲击响应，得到信道矩阵；设置节点活跃度，由活跃节点的信道冲击响应和卷积矩阵生成输入数据，利用所述输入数据生成用于训练深度神经网络的训练集和验证集以及用于测试模型精确度的测试集；S2：训练深度学习模型；构建深度神经网络模型DNN和块阈值神经网络模型BRNN，并将所述训练集运用算法对所述DNN和BRNN进行训练，并在每个训练周期结束时通过所述验证集进行验证，用于调整训练方法，保存训练完成...

【技术特征摘要】
1.一种基于深度学习的MMTC系统的多节点接入检测和信道估计方法，其特征在于，包括：S1：数据集准备；根据通信系统MMTC所采用的调制方案，确定每个节点的导频序列并生成相应的卷积矩阵，确认每个节点服从标准正态分布的信道冲击响应，得到信道矩阵；设置节点活跃度，由活跃节点的信道冲击响应和卷积矩阵生成输入数据，利用所述输入数据生成用于训练深度神经网络的训练集和验证集以及用于测试模型精确度的测试集；S2：训练深度学习模型；构建深度神经网络模型DNN和块阈值神经网络模型BRNN，并将所述训练集运用算法对所述DNN和BRNN进行训练，并在每个训练周期结束时通过所述验证集进行验证，用于调整训练方法，保存训练完成的DNN和BRNN模型；S3：活跃节点检测；使用测试集测试所述保存的DNN和BRNN模型检测活跃节点的准确率，输出活跃节点信息；S4：信道估计；根据S3中输出的活跃节点信息，运用最小二乘法解线性方程组进行信道估计。2.根据权利要求1所述的方法，其特征在于，所述S1的数据集准备还包括：(1)根据MMTC系统中调制方案的星座点集合，确定每个节点的导频序列，得到所有节点的导频矩阵S＝[s1,…,sk,…]，其中sk为节点k的导频序列，对每个节点的导频序列生成对应卷积矩阵其中，得到所有节点的卷积矩阵对所述卷积矩阵进行复数域到实数域的变换，得到卷积矩阵其中Sr和Si分别为的实部和虚部；(2)确定每个节点的服从标准正态分布的信道冲击响应为其中L表示该信道的抽头时延个数，k表示节点，在该信道接收端接收的导频序列的观测结果为：其中*表示卷积，n表示加性高斯白噪声，k表示节点；(3)设定非活跃节点对信道的冲击为0值，得到接入信号对应矩阵h，对矩阵h进行复数域到实数域的转换得到矩阵根据矩阵和卷积矩阵Q得到接收信号矩阵y，在接收信号时加入噪声，得到混合噪声的接收信号为训练模型的输入数据；(4)标记活跃节点的序列索引作为训练标签，以所述输入数据和所述训练标签的格式按照设定比例生成深度...

【专利技术属性】
技术研发人员：陈为，白艳娜，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11