一种大规模物联网中基于卷积残差网络的多用户检测方法技术

本发明专利技术公开了一种大规模物联网中基于卷积残差网络的多用户检测方法，假定所有帧的接收都是同步的，每个用户使用不同的导频序列做信道估计，把所有用户的导频序列矩阵、信道矢量和用户活动性分别放在同一个矩阵中进行优化得到基站接收的信号；设计集中层卷积神经网络CLCNN，用深度学习方法检测激活的用户，把接收到的信号输入深度学习网络估计出激活向量；收集或生成数据，分为训练集与测试集，把接收到的信号输入网络，使用随机梯度下降优化器进行优化训练，计算损失函数与检测准确率，将大规模接入的信道估计简化为少量激活用户的信道估计，采用最小均方误差法估计出信道，完成多用户检测。本发明专利技术具有高性能、训练与检测速度快、完全可实施性特点。

A multi-user detection method based on convolutional residual network in large scale Internet of things

【技术实现步骤摘要】
一种大规模物联网中基于卷积残差网络的多用户检测方法
本专利技术属于无线通信
，具体涉及一种大规模物联网中基于卷积残差网络的多用户检测方法。
技术介绍
物联网(InternetofThings,IoT)被看作信息领域一次重大的发展和变革机遇，并有望带来革命性变革。但IoT也与传统通信有着明显的区别。例如，大规模物联网的特点是大量用户零星地发送很小的包，这与传统蜂窝通信不同。大规模物联网的用户检测是物联网面临的一个具有挑战性的问题。大量用户的接入使得传统用户检测方案的复杂度过高而难以使用，而大规模物联网的稀疏性是该网络的一个关键点。目前对稀疏性的解决方法主要是压缩感知(CompressedSensing，CS)和深度学习(DeepLearning,DL)。压缩感知虽然能利用稀疏性减少复杂度，但其性能与复杂度还有很大的改进空间。深度学习就是深层次的神经网络，也就是深度神经网络。深度学习依靠包含大量神经元的非线性深层网络结构，能够对复杂函数逼近，进而实现从样本集中学习到数据集本质特征的能力。深度学习目前取得了很大的成就，但也伴随着本文档来自技高网...

【技术保护点】
1.一种大规模物联网中基于卷积残差网络的多用户检测方法，其特征在于，包括以下步骤：/nS1、假定所有帧的接收都是同步的，每个用户使用不同的导频序列s

【技术特征摘要】
1.一种大规模物联网中基于卷积残差网络的多用户检测方法，其特征在于，包括以下步骤：
S1、假定所有帧的接收都是同步的，每个用户使用不同的导频序列sk做信道估计，k＝1,...,K，把所有用户的导频序列矩阵sk、信道矢量hk和用户活动性ak分别放在同一个矩阵中进行优化，得到基站接收的信号y；
S2、设计集中层卷积神经网络CLCNN，用深度学习方法检测激活的用户，把接收到的信号y输入深度学习网络估计出激活向量a；
S3、收集或生成数据，分为训练集与测试集，把接收到的信号y输入网络，使用随机梯度下降优化器进行优化训练，计算损失函数与检测准确率，将大规模接入的信道估计简化为少量激活用户的信道估计，采用最小均方误差法估计出信道，完成多用户检测。


2.根据权利要求1所述的方法，其特征在于，步骤S1中，基站接收的信号y为：
y＝SAh+n＝Sx+n
其中，S为，为，x＝Ah是对应于活动用户的有n个非零块的块稀疏向量；n是加性高斯白噪声。


3.根据权利要求2所述的方法，其特征在于，用y重建x，同时检测激活用户和估计这些用户的信道，优化问题为：



其中，||·||0表示0范数，L为信道向量的维度，n为最大激活用户数。


4.根据权利要求1所述的方法，其特征在于，步骤S2中，CLCNN网络结构采用卷积层作为计算层，卷积层使用一维卷积，第一层的卷积核大小为7，剩余为3，通道数从64到1028逐段成倍递增；池化层步长为2；全连接网络层的神经元数量为1000个；恒等连接实线是直接相加，虚线是维度变化，用卷积核大小为1的卷积层实现维度变换。


5.根据权利要求4所述的方法，其特征在于，CLCNN网络正则化后的目标函数为：
Jfinal(θ)＝Jloss(θ)+aΩ(θ)
其中，θ是所有参数的集合，α是正则化系数，Ω(θ)为参数范数惩罚，Jloss(θ)为目标函数。

【专利技术属性】
技术研发人员：李国兵，吴萧江，张国梅，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61