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，但也伴随着很多的挑战。就应用来看，深度学习主要集中在图像、自然语言处理等领域，目前热门的卷积神经网络也主要是因为在这些领域取得较大成功而被人们所关注。深度学习在各个领域的应用虽然也在不断发展，但广泛程度与特定网络的发展仍然很有限。这既是挑战也是机遇，把深度学习应用于通信领域是很有前景的研究，而研究适用于通信领域的网络结构，则更是能推动通信行业在未来的发展。
技术实现思路
r>本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供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，在多用户检测与信道估计中具有更好的性能，在网络训练过程中也更快地能达到收敛。本专利技术采用以下技术方案：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，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。具体的，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。进一步的，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。具体的，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。进一步的，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。进一步的，CLCNN网络的损失函数为：Jfinal(θ)＝(aoutput-aactual)2+a∑iWi2其中，aoutput为网络的输出，其元素为小数，aactual为用户的实际激活向量，Wi是网络的权值参数。具体的，步骤S3具体为：S301、收集或生成数据，数据集包含导频序列矩阵Sall、大量样本的接收信号y和激活用户向量a；把数据集分为训练集与测试集两部分，比例为10∶1，训练集用于训练网络，测试集用于检验网络是否训练成功；S302、在网络训练过程中，把接收信号y输入网络，计算输出aoutput与数据集样本的激活向量aactual的偏差，即损失函数J(θ)＝(aoutput-aactual)2，然后使用随机梯度下降优化器进行优化训练；S303、在测试过程中，把测试样本输入网络，计算损失函数与检测准确率；S304、在激活向量a估计出来后，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。进一步的，步骤S301中，总用户数K中激活的用户数为n，n的值和激活用户随机分布，描述用户激活情况的向量a＝{ak}是维度K的向量，其中，随机n个值为1，其余值为0；活动用户传输的信号是用二进制相移键控调制的Ns长度导频序列；每个用户的导频序列长度固定为Ns，通道的模型是L独立同分布的高斯信道；随机生成导频序列，K＞(Ns+L-1)/L时多用户检测问题是欠定的。进一步的，步骤S302中，训练数据使用激活用户数n上限的数据。具体的，多用户检测方法包含一个基站与多个用户，接入方式采用grant-free，多个用户向基站不申请而直接发送信号，在同一帧总共K个用户中只有少数n个用户在发送信号。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术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，对标准卷积残差网络进行重新设计，采用了卷积计算层恒等连接结构，同时对网络结构进行了重新设计，使得本专利技术中的网络在性能上超过全连接网络、标准残差网络与压缩感知算法，在研究的所有方案中达到最优。进一步的，CLCNN网络结构采用卷积层，由于卷积层权值复用等优点，因而在性能上远超过全连接网络，而参数数量却比全连接网络少很多。同时因为对网络结构的重新设计，使得网络收敛速度远超过标准残差网络，能很好地应用于场景。进一步的，通过设置合理的正则化系数α，可以通过正则化减少过拟合，提升网络的测试准确率，使网络在使用时有更好的准确率。进一步的，物联网场景采用grant-free直接单方向发送的方式，相对于自由接入等需要基站管理的方式更加简单。检测过程中先用网络检测用户，然后把大规模接入问题简化为少量几个用户的信道估计问题，这样相对于用网络直接估计信道的方式来说，需要的训练数据是用户的激活向量而非信道向量，具有完全的可实现性。有些论文的方案使用信道向量的数据，这在实际中不可实施，因为信道向量的是不可知的。综上所述，本专利技术检测方法具有高性能、训练与检测速度快、完全的可实施性的特点。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明图1为本专利技术的系统模型图；图2为本专利技术的深层网络的网络块结构图；图3为本专利技术的深层网络的整体结构图；图4为本专利技术方案在训练过程中的损失函数随训练次数变本文档来自技高网...

【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