【技术实现步骤摘要】
一种基于深度学习的联合设备检测和信道估计方法
本专利技术涉及无线通信领域，尤其涉及一种基于深度学习的联合设备检测和信道估计方法。
技术介绍
大规模机器式通信是6G无线网络的三种主要应用场景之一。它的关键性的特点是无线网络需要支持大规模的无线终端的同时接入，同时网络中的终端的激活模式通常是间歇的。因为在每个时隙内，仅有少部分的终端处于激活状态，从而与基站通信。其他设备为了节省能量而暂时处于休眠状态，它们只有在受到外部事件触发时才会被激活。激活的终端在每个时隙的开始阶段同时向基站发射导频序列，基站通过激活检测和信道估计算法，得知哪些终端处于激活状态并获得其相应的信道状态信息。然后在每个时隙的剩余长度内，基站和激活的终端之间再进行上行和下行数据交互。由于深度学习具有较强的数据学习能力，它已成功地应用于计算机视觉、自动语音识别和自然语言处理领域。近年来，数据驱动型的机器学习也已经在无线通信中得到了广泛的应用，如信道估计，信道反馈和信道编码。在终端检测和信道估计问题上，完全连接的深神经网络(DNN)已经被嵌入到大规模机器类型通...
【技术保护点】
1.一种基于深度学习的联合设备检测和信道估计方法，其特征在于包括如下步骤：/n1)在每个长度为T的时隙的开始阶段，所有激活的终端设备同时向基站发送长度为L的导频序列；/n2)基站接收到导频序列后，基于一种数据分解方法，将接收信号从高维空间映射到低维空间，以降低算法复杂度；/n3)在低维空间，基站基于近似消息传递算法，构建出一个基于深度学习的检测器；/n4)基站得到基于深度学习的检测器后，基于反向传播方式逐层训练模型中的未知参数；/n5)基站将训练好的参数代入步骤3)中的检测器里，检测出激活的终端设备，并估计出激活终端设备的信道状态信息；/n6)在每个时隙剩余的长度T-L的时...
【技术特征摘要】
1.一种基于深度学习的联合设备检测和信道估计方法，其特征在于包括如下步骤：
1)在每个长度为T的时隙的开始阶段，所有激活的终端设备同时向基站发送长度为L的导频序列；
2)基站接收到导频序列后，基于一种数据分解方法，将接收信号从高维空间映射到低维空间，以降低算法复杂度；
3)在低维空间，基站基于近似消息传递算法，构建出一个基于深度学习的检测器；
4)基站得到基于深度学习的检测器后，基于反向传播方式逐层训练模型中的未知参数；
5)基站将训练好的参数代入步骤3)中的检测器里，检测出激活的终端设备，并估计出激活终端设备的信道状态信息；
6)在每个时隙剩余的长度T-L的时长内，基站利用信道估计值与激活设备进行上行和下行的数据交互。
2.根据权利要求1所述的一种基于深度学习的联合设备检测和信道估计方法，其特征在于步骤2)中的数据分解方法为：
首先基站对接收到的信号Y进行奇异值分解：其中Ssd为酉矩阵，Vsd为奇异值矩阵，为酉矩阵；然后得到其中是Ssd的前re列，是由Vsd的左上角re×re个元素构成的方阵，其中re是需要检测的未知信号的秩；接下来通过取的前re行得到U；数据分解满足并且V的秩为re，并且UUH＝I，其中I为单位矩阵，M为基站天线数目。
3.根据权利要求1所述的一种基于深度学习的联合设备检测和信道估计方法，其特征在于步骤3)中所述的基于深度学习的检测器为：
3.a)设置和为第t层网络的训练参数，其中为第t层网络中第n个终端设备的功率调节参数，为第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的概率值，为第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的高斯分布方差；下标n∈{1,2,…,N}表示第n个终端设备，N为终端设备总数，下标j∈{1,2,…,J}表示伯努利-高斯混合分布中的第j个分量，J为总的分量数；
3.b)在第t层网络中，对任意的依次迭代更新残差Rt+1、噪声变量中间变量和第n个终端设备的状态向量估值
首先，更新
其中函数g′t,n的计算方法为：
式中，St为低维空间未知信号的估值，Rt为第t次迭代的残差，为第t次迭代的噪声变量，为第t次迭代的中间变量，为第t次迭代的训练参数，第t次迭代的方差为中间变量代表变量符合0均值且方差为的正态分布，中间变量代表变量符合0均...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。