一种基于稀疏度自适应的带内部署NB-IoT信号恢复方法技术

本发明专利技术为克服基于稀疏机器学习的算法在稀疏度较低时性能降低，以及基于K

【技术实现步骤摘要】
一种基于稀疏度自适应的带内部署NB
‑
IoT信号恢复方法


[0001]本专利技术涉及物联网通信
，更具体地，涉及一种基于稀疏度自适应的带内部署NB
‑
IoT信号恢复方法。

技术介绍

[0002]NB
‑
IoT(Narrowband Internet of Things，窄带物联网)已正式成为5G mMTC(massive machine type communication，大规模机器类通信)场景的通信标准，作为5G生态系统建设和行业应用的先行者，NB
‑
IoT将不可避免地与传统的LTE系统共存。如图1所示，NB
‑
IoT在实际应用中有三种部署模式：独立部署、保护带部署和带内部署。特别地，独立部署意味着NB
‑
IoT独占常规GSM频段的载波；在保护带部署中，NB
‑
IoT利用LTE频段的保护带内未使用的资源块；至于带内部署，NB
‑
IoT占用LTE频段内的资源块。显然，带内部署对NB
‑
IoT和LTE系统的性能影响最大。因此，带内部署NB
‑
IoT系统的性能主要取决于传统LTE干扰的消除程度。
[0003]由于NB
‑
IoT的带宽远远小于LTE，因此NB
‑
IoT信号在频域上是稀疏的，从宽带LTE干扰中恢复NB
‑
IoT信号实质上是一个稀疏恢复问题。随着机器学习成为热门的研究趋势，有研究提出采用交叉熵作为损失函数来实现基于稀疏机器学习的算法(S.Liu,L.Xiao,Z.Han,andY.Tang,“Eliminating NB
‑
IoT interference to LTE system:A sparse machine learning
‑
based approach,”IEEE Internet of Things J.,vol.6,no.4,pp.6919
–
6932,Aug.2019.)。然而，该算法的局限性是当稀疏度较低时，性能会下降。另有研究提出一种基于K
‑
means的NB
‑
IoT信号恢复算法(Y.Guo,P.Wu,and M.Xia,“Recovering NB
‑
IoT signal from legacy LTE interference via K
‑
means clustering,”in IEEE 93rd Vehicular Technology Conference(VTC2021
‑
Spring),2021,accepted.)，提出通过K
‑
means对测量向量与观测矩阵每列向量的相关系数进行聚类来估计NB
‑
IoT可能占据的子载波范围，然后通过一个长度等于NB
‑
IoT信号长度的窗口来定位实际占据的子载波位置。然而，该算法在很大程度上依赖于先验稀疏性知识，而这些知识在实际应用中并不容易获得，尤其当NB
‑
IoT工作在带内部署模式时，接收端通常没有关于NB
‑
IoT信号稀疏性的先验信息，存在一定局限性。

技术实现思路

[0004]本专利技术为克服NB
‑
IoT信号恢复算法中，基于稀疏机器学习的算法在稀疏度较低时性能降低，以及基于K
‑
means算法过于依赖先验稀疏性知识存在一定局限性的缺陷，提供一种基于稀疏度自适应的带内部署NB
‑
IoT信号恢复方法。
[0005]为解决上述技术问题，本专利技术的技术方案如下：
[0006]一种基于稀疏度自适应的带内部署NB
‑
IoT信号恢复方法，包括以下步骤：
[0007]S1：采用K
‑
means聚类算法估计NB
‑
IoT信号可能占据的子载波范围，提出一个简化的非凸优化问题；
[0008]S2：采用SAMP算法对所述非凸优化问题进行求解，得到在忽略稀疏度限制的情况下恢复的支持基I，根据所述支持基I对计数向量f进行更新；
[0009]S3：重复执行S1～S2步骤至达到预设的最大支持基搜索重复次数R
max
，得到完成更新的计数向量f；
[0010]S4：根据所述完成更新的计数向量f恢复满足稀疏度限制的支持基Z
*
，并根据所述支持基Z
*
进一步恢复相应的NB
‑
IoT信号。
[0011]作为优选方案，采用K
‑
means聚类算法估计NB
‑
IoT信号可能占据的子载波范围的步骤包括：
[0012]输入初始观测矩阵W及初始测量向量y2，计算y2和W中各个列向量之间的相关系数γ(i)，其计算公式如下：
[0013][0014]式中，i为观测矩阵W中的列序号，P为观测矩阵W中的列数；
[0015]将所述相关系数γ(i)进行K
‑
means算法进行聚类，得到Q个簇X
q
，其中q＝1,2,...,Q；从获得的Q个簇中确定最优簇，并根据所述最优簇得到最优列序号集合，即得到NB
‑
IoT信号可能占据的子载波范围。
[0016]作为优选方案，所述最优簇X
opt
为拥有最大相关系数均值的簇，其表达公式如下：
[0017][0018]则最优列序号集合Σ
opt
的表达公式如下：
[0019]Σ
opt
＝{i|γ(i)∈X
opt
}。
[0020]作为优选方案，所述非凸优化问题根据所述最优列序号集合进行简化，简化的非凸优化问题的表达公式为：
[0021][0022]式中，表示由最优列序号集合Σ
opt
的列向量组成的子矩阵，表示接收的NB
‑
IoT频域信号，表示恢复的NB
‑
IoT信号。
[0023]作为优选方案，根据所述支持基I对计数向量f进行更新的步骤包括：定义一个全零计数向量f
P
×1在不考虑NB
‑
IoT信号稀疏度的情况下，基于SAMP算法求解得到的支持基I对计数向量f进行更新，其表达公式如下：
[0024][0025]式中，f(j)表示计数向量f中第j个元素。
[0026]作为优选方案，还包括以下步骤：随机扰乱观测矩阵W中的各个列向量，形成新的观测矩阵W'和测量向量y2'，并将其用于重新估计NB
‑
IoT信号可能占据的子载波范围，得到新的最优列序号集合Σ'
opt
，进一步采用SAMP算法对所述简化的非凸优化问题进行更新本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏度自适应的带内部署NB
‑
IoT信号恢复方法，其特征在于，包括以下步骤：S1：采用K
‑
means聚类算法估计NB
‑
IoT信号可能占据的子载波范围，提出一个简化的非凸优化问题；S2：采用SAMP算法对所述非凸优化问题进行求解，得到在忽略稀疏度限制的情况下恢复的支持基I，根据所述支持基I对计数向量f进行更新；S3：重复执行S1～S2步骤至达到预设的最大支持基搜索重复次数R
max
，得到完成更新的计数向量f；S4：根据所述完成更新的计数向量f恢复满足稀疏度限制的支持基Z
*
，并根据所述支持基Z
*
进一步恢复相应的NB
‑
IoT信号。2.根据权利要求1所述的带内部署NB
‑
IoT信号恢复方法，其特征在于，采用K
‑
means聚类算法估计NB
‑
IoT信号可能占据的子载波范围的步骤包括：输入初始观测矩阵W及初始测量向量y2，计算y2和W中各个列向量之间的相关系数γ(i)，其计算公式如下：式中，i为观测矩阵W中的列序号，P为观测矩阵W中的列数；将所述相关系数γ(i)进行K
‑
means算法进行聚类，得到Q个簇X
q
，其中q＝1,2,...,Q；从获得的Q个簇中确定最优簇，并根据所述最优簇得到最优列序号集合，即得到NB
‑
IoT信号可能占据的子载波范围。3.根据权利要求2所述的带内部署NB
‑
IoT信号恢复方法，其特征在于，所述最优簇X
opt
为拥有最大相关系数均值的簇，其表达公式如下：则最优列序号集合Σ
opt
的表达公式如下：Σ
opt
＝{i|γ(i)∈X
opt
}。4.根据权利要求3所述的带内部署NB
‑
IoT信号恢复方法，其特征在于，所述非凸优化问题根据所述最优列序号集合进行简化，简化的非凸优化问题的表达公式为：式中，表示由最优列序号集合Σ
opt
的列向量组成的子矩阵，表示接收的NB
‑
IoT频域信号，表示恢复的NB
‑
IoT信号。5.根据权利要求4所述的带内部署NB
‑

【专利技术属性】
技术研发人员：郭一嘉，伍沛然，夏明华，
申请(专利权)人：中山大学，
类型：发明
国别省市：