一种高效精确的基于模型驱动深度学习的JADCE算法制造技术

本发明专利技术属于JADCE算法技术领域，涉及一种高效精确的基于模型驱动深度学习的JADCE算法，GFRA的关键在于实现准确的联合活动检测和信道估计，由于物联网设备的零星流量，这可以被视为典型的稀疏信号恢复问题。为了解决这个问题，可以利用传统的压缩感知算法，然而，存在计算复杂度高以及对不同传感矩阵缺乏鲁棒性的缺点。本文提出了一种用于JADCE的内存增强迭代收缩阈值算法网络框架，通过学习离散化变换和增强残差域信息交互，有效地提高了SSRe的性能。特别地，我们在展开的多级深度网络中引入了高吞吐量的短期内存机制，以保证网络的信息丰富性和可解释性。仿真结果表明，所提出的网络的检测和估计性能方面的显著优势，现有的模型驱动的深度展开网络。

【技术实现步骤摘要】

本专利技术涉及jadce算法领域，尤其是涉及一种高效精确的基于模型驱动深度学习的jadce算法。

技术介绍

1、在智能设备激增和数据流量不断上升的推动下，未来的6g生态系统旨在创建一个庞大而自主的全球网络，能够提供大规模和无限的无线连接。免授权随机接入(gfra)能够以低延迟和信令开销支持大量设备接入，被认为是实现6g物联网(iot)的有前途的技术方案。然而，由于在这种方案中没有信令交互，基站通常必须识别当前活动的设备并估计相应的信道状态信息以用于它们的数据解码。这使得精确的联合活动检测和信道估计(jadce)对于确保gfra中的可靠数据恢复至关重要。

2、通过利用大规模物联网设备的零星流量特性，jadce问题可以重新表述为稀疏信号恢复问题，从而通过压缩感知算法来解决。在这方面，典型的具有成本效益的近似消息传递算法及其演变被用于设备活动检测。然而，这类算法通常依赖于信道先验知识，并且在设备感测矩阵为非高斯或病态的情况下难以收敛。另一种广泛认可的方法是迭代收缩阈值算法(ista，它可以有效地解决ssre问题，特别是对于无线通信系统中常用的确定性信本文档来自技高网...

【技术保护点】

1.一种高效精确的基于模型驱动深度学习的JADCE算法，其特征在于：包括如下算法步骤：

2.根据权利要求1所述的一种高效精确的基于模型驱动深度学习的JADCE算法，其特征在于：所述S1的具体过程为：

3.根据权利要求2所述的一种高效精确的基于模型驱动深度学习的JADCE算法，其特征在于：所述S1-1的具体过程为；

4.根据权利要求1所述的一种高效精确的基于模型驱动深度学习的JADCE算法，其特征在于：所述还包括如下形式：网络的输出被表示为并且通过使用基于阈值的方法来确定设备状态。具体地，第k个设备的激活指示符的估计值由下式给出：其中表示估计状态矩阵，表...

【技术特征摘要】

1.一种高效精确的基于模型驱动深度学习的jadce算法，其特征在于：包括如下算法步骤：

2.根据权利要求1所述的一种高效精确的基于模型驱动深度学习的jadce算法，其特征在于：所述s1的具体过程为：

3.根据权利要求2所述的一种高效精确的基于模型驱动深度学习的jadce算法，其特征在于：所述s1-1的具体过程为；

4.根据权利要求1所述的一种高效精确的基于模型驱动深度学习的jadce算法，其特征在于：所述还包括如下形式：网络的输出被表示为并且通过使用基于阈值的方法来确定设备状态。具体地，第k个设备的激活指示符的估计值由下式给出：其中表示估计状态矩阵，表示s的元素中的最大绝对值，并且v1表示最小信道系数幅度与最大信道系数幅度的比率，最小元素的能量大于或等于统计最小元素能量的re倍，则第k个器件被认为处于激活状态，获得第k个活动设备的信道状态信息<...

【专利技术属性】
技术研发人员：樊渊博，甄立，程露瑶，李舒畅，李明阳，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：