[發明專利]基于深度學習的MMTC系統的多節點接入檢測和信道估計方法

有效

• 申請號: 201711021155.3
• 申請日: 2017-10-26
• 公開（公告）號: CN107743103B
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 陳為;白艷娜
• 申請（專利權）人: 北京交通大學
• 主分類號: H04L25/02
• 分類號: H04L25/02;H04W4/70
• 代理公司: 11255 北京市商泰律師事務所
• 代理人: 黃曉軍

1.一種基于深度學習的MMTC系統的多節點接入檢測和信道估計方法，其特征在于，包括：

S1：數據集準備；

根據通信系統MMTC所采用的調制方案，確定每個節點的導頻序列并生成相應的卷積矩陣，確認每個節點服從標準正態分布的信道沖擊響應，得到信道矩陣；

設置節點活躍度，由活躍節點的信道沖擊響應和卷積矩陣生成輸入數據，利用所述輸入數據生成用于訓練深度神經網絡的訓練集和驗證集以及用于測試模型精確度的測試集；

S2：訓練深度學習模型；

構建深度神經網絡模型DNN和塊閾值神經網絡模型BRNN，并將所述訓練集運用算法對所述DNN和BRNN進行訓練，并在每個訓練周期結束時通過所述驗證集進行驗證，用于調整訓練方法，保存訓練完成的DNN和BRNN模型；

S3：活躍節點檢測；

使用測試集測試所述保存的DNN和BRNN模型檢測活躍節點的準確率，輸出活躍節點信息；

S4：信道估計；

根據S3中輸出的活躍節點信息，運用最小二乘法解線性方程組進行信道估計；

所述S1的數據集準備還包括：

(1)根據MMTC系統中調制方案的星座點集合，確定每個節點的導頻序列，得到所有節點的導頻矩陣S＝[s₁,…,s_k,…]，其中s_k為節點k的導頻序列，對每個節點的導頻序列生成對應卷積矩陣其中，

得到所有節點的卷積矩陣對所述卷積矩陣進行復數域到實數域的變換，得到卷積矩陣其中S_r和S_i分別為的實部和虛部；

(2)確定每個節點的服從標準正態分布的信道沖擊響應為其中L表示該信道的抽頭時延個數，k表示節點，在該信道接收端接收的導頻序列的觀測結果為：其中*表示卷積，n表示加性高斯白噪聲，k表示節點；

(3)設定非活躍節點對所述信道沖擊響應為0值，得到接入信號對應矩陣h，對矩陣h進行復數域到實數域的轉換得到矩陣根據矩陣和卷積矩陣Q得到接收信號矩陣y，在接收信號時加入噪聲，得到混合噪聲的接收信號為訓練模型的輸入數據；

(4)標記活躍節點的序列索引作為訓練標簽，以所述輸入數據和所述訓練標簽的格式按照設定比例生成深度神經網絡模型的訓練集、驗證集和測試集；

所述塊閾值神經網絡模型的結構為在全連接層與激活函數之間增加池化層，池化層的輸出進入激活層并對輸出進行拼接和拉伸，將該拼接和拉伸的結果與全連接層的輸出做點乘，點乘后作為下一層的輸入。

2.根據權利要求1所述的方法，其特征在于，所述S2的訓練深度學習模型，還包括：

模型構建；

利用MMTC通信系統中節點的塊稀疏特性，設計深度神經網絡中的塊閾值結構，該塊閾值結構用于對全連接層輸出進行批歸一化后進行基于塊的閾值限制，分別構建DNN和塊BRNN；

稀疏數據重構；

將所述訓練集運用梯度下降法對所述DNN和BRNN進行訓練，并在每個訓練周期結束后使用所述驗證集對訓練結果進行驗證，根據驗證集的結果調整訓練方法，保存訓練好的模型。

3.根據權利要求2所述的方法，其特征在于，

所述設計深度神經網絡中的塊閾值結構由池化層和激活函數層實現，用于對全連接層的輸出進行批歸一化的輸出數據分割為設定長度的數據塊，所述的數據塊中數據的最大值小于0的，該數據塊全部數據置0，否則該數據塊的數據保持不變，所述設定長度為節點分配的信道向量長度。

4.根據權利要求3所述的方法，其特征在于，

所述深度神經網絡模型為殘余神經網絡模型，包括全連接層、批歸一化層、池化層和交叉熵損失函數層，所述批歸一化層用于避免梯度消失和梯度彌散，所述池化層在所述批歸一化層與激活函數之間，將所述激活函數層與所述批歸一化層的輸出做點乘，點乘后作為叉熵損失函數層的輸入數據，所述輸入數據與信道輸入數據具有相同的塊分布特性。

5.根據權利要求4所述的方法，其特征在于，所述叉熵損失函數層的損失函數為：

其中，l表示標簽集合，p_i表示正確類別的概率，i表示標簽中的活躍節點的索引。