[發(fā)明專利]基于深度學(xué)習(xí)的MMTC系統(tǒng)的多節(jié)點接入檢測和信道估計方法

有效

• 申請?zhí)枺?/td>: 201711021155.3
• 申請日: 2017-10-26
• 公開（公告）號: CN107743103B
• 公開（公告）日: 2020-02-14
• 發(fā)明（設(shè)計）人: 陳為;白艷娜
• 申請（專利權(quán)）人: 北京交通大學(xué)
• 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(wù)所
• 代理人: 黃曉軍

本發(fā)明提供了一種基于深度學(xué)習(xí)的MMTC系統(tǒng)的多節(jié)點接入檢測和信道估計方法，包括：根據(jù)MMTC所采用的調(diào)制方案，確定每個節(jié)點的導(dǎo)頻序列，確定每個節(jié)點的信道沖擊響應(yīng)；按照一定的節(jié)點活躍度生成輸入數(shù)據(jù)，再進(jìn)一步生成用于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和驗證集以及用于測試模型性能的測試集，設(shè)計用于檢測活躍用戶的DNN和BRNN模型并仿真驗證，根據(jù)模型的用戶活躍度檢測結(jié)果運用最小二乘法解線性方程組進(jìn)行信道估計。本發(fā)明提出的信道估計方法在不同的導(dǎo)頻長度和不同的活躍用戶數(shù)目下，用戶接入檢測的準(zhǔn)確率均高于傳統(tǒng)方法，且極大的縮減了節(jié)點接入檢測的時間。

技術(shù)領(lǐng)域

本發(fā)明涉及通信系統(tǒng)中的信道估計技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的MMTC系統(tǒng)的多節(jié)點接入檢測和信道估計方法。

背景技術(shù)

MMTC(Massive Machine-type Communication，大規(guī)模機器間通信)是IoTs(Internets of things，物聯(lián)網(wǎng))的熱點研究問題，主要特點是大批量的接入節(jié)點僅零星的以低數(shù)據(jù)率傳輸小數(shù)據(jù)包。傳統(tǒng)語音通信所使用的蜂窩系統(tǒng)主要是為了高數(shù)據(jù)率和大數(shù)據(jù)包所設(shè)計，節(jié)點和接收端進(jìn)行通信時遵循接入預(yù)約的規(guī)則，MMTC的通信特點決定了該種通信規(guī)則會導(dǎo)致控制包頭信息所占的開銷相對于真正需要發(fā)送的分組信息來說較大，對MMTC通信網(wǎng)絡(luò)的無線資源的占用是一種很大的浪費。

MMTC通信系統(tǒng)中用戶節(jié)點往往在同一時刻進(jìn)行通信的數(shù)量并不多，并且傳輸?shù)臄?shù)據(jù)包也比較小，所以MMTC通信系統(tǒng)是一種稀疏性的通信系統(tǒng)。CS(Compressive Sensing，壓縮感知)理論核心是將一個稀疏或者可壓縮的高維信號通過特定的矩陣變換投影到一個低緯度的空間上，在進(jìn)行信號重建的時候，利用稀疏信號或壓縮過的信號的稀疏性，使用線性或非線性的恢復(fù)算法重建出原始信號。目前，常用的壓縮感知信號恢復(fù)算法包括MP(Matching Pursuit，匹配追蹤)、OMP(Orthogonal Matching Pursuit，正交匹配追蹤)、CoSaMP(Compressive Sampling Matching Pursuit，壓縮采樣匹配追蹤)等。這些算法基本采用循環(huán)迭代優(yōu)化的方式來實現(xiàn)信號的重構(gòu)，重構(gòu)時間受迭代次數(shù)的限制一般較長，且重構(gòu)的精度受測量矩陣的性質(zhì)限制。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于深度學(xué)習(xí)的MMTC系統(tǒng)的多節(jié)點接入檢測和信道估計方法，相比于傳統(tǒng)的壓縮感知恢復(fù)算法，深度學(xué)習(xí)方法具備運算單元算法穩(wěn)定，模型速度較快，網(wǎng)絡(luò)結(jié)構(gòu)可自主學(xué)習(xí)進(jìn)化，且隨著數(shù)據(jù)訓(xùn)練量的增加，系統(tǒng)增益明顯提高。MMTC通信系統(tǒng)的大數(shù)據(jù)量滿足了深度學(xué)習(xí)方法的要求，而深度學(xué)習(xí)的高速度也滿足了MMTC通信的實時性要求。實現(xiàn)提高M(jìn)MTC通信系統(tǒng)中對多節(jié)點接入檢測和信道聯(lián)合估計的速度和準(zhǔn)確率。

為了實現(xiàn)上述目的，本發(fā)明采取了如下技術(shù)方案：

一種基于深度學(xué)習(xí)的MMTC系統(tǒng)的多用戶接入檢測和信道估計方法，包括：

S1：數(shù)據(jù)集準(zhǔn)備；

根據(jù)通信系統(tǒng)MMTC所采用的調(diào)制方案，確定每個節(jié)點的導(dǎo)頻序列并生成相應(yīng)的卷積矩陣，確認(rèn)每個節(jié)點服從標(biāo)準(zhǔn)正態(tài)分布的信道沖擊響應(yīng)，得到信道矩陣；

設(shè)置節(jié)點活躍度，由活躍節(jié)點的信道沖擊響應(yīng)和卷積矩陣生成輸入數(shù)據(jù)，利用所述輸入數(shù)據(jù)生成用于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和驗證集以及用于測試模型精確度的測試集；

S2：訓(xùn)練深度學(xué)習(xí)模型；

構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型DNN和塊閾值神經(jīng)網(wǎng)絡(luò)模型BRNN，并將所述訓(xùn)練集運用算法對所述DNN和BRNN進(jìn)行訓(xùn)練，并在每個訓(xùn)練周期結(jié)束時通過所述驗證集進(jìn)行驗證，用于調(diào)整訓(xùn)練方法，保存訓(xùn)練完成的DNN和BRNN模型；

S3：活躍節(jié)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(jié)點的準(zhǔn)確率；輸出活躍節(jié)點信息；

S4：信道估計；