[发明专利]基于深度学习的MMTC系统的多节点接入检测和信道估计方法

权利要求书

1.一种基于深度学习的MMTC系统的多节点接入检测和信道估计方法，其特征在于，包括：

S1：数据集准备；

根据通信系统MMTC所采用的调制方案，确定每个节点的导频序列并生成相应的卷积矩阵，确认每个节点服从标准正态分布的信道冲击响应，得到信道矩阵；

设置节点活跃度，由活跃节点的信道冲击响应和卷积矩阵生成输入数据，利用所述输入数据生成用于训练深度神经网络的训练集和验证集以及用于测试模型精确度的测试集；

S2：训练深度学习模型；

构建深度神经网络模型DNN和块阈值神经网络模型BRNN，并将所述训练集运用算法对所述DNN和BRNN进行训练，并在每个训练周期结束时通过所述验证集进行验证，用于调整训练方法，保存训练完成的DNN和BRNN模型；

S3：活跃节点检测；

使用测试集测试所述保存的DNN和BRNN模型检测活跃节点的准确率，输出活跃节点信息；

S4：信道估计；

根据S3中输出的活跃节点信息，运用最小二乘法解线性方程组进行信道估计；

所述S1的数据集准备还包括：

(1)根据MMTC系统中调制方案的星座点集合，确定每个节点的导频序列，得到所有节点的导频矩阵S＝[s₁,…,s_k,…]，其中s_k为节点k的导频序列，对每个节点的导频序列生成对应卷积矩阵其中，

得到所有节点的卷积矩阵对所述卷积矩阵进行复数域到实数域的变换，得到卷积矩阵其中S_r和S_i分别为的实部和虚部；

(2)确定每个节点的服从标准正态分布的信道冲击响应为其中L表示该信道的抽头时延个数，k表示节点，在该信道接收端接收的导频序列的观测结果为：其中*表示卷积，n表示加性高斯白噪声，k表示节点；

(3)设定非活跃节点对所述信道冲击响应为0值，得到接入信号对应矩阵h，对矩阵h进行复数域到实数域的转换得到矩阵根据矩阵和卷积矩阵Q得到接收信号矩阵y，在接收信号时加入噪声，得到混合噪声的接收信号为训练模型的输入数据；

(4)标记活跃节点的序列索引作为训练标签，以所述输入数据和所述训练标签的格式按照设定比例生成深度神经网络模型的训练集、验证集和测试集；

所述块阈值神经网络模型的结构为在全连接层与激活函数之间增加池化层，池化层的输出进入激活层并对输出进行拼接和拉伸，将该拼接和拉伸的结果与全连接层的输出做点乘，点乘后作为下一层的输入。

2.根据权利要求1所述的方法，其特征在于，所述S2的训练深度学习模型，还包括：

模型构建；

利用MMTC通信系统中节点的块稀疏特性，设计深度神经网络中的块阈值结构，该块阈值结构用于对全连接层输出进行批归一化后进行基于块的阈值限制，分别构建DNN和块BRNN；

稀疏数据重构；

将所述训练集运用梯度下降法对所述DNN和BRNN进行训练，并在每个训练周期结束后使用所述验证集对训练结果进行验证，根据验证集的结果调整训练方法，保存训练好的模型。

3.根据权利要求2所述的方法，其特征在于，

所述设计深度神经网络中的块阈值结构由池化层和激活函数层实现，用于对全连接层的输出进行批归一化的输出数据分割为设定长度的数据块，所述的数据块中数据的最大值小于0的，该数据块全部数据置0，否则该数据块的数据保持不变，所述设定长度为节点分配的信道向量长度。

4.根据权利要求3所述的方法，其特征在于，

所述深度神经网络模型为残余神经网络模型，包括全连接层、批归一化层、池化层和交叉熵损失函数层，所述批归一化层用于避免梯度消失和梯度弥散，所述池化层在所述批归一化层与激活函数之间，将所述激活函数层与所述批归一化层的输出做点乘，点乘后作为叉熵损失函数层的输入数据，所述输入数据与信道输入数据具有相同的块分布特性。

5.根据权利要求4所述的方法，其特征在于，所述叉熵损失函数层的损失函数为：

其中，l表示标签集合，p_i表示正确类别的概率，i表示标签中的活跃节点的索引。