[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

说明书

本发明提供了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，包括：根据MMTC所采用的调制方案，确定每个节点的导频序列，确定每个节点的信道冲击响应；按照一定的节点活跃度生成输入数据，再进一步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性能的测试集，设计用于检测活跃用户的DNN和BRNN模型并仿真验证，根据模型的用户活跃度检测结果运用最小二乘法解线性方程组进行信道估计。本发明提出的信道估计方法在不同的导频长度和不同的活跃用户数目下，用户接入检测的准确率均高于传统方法，且极大的缩减了节点接入检测的时间。

技术领域

本发明涉及通信系统中的信道估计技术领域，尤其涉及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。

背景技术

MMTC(Massive Machine-type Communication，大规模机器间通信)是IoTs(Internets of things，物联网)的热点研究问题，主要特点是大批量的接入节点仅零星的以低数据率传输小数据包。传统语音通信所使用的蜂窝系统主要是为了高数据率和大数据包所设计，节点和接收端进行通信时遵循接入预约的规则，MMTC的通信特点决定了该种通信规则会导致控制包头信息所占的开销相对于真正需要发送的分组信息来说较大，对MMTC通信网络的无线资源的占用是一种很大的浪费。

MMTC通信系统中用户节点往往在同一时刻进行通信的数量并不多，并且传输的数据包也比较小，所以MMTC通信系统是一种稀疏性的通信系统。CS(Compressive Sensing，压缩感知)理论核心是将一个稀疏或者可压缩的高维信号通过特定的矩阵变换投影到一个低纬度的空间上，在进行信号重建的时候，利用稀疏信号或压缩过的信号的稀疏性，使用线性或非线性的恢复算法重建出原始信号。目前，常用的压缩感知信号恢复算法包括MP(Matching Pursuit，匹配追踪)、OMP(Orthogonal Matching Pursuit，正交匹配追踪)、CoSaMP(Compressive Sampling Matching Pursuit，压缩采样匹配追踪)等。这些算法基本采用循环迭代优化的方式来实现信号的重构，重构时间受迭代次数的限制一般较长，且重构的精度受测量矩阵的性质限制。

发明内容

本发明提供了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，相比于传统的压缩感知恢复算法，深度学习方法具备运算单元算法稳定，模型速度较快，网络结构可自主学习进化，且随着数据训练量的增加，系统增益明显提高。MMTC通信系统的大数据量满足了深度学习方法的要求，而深度学习的高速度也满足了MMTC通信的实时性要求。实现提高MMTC通信系统中对多节点接入检测和信道联合估计的速度和准确率。

为了实现上述目的，本发明采取了如下技术方案：

一种基于深度学习的MMTC系统的多用户接入检测和信道估计方法，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；