[发明专利]一种大规模物联网中基于卷积残差网络的多用户检测方法

权利要求书

1.一种大规模物联网中基于卷积残差网络的多用户检测方法，其特征在于，包括以下步骤：

S1、假定所有帧的接收都是同步的，每个用户使用不同的导频序列s_k做信道估计，k＝1,...,K，把所有用户的导频序列矩阵S_all、信道矢量h_k和用户活动性a_k分别放在同一个矩阵中进行优化，得到基站接收的信号y，用y重建x，同时检测激活用户和估计这些用户的信道，优化问题为：

其中，||·||₀表示0范数，L为信道向量的维度，n为最大激活用户数；

基站接收的信号y为：

y＝SAh+m＝Sx+m

其中，S为发送信号的矩阵，x＝Ah是对应于活动用户的有n个非零块的块稀疏向量；m是加性高斯白噪声；

S2、设计集中层卷积神经网络CLCNN，用深度学习方法检测激活的用户，把接收到的信号y输入深度学习网络估计出激活向量a；

S3、收集或生成数据，分为训练集与测试集，把接收到的信号y输入网络，使用随机梯度下降优化器进行优化训练，计算损失函数与检测准确率，将大规模接入的信道估计简化为少量激活用户的信道估计，采用最小均方误差法估计出信道，完成多用户检测，具体为：

S301、收集或生成数据，数据集包含导频序列矩阵S_all、大量样本的接收信号y和激活用户向量a；把数据集分为训练集与测试集两部分，比例为10∶1，训练集用于训练网络，测试集用于检验网络是否训练成功；

S302、在网络训练过程中，把接收信号y输入网络，计算输出a_output与数据集样本的激活向量a_actual的偏差，即损失函数J(θ)＝(a_output-a_actual)²，然后使用随机梯度下降优化器进行优化训练；

S303、在测试过程中，把测试样本输入网络，计算损失函数与检测准确率；

S304、在激活向量a估计出来后，将大规模接入的信道估计简化为少量激活用户的信道估计，采用最小均方误差法估计出信道；

多用户检测方法包含一个基站与多个用户，接入方式采用grant-free，多个用户向基站不申请而直接发送信号，在同一帧总共K个用户中只有少数n个用户在发送信号。

2.根据权利要求1所述的方法，其特征在于，步骤S2中，CLCNN网络结构采用卷积层作为计算层，卷积层使用一维卷积，第一层的卷积核大小为7，剩余为3，通道数从64到1028逐段成倍递增；池化层步长为2；全连接网络层的神经元数量为1000个；恒等连接实线是直接相加，虚线是维度变化，用卷积核大小为1的卷积层实现维度变换，对目标函数J_loss(θ)加一个参数范数惩罚Ω(θ)，限制学习器的学习能力，完成CLCNN网络正则化。

3.根据权利要求2所述的方法，其特征在于，CLCNN网络正则化后的目标函数为：

J_final(θ)＝J_loss(θ)+λΩ(θ)

其中，θ是所有参数的集合，λ是正则化系数，Ω(θ)为参数范数惩罚，J_loss(θ)为目标函数。

4.根据权利要求2所述的方法，其特征在于，CLCNN网络的损失函数为：

J_final(θ)＝(a_output-a_actual)²+a∑_iW_i²

其中，a_output为网络的输出，其元素为小数，a_actual为用户的实际激活向量，W_i是网络的权值参数。