[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

说明书

本发明公开了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，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做信道估计，把所有用户的导频序列矩阵、信道矢量和用户活动性分别放在同一个矩阵中进行优化得到基站接收的信号；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，把接收到的信号输入深度学习网络估计出激活向量；收集或生成数据，分为训练集与测试集，把接收到的信号输入网络，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。本发明具有高性能、训练与检测速度快、完全可实施性特点。

技术领域

本发明属于无线通信技术领域，具体涉及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。

背景技术

物联网(Internet of Things,IoT)被看作信息领域一次重大的发展和变革机遇，并有望带来革命性变革。但IoT也与传统通信有着明显的区别。例如，大规模物联网的特点是大量用户零星地发送很小的包，这与传统蜂窝通信不同。

大规模物联网的用户检测是物联网面临的一个具有挑战性的问题。大量用户的接入使得传统用户检测方案的复杂度过高而难以使用，而大规模物联网的稀疏性是该网络的一个关键点。目前对稀疏性的解决方法主要是压缩感知(Compressed Sensing，CS)和深度学习(Deep Learning,DL)。压缩感知虽然能利用稀疏性减少复杂度，但其性能与复杂度还有很大的改进空间。

深度学习就是深层次的神经网络，也就是深度神经网络。深度学习依靠包含大量神经元的非线性深层网络结构，能够对复杂函数逼近，进而实现从样本集中学习到数据集本质特征的能力。深度学习目前取得了很大的成就，但也伴随着很多的挑战。就应用来看，深度学习主要集中在图像、自然语言处理等领域，目前热门的卷积神经网络也主要是因为在这些领域取得较大成功而被人们所关注。深度学习在各个领域的应用虽然也在不断发展，但广泛程度与特定网络的发展仍然很有限。这既是挑战也是机遇，把深度学习应用于通信领域是很有前景的研究，而研究适用于通信领域的网络结构，则更是能推动通信行业在新时代的发展。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供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，在多用户检测与信道估计中具有更好的性能，在网络训练过程中也更快地能达到收敛。

本发明采用以下技术方案：

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，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_k、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；

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。

具体的，步骤S1中，基站接收的信号y为：

y＝SAh+n＝Sx+n

其中，S为，为，x＝Ah是对应于活动用户的有n个非零块的块稀疏向量；n是加性高斯白噪声。

进一步的，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：