基于深度神经网络且具有理论保证的大规模接入算法展开
信息论
2021-06-22 v1 机器学习
信号处理
math.IT
摘要
大规模接入是物联网（IoT）网络的一项关键设计挑战。在本文中，我们考虑一个具有多天线基站（BS）和大量单天线 IoT 设备的 IoT 网络的上行免授权传输。考虑到 IoT 设备的稀疏性，我们将联合活动检测与信道估计（JADCE）问题表述为一个组稀疏矩阵估计问题。该问题可应用现有压缩感知技术求解，但这些技术要么计算复杂度高，要么缺乏算法鲁棒性。为此，我们提出一种基于深度神经网络的新型算法展开框架，在求解 JADCE 问题时同时实现低计算复杂度与高鲁棒性。具体而言，我们将原始迭代收缩阈值算法（ISTA）映射为一个展开循环神经网络（RNN），从而通过端到端训练提升收敛速率与计算效率。此外，所提算法展开方法继承了 ISTA 的结构与领域知识，从而保持算法鲁棒性，可处理大规模接入中的非高斯前导序列矩阵。借助严格理论分析，我们通过减少冗余训练参数进一步简化了展开网络结构。进而，我们证明简化后的展开深度神经网络结构具有线性收敛速率。基于多种前导签名的广泛仿真表明，所提展开网络在收敛速率、鲁棒性与估计精度上优于现有方法。
引用
@article{arxiv.2106.10426,
title = {Algorithm Unrolling for Massive Access via Deep Neural Network with Theoretical Guarantee},
author = {Yandong Shi and Hayoung Choi and Yuanming Shi and Yong Zhou},
journal= {arXiv preprint arXiv:2106.10426},
year = {2021}
}
备注
15 pages, 15 figures, this paper has been submitted to IEEE Transactions on Wireless Communications