深度学习辅助的大规模机器类通信中的用户识别
信息论
2019-07-24 v1 信号处理
math.IT
摘要
在本文中，我们提出一种深度学习辅助的列表近似消息传递（AMP）算法，以进一步改善大规模机器类通信中的用户识别性能。采用神经网络来识别在 AMP 算法第一轮中最可能被误报的可疑设备。该神经网络返回误报似然，并有望学习误报事件的未知特征以及量化导频矩阵中的隐式相关结构。然后，通过采用差错控制编码领域中的列表译码思想，我们提出在第二轮 AMP 算法的每次迭代中强制该可疑设备处于非活跃状态。所提方案能有效抑制由可疑设备引起的干扰，从而改善用户识别性能。仿真表明，与带有最小均方误差去噪器的传统 AMP 算法相比，所提算法改善了恢复稀疏未知信号的均方误差性能。
引用
@article{arxiv.1907.09735,
title = {Deep Learning Assisted User Identification in Massive Machine-Type Communications},
author = {Bryan Liu and Zhiqiang Wei and Jinhong Yuan and Milutin Pajovic},
journal= {arXiv preprint arXiv:1907.09735},
year = {2019}
}
备注
6 pages, 4 figures, accepted by IEEE GLOBECOM 2019