DeepMuD：基于深度学习的上行免授权 NOMA 物联网网络多用户检测
信息论
2021-02-19 v1 机器学习
math.IT
摘要
在本文中，我们提出了一种深度学习辅助的上行非正交多址（NOMA）多用户检测（DeepMuD），以支持海量机器类通信，其中使用离线训练的长短期记忆（LSTM）网络进行多用户检测。在所提出的 DeepMuD 中，由于它能够利用导频响应执行联合信道估计与多用户检测（其中导频与帧之比非常低），因此也不需要完美的信道状态信息（CSI）。所提出的 DeepMuD 显著改善了上行 NOMA 的误码性能，并优于传统检测器（即使在完美 CSI 下）。此外，随着物联网（IoT）设备数量的增加，这一增益变得尤为显著。而且，所提出的 DeepMuD 具有灵活的检测能力，无论 IoT 设备数量多少，都可以执行多用户检测。因此，可以在无信令开销的情况下服务任意数量的 IoT 设备，从而实现免授权通信。
引用
@article{arxiv.2102.09196,
title = {DeepMuD: Multi-user Detection for Uplink Grant-Free NOMA IoT Networks via Deep Learning},
author = {Ahmet Emir and Ferdi Kara and Hakan Kaya and Halim Yanikomeroglu},
journal= {arXiv preprint arXiv:2102.09196},
year = {2021}
}
备注
Submitted/accepted in IEEE WCL