基于DNN辅助块稀疏贝叶斯学习的免授权非正交随机接入用户活跃检测与信道估计
信息论
2019-10-17 v2 信号处理
math.IT
摘要
在即将到来的物联网（IoT）时代，通信通常具有海量连接、突发传输和小数据包的特征，这对IoT通信协议栈随机接入（RA）机制的时延期望与资源分配效率提出了新要求。本文考虑一种免授权非正交随机接入（NORA）系统，其可同时降低接入时延并以有限资源支持更多机器类通信（MTC）设备。为解决免授权NORA系统中的联合用户活跃检测（UAD）与信道估计（CE）问题，我们提出一种深度神经网络辅助的基于消息传递的块稀疏贝叶斯学习（DNN-MP-BSBL）算法。在DNN-MP-BSBL算法中，迭代消息传递过程从因子图转移到深度神经网络（DNN）。对DNN中的消息施加权重并训练以最小化估计误差。结果表明，训练所得权重可缓解MP-BSBL算法的收敛问题，尤其在拥挤的RA场景中。仿真结果显示，所提DNN-MP-BSBL算法能以更少迭代次数提升UAD与CE精度，表明其在低时延免授权NORA系统中的优势。
引用
@article{arxiv.1910.02953,
title = {DNN-Aided Block Sparse Bayesian Learning for User Activity Detection and Channel Estimation in Grant-Free Non-Orthogonal Random Access},
author = {Zhaoji Zhang and Ying Li and Chongwen Huang and Qinghua Guo and Chau Yuen and Yong Liang Guan},
journal= {arXiv preprint arXiv:1910.02953},
year = {2019}
}
备注
12 pages, 7 figures, accepted by TVT