基于深度学习的联合稀疏信号恢复与支持恢复及其在MIMO免授权随机接入中的应用
信号处理
2020-09-09 v3 机器学习
摘要
本文研究了多测量向量（MMV）模型中复值信号的联合稀疏信号恢复与联合稀疏支持恢复，这在通信与信号处理的许多应用中均有出现。近期的典型应用包括基于MIMO的免授权随机接入中的信道估计与设备活动检测，该接入方式被提出用于支持物联网（IoT）的大规模机器类通信（mMTC）。利用压缩感知、优化与深度学习技术，我们提出了两种基于实数标准自编码器结构的模型驱动方法。其一是联合设计公共测量矩阵与联合稀疏信号恢复方法，其二是联合设计公共测量矩阵与联合稀疏支持恢复方法。所提模型驱动方法能有效利用稀疏模式特征来设计公共测量矩阵并调整模型驱动解码器，并可大幅受益于具有理论保证的底层最先进恢复方法。因此，所获得的公共测量矩阵与恢复方法能显著优于底层先进恢复方法。我们在基于MIMO的免授权随机接入中的信道估计与设备活动检测上进行了大量数值实验。数值结果表明，所提方法提供的导频序列与信道估计或设备活动检测方法，能以更短计算时间实现比现有方法更高的估计或检测精度。此外，数值结果解释了通过这些方法如何实现此类增益。
引用
@article{arxiv.2008.01992,
title = {Jointly Sparse Signal Recovery and Support Recovery via Deep Learning with Applications in MIMO-based Grant-Free Random Access},
author = {Ying Cui and Shuaichao Li and Wanqing Zhang},
journal= {arXiv preprint arXiv:2008.01992},
year = {2020}
}
备注
16 pages, 12 figures, to appear in JSAC