分布式大规模 MIMO 中基于机器学习的前导码碰撞解决
信号处理
2020-12-29 v2
摘要
前导码碰撞是损害免授权随机接入（GFRA）中随机接入（RA）用户设备（UE）性能的瓶颈。本文中，通过利用分布式大规模多输入多输出（mMIMO）与机器学习，提出了一种新颖的基于机器学习的框架方案来解决 GFRA 中的前导码碰撞问题。其核心思想是识别并采用发生碰撞的 RA UE 的邻近接入点（AP）而非所有 AP 来进行数据解码，从而有效抑制碰撞 RA UE 间的相互干扰。为此，我们首先设计了一个定制的深度神经网络（DNN）以实现 GFRA 中的前导码重数估计，并提出了一种能量检测（ED）方法用于性能比较。基于估计的前导码重数，我们进而提出一种 K-means AP 聚类算法，对碰撞 RA UE 的邻近 AP 进行聚类，并组织每个 AP 簇分别解码接收到的数据。仿真结果表明，所提 DNN 能在准确率和可靠性方面实现良好的前导码重数估计，并证实了所提方案在 GFRA 前导码碰撞解决中的有效性，其能在每个碰撞 RA UE 的上行可达速率方面达到近最优性能，并较传统方案有显著性能提升。
引用
@article{arxiv.2006.04314,
title = {Machine Learning Enabled Preamble Collision Resolution in Distributed Massive MIMO},
author = {Jie Ding and Daiming Qu and Pei Liu and Jinho Choi},
journal= {arXiv preprint arXiv:2006.04314},
year = {2020}
}
备注
31 pages, 7 figures