面向非相干大规模机器类通信的模型驱动深度学习
信息论
2023-01-03 v1 机器学习
math.IT
摘要
本文研究采用单阶段非相干方案的大规模机器类通信（mMTC）中的设备活动与数据联合检测，其中数据比特嵌入导频序列，基站无需显式信道估计即可同时检测活跃设备及其嵌入数据比特。由于非相干传输方案引入的相关稀疏模式，传统近似消息传递（AMP）算法无法获得满意性能。因此，我们提出一种深度学习（DL）改进的AMP网络（DL-mAMPnet），通过有效利用导频活动相关性提升检测性能。DL-mAMPnet通过将AMP算法展开为前馈神经网络构建，结合了AMP算法的原则性数学模型与强大学习能力，从而兼具两种技术优势。在DL-mAMPnet中引入可训练参数以近似相关稀疏模式与大尺度衰落系数。此外，设计了一个细化模块，利用相关稀疏模式引起的空间特征进一步提升性能。仿真结果表明，所提DL-mAMPnet在符号错误率性能上显著优于传统算法。
引用
@article{arxiv.2301.00516,
title = {Model-Driven Deep Learning for Non-Coherent Massive Machine-Type Communications},
author = {Zhe Ma and Wen Wu and Feifei Gao and Xuemin and Shen},
journal= {arXiv preprint arXiv:2301.00516},
year = {2023}
}
备注
The paper is submitted to IEEE Transactions on Wireless Communications (TWC)