基于近端梯度展开的大规模物联网随机接入方法
信号处理
2022-12-06 v1
摘要
免授权随机接入是一项实现低开销、低时延海量接入的有效技术，其中联合活动检测与信道估计（JADCE）是关键问题。尽管现有压缩感知算法可用于 JADCE，但它们通常无法同时具备以下特性：有效的稀疏诱导、快速收敛、对不同时导频序列鲁棒、以及自适应时变网络。为此，我们提出一种基于近端梯度法的 JADCE 展开框架。具体而言，我们将 JADCE 问题表述为组行稀疏矩阵恢复问题，并采用极小极大凹惩罚而非广泛使用的 -范数来诱导稀疏性。随后我们开发了参数化算法迭代的基于近端梯度的展开神经网络。为提升收敛速率，我们将动量引入展开神经网络，并从理论上证明了加速收敛。基于收敛分析，我们进一步开发了自适应调参算法，使其参数适应不同信噪比设置。仿真表明，所提展开神经网络相较当前基线取得了更优的恢复性能、收敛速率与自适应能力。
引用
@article{arxiv.2212.01839,
title = {Proximal Gradient-Based Unfolding for Massive Random Access in IoT Networks},
author = {Yinan Zou and Yong Zhou and Xu Chen and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2212.01839},
year = {2022}
}