一种大规模随机接入活跃性检测及信道估计方法

本发明涉及物联网领域，具体为一种大规模随机接入活跃性检测及信道估计方法。

背景技术：

1、随着物联网广泛应用，物联网设备呈现爆发式增长，据预计到2030年，物联网设备将达到千亿数量级，更高的吞吐量，更广泛的连接，更高的能效，更高的可靠性及更低的延迟无线通信技术发展带来了更多挑战，6g mmtc+场景具有大量设备、零星传输、小数据包等特点，这些特点在授权随机接入时会导致冲突的增加，产生更多的接入失败，显著增加接入延迟。

2、在移动通信系统中，对用户活跃性的准确检测和信道估计是至关重要的任务，它们直接影响着系统资源的分配和网络优化，然而，现有的活跃性检测方法受限于特征提取和模型训练的能力，无法有效地区分真实活跃用户和非活跃用户，导致检测准确性不高。

技术实现思路

1、本发明的目的在于提供一种大规模随机接入活跃性检测及信道估计方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种大规模随机接入活跃性检测及信道估计方法，包括以下步骤：

4、步骤s1，从大规模随机接入网络中采集信号数据，包括频域和时域信息以及与活跃用户标签信息；

5、步骤s2，对采集到的信号数据进行去噪、归一化、采样和特征提取操作，以准备用于模型训练的数据；

6、步骤s3，构建基于深度学习的压缩感知算法网络结构，用于学习信号的稀疏表示，并利用预处理后的信号数据对压缩感知算法模型进行训练，可从原始信号中有效提取稀疏表示；

7、步骤s4，构建序列数据处理的循环神经网络结构，并使用标记数据对构建好的循环神经网络模型进行训练，以学习信道状态和活跃用户的时序模式；

8、步骤s5，将训练好的压缩感知算法和循环神经网络模型结合，并通过联合训练或交替优化对集成模型进行联合优化，以最大化整体性能；

9、步骤s6，准备独立的测试数据集，评估模型在未见过的数据上的性能表现；

10、步骤s7，将训练好的模型部署到实际的6g网络中，用于实时的免授权随机接入活跃性检测和信道估计。

11、进一步的，所述步骤s2中，数据预处理阶段的特征提取包括对信号进行自适应滤波器处理以提取特征；

12、在数据预处理阶段，采用自适应滤波器处理信号以提取特征，自适应滤波器的最小均方算法公式如下：

13、[w(n+1)＝w(n)+\mu\cdote(n)\cdotx(n)]；

14、其中，(w(n))是自适应滤波器的权重向量，(n)是迭代次数，(\mu)是学习率，控制权重更新的步长，(e(n))是预测误差，(e(n)＝d(n)-y(n))，(d(n))是期望输出，(y(n))是实际输出，(x(n))是输入信号的特征向量。

15、进一步的，所述步骤s3中，压缩感知算法训练阶段的网络结构采用基于深度学习的自编码器，其中，编码器部分使用卷积神经网络；

16、采用基于深度学习的自编码器进行压缩感知算法的训练，自编码器是由卷积神经网络构建的；

17、自编码器的损失函数为重构误差，采用均方误差来度量：

18、[l(x，\hat{x})＝\frac{1}{n}\sum_{i＝1}^{n}(x_i-\hat{x}_i^2]；

19、其中，(x)是输入信号，(\hat{x})是自编码器的重构输出，(n)是信号维度。

20、进一步的，所述步骤s4中，循环神经网络采用长短期记忆网络，捕获信道状态和活跃用户的时序模式；

21、采用长短期记忆网络来构建循环神经网络结构，用于学习信道状态和活跃用户的时序模式

22、lstm公式如下：

23、[i_t＝\sigma(w_xi}x_t+w_{hi}h_{t-1}+b_i)]；

24、[f_t＝\sigma(w_{xf}x_t+w_{hf}h_{t-1}+b_f)]；

25、[o_t＝\sigma(w_xo}x_t+w_{ho}h_{t-1}+b_o)]；

26、[g_t＝\tanh(w_xg}x_t+w_{hg}h_{t-1}+b_g)]；

27、[c_t＝f_t\odotc_{t-1}+i_t\odotg_t]；

28、[h_t＝o_t\odot\tanh(c_t)]；

29、其中，(i_t)是输入门，(f_t)是遗忘门，(o_t)是输出门，(g_t)是细胞状态的候选值，(x_t)是输入，(h_t)是输出，(c_t)是细胞状态，(\sigma)是sigmoid函数，(\odot)表示逐元素乘法，(w)是权重矩阵，(b)是偏置向量。

30、进一步的，所述步骤s5中，模型集成与联合优化阶段采用生成对抗网络和强化学习相结合的方式进行；

31、模型集成采用生成对抗网络和强化学习相结合的方式进行，生成对抗网络的目标函数包括生成器和判别器的损失：

32、[\min_g\max_dv(d，g)＝\mathbb{e}{x\sim p{data}(x)}[\logd(x)]+\mathbb{e}_{z\sim p_z(z)}[\log(1-d(g(z)))]]；

33、其中，(g)是生成器，(d)是判别器，(p_{data}(x))是真实数据的分布，(p_z(z))是噪声的分布，(d(x))表示判别器给出输入为(x)的数据是真实数据的概率。

34、进一步的，所述步骤s6中，评估模型包括活跃性检测的召回率、精确率和f1值，以及信道估计的均方根误差；

35、活跃性检测评估公式：

36、[recall＝\frac{tp}{tp+fn}]；

37、[precision＝\frac{tp}{tp+fp}]；

38、[f1＝\frac{2\cdot precision\cdot recall}{precision+recall}]；

39、其中，(tp)是真阳性，(fp)是假阳性，(fn)是假阴性；

40、信道估计的评估使用均方根误差：

41、[rmse＝\sqrt{\frac{1}{n}\sum_{i＝1}^{n}(x_i-\hat{x}+_i)^2}]；

42、其中，(x_i)是真实值，(\hat{x}_i)是预测值。

43、进一步的，所述步骤s6中，评估模型阶段还包括对模型进行量化和剪枝，减少模型的存储空间和计算复杂度。

44、与现有技术相比，本发明的有益效果是：

45、1、本发明通过深度学习的压缩感知算法和循环神经网络结合，可以更准确地检测出网络中的活跃用户，因为深度学习模型能够学习复杂的信号特征和时序模式，从而更有效地识别出活跃用户，并且通过模型集成和联合优化，可以进一步提升检测的准确性。

46、2、本发明使用循环神经网络学习信道状态和时序模式，可以更精确地估计信道的情况，长短期记忆网络在捕获时序模式方面表现出色，能够有效地处理信号的动态特征，从而提高信道估计的准确性和鲁棒性。

47、3、本发明采用生成对抗网络和强化学习相结合的方式进行模型集成和联合优化，可以使得整体模型更加高效，并且可以充分利用各模型的优势，提升整体性能，通过针对具体问题定制合适的损失函数和训练策略，进一步提升模型的效率和准确性。