BriefGPT - AI 论文速递
·
大规模机器类通信中的 RACH 流量预测
💡
原文中文，约500字，阅读约需1分钟。
📝
内容提要
本文研究了使用单相不相干方案进行大规模机器型通信中的关节设备活动和数据检测。通过深度学习修改的AMP网络，有效利用导联活动相关性来增强检测性能。仿真结果表明，DL-mAMPnet在符号误差率性能方面优于传统算法。
🎯
关键要点
- 研究了单相不相干方案在大规模机器型通信中的应用。
- 数据位嵌入到导联序列中，基站无需显式通道估计即可检测活动设备及其数据位。
- 传统的幅度估计传输（AMP）算法在非相干传输方案中性能不佳。
- 提出了一种深度学习修改的AMP网络（DL-mAMPnet）以提高检测性能。
- DL-mAMPnet结合了AMP算法的数学模型与深度学习的强大能力。
- 引入可训练参数以近似相关稀疏性模式和大规模衰落系数。
- 设计了细化模块以利用相关稀疏性模式的空间特性进一步提升性能。
- 仿真结果显示，DL-mAMPnet在符号误差率性能上显著优于传统算法。
➡️
