This work presents a novel framework for random access in crowded scenarios of multiple-input multiple-output(MIMO) systems. A multi-antenna base station (BS) and multiple single-antenna users are considered in these systems. A huge portion of the system resources is dedicated as orthogonal pilots for accurate channel estimation which imposes a huge training overhead. This overhead can be highly mitigated by exploiting intrinsic angular domain sparsity of massive MIMO channels and the sporadic traffic of users, i.e., few number of users are active to sent or receive data in each coherence interval. In fact, the angles of arrivals (AoAs) coming from active users are continuous parameters and can take any arbitrary values. Besides, the AoAs corresponding to each active user are alongside each other forming a specific cluster. This work revolves around exploiting these features. Specifically, a blind clustering-based algorithm is proposed that not only recovers the transmitted data by users in grant free random access and primary pilots in random access blocks of coherent transmission, but also provides accurate channel estimation. Our approach is based on transforming the unknown variables into a higher dimensional space with matrix variables. An off-grid atomic norm minimization is then proposed to obtain the unknown matrix from only a few observed arrays at the BS. Then, a clustering-based approach is employed to identify which AoAs correspond to which active users. After identifying active users and their AoAs, an alternating-based approach is performed to obtain the channels and data or primary pilots of active users. Simulation results demonstrate the effectiveness of our approach in AoA detection as well as data recovery.


翻译:这项工作为多重投入多重产出(MIIMO)系统繁忙的情景下随机访问提供了一个新的框架。 这些系统中考虑的是多anterna基站(BS)和多个单an-antenna用户。 系统资源的一大部分是用于精确的频道估算的正方形实验,这带来了巨大的培训间接费用。 利用大型MIMO频道的内在角域宽度和用户的零星流量可以大大减轻这一间接费用, 也就是说, 很少有用户积极发送或接收每个一致性间隔期间的数据。 事实上, 来自活跃用户的到达点(AoA)角度是连续的参数, 并且可以随意使用任何任意的值。 此外, 与每个活跃用户对应的Aoono Ao AoA 的AoA AoA 与对方一起组成一个特定的集群。 这项工作围绕利用这些特点进行。 具体地说,基于盲组合的算法不仅恢复用户在以免费随机访问和初级访问方式发送的数据, 而且还提供准确的频道估算。 我们的方法是以未知的变量为基础, 将一个未知的基本变量转换成一个更高级的轨道路径, 以A- a orlovelyal oralalalalalalalalalal as as as as as as as as as as the as as as as to the the the as the as a as a as the fake a des the folveolviolviolviolviolviolviolviolveolveold the the the the des as the abild thesmolveild the as the as thesmational as thesmus as as the as as as thes thes thes des thesmold thesal abal abal abal labal lad thesal lad thes as abal ladd thes abal lad thes as a lad thes ad ad lad the a lad a lad thes.

0
下载
关闭预览

相关内容

专知会员服务
32+阅读 · 2021年9月16日
专知会员服务
60+阅读 · 2020年3月19日
专知会员服务
109+阅读 · 2020年3月12日
【快讯】CVPR2020结果出炉,1470篇上榜, 你的paper中了吗?
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
总结-空洞卷积(Dilated/Atrous Convolution)
极市平台
41+阅读 · 2019年2月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Cooperative Localization in Massive Networks
Arxiv
0+阅读 · 2021年10月15日
Arxiv
5+阅读 · 2018年10月4日
Arxiv
6+阅读 · 2018年3月28日
VIP会员
相关VIP内容
专知会员服务
32+阅读 · 2021年9月16日
专知会员服务
60+阅读 · 2020年3月19日
专知会员服务
109+阅读 · 2020年3月12日
【快讯】CVPR2020结果出炉,1470篇上榜, 你的paper中了吗?
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
总结-空洞卷积(Dilated/Atrous Convolution)
极市平台
41+阅读 · 2019年2月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员