Massive machine-type communications (mMTC) are poised to provide ubiquitous connectivity for billions of Internet-of-Things (IoT) devices. However, the required low-latency massive access necessitates a paradigm shift in the design of random access schemes, which invokes a need of efficient joint activity and data detection (JADD) algorithms. By exploiting the feature of sporadic traffic in massive access, a beacon-aided slotted grant-free massive access solution is proposed. Specifically, we spread the uplink access signals in multiple subcarriers with pre-equalization processing and formulate the JADD as a multiple measurement vector (MMV) compressive sensing problem. Moreover, to leverage the structured sparsity of uplink massive access signals among multiple time slots, we develop two computationally efficient detection algorithms, which are termed as orthogonal approximate message passing (OAMP)-MMV algorithm with simplified structure learning (SSL) and accurate structure learning (ASL). To achieve accurate detection, the expectation maximization algorithm is exploited for learning the sparsity ratio and the noise variance. To further improve the detection performance, channel coding is applied and successive interference cancellation (SIC)-based OAMP-MMV-SSL and OAMP-MMV-ASL algorithms are developed, where the likelihood ratio obtained in the soft-decision can be exploited for refining the activity identification. Finally, the state evolution of the proposed OAMP-MMV-SSL and OAMP-MMV-ASL algorithms is derived to predict the performance theoretically. Simulation results verify that the proposed solutions outperform various state-of-the-art baseline schemes, enabling low-latency random access and high-reliable massive IoT connectivity with overloading.


翻译:大规模机型通信(MMTC)即将为数十亿个互联网测试设备提供无处不在的轨迹变异性连接;然而,所需的低延迟大规模接入要求需要在随机访问计划的设计中进行范式转变,这需要高效的联合活动和数据检测算法。通过利用大规模接入中零星通信的特征,提出了信标辅助定档次无定档的大规模接入解决方案。具体地,我们通过在具有前均匀处理的多子容器中传播了连接信号,并将JADD设计成一个多度测量矢量的 OMV 递增量矢量矢量矢量矢量矢量。此外,为了利用在多个时段中将大型访问信号连通性增强的结构性宽度,我们开发了两种计算高效的检测算法,即随机近似传递信息(OAMMP)-MV算盘算法,以及精确结构学习(SS),为了实现准确的检测,正在利用最大值共算法来学习OSLSL的螺旋流流流流流流流流流流流流率率率,在OSL进行不断的检测活动,从而改进了OSICA的测试。

0
下载
关闭预览

相关内容

压缩感知是近年来极为热门的研究前沿,在若干应用领域中都引起瞩目。 compressive sensing(CS) 又称 compressived sensing ,compressived sample,大意是在采集信号的时候(模拟到数字),同时完成对信号压缩之意。 与稀疏表示不同,压缩感知关注的是如何利用信号本身所具有的稀疏性,从部分观测样本中恢复原信号。
剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
商业数据分析,39页ppt
专知会员服务
159+阅读 · 2020年6月2日
专知会员服务
60+阅读 · 2020年3月19日
Diganta Misra等人提出新激活函数Mish,在一些任务上超越RuLU
专知会员服务
14+阅读 · 2019年10月15日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+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
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年10月13日
Arxiv
0+阅读 · 2021年7月28日
Arxiv
5+阅读 · 2018年10月4日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+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
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员