Compressive Massive Random Access for Massive Machine-Type Communications (mMTC)
在未来的无线网络中,大规模机器类型通信(mMTC)的一个基本挑战在于以低延迟可靠地支持大规模连接。在此背景下,本文提出了一种基于压缩感知(CS)的mMTC大规模随机接入方案,利用固有的零星业务,其中活动设备及其信道可以联合估计与低开销。具体地说,我们考虑在上行链路的大规模随机接入设备采用伪随机导频,这是在CS理论的框架下设计的。同时,在基站(BS)的大规模随机接入,可以制定为稀疏信号恢复问题,通过利用稀疏的性质,活跃的设备。此外,通过利用不同的接收天线和子载波之间的结构稀疏性,我们开发了一个分布式多测量矢量近似消息传递(DMMV-AMP)算法,以进一步提高性能。此外,所提出的DMMV-AMP算法的状态演化(SE)推导出预测的性能。仿真结果表明,该方案的优越性,表现出良好的紧密性与理论SE。
2018-09-12 cs.IT math.IT
Multi-sequence Spreading Random Access (MSRA) for Compressive Sensing-based Grant-free Communication
免授权随机接入(GF-RA)的性能受到可访问的随机接入资源(RR)的数量的限制,由于缺乏冲突解决方案。基于压缩感知(CS)的RA方案以增加发送信号之间的非正交性为代价来按比例增加RR。本文提出了多序列扩频随机接入(MSRA)的设计,它采用多个扩频序列对用户的不同符号进行扩频,而不是传统的用户对每个符号采用相同的扩频序列。我们表明,MSRA提供码分集,使多用户检测(MUD)建模成一个良好的条件多测量向量(MMV)CS问题。码的多样性量化的平均巴贝尔互相关的扩展序列之间的减少。此外,我们提出了一个两阶段的主动用户检测(AUD)计划的宽带和窄带的实现。我们的理论分析表明,MSRA活动误检指数下降,而GF-RA帧的大小增加。最后,模拟结果表明,大约82%的RR利用率增加,即,更多的活跃用户,支持MSRA比传统的方案,同时达到RA失败率下限设置的随机接入冲突。
2021-03-20 cs.IT math.IT
Compressive sensing for dynamic spectrum access networks: Techniques and tradeoffs
我们探讨CS的动态频谱接入(DSA)网络的实际成本和效益。首先,我们回顾了几种快速实用的能量检测技术,并提供了理论保证。我们还定义了实用的指标来衡量这些技术的性能。其次,我们进行全面的实验比较的技术在空中捕获的真实信号。我们的研究结果表明,我们可以显着压缩采集信号,同时仍然准确地确定频谱占用。
2014-02-10 cs.IT cs.NI math.IT
On Improving Throughput of Multichannel ALOHA using Preamble-based Exploration
机器类型通信(MTC)已经被广泛研究以提供物联网(IoT)中的设备和传感器的连接。由于稀疏的活动,随机访问,例如,ALOHA用于MTC以降低信令开销。本文提出了在MTC系统中采用多信道ALOHA探测的方法,在发送数据包之前先发送前导码,最大吞吐量可以提高2 - exp(-1)= 1.632倍。在所提出的方法中,基站(BS)需要向活动用户发送反馈信息,以告知在多个信道中发送的前导码的数量,其可以如在压缩随机接入中那样被可靠地估计。稳态分析也进行了快速重试,这表明,数据包碰撞的概率变得较低,因此,延迟中断概率大大降低了轻负载系统。仿真结果也证实了分析结果。
2020-08-13 cs.IT math.IT
Integrated Sensing and Communications for Unsourced Random Access: A Spectrum Sharing Compressive Sensing Approach
本文针对ISAC系统中的无源随机接入问题,提出基于频谱共享压缩感知的UNISAC方案,通过重叠通信与感知信号,实现比TDMA和ALOHA高20-30 dB的容量增益。
2025-04-24 cs.IT math.IT
A Coupled Compressive Sensing Scheme for Unsourced Multiple Access
本文介绍了一种新的范例无源多址通信问题。这种分而治之的方法利用压缩感知和前向纠错的最新进展来产生计算上高效的算法。在所提出的框架内,每个有源设备首先将其数据划分为几个子块,然后使用系统线性块码添加冗余。然后采用压缩感知技术来恢复子块,并且通过使用低复杂度的基于树的算法将片段连接在一起来获得原始消息。数值结果表明,该方案优于其他现有的实际编码方案。测量的性能位于约$4.3$ ~dB远离Polyanskiy可扩展性限制,这是在没有复杂性约束的情况下获得的。
2018-05-31 cs.IT eess.SP math.IT
Compressive Sensing Based Joint Activity and Data Detection for Grant-Free Massive IoT Access
大规模机器类型通信(mMTC)准备为数十亿物联网(IoT)设备提供无处不在的连接。然而,所需的低延迟的大规模访问需要在随机访问方案的设计中的范式转变,这就需要有效的联合活动和数据检测(JADD)算法。针对大规模接入中突发业务的特点,提出了一种基于信标辅助的时隙免授权大规模接入方案。具体来说,我们扩展的上行链路接入信号在多个子载波与预均衡处理和制定的JADD作为一个多测量矢量(MMV)压缩感知问题。此外,利用多个时隙之间的上行链路大规模接入信号的结构稀疏性,我们开发了两个计算效率高的检测算法,这被称为正交近似消息传递(OAMP)-MMV算法与简化结构学习(SSL)和精确结构学习(ASL)。为了实现准确的检测,期望最大化算法被用来学习稀疏比和噪声方差。为了进一步提高检测性能,应用了信道编码,并开发了基于连续干扰消除(SIC)的OAMP-MMV-SSL和OAMP-MMV-ASL算法,其中在软判决中获得的似然比可以用于细化活动识别。最后,推导了所提出的OAMP-MMV-SSL和OAMP-MMV-ASL算法的状态演化,从理论上预测了算法的性能。仿真结果验证了所提出的解决方案优于各种最先进的基线方案,实现了低延迟随机接入和高可靠的大规模物联网连接。
2021-08-23 cs.IT math.IT
Enhanced Compressive Wideband Frequency Spectrum Sensing for Dynamic Spectrum Access
宽带频谱感知检测未使用的频谱空洞,用于动态频谱接入(DSA)。采样率过高是主要问题。压缩感知(CS)可以用比奈奎斯特采样少得多的随机样本以高概率重构稀疏信号。由于监测信号在频域上是稀疏的,压缩感知可以解决采样负担问题。随机样本可以通过模拟-信息转换器获得。信号恢复可以用公式表示为L0范数最小化和线性测量拟合约束。在DSA中,主无线电的静态频谱分配意味着不同类型的主无线电之间的界限是预先已知的。为了将这一先验信息,我们将整个频谱划分为子部分根据频谱分配政策。在新的优化模型中,每个子段的L2范数的最小化用于局部的聚类分布,而L2范数的L0范数的最小化用于全局的稀疏分布.由于L0/L2优化算法不是凸的,因此提出了一种迭代加权的L1/L2优化算法来逼近L0/L2优化算法,仿真结果表明该算法在精度、去噪能力等方面都优于其他算法。
2012-04-13 cs.IT math.IT
Sparse IDMA: A Joint Graph-Based Coding Scheme for Unsourced Random Access
本文介绍了一种新的通信模式的无源,不协调的高斯多址接入问题。设想框架的主要组成部分如下。每个消息的编码位被分成两组。使用压缩感测方案来发送第一部分,而使用多用户编码方案来传送第二比特集合。压缩感测部分是回避问题的无源方面所带来的一些挑战的关键。压缩感知提供的信息被用来创建有助于联合解码的稀疏随机多址图。这种构造利用了从传统IDMA中吸取的经验教训,为无源设置及其固有的随机性创建低复杂度方案。在联合消息传递解码,该方案提供了现有的低复杂度的替代品相当的性能。数值模拟结果的支持。
2020-11-20 cs.IT math.IT
Compressive Coded Random Access for Massive MTC Traffic in 5G Systems
大规模MTC支持是重要的未来细分市场,但在蜂窝系统中尚未得到有效支持。在本文中,我们跟进最近的概念相结合的先进的MAC协议与压缩感知(CS)为基础的多用户检测。具体来说,我们介绍了一个概念,稀疏的联合活动,信道和数据检测的编码ALOHA(FDMA)协议的背景下。我们认为,简单的稀疏活动和数据检测是不够的(许多论文都是这样做的),因为控制资源是按照数据的顺序排列的。此外,我们将提高这些协议的性能方面的减少所需的资源,用户活动,信道估计和数据检测。我们将相应地对系统进行数学分析,并提供底层稀疏多用户检测器的捕获概率的表达式。最后,我们将提供结构化的CS算法的联合估计方案,并评估其性能。
2017-06-29 cs.IT math.IT
Compressive Sensing-Based Grant-Free Massive Access for 6G Massive Communication
本文综述了面向6G大规模通信的基于压缩感知的免授权大规模接入范式,指出现有随机接入方案的局限,提出从单天线到大规模天线阵列、从单站到协作式大规模MIMO、从无源到有源接入的演进路线图,并讨论了关键挑战与未来方向。
2023-11-12 cs.IT eess.SP math.IT
Compressive Massive Access for Internet of Things: Cloud Computing or Fog Computing?
本文考虑了对免授权大规模接入的支持,解决了大规模用户情况下的主动用户检测和信道估计问题。利用用户活动的稀疏性,将相关问题转化为压缩感知问题,并采用近似消息传递(AMP)算法求解。考虑到多个接入点的协作,针对AMP算法的部署,比较了云计算和雾计算两种处理范式在保证超可靠低延迟接入方面的有效性。对于云计算,接入点之间采用云无线接入网(C-RAN)的方式连接,所有接入点接收到的信号在云基带单元中进行集中和联合处理。而对于雾计算,基于雾无线接入网络(F-RAN),对整个网络的用户活动和相应信道的估计被拆分,并且在用户附近的接入点和雾处理单元处执行相关处理任务。仿真结果表明,与基于传统C-RAN的云计算模式相比,基于F-RAN的雾计算部署具有明显的优越性。
2020-02-07 cs.IT eess.SP math.IT
Compressive Sensing Based Adaptive Active User Detection and Channel Estimation: Massive Access Meets Massive MIMO
针对大规模多输入多输出(MIMO)系统中的大规模接入问题,提出了一种基于压缩感知的自适应主动用户检测和信道估计方案。通过利用大规模连接的用户设备的零星业务和大规模多输入多输出信道的虚拟角域稀疏性,所提出的方案可以支持大规模接入,大大减少接入延迟。具体而言,我们设计了非正交的伪随机导频的上行链路宽带大规模接入,并制定了积极的用户检测和信道估计的问题作为一个广义的多测量矢量压缩感知问题。此外,利用上行信道矩阵的结构稀疏性,提出了一种基于空域或角域信道模型的广义多测量向量近似消息传递(GMMV-AMP)算法,实现了同时进行的活跃用户检测和信道估计。为了联合利用在空间和角度域中呈现的信道稀疏性以增强性能,开发了用于检测活跃用户并以交替方式估计其信道的Turbo-GMMV-AMP算法。最后,提出了一种自适应接入方案,该方案自适应地调整接入时延,以保证在信道稀疏度未知的情况下,实际系统的可靠大规模接入。此外,所提出的GMMV-AMP算法的状态演化推导出预测其性能。仿真结果表明,所提出的主动用户检测和信道估计方案相比,几个基线方案的优越性。
2020-08-03 cs.IT eess.SP math.IT
Compressive Sensing Based Massive Access for IoT Relying on Media Modulation Aided Machine Type Communications
大规模物联网的一个根本挑战在于如何支持大规模机器类型通信(mMTC)。这封信提出了一种基于媒体调制的mMTC解决方案,以提高吞吐量,其中一个大规模的多输入多输出的基站(BS)用于提高检测性能。对于这样的mMTC场景,可靠的活动设备检测和数据解码提出了严重的挑战。通过利用在BS处接收的mMTC的上行链路接入信号的稀疏性,提出了基于压缩感测的大规模接入解决方案来应对这一挑战。具体来说,我们提出了一个块稀疏自适应匹配追踪算法检测的活动设备,从而块稀疏的上行链路接入信号表现出跨连续的时隙和媒体调制符号的结构化稀疏性被用来提高检测性能。此外,一个连续的干扰消除为基础的结构化子空间追踪算法被设想用于有源设备的数据解调,从而在每个时隙中发现的基于媒体调制的符号的结构化稀疏性被利用来提高检测性能。最后,我们的仿真结果验证了所提出的方案比国家的最先进的解决方案的优越性。
2020-05-08 cs.IT eess.SP math.IT
A Power Efficient Sensing/Communication Scheme: Joint Source-Channel-Network Coding by Using Compressive Sensing
我们提出了一个联合源信道网络编码方案,基于压缩感知原理,与AWGN信道(可能包括多址接入和广播)的无线网络,源表现出时间和空间的依赖性。我们的目标是在每个接收器的允许失真水平内提供源的重建。我们通过将源值随机投影到较低维空间来在每个源处执行联合源-信道编码。我们考虑满足限制特征值(RE)条件的源,以及更一般的源,网络的随机性允许映射到低维空间。我们的方法依赖于使用模拟随机线性网络编码。接收器使用压缩感知解码器来重建源。我们的关键见解是,压缩感知和模拟网络编码都保留了压缩感知解码所需的源特性。
2011-10-03 cs.IT math.IT
Coded aperture compressive temporal imaging
Duke University(杜克大学);Fitzpatrick Institute for Photonics(菲茨帕特里克光子学研究所)
我们使用编码孔径的机械平移来实现视频的码分多址压缩。我们目前的实验结果重建在148帧每编码快照。
2013-02-04 cs.CV cs.IT math.IT
Massive Unsourced Random Access Based on Uncoupled Compressive Sensing: Another Blessing of Massive MIMO
我们提出了一种新的算法解决大规模无源随机接入(URA)问题,利用大规模天线阵列提供的丰富的空间维度。本文观察到,空间签名是大规模连接设置中URA的关键。所提出的方案依赖于时隙传输框架,但消除了对级联编码的需要,该级联编码是在耦合压缩感知(CCS)范式的上下文中引入的。实际上,所有现有的基于CCS的URA的工作都依赖于基于内/外树的编码器/解码器来拼接逐时隙恢复的序列。本文采取了不同的路径,利用自然提供的相关性之间的时隙重构的信道的每个用户,以便把它的解码序列。首先通过混合广义近似消息传递(HyGAMP)算法,系统地容纳多天线引起的组稀疏性,获得所需的时隙信道估计和解码序列。然后,基于期望最大化(EM)概念的信道相关性感知聚类框架与匈牙利算法一起使用,通过强制执行两个聚类约束来找到时隙最优分配矩阵,这两个聚类约束是非常具体的问题。然后,通过根据随后的分配矩阵将解码的序列与它们各自的用户相关联来完成拼接。详尽的计算机模拟表明,所提出的方案可以带来性能的改善,在高频谱效率,相比,一个国家的最先进的技术,调查使用大规模的天线阵列的背景下,大规模URA。
2020-09-15 cs.IT eess.SP math.IT
Compressive Sensing for Feedback Reduction in MIMO Broadcast Channels
我们提出了一个广义的反馈模型和压缩感知的机会反馈机制,在MIMO广播信道的反馈资源减少的假设下,上行链路和下行链路信道都经历块瑞利衰落。反馈资源被共享,并且由强用户(即,其信道质量信息高于某个固定阈值的用户)机会性地访问。强用户在所有共享渠道上发送相同的反馈信息。它们由基站经由压缩感测来识别。模拟和数字反馈被认为是。建议的模拟和数字机会反馈方案示出,以实现相同的和速率吞吐量所实现的专用反馈方案,但与反馈信道增长的用户数仅为几何。此外,还存在反馈负载的减少。在模拟反馈的情况下,我们表明,该方案减少了反馈噪声,最终导致更好的吞吐量,而在数字反馈的情况下,该方案在嘈杂的情况下,几乎实现了在一个无噪声的专用反馈的情况下获得的吞吐量。我们还表明,对于一个固定的给定预算的反馈比特,存在一个折衷之间的共享信道的数量和阈值的反馈SINR的准确性。
2009-07-10 cs.IT math.IT
Asynchronous Neighbor Discovery Using Coupled Compressive Sensing
邻居发现范例在物联网网络中得到广泛应用,其中活动设备的数量比总设备数量小几个数量级。设计低复杂度的异步邻居发现方案最近得到了研究界的极大关注。同时,已经针对同步大规模随机接入信道引入了被称为耦合压缩感知的分治框架。这项工作适应这种新的算法的问题,异步邻居发现未知的传输延迟。仿真结果表明,所提出的方案需要更少的传输,以实现类似的国家的最先进的技术的性能水平。
2018-11-02 cs.IT eess.SP math.IT
Joint Domain Based Massive Access for Small Packets Traffic of Uplink Wireless Channel
第五代(5G)通信场景(诸如蜂窝网络和新兴的机器类型通信)将产生大量的小分组。为了支持大规模连接,避免传输小数据包带来的信令开销,提出了一种提高无线上行信道大规模连接传输效率的新方法。该方法将压缩感知和功率域NOMA相结合,特别是该方法既不需要调度也不需要集中式功率分配。分析和仿真结果表明,该方法可以支持2 ~ 3次过载。
2017-04-18 cs.IT math.IT
Robust Detection of Random Events with Spatially Correlated Data in Wireless Sensor Networks via Distributed Compressive Sensing
在本文中,我们利用压缩感知的理论,在密集的传感器网络中执行检测的随机源。当传感器密集部署时,相邻传感器的观测值高度相关,而与远距离传感器对应的观测值相关性较低。因此,在任何给定时间所有传感器的级联观测向量的协方差矩阵可以是稀疏的,其中稀疏结构取决于网络拓扑和相关模型。利用协方差矩阵的稀疏结构,我们开发了一个强大的非参数检测器来检测随机事件的存在,使用在分布式节点收集的数据的压缩版本。我们采用的多址接入信道(MAC)模型与分布式随机投影传感器传输观测,以便在融合中心的压缩版本的意见。通过基于使用压缩数据估计的未压缩数据的协方差信息构建判决统计来执行检测。该方法不需要噪声参数的任何知识来设置阈值,并且当分布的随机投影矩阵变得稀疏时也是鲁棒的。
2017-07-07 cs.IT math.IT stat.CO
Multi-Class Unsourced Random Access via Coded Demixing
无源随机访问(URA)是最近提出的一种适合机器驱动数据传输的通信范式。在原始URA公式中,所有活动设备共享每个数据包的相同比特数。到目前为止,几类设备同时传输的情况很少受到关注。该问题的初始解决方案采取组连续干扰消除的形式,其中首先恢复来自具有更多资源的一类设备的码字,然后解码剩余消息。本文介绍了一种基于近似消息传递的联合迭代译码方法。该框架具有从单类编码压缩感知借用的级联编码结构,并且承认以很少增加的计算复杂性提供性能改进的解决方案。我们的研究结果指出了多类URA和压缩分层之间的新联系。通过数值仿真验证了所设想的算法的性能。
2021-02-15 cs.IT math.IT
Polar Coding and Sparse Spreading for Massive Unsourced Random Access
在本文中,我们提出了一种新的极化编码方案的无源,非协调高斯随机接入信道。我们的方案是基于稀疏扩频,处理干扰噪声和连续干扰消除(SIC)。在发射机侧,每个用户根据某种概率分布从多个选择中随机挑选码长和发射功率来对其消息进行编码,并且交织器将其编码的码字比特扩展到整个传输块。每个用户的编码配置通过压缩感知传输,类似于以前的一些工作。在接收端,在恢复所有用户的编码配置后,应用单用户极化解码和SIC来恢复消息列表。数值结果表明,我们的计划优于所有以前的计划,活跃用户数$K_a\geq 250$,并提供竞争性能的$K_a\leq 225$。此外,我们的计划相比,其他计划有更低的复杂度,因为我们只使用单用户极化编码。
2020-07-11 cs.IT math.IT
Channel Estimation for Opportunistic Spectrum Access: Uniform and Random Sensing
信道统计的知识可以非常有助于做出合理的机会频谱接入决策。因此,期望能够有效且准确地估计信道统计。在本文中,我们研究的问题,最佳地放置在一个时间窗口的检测时间,以获得最佳的估计的参数的开关更新信道。我们特别感兴趣的稀疏感测制度与少量的样本相对于时间窗口大小。利用Fisher信息作为测度,在稀疏性条件下,我们解析地推导出最佳和最差的感知序列。我们还提出了一种方法来获得最好/最坏的序列没有这个条件,使用动态规划的方法。在这两种情况下,最坏的结果是均匀感测序列,其中感测时间在窗口内均匀间隔。这些结果,我们认为,没有先验知识,一个强大的传感策略应该是一个随机化的策略。然后,我们比较不同的随机方案,使用家庭的分布产生的圆形$β$合奏,并提出了一种自适应感知方案,以有效地跟踪随时间变化的信道参数。我们进一步讨论了压缩传感对于这个问题的适用性。
2010-05-14 cs.IT math.IT
Joint Activity Detection and Channel Estimation for Massive IoT Access Based on Millimeter-Wave/Terahertz Multi-Panel Massive MIMO
多面板阵列作为一种最先进的天线封装技术,由于其低成本部署和可扩展配置,非常适合毫米波(mmWave)/太赫兹(THz)系统。但在非均匀阵列结构的情况下,它会导致棘手的信号处理。基于这样的阵列结构在基站,本文研究了一种联合主动用户检测(AUD)和信道估计(CE)方案的压缩感知(CS)的应用于大规模物联网(IoT)。具体而言,通过利用mmWave/THz大规模物联网接入信道的结构化稀疏性,我们首先将基于多面板大规模多输入多输出(mMIMO)的联合AUD和CE问题表示为多测量向量(MMV)-CS问题。然后,我们利用期望最大化(EM)算法来学习先验参数(即,噪声方差和稀疏比),提出了一种正交近似消息传递(OAMP)-EM-MMV算法。我们的仿真结果验证了改进的AUD和CE性能相比,传统的CS为基础的算法所提出的计划。
2022-09-11 cs.IT math.IT
Massive Random Access with Sporadic Short Packets: Joint Active User Detection and Channel Estimation via Sequential Message Passing
本文考虑了上行链路大规模机器类型通信(mMTC)场景,其中大量用户设备连接到基站(BS)。提出了一种新的免授权的大规模随机接入(MRA)策略,同时考虑了零星的用户业务和短数据包的特点。具体地,引入活动检测时间(ADT)和活动检测时段(ADP)的概念,使得可以在一个相干时间内多次执行活动用户检测。通过考虑零星的用户流量和短数据包的功能,我们建模的联合主动用户检测和信道估计问题到一个动态的压缩感知(CS)问题的基础稀疏信号表现出大量的时间相关性。本文建立了一个概率模型来捕捉时间结构,并建立了相应的因素图。设计了一种新的顺序近似消息传递(S-AMP)算法,从一个ADT到下一个ADT顺序执行推理并恢复稀疏信号。然后推导出贝叶斯活动用户检测器和相应的信道估计器。数值结果表明,在我们的场景下,所提出的S-AMP算法提高了主动用户检测和信道估计性能的竞争算法。
2021-02-22 cs.IT math.IT
A Novel Uplink Data Transmission Scheme For Small Packets In Massive MIMO System
智能终端经常产生大量的小长度的数据分组。对于这些分组,遵循传统的介质访问控制(MAC)协议是低效的,因为它们导致服务资源的不良利用。提出了一种基于压缩感知的多址接入方案。我们采用块预编码在时域中,使许多用户的同时传输,这可能是在基站的接收天线的数量甚至更多。我们建立了一个块稀疏系统模型,并采用块正交匹配追踪(BOMP)算法来恢复传输信号。数据恢复保证的条件和数值结果表明,我们的计划是有效的上行链路小包传输。
2014-09-03 cs.IT math.IT
Sketching Datasets for Large-Scale Learning (long version)
Univ Lyon(里昂大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);ENS de Lyon(里昂高等师范学院);UCB Lyon 1(里昂第一大学);Univ Rennes(雷恩大学);IRISA(雷恩信息与自动化系统研究所);GIPSA-lab(格勒诺布尔图像、信号、自动化与控制实验室);Grenoble INP(格勒诺布尔国立理工学院);UGA(格勒诺布尔阿尔卑斯大学);UCLouvain(鲁汶大学);The Ohio State University(俄亥俄州立大学)
本文考虑“压缩学习”,这是一种大规模机器学习的方法,其中数据集在学习之前被大规模压缩(例如,聚类、分类或回归)。特别地,首先通过计算精心选择的非线性随机特征(例如,随机傅立叶特征)并在整个数据集上对它们进行平均。然后从草图中学习参数,而无需访问原始数据集。本文综述了压缩学习的最新进展,包括主要概念和算法,它们与已建立的信号处理方法的联系,现有的理论保证-信息保护和隐私保护,以及重要的开放问题。
2021-06-24 cs.IT cs.LG math.IT
Cooperative Access Schemes for Efficient SWIPT Transmissions in Cognitive Radio Networks
我们研究了时隙认知无线电网络中的联合信息和能量协作方案,该网络具有一个主收发器对和一组辅助收发器对。主发射器被假定为能量收集节点。我们提出了一个三阶段的合作传输协议。在第一阶段期间,主用户将其时隙的一部分释放给次节点以发送它们的数据并从次射频信号为能量收集主发射机供电。在第二阶段期间,主发送器将其数据发送到其目的地和次节点。在第三阶段,次级节点放大并转发初级数据。我们提出了五种不同的方案,二次接入和供电的主要发射机。我们推导出封闭形式的表达式为所有建议的计划的主要和次要的利率。所提出的方案中的两个使用分布式波束成形来为主发射机供电。基于压缩感知原理,设计了一种稀疏感知中继选择方案。我们的数值结果表明,我们提出的计划的主要和次要系统的收益。
2016-12-23 cs.IT cs.NI math.IT
Structured-Sparsity-Aware Joint User Activity Detection and Channel Estimation for OTFS-Based Grant-Free Random Access
Nanyang Technological University(南洋理工大学);State Key Laboratory of Integrated Services Networks, Xidian University(西安电子科技大学集成服务网络国家重点实验室);AUMOVIO Germany GmbH(奥莫维欧德国有限公司);University of California at Davis(加州大学戴维斯分校)
该研究针对高移动性场景下OTFS与GFRA集成的用户活动检测和信道估计难题,提出基于结构化稀疏的SS-EP算法,构建对应框架并通过仿真验证其性能优于现有基准方案。
2026-08-05 cs.IT eess.SP math.IT
Practical approximate projection schemes in greedy signal space methods
Pomona College(波莫纳学院);Univ. of California, Los Angeles(加州大学洛杉矶分校);Harvey Mudd College(哈维穆德学院);Pitzer College(皮泽特学院);Claremont McKenna College(克莱蒙特麦肯纳学院)
本文研究了多种投影方案在不同信号类型中的有效性,并提出新型混合投影方法,优于现有方案。
2014-09-04 cs.IT cs.NA math.IT
One-Shot Messaging at Any Load Through Random Sub-Channeling in OFDM
本文提出 OFDM 随机子信道化与跨时隙联合活动检测方法,证明任意负载下可实现低失败检测和一次性消息传输,并带来约20倍容量提升。
2023-07-13 cs.IT eess.SP math.IT