[发明专利]MMTC场景下的活跃设备及其使用信道的检测方法

说明书

本发明提供了一种MMTC场景下的活跃设备及其适用信道的检测方法。包括：每个活跃设备选择导频序列组成矩阵，基站通过间距为半波长的均匀阵列天线接收来自活跃设备发送的数据；根据基站的接收信号得到基站的信道状态矩阵，对所述信道状态矩阵进行字典学习得到稀疏信道状态矩阵，利用克罗内克积对所述稀疏信道状态矩阵进行向量化处理，利用改进的BOMP算法得到最终的信道状态矩阵；计算最终的信道状态矩阵的各行的信道能量，将各行的信道能量与设定的信道阈值进行比较，根据比较结果得到各个活跃设备所选的导频情况。本发明可以实现在未知活跃设备数量的情况下，提高MMTC中设备活跃度检测及信道估计的精确度。

技术领域

本发明涉及媒体通信技术领域，尤其涉及一种MMTC(Massive Machine-typeCommunication，大规模机器类通信)场景下的活跃设备及其使用信道的检测方法。

背景技术

MMTC作为5G(fifth-generation，第五代移动通信系统)的三大场景之一，具有大规模的设备数量、小数据包传输、低移动性及低活跃度的特点。传统的基于授权的随机接入方法具有繁琐的信令交互流程，不仅会造成过多的时延，同时控制信息所占的开销对于MMTC的小数据包来讲显得较大，并不适用于MMTC。

为了减少接入的时延，降低信令开销，可以采用免授权的随机接入，活跃设备直接向基站传输数据。由于MMTC存在海量设备间歇性发送数据的特性，将非活跃设备的发送数据看做零，则所有用户的发送数据为稀疏信号。因此，基站可以利用数据存在的稀疏性采用CS(Compressive Sensing，压缩感知)算法重建出原始数据。CS的核心思想是将一个稀疏或者可压缩的高维信号通过特定的矩阵变换投影到一个低纬度的空间上，在进行信号重建的时候，利用稀疏信号或压缩过的信号的稀疏性，使用线性或非线性的恢复算法重建出原始信号。经典的压缩感知信号恢复算法包括OMP(Orthogonal Matching Pursuit，正交匹配追踪)、CoSaMP(Compressive Sampling Matching Pursuit，压缩采样匹配追踪)、SP(Subspace Pursuit,子空间追踪)。

当基站具有多天线时，活跃设备的信道由于活跃设备与基站的距离及角度原因，在角度域呈现稀疏特性，而该角度域的稀疏特性有利于信道的检测。字典学习(DictionaryLearning)和稀疏表示(Sparse Representation)统称为稀疏字典学习(SparseDictionary Learning)。字典学习是对样本进行学习，目的是寻求最佳的字典能够将样本稀疏表示，即在所求的字典下，有更少的系数表征样本集。通过对信道进行字典学习，找出信道更为稀疏的形式，利用更稀疏的变换结果参与信道检测，从而达到对信道检测性能的增强。

现有技术中的OMP算法在MP(Match Pursuit,匹配追踪算法)基础上进行残差正交化处理，增强了算法的收敛性，但由此也带来了较高的复杂度。CoSaMP和SP算法都是对OMP的一种改进，每次迭代选择多个原子，同样没有解决复杂度过高导致较高时延的问题，并且信号重构概率不高。SAMP提出了一种只需要设置步长和停止条件，不需要输入稀疏度就可估计信号的算法，解决了未知活跃设备数的情况下仍能够求解信号的问题，但步长的选择限制了算法精度和效率。

发明内容

本发明实施提供了一种MMTC场景下的活跃设备及其使用信道的检测方法，以实现在未知活跃设备数量的情况下，提高MMTC中设备活跃度检测及信道估计的精确度。

为了实现上述目的，本发明采取了如下技术方案。

一种MMTC场景下的活跃设备及其使用信道的检测方法，设置MMTC场景下基站覆盖的小区内共有台设备，基站配备有M根均匀阵列天线,且每一根天线间距为半波长，而每台设备均只有一根天线。其中同一时段只有台活跃设备向基站传输数据，所述台活跃设备与基站间的距离及角度均服从随机分布，所述方法包括；