[论文解读] Deep Learning Based Fast Multiuser Detection for Massive Machine-Type Communication

Yanna Bai, Bo Ai+1 more|arXiv (Cornell University)|Jul 3, 2018

Sparse and Compressive Sensing Techniques参考文献 16被引用 3

一句话总结

该论文提出了一种基于深度学习的多用户检测（MUD）框架——块限制神经网络（BRNN），用于大规模机器类型通信（MTC）系统，以实现对间歇性活跃用户的快速、低延迟检测。通过集成一种新颖的块限制激活单元，该单元利用了块稀疏信号结构，BRNN相较于传统的压缩感知算法（如OMP和BOMP）将计算时间减少了10倍以上，同时显著提升了检测和信道估计的准确性。

ABSTRACT

Massive machine-type communication (MTC) with sporadically transmitted small packets and low data rate requires new designs on the PHY and MAC layer with light transmission overhead. Compressive sensing based multiuser detection (CS-MUD) is designed to detect active users through random access with low overhead by exploiting sparsity, i.e., the nature of sporadic transmissions in MTC. However, the high computational complexity of conventional sparse reconstruction algorithms prohibits the implementation of CS-MUD in real communication systems. To overcome this drawback, in this paper, we propose a fast Deep learning based approach for CS-MUD in massive MTC systems. In particular, a novel block restrictive activation nonlinear unit, is proposed to capture the block sparse structure in wide-band wireless communication systems (or multi-antenna systems). Our simulation results show that the proposed approach outperforms various existing algorithms for CS-MUD and allows for ten-fold decrease of the computing time.

研究动机与目标

• 解决传统基于压缩感知的多用户检测（CS-MUD）在大规模MTC系统中的高计算复杂度问题。
• 降低间歇性、低速率机器类型通信中的用户活动检测与信道估计延迟。
• 利用宽带或多天线系统中固有的块稀疏结构以提升检测性能。
• 开发一种基于深度学习的方法，在离线训练后实现低计算开销的快速推理。
• 在准确性和速度两方面均优于现有稀疏恢复算法（如OMP、IHT）

提出的方法

• 提出一种新颖的块限制激活单元，强制神经网络隐藏层实现分块稀疏性，以建模宽带或多天线系统中信道状态信息（CSI）的块稀疏特性。
• 设计一种集成该激活函数的深度神经网络（BRNN），从压缩信号中联合检测活跃用户并估计信道。
• 使用已知用户活动和信道状态的合成数据离线训练BRNN，以最小化训练时间，实现实时推理。
• 在训练过程中采用交叉熵损失函数以优化用户活动检测，并通过检测成功率监控性能。
• 利用最小均方误差（MMSE）估计器，基于检测到的活跃用户进行信道估计。
• 在相同条件下将BRNN与传统CS算法（OMP、BOMP、IHT、BIHT）及标准DNN进行对比，以实现公平评估。

实验结果

研究问题

• RQ1 具有自定义激活函数的深度学习模型是否能在大规模MTC中实现比传统迭代稀疏恢复算法更高的检测速度和准确性？
• RQ2 所提出的块限制激活单元在捕捉多用户检测中块稀疏信号结构方面的有效性如何？
• RQ3 与传统CS-MUD方法相比，BRNN在计算延迟方面降低了多少？
• RQ4 在不同活跃用户数量和导频长度下，BRNN是否能保持或提升检测与信道估计的准确性？
• RQ5 BRNN是否能在无需重新训练的情况下泛化到不同系统配置？

主要发现

• 与OMP和BOMP相比，BRNN的平均计算时间减少了10倍以上，单样本推理时间约为2.58×10⁻⁴秒。
• BRNN收敛速度更快，训练损失更低，表明由于引入了块稀疏先验知识，其学习效率优于标准DNN。
• 在所有测试配置中，BRNN均实现了最高的活跃用户检测成功率，显著优于OMP、BOMP、IHT、BIHT和DNN，尤其在用户激活概率较高时表现更优。
• 在所有测试场景中，BRNN在信道估计方面实现了最低的均方误差（MSE），表明其信道估计精度更优。
• 无论导频长度（Ns = 30, 40, 50）或活跃用户数（n = 3, 4, 6）如何变化，BRNN的性能均保持稳定，验证了其鲁棒性。
• 与IHT和BIHT等迭代算法不同，BRNN的性能不受迭代次数限制，无需大量迭代即可收敛。