大規(guī)模免調(diào)度傳輸中活躍用戶檢測(cè)與信道估計(jì)的關(guān)鍵技術(shù)與創(chuàng)新策略研究一、引言1.1研究背景與意義隨著移動(dòng)通信技術(shù)的飛速發(fā)展，從1G的模擬語(yǔ)音通信到如今5G乃至未來(lái)6G的高速率、低時(shí)延、大連接通信，人們對(duì)通信系統(tǒng)的性能要求不斷提高。特別是在5G時(shí)代，大規(guī)模多輸入多輸出（Multiple-InputMultiple-Output，MIMO）技術(shù)作為提升系統(tǒng)容量和頻譜效率的關(guān)鍵技術(shù)，被廣泛應(yīng)用于基站建設(shè)和網(wǎng)絡(luò)優(yōu)化。大規(guī)模MIMO技術(shù)通過(guò)在基站配置大量天線，能夠同時(shí)服務(wù)多個(gè)用戶，顯著提高了頻譜效率和數(shù)據(jù)傳輸速率，為滿足日益增長(zhǎng)的移動(dòng)數(shù)據(jù)業(yè)務(wù)需求提供了有力支持。在大規(guī)模MIMO系統(tǒng)中，免調(diào)度傳輸（Grant-FreeTransmission）作為一種新型的多址接入方式，逐漸受到關(guān)注。傳統(tǒng)的調(diào)度傳輸方式需要基站為每個(gè)用戶分配資源并進(jìn)行調(diào)度，信令開(kāi)銷較大，且在用戶數(shù)量眾多時(shí)，調(diào)度復(fù)雜度會(huì)顯著增加。免調(diào)度傳輸允許用戶在無(wú)需基站調(diào)度的情況下自主接入信道，大大減少了信令開(kāi)銷，提高了系統(tǒng)的接入效率和靈活性，尤其適用于物聯(lián)網(wǎng)（InternetofThings，IoT）等海量連接場(chǎng)景。在智能工廠中，大量的傳感器和設(shè)備需要實(shí)時(shí)傳輸數(shù)據(jù)，免調(diào)度傳輸能夠快速響應(yīng)這些設(shè)備的接入請(qǐng)求，實(shí)現(xiàn)數(shù)據(jù)的高效傳輸。然而，免調(diào)度傳輸也帶來(lái)了新的挑戰(zhàn)，其中活躍用戶檢測(cè)（ActiveUserDetection）與信道估計(jì)（ChannelEstimation）是兩個(gè)關(guān)鍵問(wèn)題。在免調(diào)度傳輸中，由于多個(gè)用戶同時(shí)自主接入，基站需要準(zhǔn)確檢測(cè)出哪些用戶是活躍的，即正在傳輸數(shù)據(jù)的用戶，這就是活躍用戶檢測(cè)的任務(wù)。同時(shí)，為了正確解調(diào)用戶發(fā)送的數(shù)據(jù)，基站還需要對(duì)每個(gè)活躍用戶的信道狀態(tài)進(jìn)行估計(jì)，因?yàn)闊o(wú)線信道會(huì)受到多徑衰落、多普勒效應(yīng)等因素的影響，信道狀態(tài)會(huì)不斷變化，準(zhǔn)確的信道估計(jì)對(duì)于保證通信質(zhì)量至關(guān)重要。如果基站無(wú)法準(zhǔn)確檢測(cè)活躍用戶，可能會(huì)導(dǎo)致數(shù)據(jù)接收錯(cuò)誤或丟失；而不準(zhǔn)確的信道估計(jì)則會(huì)使解調(diào)后的信號(hào)質(zhì)量下降，影響數(shù)據(jù)傳輸?shù)目煽啃院退俾?。在?shí)際應(yīng)用中，活躍用戶檢測(cè)與信道估計(jì)的準(zhǔn)確性直接關(guān)系到通信系統(tǒng)的性能。在車聯(lián)網(wǎng)中，車輛需要實(shí)時(shí)與基站進(jìn)行通信，以獲取路況信息、實(shí)現(xiàn)自動(dòng)駕駛等功能。如果基站不能準(zhǔn)確檢測(cè)活躍車輛用戶并估計(jì)其信道狀態(tài)，就可能導(dǎo)致車輛接收不到及時(shí)的信息，從而影響行車安全。在智能醫(yī)療領(lǐng)域，遠(yuǎn)程醫(yī)療設(shè)備需要將患者的生理數(shù)據(jù)實(shí)時(shí)傳輸給醫(yī)生，準(zhǔn)確的活躍用戶檢測(cè)和信道估計(jì)能夠保證數(shù)據(jù)的穩(wěn)定傳輸，為醫(yī)生的診斷提供可靠依據(jù)。因此，研究大規(guī)模免調(diào)度傳輸中的活躍用戶檢測(cè)與信道估計(jì)方法具有重要的理論意義和實(shí)際應(yīng)用價(jià)值，對(duì)于推動(dòng)5G及未來(lái)通信技術(shù)的發(fā)展、滿足各種新興應(yīng)用場(chǎng)景的需求具有關(guān)鍵作用。1.2國(guó)內(nèi)外研究現(xiàn)狀在活躍用戶檢測(cè)與信道估計(jì)方法的研究上，國(guó)內(nèi)外學(xué)者取得了一系列有價(jià)值的成果，同時(shí)也存在一些尚待解決的問(wèn)題。國(guó)外方面，早在大規(guī)模免調(diào)度傳輸概念興起之初，貝爾實(shí)驗(yàn)室的研究人員便率先針對(duì)其應(yīng)用場(chǎng)景，展開(kāi)了活躍用戶檢測(cè)與信道估計(jì)相關(guān)理論的探索。他們創(chuàng)新性地提出基于匹配追蹤算法的初步檢測(cè)方案，利用信號(hào)稀疏性原理，在多用戶復(fù)雜信號(hào)環(huán)境下，通過(guò)迭代匹配，逐步識(shí)別出活躍用戶信號(hào)。這一開(kāi)創(chuàng)性的研究為后續(xù)工作奠定了重要理論基礎(chǔ)，啟發(fā)眾多科研團(tuán)隊(duì)在此方向深入挖掘。在信道估計(jì)領(lǐng)域，歐洲的科研團(tuán)隊(duì)聚焦于基于最小均方誤差（MMSE）準(zhǔn)則的估計(jì)算法優(yōu)化。他們通過(guò)對(duì)無(wú)線信道特性的深入剖析，引入先驗(yàn)信息，構(gòu)建更精準(zhǔn)的信道模型，有效提升了MMSE算法在復(fù)雜信道環(huán)境下的估計(jì)精度，在實(shí)驗(yàn)室模擬場(chǎng)景中取得了較好的性能表現(xiàn)。國(guó)內(nèi)的研究同樣成果豐碩。高校和科研機(jī)構(gòu)緊密合作，積極探索適合我國(guó)通信發(fā)展需求的技術(shù)路徑。例如，清華大學(xué)的研究團(tuán)隊(duì)提出一種基于深度學(xué)習(xí)的活躍用戶檢測(cè)與信道估計(jì)聯(lián)合方案。該方案利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性擬合能力，對(duì)接收信號(hào)進(jìn)行特征提取和模式識(shí)別，不僅能夠準(zhǔn)確檢測(cè)活躍用戶，還能實(shí)現(xiàn)信道狀態(tài)的高效估計(jì)，在實(shí)際測(cè)試場(chǎng)景中展現(xiàn)出比傳統(tǒng)方法更優(yōu)的性能。此外，國(guó)內(nèi)學(xué)者還針對(duì)免調(diào)度傳輸中的導(dǎo)頻污染問(wèn)題，提出了基于干擾對(duì)齊和資源分配優(yōu)化的解決方案，通過(guò)合理分配導(dǎo)頻資源和優(yōu)化傳輸功率，有效降低了導(dǎo)頻之間的干擾，提高了活躍用戶檢測(cè)與信道估計(jì)的準(zhǔn)確性。然而，當(dāng)前研究仍存在諸多不足。一方面，現(xiàn)有算法在低信噪比和高用戶密度場(chǎng)景下，性能急劇下降。隨著物聯(lián)網(wǎng)設(shè)備數(shù)量的爆發(fā)式增長(zhǎng)，未來(lái)通信系統(tǒng)將面臨更為復(fù)雜的多用戶干擾和惡劣的信道環(huán)境，現(xiàn)有的檢測(cè)與估計(jì)方法難以滿足可靠性和準(zhǔn)確性要求。另一方面，大多數(shù)研究集中在理想信道模型假設(shè)下，與實(shí)際無(wú)線信道的時(shí)變、多徑衰落等復(fù)雜特性存在差距。實(shí)際信道中，信號(hào)不僅會(huì)受到多徑效應(yīng)導(dǎo)致的信號(hào)衰落和畸變，還會(huì)受到移動(dòng)終端高速移動(dòng)帶來(lái)的多普勒頻移影響，使得信道狀態(tài)瞬息萬(wàn)變，現(xiàn)有的算法難以適應(yīng)這種復(fù)雜多變的信道條件。此外，在算法復(fù)雜度與性能平衡方面，也有待進(jìn)一步優(yōu)化。部分算法雖然在性能上表現(xiàn)出色，但計(jì)算復(fù)雜度極高，對(duì)硬件計(jì)算資源要求苛刻，難以在實(shí)際通信設(shè)備中實(shí)現(xiàn)實(shí)時(shí)處理，限制了其工程應(yīng)用推廣。1.3研究目標(biāo)與創(chuàng)新點(diǎn)本研究旨在攻克大規(guī)模免調(diào)度傳輸中活躍用戶檢測(cè)與信道估計(jì)的難題，通過(guò)深入剖析現(xiàn)有方法的不足，結(jié)合前沿技術(shù)，提出一套高效、準(zhǔn)確的解決方案，以提升通信系統(tǒng)在復(fù)雜場(chǎng)景下的性能。具體目標(biāo)包括：一是在低信噪比和高用戶密度等復(fù)雜場(chǎng)景下，實(shí)現(xiàn)對(duì)活躍用戶的高精度檢測(cè)，降低誤檢率和漏檢率，使檢測(cè)準(zhǔn)確率達(dá)到95%以上。通過(guò)優(yōu)化算法，增強(qiáng)其對(duì)微弱信號(hào)和多用戶干擾的魯棒性，確保在信號(hào)質(zhì)量不佳、用戶數(shù)量眾多時(shí)，基站仍能準(zhǔn)確識(shí)別出正在傳輸數(shù)據(jù)的用戶。二是提高信道估計(jì)的精度和時(shí)效性，使估計(jì)誤差降低30%，并能快速跟蹤信道狀態(tài)的動(dòng)態(tài)變化。充分考慮實(shí)際無(wú)線信道的時(shí)變、多徑衰落等復(fù)雜特性，構(gòu)建更貼合實(shí)際的信道模型，利用先進(jìn)的信號(hào)處理技術(shù)，實(shí)現(xiàn)對(duì)信道參數(shù)的快速、準(zhǔn)確估計(jì)。三是在保證性能的前提下，降低算法復(fù)雜度，將計(jì)算時(shí)間縮短20%，使其滿足實(shí)際通信設(shè)備的實(shí)時(shí)處理要求。通過(guò)改進(jìn)算法結(jié)構(gòu)、引入高效的計(jì)算方法，減少算法運(yùn)行所需的計(jì)算資源和時(shí)間，推動(dòng)研究成果在實(shí)際通信系統(tǒng)中的廣泛應(yīng)用。本研究的創(chuàng)新點(diǎn)主要體現(xiàn)在技術(shù)路線和方法上。在技術(shù)路線方面，摒棄傳統(tǒng)單一技術(shù)的局限性，采用多技術(shù)融合的方式。將壓縮感知理論與深度學(xué)習(xí)技術(shù)相結(jié)合，利用壓縮感知在處理稀疏信號(hào)方面的優(yōu)勢(shì)，對(duì)接收信號(hào)進(jìn)行初步處理，提取關(guān)鍵信息；再借助深度學(xué)習(xí)強(qiáng)大的特征學(xué)習(xí)和模式識(shí)別能力，進(jìn)一步分析處理信號(hào)，實(shí)現(xiàn)活躍用戶檢測(cè)與信道估計(jì)。這種融合方式能夠充分發(fā)揮兩種技術(shù)的長(zhǎng)處，提升整體性能。在方法創(chuàng)新上，提出基于稀疏貝葉斯學(xué)習(xí)的活躍用戶檢測(cè)算法和基于遞歸神經(jīng)網(wǎng)絡(luò)的信道估計(jì)方法。基于稀疏貝葉斯學(xué)習(xí)的算法，通過(guò)構(gòu)建合適的先驗(yàn)?zāi)Ｐ?，能夠更?zhǔn)確地挖掘信號(hào)的稀疏特性，在多用戶干擾環(huán)境下，有效提高活躍用戶檢測(cè)的準(zhǔn)確性?；谶f歸神經(jīng)網(wǎng)絡(luò)的信道估計(jì)方法，利用遞歸神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間序列數(shù)據(jù)的處理能力，能夠更好地捕捉信道狀態(tài)隨時(shí)間的變化規(guī)律，實(shí)時(shí)更新信道估計(jì)結(jié)果，顯著提高信道估計(jì)的時(shí)效性和精度。二、大規(guī)模免調(diào)度傳輸?shù)脑砼c技術(shù)基礎(chǔ)2.1大規(guī)模免調(diào)度傳輸?shù)幕驹泶笠?guī)模免調(diào)度傳輸作為一種革新性的通信技術(shù)，其核心在于允許用戶在無(wú)需等待基站調(diào)度指令的情況下，自主地接入信道并進(jìn)行數(shù)據(jù)傳輸。這一機(jī)制打破了傳統(tǒng)調(diào)度傳輸?shù)墓逃心Ｊ?，在傳統(tǒng)調(diào)度傳輸中，用戶設(shè)備若有數(shù)據(jù)需要傳輸，必須先向基站發(fā)送調(diào)度請(qǐng)求信號(hào)?；驹诮邮盏秸?qǐng)求后，依據(jù)系統(tǒng)的資源狀況、用戶的服務(wù)質(zhì)量需求以及信道條件等多方面因素，對(duì)時(shí)頻資源進(jìn)行細(xì)致的分配，并向用戶反饋上行授權(quán)信息。用戶在獲取到上行授權(quán)后，方能利用分配到的資源進(jìn)行數(shù)據(jù)傳輸。這一過(guò)程中，從用戶發(fā)出調(diào)度請(qǐng)求到最終獲得授權(quán)進(jìn)行數(shù)據(jù)傳輸，存在著多個(gè)交互環(huán)節(jié)，每個(gè)環(huán)節(jié)都伴隨著一定的時(shí)間延遲，這使得傳統(tǒng)調(diào)度傳輸在應(yīng)對(duì)實(shí)時(shí)性要求極高的業(yè)務(wù)時(shí)顯得力不從心。以工業(yè)自動(dòng)化中的遠(yuǎn)程控制場(chǎng)景為例，生產(chǎn)線上的傳感器需要將設(shè)備的運(yùn)行狀態(tài)數(shù)據(jù)實(shí)時(shí)傳輸給控制中心，以實(shí)現(xiàn)對(duì)生產(chǎn)過(guò)程的精準(zhǔn)調(diào)控。在傳統(tǒng)調(diào)度傳輸模式下，傳感器發(fā)出調(diào)度請(qǐng)求后，等待基站調(diào)度和授權(quán)的過(guò)程可能會(huì)導(dǎo)致數(shù)據(jù)傳輸延遲，當(dāng)控制中心接收到數(shù)據(jù)時(shí)，設(shè)備的實(shí)際運(yùn)行狀態(tài)可能已經(jīng)發(fā)生變化，這就無(wú)法及時(shí)對(duì)設(shè)備進(jìn)行有效的控制，可能會(huì)影響產(chǎn)品質(zhì)量，甚至導(dǎo)致生產(chǎn)事故。而大規(guī)模免調(diào)度傳輸則極大地簡(jiǎn)化了這一流程。在免調(diào)度傳輸機(jī)制下，基站預(yù)先為用戶配置好周期性的上行資源，這些資源可以是時(shí)頻資源、碼資源等。當(dāng)用戶有數(shù)據(jù)需要傳輸時(shí)，無(wú)需向基站發(fā)送調(diào)度請(qǐng)求，直接利用預(yù)分配的資源進(jìn)行數(shù)據(jù)傳輸即可。這種方式大大減少了信令交互的次數(shù)，從而顯著降低了傳輸時(shí)延。在智能電網(wǎng)中，大量的電表需要實(shí)時(shí)向電網(wǎng)中心傳輸用電量數(shù)據(jù)。采用免調(diào)度傳輸，電表可以在有數(shù)據(jù)時(shí)立即使用預(yù)分配資源進(jìn)行傳輸，無(wú)需等待調(diào)度，實(shí)現(xiàn)了數(shù)據(jù)的快速上傳，有助于電網(wǎng)中心及時(shí)掌握用電情況，進(jìn)行合理的電力調(diào)配。從數(shù)學(xué)原理的角度來(lái)看，假設(shè)在傳統(tǒng)調(diào)度傳輸中，從用戶發(fā)送調(diào)度請(qǐng)求到獲得授權(quán)的時(shí)間延遲為T_{s}，數(shù)據(jù)傳輸時(shí)間為T_zvfjdnp，則一次完整的數(shù)據(jù)傳輸總時(shí)間T_{total1}=T_{s}+T_v5j9zfn。在大規(guī)模免調(diào)度傳輸中，由于無(wú)需調(diào)度請(qǐng)求和授權(quán)過(guò)程，數(shù)據(jù)傳輸總時(shí)間T_{total2}=T_vbdjr7n。顯然，T_{total2}<T_{total1}，這就直觀地體現(xiàn)了免調(diào)度傳輸在減少時(shí)延方面的優(yōu)勢(shì)。此外，免調(diào)度傳輸還能提高系統(tǒng)的接入效率。在傳統(tǒng)調(diào)度傳輸中，基站需要對(duì)每個(gè)用戶的調(diào)度請(qǐng)求進(jìn)行處理和資源分配，當(dāng)用戶數(shù)量眾多時(shí)，基站的處理負(fù)擔(dān)會(huì)顯著增加，導(dǎo)致調(diào)度延遲增大，甚至可能出現(xiàn)部分用戶長(zhǎng)時(shí)間無(wú)法獲得資源的情況。而免調(diào)度傳輸允許用戶自主接入，用戶可以根據(jù)自身的數(shù)據(jù)到達(dá)情況靈活地使用預(yù)分配資源，無(wú)需等待基站的統(tǒng)一調(diào)度，這使得系統(tǒng)能夠同時(shí)容納更多的用戶接入，提高了系統(tǒng)的接入容量和效率。在物聯(lián)網(wǎng)場(chǎng)景中，大量的智能家居設(shè)備、智能穿戴設(shè)備等需要與網(wǎng)絡(luò)進(jìn)行通信。采用免調(diào)度傳輸，這些設(shè)備可以隨時(shí)接入網(wǎng)絡(luò)，實(shí)現(xiàn)數(shù)據(jù)的快速傳輸，滿足了物聯(lián)網(wǎng)海量連接的需求。2.2相關(guān)技術(shù)基礎(chǔ)在大規(guī)模免調(diào)度傳輸?shù)幕钴S用戶檢測(cè)與信道估計(jì)研究中，壓縮感知理論和信號(hào)處理基礎(chǔ)起著關(guān)鍵作用。壓縮感知理論作為近年來(lái)新興的信號(hào)處理理論，為解決大規(guī)模免調(diào)度傳輸中的稀疏信號(hào)處理問(wèn)題提供了有力工具。傳統(tǒng)的奈奎斯特采樣定理要求采樣頻率必須大于或等于信號(hào)帶寬的兩倍，才能不失真地重構(gòu)原始信號(hào)，這在實(shí)際應(yīng)用中往往導(dǎo)致大量的數(shù)據(jù)采集和處理，造成資源的浪費(fèi)。而壓縮感知理論指出，若信號(hào)在某個(gè)變換域是稀疏的或可壓縮的，就能夠利用一個(gè)與變換基不相關(guān)的觀測(cè)矩陣將變換所得的高維信號(hào)投影到一個(gè)低維空間上，通過(guò)求解凸優(yōu)化問(wèn)題，僅依據(jù)這些少量的觀測(cè)值便可實(shí)現(xiàn)信號(hào)的精確重構(gòu)。在活躍用戶檢測(cè)中，由于活躍用戶在大量潛在用戶中通常呈現(xiàn)出稀疏分布的特點(diǎn)，即只有少數(shù)用戶處于活躍狀態(tài)進(jìn)行數(shù)據(jù)傳輸，這正好滿足壓縮感知理論對(duì)稀疏信號(hào)處理的要求。通過(guò)構(gòu)建合適的觀測(cè)矩陣，基站可以從接收到的混合信號(hào)中獲取少量的觀測(cè)值，再利用壓縮感知的重構(gòu)算法，如正交匹配追蹤（OrthogonalMatchingPursuit，OMP）算法、基追蹤（BasisPursuit，BP）算法等，從這些觀測(cè)值中準(zhǔn)確地恢復(fù)出活躍用戶的信號(hào)，從而實(shí)現(xiàn)活躍用戶的檢測(cè)。OMP算法通過(guò)迭代的方式，每次選擇與殘差相關(guān)性最大的原子，逐步逼近原始信號(hào)的稀疏表示；BP算法則將信號(hào)重構(gòu)問(wèn)題轉(zhuǎn)化為一個(gè)凸優(yōu)化問(wèn)題，通過(guò)求解最小化問(wèn)題來(lái)恢復(fù)信號(hào)。信號(hào)處理基礎(chǔ)中的濾波、變換等技術(shù)也是活躍用戶檢測(cè)與信道估計(jì)的重要支撐。在信道估計(jì)中，由于無(wú)線信道的復(fù)雜性，信號(hào)在傳輸過(guò)程中會(huì)受到多徑衰落、噪聲等因素的干擾，導(dǎo)致接收信號(hào)發(fā)生畸變。為了準(zhǔn)確估計(jì)信道狀態(tài)，需要運(yùn)用信號(hào)處理技術(shù)對(duì)接收信號(hào)進(jìn)行處理?；谧钚《耍↙eastSquares，LS）的信道估計(jì)算法，通過(guò)最小化接收信號(hào)與發(fā)送信號(hào)之間的誤差平方和來(lái)估計(jì)信道參數(shù)，其原理簡(jiǎn)單直觀，但對(duì)噪聲的抑制能力較弱。而基于最小均方誤差（MinimumMeanSquareError，MMSE）的信道估計(jì)算法，充分考慮了噪聲的影響，通過(guò)最小化估計(jì)值與真實(shí)值之間的均方誤差來(lái)獲得更準(zhǔn)確的信道估計(jì)結(jié)果，在噪聲環(huán)境下表現(xiàn)出更好的性能。此外，傅里葉變換、小波變換等變換技術(shù)在信號(hào)處理中也有著廣泛應(yīng)用。傅里葉變換能夠?qū)r(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，便于分析信號(hào)的頻率特性；小波變換則具有良好的時(shí)頻局部化特性，能夠更準(zhǔn)確地捕捉信號(hào)的時(shí)變特征，在處理時(shí)變信道信號(hào)時(shí)具有獨(dú)特優(yōu)勢(shì)。在多徑信道中，信號(hào)會(huì)在不同的時(shí)間延遲上到達(dá)接收端，利用小波變換可以對(duì)不同延遲的信號(hào)分量進(jìn)行分析，從而更準(zhǔn)確地估計(jì)信道的多徑參數(shù)。三、活躍用戶檢測(cè)方法研究3.1現(xiàn)有活躍用戶檢測(cè)方法分析在大規(guī)模免調(diào)度傳輸?shù)难芯款I(lǐng)域中，活躍用戶檢測(cè)作為關(guān)鍵環(huán)節(jié)，已經(jīng)衍生出多種各具特色的方法，這些方法在不同層面上利用信號(hào)特性和信道特征來(lái)實(shí)現(xiàn)對(duì)活躍用戶的識(shí)別，然而，它們也各自存在著一定的局限性。利用同一時(shí)隙將活躍用戶檢測(cè)問(wèn)題建模成壓縮感知問(wèn)題是一種較為常見(jiàn)的思路。其原理基于活躍用戶在大量潛在用戶中呈現(xiàn)出的稀疏分布特性。在大規(guī)模免調(diào)度傳輸場(chǎng)景下，同一時(shí)隙內(nèi)通常只有少數(shù)用戶處于活躍狀態(tài)進(jìn)行數(shù)據(jù)傳輸，這使得活躍用戶的信號(hào)在整個(gè)用戶信號(hào)集合中具有稀疏性。通過(guò)構(gòu)建合適的觀測(cè)矩陣，將接收信號(hào)投影到低維空間，從而將活躍用戶檢測(cè)問(wèn)題轉(zhuǎn)化為壓縮感知中的稀疏信號(hào)重構(gòu)問(wèn)題。以正交匹配追蹤（OMP）算法為例，它在每次迭代過(guò)程中，從觀測(cè)矩陣中選擇與當(dāng)前殘差信號(hào)最匹配的原子，逐步構(gòu)建出稀疏信號(hào)的支撐集，進(jìn)而恢復(fù)出活躍用戶的信號(hào)。在實(shí)際應(yīng)用中，當(dāng)潛在用戶數(shù)量為N，活躍用戶數(shù)量為K（K\llN）時(shí)，這種方法能夠利用少量的觀測(cè)值來(lái)準(zhǔn)確檢測(cè)出活躍用戶，大大減少了數(shù)據(jù)處理量和傳輸開(kāi)銷。然而，這種方法存在一定的局限性。一方面，它對(duì)觀測(cè)矩陣的設(shè)計(jì)要求較高，需要滿足一定的不相干條件，以確保能夠準(zhǔn)確地恢復(fù)稀疏信號(hào)。如果觀測(cè)矩陣設(shè)計(jì)不合理，可能會(huì)導(dǎo)致信號(hào)重構(gòu)誤差增大，從而降低活躍用戶檢測(cè)的準(zhǔn)確率。另一方面，當(dāng)噪聲干擾較大時(shí)，壓縮感知算法的性能會(huì)受到顯著影響。噪聲會(huì)破壞信號(hào)的稀疏性，使得算法在恢復(fù)信號(hào)時(shí)出現(xiàn)誤判，將噪聲誤判為活躍用戶信號(hào)，或者遺漏部分活躍用戶信號(hào)。在實(shí)際的無(wú)線通信環(huán)境中，噪聲是不可避免的，而且噪聲的特性復(fù)雜多變，這就限制了基于壓縮感知的活躍用戶檢測(cè)方法在復(fù)雜噪聲環(huán)境下的應(yīng)用。利用信道統(tǒng)計(jì)特性進(jìn)行活躍用戶檢測(cè)也是一種重要的方法。該方法主要依據(jù)無(wú)線信道的大尺度衰落系數(shù)、小尺度衰落特性以及信號(hào)的協(xié)方差矩陣等統(tǒng)計(jì)信息來(lái)判斷用戶的活躍狀態(tài)。通過(guò)對(duì)接收信號(hào)進(jìn)行分析，提取其中的信道統(tǒng)計(jì)特征，與已知的活躍用戶信道特征進(jìn)行比對(duì)，從而識(shí)別出活躍用戶?；趨f(xié)方差法的活躍用戶檢測(cè)，利用接收信號(hào)的協(xié)方差矩陣與信道統(tǒng)計(jì)特性之間的關(guān)系，通過(guò)對(duì)協(xié)方差矩陣的特征分解等操作，來(lái)檢測(cè)活躍用戶。這種方法在一定程度上能夠利用信道的先驗(yàn)知識(shí)，提高檢測(cè)的準(zhǔn)確性。但是，這種方法同樣存在缺陷。在實(shí)際的無(wú)線通信中，信道狀態(tài)是時(shí)變的，信道統(tǒng)計(jì)特性會(huì)隨著時(shí)間、環(huán)境等因素的變化而發(fā)生改變。如果不能及時(shí)準(zhǔn)確地跟蹤信道統(tǒng)計(jì)特性的變化，就會(huì)導(dǎo)致檢測(cè)結(jié)果的偏差。當(dāng)用戶處于高速移動(dòng)狀態(tài)時(shí)，信道的多普勒頻移會(huì)使信道特性快速變化，基于固定信道統(tǒng)計(jì)特性的檢測(cè)方法可能無(wú)法及時(shí)適應(yīng)這種變化，從而降低檢測(cè)性能。此外，這種方法在數(shù)學(xué)形式上往往存在一些復(fù)雜的約束條件，如不連續(xù)的稀疏條件約束等，現(xiàn)有的處理方法通常是將其松弛為傳統(tǒng)問(wèn)題，但這可能會(huì)導(dǎo)致活躍用戶檢測(cè)結(jié)果變差。3.2基于[創(chuàng)新方法1]的活躍用戶檢測(cè)3.2.1方法的理論基礎(chǔ)本研究提出的活躍用戶檢測(cè)創(chuàng)新方法，核心理論基礎(chǔ)融合了稀疏貝葉斯學(xué)習(xí)與深度學(xué)習(xí)中的注意力機(jī)制。稀疏貝葉斯學(xué)習(xí)作為一種強(qiáng)大的機(jī)器學(xué)習(xí)工具，在處理稀疏信號(hào)時(shí)展現(xiàn)出獨(dú)特優(yōu)勢(shì)。其基于貝葉斯理論框架，通過(guò)為信號(hào)構(gòu)建合適的先驗(yàn)分布，能夠有效地挖掘信號(hào)的稀疏特性。在大規(guī)模免調(diào)度傳輸場(chǎng)景下，活躍用戶在大量潛在用戶中呈現(xiàn)出稀疏分布，即只有少數(shù)用戶處于活躍傳輸狀態(tài)，這使得稀疏貝葉斯學(xué)習(xí)能夠發(fā)揮其特長(zhǎng)，準(zhǔn)確地從混合信號(hào)中識(shí)別出活躍用戶信號(hào)。在一個(gè)包含1000個(gè)潛在用戶的系統(tǒng)中，可能在某一時(shí)刻只有50個(gè)活躍用戶，這種稀疏特性使得稀疏貝葉斯學(xué)習(xí)可以通過(guò)對(duì)信號(hào)的概率建模，精準(zhǔn)地捕捉到活躍用戶的特征。其先驗(yàn)?zāi)Ｐ湍軌蚋鶕?jù)信號(hào)的統(tǒng)計(jì)特性，自動(dòng)調(diào)整參數(shù)，以適應(yīng)不同的信號(hào)稀疏程度，從而提高活躍用戶檢測(cè)的準(zhǔn)確性。與傳統(tǒng)的基于固定閾值的檢測(cè)方法相比，稀疏貝葉斯學(xué)習(xí)能夠更靈活地處理信號(hào)的不確定性，降低誤檢和漏檢的概率。同時(shí)，深度學(xué)習(xí)中的注意力機(jī)制為活躍用戶檢測(cè)提供了新的視角。注意力機(jī)制模擬人類視覺(jué)注意力系統(tǒng)，能夠在處理復(fù)雜信息時(shí)，自動(dòng)聚焦于關(guān)鍵部分，忽略次要信息。在活躍用戶檢測(cè)中，接收信號(hào)包含了來(lái)自多個(gè)用戶的混合信息，以及噪聲干擾等次要信息。引入注意力機(jī)制后，算法可以自動(dòng)學(xué)習(xí)到不同用戶信號(hào)的重要程度，對(duì)活躍用戶信號(hào)賦予更高的權(quán)重，從而增強(qiáng)對(duì)活躍用戶信號(hào)的檢測(cè)能力。在一個(gè)多徑衰落信道中，信號(hào)會(huì)受到多個(gè)路徑的干擾，注意力機(jī)制能夠幫助算法聚焦于信號(hào)的主要路徑，忽略次要路徑的干擾，提高檢測(cè)的準(zhǔn)確性。通過(guò)將稀疏貝葉斯學(xué)習(xí)與注意力機(jī)制相結(jié)合，充分發(fā)揮兩者的優(yōu)勢(shì)，使得本方法在復(fù)雜的大規(guī)模免調(diào)度傳輸環(huán)境下，能夠更有效地檢測(cè)出活躍用戶，提高通信系統(tǒng)的性能。3.2.2數(shù)學(xué)模型建立為了實(shí)現(xiàn)高效準(zhǔn)確的活躍用戶檢測(cè)，構(gòu)建如下數(shù)學(xué)模型。假設(shè)在大規(guī)模免調(diào)度傳輸系統(tǒng)中，基站配備M根天線，共有N個(gè)潛在用戶，其中活躍用戶數(shù)量為K（K\llN）。在每個(gè)傳輸時(shí)隙，用戶發(fā)送導(dǎo)頻序列，基站接收到的信號(hào)可以表示為：\mathbf{Y}=\mathbf{H}\mathbf{X}+\mathbf{W}其中，\mathbf{Y}是M\timesL的接收信號(hào)矩陣，L為導(dǎo)頻序列長(zhǎng)度；\mathbf{H}是M\timesN的信道矩陣，其元素h_{mn}表示第m根天線與第n個(gè)用戶之間的信道增益；\mathbf{X}是N\timesL的發(fā)送信號(hào)矩陣，x_{nl}表示第n個(gè)用戶在第l個(gè)符號(hào)時(shí)刻發(fā)送的信號(hào)，當(dāng)?shù)趎個(gè)用戶為活躍用戶時(shí)，x_{nl}為其發(fā)送的導(dǎo)頻序列元素，否則為0；\mathbf{W}是M\timesL的加性高斯白噪聲矩陣，其元素服從均值為0、方差為\sigma^2的高斯分布?；谙∈柝惾~斯學(xué)習(xí)，為信道向量\mathbf{h}_n（\mathbf{H}的第n列）構(gòu)建高斯-伽馬先驗(yàn)分布：p(\mathbf{h}_n|\alpha_n)\sim\mathcal{N}(\mathbf{0},\alpha_n^{-1}\mathbf{I})p(\alpha_n|\beta_n)\sim\mathcal{G}(\beta_{n0},\beta_{n1})其中，\alpha_n是超參數(shù)，控制信道向量的稀疏性；\beta_{n0}和\beta_{n1}是伽馬分布的參數(shù)。通過(guò)貝葉斯推斷，可以得到超參數(shù)\alpha_n的更新公式，從而估計(jì)信道矩陣\mathbf{H}。為了引入注意力機(jī)制，定義注意力權(quán)重矩陣\mathbf{A}，其元素a_{mn}表示第m根天線對(duì)第n個(gè)用戶信號(hào)的關(guān)注程度。通過(guò)構(gòu)建注意力網(wǎng)絡(luò)，如多層感知機(jī)（MLP），以接收信號(hào)\mathbf{Y}和估計(jì)的信道矩陣\mathbf{\hat{H}}為輸入，輸出注意力權(quán)重矩陣\mathbf{A}。在注意力網(wǎng)絡(luò)中，通過(guò)非線性變換和激活函數(shù)，如ReLU函數(shù)，來(lái)學(xué)習(xí)信號(hào)的特征和重要程度。經(jīng)過(guò)注意力機(jī)制處理后的接收信號(hào)為：\mathbf{Y}^*=\mathbf{A}\odot\mathbf{Y}其中，\odot表示逐元素相乘。基于處理后的信號(hào)\mathbf{Y}^*，進(jìn)一步優(yōu)化活躍用戶檢測(cè)的目標(biāo)函數(shù)，以提高檢測(cè)的準(zhǔn)確性。3.2.3算法流程與實(shí)現(xiàn)基于上述數(shù)學(xué)模型，本研究的活躍用戶檢測(cè)算法流程如下。初始化：初始化超參數(shù)\alpha_n、\beta_{n0}、\beta_{n1}，設(shè)置迭代次數(shù)t=0，最大迭代次數(shù)T。信道估計(jì)：根據(jù)當(dāng)前的超參數(shù)\alpha_n，利用貝葉斯推斷計(jì)算信道矩陣\mathbf{\hat{H}}的估計(jì)值。具體計(jì)算過(guò)程中，通過(guò)對(duì)先驗(yàn)分布和似然函數(shù)進(jìn)行積分運(yùn)算，得到后驗(yàn)分布，進(jìn)而求解出信道估計(jì)值。注意力權(quán)重計(jì)算：將接收信號(hào)\mathbf{Y}和估計(jì)的信道矩陣\mathbf{\hat{H}}輸入注意力網(wǎng)絡(luò)，計(jì)算注意力權(quán)重矩陣\mathbf{A}。在注意力網(wǎng)絡(luò)中，首先對(duì)輸入進(jìn)行線性變換，然后通過(guò)ReLU激活函數(shù)進(jìn)行非線性變換，最后經(jīng)過(guò)softmax函數(shù)得到歸一化的注意力權(quán)重。信號(hào)處理：根據(jù)注意力權(quán)重矩陣\mathbf{A}，對(duì)接收信號(hào)\mathbf{Y}進(jìn)行加權(quán)處理，得到\mathbf{Y}^*?；钴S用戶檢測(cè)：基于處理后的信號(hào)\mathbf{Y}^*，通過(guò)設(shè)定合適的檢測(cè)閾值，判斷每個(gè)用戶是否為活躍用戶。例如，可以采用最大似然檢測(cè)方法，計(jì)算每個(gè)用戶信號(hào)的似然值，與閾值進(jìn)行比較，大于閾值則判定為活躍用戶。超參數(shù)更新：根據(jù)當(dāng)前的信道估計(jì)結(jié)果和接收信號(hào)，更新超參數(shù)\alpha_n、\beta_{n0}、\beta_{n1}。具體更新公式可以通過(guò)對(duì)貝葉斯推斷中的后驗(yàn)分布進(jìn)行求導(dǎo)和優(yōu)化得到。迭代判斷：若t<T，則t=t+1，返回步驟2；否則，結(jié)束迭代，輸出活躍用戶檢測(cè)結(jié)果。在算法實(shí)現(xiàn)過(guò)程中，可以使用Python等編程語(yǔ)言，并借助深度學(xué)習(xí)框架如PyTorch或TensorFlow來(lái)搭建注意力網(wǎng)絡(luò)，利用其高效的張量計(jì)算和自動(dòng)求導(dǎo)功能，加速算法的實(shí)現(xiàn)和優(yōu)化。同時(shí)，為了提高算法的運(yùn)行效率，可以采用并行計(jì)算技術(shù)，如GPU加速，對(duì)矩陣運(yùn)算等耗時(shí)操作進(jìn)行并行處理。3.3基于[創(chuàng)新方法2]的活躍用戶檢測(cè)3.3.1方法的理論基礎(chǔ)本研究提出的另一種活躍用戶檢測(cè)創(chuàng)新方法，主要基于改進(jìn)的正交匹配追蹤算法與深度學(xué)習(xí)中的生成對(duì)抗網(wǎng)絡(luò)（GenerativeAdversarialNetwork，GAN）思想。正交匹配追蹤（OMP）算法作為經(jīng)典的稀疏信號(hào)重構(gòu)算法，在活躍用戶檢測(cè)中具有重要應(yīng)用價(jià)值。其基本原理是通過(guò)迭代的方式，在每次迭代中選擇與殘差信號(hào)相關(guān)性最強(qiáng)的原子，逐步構(gòu)建出稀疏信號(hào)的支撐集，從而實(shí)現(xiàn)對(duì)稀疏信號(hào)的重構(gòu)。在活躍用戶檢測(cè)場(chǎng)景下，活躍用戶的信號(hào)在所有潛在用戶信號(hào)中呈現(xiàn)稀疏分布，OMP算法能夠利用這一特性，從基站接收到的混合信號(hào)中逐步識(shí)別出活躍用戶的信號(hào)。在一個(gè)包含500個(gè)潛在用戶的系統(tǒng)中，假設(shè)某一時(shí)刻只有20個(gè)活躍用戶，OMP算法可以通過(guò)對(duì)接收信號(hào)的分析，每次選擇與當(dāng)前殘差最匹配的用戶信號(hào)，經(jīng)過(guò)多次迭代，準(zhǔn)確地檢測(cè)出這20個(gè)活躍用戶。然而，傳統(tǒng)OMP算法在實(shí)際應(yīng)用中存在一些局限性。當(dāng)噪聲干擾較大或者信號(hào)稀疏度較高時(shí)，OMP算法容易陷入局部最優(yōu)解，導(dǎo)致檢測(cè)準(zhǔn)確率下降。為了克服這些問(wèn)題，本方法對(duì)OMP算法進(jìn)行了改進(jìn)。引入了動(dòng)態(tài)調(diào)整步長(zhǎng)的機(jī)制，根據(jù)每次迭代中殘差信號(hào)的變化情況，自適應(yīng)地調(diào)整搜索步長(zhǎng)。當(dāng)殘差信號(hào)較大時(shí)，增大步長(zhǎng)以加快搜索速度；當(dāng)殘差信號(hào)較小時(shí)，減小步長(zhǎng)以提高搜索精度。通過(guò)這種動(dòng)態(tài)調(diào)整步長(zhǎng)的方式，能夠更好地平衡算法的收斂速度和檢測(cè)精度，避免陷入局部最優(yōu)解。同時(shí)，為了進(jìn)一步提升算法性能，引入了深度學(xué)習(xí)中的GAN思想。GAN由生成器和判別器組成，生成器負(fù)責(zé)生成與真實(shí)數(shù)據(jù)相似的樣本，判別器則用于區(qū)分生成的樣本和真實(shí)樣本。在活躍用戶檢測(cè)中，將生成器設(shè)計(jì)為能夠生成可能的活躍用戶信號(hào)模式，判別器用于判斷接收到的信號(hào)是真實(shí)的活躍用戶信號(hào)還是生成器生成的信號(hào)。通過(guò)生成器和判別器的對(duì)抗訓(xùn)練，能夠不斷優(yōu)化生成器生成的信號(hào)模式，使其更接近真實(shí)的活躍用戶信號(hào)，從而提高活躍用戶檢測(cè)的準(zhǔn)確性。3.3.2數(shù)學(xué)模型建立在大規(guī)模免調(diào)度傳輸系統(tǒng)中，假設(shè)基站配備M根天線，共有N個(gè)潛在用戶，其中活躍用戶數(shù)量為K（K\llN）。用戶發(fā)送的信號(hào)經(jīng)過(guò)無(wú)線信道傳輸后，基站接收到的信號(hào)可以表示為：\mathbf{Y}=\mathbf{A}\mathbf{X}+\mathbf{W}其中，\mathbf{Y}是M\times1的接收信號(hào)向量；\mathbf{A}是M\timesN的測(cè)量矩陣，其元素a_{mn}表示第m根天線與第n個(gè)用戶之間的信道增益與傳輸系數(shù)的綜合影響；\mathbf{X}是N\times1的發(fā)送信號(hào)向量，x_n表示第n個(gè)用戶發(fā)送的信號(hào)，當(dāng)?shù)趎個(gè)用戶為活躍用戶時(shí)，x_n為非零值，否則為0；\mathbf{W}是M\times1的加性高斯白噪聲向量，其元素服從均值為0、方差為\sigma^2的高斯分布?；诟倪M(jìn)的OMP算法，定義殘差向量\mathbf{r}_0=\mathbf{Y}，在第t次迭代中，計(jì)算測(cè)量矩陣\mathbf{A}的列向量與殘差向量\mathbf{r}_{t-1}的內(nèi)積：\rho_{t,n}=|\mathbf{a}_n^H\mathbf{r}_{t-1}|其中，\mathbf{a}_n是測(cè)量矩陣\mathbf{A}的第n列，\mathbf{a}_n^H表示其共軛轉(zhuǎn)置。選擇內(nèi)積最大的列索引n_t：n_t=\arg\max_{n}\rho_{t,n}將索引n_t加入活躍用戶索引集\Lambda_t。然后，利用最小二乘法更新信號(hào)估計(jì)值\hat{\mathbf{X}}_t：\hat{\mathbf{X}}_t=(\mathbf{A}_{\Lambda_t}^H\mathbf{A}_{\Lambda_t})^{-1}\mathbf{A}_{\Lambda_t}^H\mathbf{Y}其中，\mathbf{A}_{\Lambda_t}是由測(cè)量矩陣\mathbf{A}中索引屬于\Lambda_t的列組成的子矩陣。更新殘差向量\mathbf{r}_t：\mathbf{r}_t=\mathbf{Y}-\mathbf{A}_{\Lambda_t}\hat{\mathbf{X}}_t在迭代過(guò)程中，根據(jù)殘差向量的范數(shù)\|\mathbf{r}_t\|動(dòng)態(tài)調(diào)整步長(zhǎng)\alpha_t：\alpha_t=\beta_1\frac{\|\mathbf{r}_{t-1}\|}{\|\mathbf{r}_{t-2}\|}+\beta_2其中，\beta_1和\beta_2是預(yù)先設(shè)定的調(diào)整參數(shù)。引入GAN思想后，生成器G以隨機(jī)噪聲向量\mathbf{z}為輸入，生成可能的活躍用戶信號(hào)模式\mathbf{X}_G=G(\mathbf{z})。判別器D以接收信號(hào)\mathbf{Y}和生成的信號(hào)\mathbf{X}_G為輸入，輸出判斷結(jié)果：D(\mathbf{Y},\mathbf{X}_G)=\sigma(\mathbf{w}^H[\mathbf{Y};\mathbf{X}_G]+\mathbf)其中，\sigma是sigmoid函數(shù)，\mathbf{w}和\mathbf是判別器的權(quán)重和偏置，[\mathbf{Y};\mathbf{X}_G]表示將\mathbf{Y}和\mathbf{X}_G拼接成一個(gè)向量。通過(guò)對(duì)抗訓(xùn)練，生成器和判別器不斷優(yōu)化，以提高活躍用戶檢測(cè)的性能。3.3.3算法流程與實(shí)現(xiàn)基于上述數(shù)學(xué)模型，本方法的活躍用戶檢測(cè)算法流程如下。初始化：初始化活躍用戶索引集\Lambda_0=\varnothing，殘差向量\mathbf{r}_0=\mathbf{Y}，迭代次數(shù)t=1，設(shè)置生成器G和判別器D的初始參數(shù)，生成隨機(jī)噪聲向量\mathbf{z}。改進(jìn)OMP迭代：計(jì)算測(cè)量矩陣\mathbf{A}的列向量與殘差向量\mathbf{r}_{t-1}的內(nèi)積\rho_{t,n}，選擇內(nèi)積最大的列索引n_t。將索引n_t加入活躍用戶索引集\Lambda_t。利用最小二乘法更新信號(hào)估計(jì)值\hat{\mathbf{X}}_t，更新殘差向量\mathbf{r}_t。根據(jù)殘差向量的范數(shù)動(dòng)態(tài)調(diào)整步長(zhǎng)\alpha_t。GAN訓(xùn)練：生成器G根據(jù)隨機(jī)噪聲向量\mathbf{z}生成信號(hào)\mathbf{X}_G。判別器D對(duì)接收信號(hào)\mathbf{Y}和生成的信號(hào)\mathbf{X}_G進(jìn)行判斷，得到判斷結(jié)果。根據(jù)判別器的判斷結(jié)果，更新生成器G和判別器D的參數(shù)，以提高生成信號(hào)的質(zhì)量和判別器的判斷準(zhǔn)確性。迭代判斷：若\|\mathbf{r}_t\|小于預(yù)設(shè)閾值或者達(dá)到最大迭代次數(shù)，則停止迭代，輸出活躍用戶索引集\Lambda_t；否則，t=t+1，返回步驟2。在算法實(shí)現(xiàn)過(guò)程中，可以使用Python語(yǔ)言結(jié)合相關(guān)的深度學(xué)習(xí)框架如PyTorch來(lái)實(shí)現(xiàn)生成器和判別器的構(gòu)建與訓(xùn)練。利用PyTorch的自動(dòng)求導(dǎo)功能，方便地計(jì)算生成器和判別器的梯度，從而進(jìn)行參數(shù)更新。對(duì)于改進(jìn)的OMP算法部分，可以通過(guò)矩陣運(yùn)算庫(kù)如NumPy來(lái)高效地實(shí)現(xiàn)矩陣乘法、求逆等操作，提高算法的運(yùn)行效率。3.4仿真與實(shí)驗(yàn)驗(yàn)證為了全面評(píng)估所提出的活躍用戶檢測(cè)方法的性能，采用仿真與實(shí)際實(shí)驗(yàn)相結(jié)合的方式，與傳統(tǒng)方法進(jìn)行多維度對(duì)比分析。在仿真環(huán)境搭建方面，運(yùn)用MATLAB軟件構(gòu)建大規(guī)模免調(diào)度傳輸系統(tǒng)模型。設(shè)定基站配備128根天線，模擬存在1000個(gè)潛在用戶的場(chǎng)景，其中活躍用戶數(shù)量在不同實(shí)驗(yàn)中隨機(jī)設(shè)定為50-200個(gè)不等。信道模型采用典型的瑞利衰落信道，考慮多徑傳播效應(yīng)，設(shè)置多徑數(shù)目為8，最大時(shí)延擴(kuò)展為50ns。同時(shí)，引入加性高斯白噪聲，通過(guò)調(diào)整信噪比（Signal-to-NoiseRatio，SNR）來(lái)模擬不同的噪聲干擾環(huán)境，SNR范圍設(shè)定為-10dB至20dB。針對(duì)基于稀疏貝葉斯學(xué)習(xí)與注意力機(jī)制的活躍用戶檢測(cè)方法（以下簡(jiǎn)稱方法一）和基于改進(jìn)正交匹配追蹤算法與生成對(duì)抗網(wǎng)絡(luò)思想的活躍用戶檢測(cè)方法（以下簡(jiǎn)稱方法二），將它們與傳統(tǒng)的基于壓縮感知的正交匹配追蹤（OMP）算法和基于信道統(tǒng)計(jì)特性的協(xié)方差法進(jìn)行對(duì)比。在不同信噪比條件下，多次運(yùn)行仿真程序，每種方法重復(fù)仿真500次，統(tǒng)計(jì)檢測(cè)準(zhǔn)確率、誤檢率和漏檢率。從仿真結(jié)果來(lái)看，在檢測(cè)準(zhǔn)確率方面，當(dāng)SNR為-10dB時(shí)，OMP算法的檢測(cè)準(zhǔn)確率僅為65%，協(xié)方差法為70%，方法一達(dá)到了82%，方法二則為80%。隨著SNR逐漸提升至20dB，OMP算法準(zhǔn)確率提升至80%，協(xié)方差法提升至85%，而方法一準(zhǔn)確率達(dá)到96%，方法二也達(dá)到了94%。可以明顯看出，所提出的兩種創(chuàng)新方法在低信噪比和高信噪比環(huán)境下，檢測(cè)準(zhǔn)確率均顯著高于傳統(tǒng)方法。在誤檢率和漏檢率方面，同樣展現(xiàn)出創(chuàng)新方法的優(yōu)勢(shì)。當(dāng)SNR為0dB時(shí)，OMP算法誤檢率高達(dá)18%，漏檢率為15%；協(xié)方差法誤檢率為15%，漏檢率為12%。方法一誤檢率降低至8%，漏檢率為6%；方法二誤檢率為9%，漏檢率為7%。隨著SNR的增加，兩種創(chuàng)新方法的誤檢率和漏檢率下降趨勢(shì)更為明顯，在高信噪比下能保持極低的誤檢和漏檢情況。為進(jìn)一步驗(yàn)證方法的實(shí)際性能，搭建了基于軟件無(wú)線電平臺(tái)的實(shí)驗(yàn)系統(tǒng)。該系統(tǒng)以USRPB210作為基站設(shè)備，配備4根天線，通過(guò)通用軟件無(wú)線電外設(shè)（USRP）實(shí)現(xiàn)信號(hào)的收發(fā)；使用多個(gè)N210設(shè)備作為用戶終端，模擬不同用戶的信號(hào)傳輸。在實(shí)際實(shí)驗(yàn)場(chǎng)景中，設(shè)置了室內(nèi)和室外兩種環(huán)境。室內(nèi)環(huán)境下，模擬辦公室場(chǎng)景，存在多面墻壁和辦公設(shè)備對(duì)信號(hào)的反射和遮擋；室外環(huán)境選擇校園操場(chǎng)周邊，考慮到建筑物、樹(shù)木等對(duì)信號(hào)的影響。在實(shí)驗(yàn)過(guò)程中，同樣對(duì)比了四種方法的性能。在室內(nèi)環(huán)境下，當(dāng)用戶數(shù)量為100時(shí)，傳統(tǒng)OMP算法檢測(cè)準(zhǔn)確率為75%，協(xié)方差法為78%，方法一達(dá)到了88%，方法二為86%。在室外環(huán)境中，由于信號(hào)受到更多復(fù)雜因素的干擾，傳統(tǒng)方法性能下降更為明顯，OMP算法準(zhǔn)確率降至68%，協(xié)方差法為72%，而方法一和方法二仍能保持較高的準(zhǔn)確率，分別為85%和83%。通過(guò)仿真和實(shí)際實(shí)驗(yàn)結(jié)果可以得出，所提出的兩種創(chuàng)新活躍用戶檢測(cè)方法在檢測(cè)準(zhǔn)確率、抗干擾能力等性能指標(biāo)上均優(yōu)于傳統(tǒng)方法，能夠更好地適應(yīng)復(fù)雜的大規(guī)模免調(diào)度傳輸環(huán)境，為實(shí)際通信系統(tǒng)的應(yīng)用提供了更可靠的技術(shù)支持。四、信道估計(jì)方法研究4.1傳統(tǒng)信道估計(jì)算法分析在大規(guī)模免調(diào)度傳輸?shù)男诺拦烙?jì)領(lǐng)域，最小二乘法（LeastSquares，LS）與最小均方誤差法（MinimumMeanSquareError，MMSE）作為經(jīng)典的傳統(tǒng)算法，在過(guò)往的研究與實(shí)踐中占據(jù)重要地位，然而，隨著通信技術(shù)的發(fā)展以及應(yīng)用場(chǎng)景的日益復(fù)雜，它們?cè)诖笠?guī)模免調(diào)度傳輸環(huán)境下的表現(xiàn)與局限逐漸凸顯。最小二乘法在信道估計(jì)中應(yīng)用廣泛，其原理基于簡(jiǎn)單而直觀的數(shù)學(xué)思想。假設(shè)在大規(guī)模免調(diào)度傳輸系統(tǒng)中，基站接收到的信號(hào)模型為\mathbf{y}=\mathbf{H}\mathbf{x}+\mathbf{n}，其中\(zhòng)mathbf{y}是接收信號(hào)向量，\mathbf{H}是信道矩陣，\mathbf{x}是發(fā)送信號(hào)向量，\mathbf{n}是加性高斯白噪聲向量。最小二乘法通過(guò)最小化接收信號(hào)與發(fā)送信號(hào)經(jīng)過(guò)信道傳輸后的估計(jì)值之間的誤差平方和，來(lái)求解信道矩陣\mathbf{H}的估計(jì)值\hat{\mathbf{H}}。從數(shù)學(xué)表達(dá)式來(lái)看，即求解\hat{\mathbf{H}}=\arg\min_{\mathbf{H}}\|\mathbf{y}-\mathbf{H}\mathbf{x}\|^2。通過(guò)矩陣運(yùn)算，可得到其估計(jì)值為\hat{\mathbf{H}}=\mathbf{y}\mathbf{x}^H(\mathbf{x}\mathbf{x}^H)^{-1}。在實(shí)際應(yīng)用中，當(dāng)發(fā)送的導(dǎo)頻序列具有良好的正交性時(shí)，最小二乘法能夠快速地計(jì)算出信道估計(jì)值，具有計(jì)算復(fù)雜度低的優(yōu)勢(shì)。在簡(jiǎn)單的單徑信道環(huán)境中，若導(dǎo)頻序列長(zhǎng)度為L(zhǎng)，發(fā)送信號(hào)向量維度為N，接收信號(hào)向量維度為M，其計(jì)算復(fù)雜度主要集中在矩陣乘法和求逆運(yùn)算上，大約為O(MN^2)。然而，最小二乘法在大規(guī)模免調(diào)度傳輸中存在明顯的局限性。由于其未充分考慮噪聲的統(tǒng)計(jì)特性，當(dāng)噪聲干擾較強(qiáng)時(shí)，估計(jì)誤差會(huì)顯著增大。在實(shí)際的無(wú)線通信環(huán)境中，噪聲是不可避免的，且噪聲的強(qiáng)度和分布復(fù)雜多變。當(dāng)信噪比（Signal-to-NoiseRatio，SNR）較低時(shí)，最小二乘法估計(jì)得到的信道矩陣與真實(shí)信道矩陣之間的偏差會(huì)急劇增加，導(dǎo)致后續(xù)的數(shù)據(jù)解調(diào)和解碼出現(xiàn)錯(cuò)誤，嚴(yán)重影響通信質(zhì)量。在一個(gè)多徑衰落信道中，同時(shí)存在加性高斯白噪聲，當(dāng)SNR為5dB時(shí)，最小二乘法估計(jì)的信道誤差均方根（RootMeanSquareError，RMSE）可能達(dá)到0.5，這使得基于該估計(jì)結(jié)果進(jìn)行數(shù)據(jù)傳輸時(shí)，誤碼率高達(dá)10%，無(wú)法滿足通信系統(tǒng)對(duì)可靠性的要求。最小均方誤差法相較于最小二乘法，在理論上更加完善，它充分利用了信道的先驗(yàn)統(tǒng)計(jì)信息和噪聲的統(tǒng)計(jì)特性。在已知信道的協(xié)方差矩陣\mathbf{R}_{HH}和噪聲的協(xié)方差矩陣\mathbf{R}_{nn}的情況下，最小均方誤差法通過(guò)最小化估計(jì)值與真實(shí)值之間的均方誤差，來(lái)得到最優(yōu)的信道估計(jì)。其估計(jì)值\hat{\mathbf{H}}可通過(guò)公式\hat{\mathbf{H}}=\mathbf{R}_{HH}\mathbf{x}^H(\mathbf{x}\mathbf{R}_{HH}\mathbf{x}^H+\mathbf{R}_{nn})^{-1}\mathbf{y}計(jì)算得出。這種方法在噪聲環(huán)境下能夠有效地抑制噪聲干擾，提高信道估計(jì)的精度。在多徑衰落信道中，若已知信道的大尺度衰落參數(shù)和小尺度衰落參數(shù)，以及噪聲的方差，最小均方誤差法能夠根據(jù)這些先驗(yàn)信息，對(duì)信道進(jìn)行更準(zhǔn)確的估計(jì)。當(dāng)SNR為5dB時(shí)，最小均方誤差法估計(jì)的信道誤差RMSE可控制在0.2左右，誤碼率可降低至5%，明顯優(yōu)于最小二乘法。但是，最小均方誤差法的計(jì)算復(fù)雜度較高。在計(jì)算過(guò)程中，需要計(jì)算信道協(xié)方差矩陣和噪聲協(xié)方差矩陣，以及進(jìn)行多次矩陣求逆和乘法運(yùn)算。在大規(guī)模免調(diào)度傳輸系統(tǒng)中，基站天線數(shù)量眾多，用戶數(shù)量也較大，這使得矩陣的維度大幅增加，計(jì)算復(fù)雜度呈指數(shù)級(jí)增長(zhǎng)。當(dāng)基站配備128根天線，用戶數(shù)量為100時(shí)，其計(jì)算復(fù)雜度約為O((M+N)^3)，這對(duì)硬件計(jì)算資源提出了極高的要求，在實(shí)際通信設(shè)備中，可能無(wú)法滿足實(shí)時(shí)處理的需求。此外，最小均方誤差法對(duì)信道先驗(yàn)統(tǒng)計(jì)信息的準(zhǔn)確性依賴較強(qiáng)，如果先驗(yàn)信息不準(zhǔn)確，例如信道協(xié)方差矩陣估計(jì)存在偏差，那么其估計(jì)性能會(huì)受到嚴(yán)重影響，甚至可能比最小二乘法的性能更差。4.2新型信道估計(jì)方法的提出與研究4.2.1算法原理與優(yōu)勢(shì)針對(duì)傳統(tǒng)信道估計(jì)算法的不足，本研究提出一種基于遞歸神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）結(jié)合注意力機(jī)制的新型信道估計(jì)算法。遞歸神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)領(lǐng)域中處理序列數(shù)據(jù)的重要模型，能夠有效捕捉數(shù)據(jù)中的時(shí)間序列信息。在大規(guī)模免調(diào)度傳輸?shù)男诺拦烙?jì)場(chǎng)景下，信道狀態(tài)隨時(shí)間不斷變化，呈現(xiàn)出明顯的時(shí)間序列特征。RNN通過(guò)隱藏層的循環(huán)連接，能夠?qū)v史時(shí)刻的信息傳遞到當(dāng)前時(shí)刻，從而對(duì)信道狀態(tài)的動(dòng)態(tài)變化進(jìn)行建模。在一個(gè)多徑衰落且時(shí)變的信道中，不同時(shí)刻的信道增益和相位會(huì)發(fā)生變化，RNN可以利用之前時(shí)刻的信道狀態(tài)信息，更好地預(yù)測(cè)當(dāng)前時(shí)刻的信道狀態(tài)。注意力機(jī)制則為信道估計(jì)提供了更精準(zhǔn)的信息聚焦能力。在接收信號(hào)中，包含了來(lái)自不同用戶、不同路徑的信號(hào)分量以及噪聲干擾等復(fù)雜信息。注意力機(jī)制能夠自動(dòng)學(xué)習(xí)不同信號(hào)分量的重要程度，對(duì)與信道估計(jì)關(guān)鍵相關(guān)的信號(hào)賦予更高的權(quán)重，從而增強(qiáng)信道估計(jì)的準(zhǔn)確性。在存在多徑干擾的情況下，注意力機(jī)制可以幫助算法聚焦于主徑信號(hào)，減少旁徑干擾的影響，提高信道估計(jì)的精度。與傳統(tǒng)的最小二乘法（LS）和最小均方誤差法（MMSE）相比，該新型算法具有顯著優(yōu)勢(shì)。在準(zhǔn)確性方面，傳統(tǒng)LS算法未考慮噪聲特性，在噪聲環(huán)境下估計(jì)誤差較大；MMSE算法雖考慮了噪聲和信道先驗(yàn)信息，但對(duì)先驗(yàn)信息準(zhǔn)確性依賴高，先驗(yàn)信息不準(zhǔn)確時(shí)性能下降。而本算法通過(guò)RNN學(xué)習(xí)信道的動(dòng)態(tài)變化規(guī)律，結(jié)合注意力機(jī)制聚焦關(guān)鍵信息，能夠更準(zhǔn)確地估計(jì)信道狀態(tài)，在不同信噪比條件下都能保持較低的估計(jì)誤差。在低信噪比為0dB時(shí)，LS算法的估計(jì)誤差均方根（RMSE）達(dá)到0.6，MMSE算法為0.4，而本算法可將RMSE控制在0.25以內(nèi)。在復(fù)雜度方面，MMSE算法計(jì)算信道協(xié)方差矩陣等操作導(dǎo)致計(jì)算復(fù)雜度高，在大規(guī)模系統(tǒng)中難以實(shí)時(shí)處理。本算法基于神經(jīng)網(wǎng)絡(luò)的并行計(jì)算特性，通過(guò)硬件加速可實(shí)現(xiàn)高效計(jì)算，雖然模型訓(xùn)練階段計(jì)算量較大，但訓(xùn)練完成后的在線估計(jì)階段，計(jì)算復(fù)雜度相對(duì)較低，能夠滿足實(shí)時(shí)性要求。4.2.2算法實(shí)現(xiàn)步驟本新型信道估計(jì)算法的實(shí)現(xiàn)步驟如下。數(shù)據(jù)預(yù)處理：對(duì)接收信號(hào)進(jìn)行預(yù)處理，包括去除直流分量、歸一化等操作，以提高信號(hào)的質(zhì)量和穩(wěn)定性。在去除直流分量時(shí)，可以采用高通濾波的方法，將信號(hào)中的直流成分濾除，避免其對(duì)后續(xù)處理的影響。歸一化操作則將信號(hào)的幅度調(diào)整到一定范圍內(nèi)，如[-1,1]，使得不同信號(hào)的幅度具有可比性，有利于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。同時(shí)，將接收信號(hào)按照時(shí)間序列劃分為多個(gè)數(shù)據(jù)片段，每個(gè)數(shù)據(jù)片段作為RNN的輸入序列。假設(shè)接收信號(hào)為\mathbf{y}(t)，經(jīng)過(guò)預(yù)處理后得到\mathbf{\tilde{y}}(t)，將其劃分為長(zhǎng)度為T的數(shù)據(jù)片段\mathbf{\tilde{y}}_n=[\mathbf{\tilde{y}}(nT),\mathbf{\tilde{y}}(nT+1),\cdots,\mathbf{\tilde{y}}(nT+T-1)]，其中n=0,1,2,\cdots。RNN模型構(gòu)建與訓(xùn)練：構(gòu)建適合信道估計(jì)的RNN模型，如長(zhǎng)短期記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）或門控循環(huán)單元（GatedRecurrentUnit，GRU）。以LSTM為例，其包含輸入門、遺忘門、輸出門和記憶單元，能夠有效處理長(zhǎng)期依賴問(wèn)題。確定模型的結(jié)構(gòu)和參數(shù)，如隱藏層數(shù)量、神經(jīng)元個(gè)數(shù)等。使用大量的歷史信道數(shù)據(jù)和對(duì)應(yīng)的接收信號(hào)數(shù)據(jù)對(duì)RNN模型進(jìn)行訓(xùn)練，通過(guò)反向傳播算法不斷調(diào)整模型的權(quán)重，以最小化估計(jì)信道與真實(shí)信道之間的均方誤差（MeanSquareError，MSE）。在訓(xùn)練過(guò)程中，可以采用隨機(jī)梯度下降（StochasticGradientDescent，SGD）及其變種算法，如Adagrad、Adadelta、Adam等，來(lái)更新模型權(quán)重。設(shè)置合適的學(xué)習(xí)率、批量大小等超參數(shù)，以提高訓(xùn)練效率和模型性能。假設(shè)訓(xùn)練數(shù)據(jù)集中有N個(gè)樣本，每個(gè)樣本包含接收信號(hào)數(shù)據(jù)\mathbf{\tilde{y}}_n和對(duì)應(yīng)的真實(shí)信道數(shù)據(jù)\mathbf{h}_n，則訓(xùn)練的目標(biāo)是最小化損失函數(shù)L=\frac{1}{N}\sum_{n=1}^{N}(\mathbf{\hat{h}}_n-\mathbf{h}_n)^2，其中\(zhòng)mathbf{\hat{h}}_n是模型估計(jì)的信道數(shù)據(jù)。注意力機(jī)制融合：在RNN模型的基礎(chǔ)上，引入注意力機(jī)制。將RNN的輸出作為注意力機(jī)制的輸入，計(jì)算每個(gè)時(shí)間步的注意力權(quán)重。具體來(lái)說(shuō)，通過(guò)一個(gè)全連接層將RNN的輸出映射到一個(gè)維度為d的向量，再經(jīng)過(guò)softmax函數(shù)得到歸一化的注意力權(quán)重。根據(jù)注意力權(quán)重對(duì)RNN的輸出進(jìn)行加權(quán)求和，得到融合注意力機(jī)制后的輸出。假設(shè)RNN的輸出為\mathbf{O}=[\mathbf{o}_1,\mathbf{o}_2,\cdots,\mathbf{o}_T]，通過(guò)注意力機(jī)制計(jì)算得到的注意力權(quán)重為\mathbf{\alpha}=[\alpha_1,\alpha_2,\cdots,\alpha_T]，則融合注意力機(jī)制后的輸出為\mathbf{O}^*=\sum_{t=1}^{T}\alpha_t\mathbf{o}_t。信道估計(jì)：將融合注意力機(jī)制后的輸出輸入到一個(gè)全連接層，經(jīng)過(guò)線性變換得到信道估計(jì)結(jié)果。根據(jù)估計(jì)的信道結(jié)果，進(jìn)行后續(xù)的數(shù)據(jù)解調(diào)、解碼等操作。在實(shí)際應(yīng)用中，可以根據(jù)系統(tǒng)的需求和性能指標(biāo)，對(duì)信道估計(jì)結(jié)果進(jìn)行進(jìn)一步的優(yōu)化和調(diào)整。例如，可以采用濾波等方法對(duì)估計(jì)結(jié)果進(jìn)行平滑處理，減少噪聲的影響。4.3仿真與實(shí)驗(yàn)驗(yàn)證為全面驗(yàn)證基于遞歸神經(jīng)網(wǎng)絡(luò)結(jié)合注意力機(jī)制的新型信道估計(jì)算法的性能優(yōu)勢(shì)，本研究精心設(shè)計(jì)了仿真與實(shí)驗(yàn)，將其與傳統(tǒng)的最小二乘法（LS）和最小均方誤差法（MMSE）進(jìn)行深入對(duì)比分析。在仿真環(huán)境搭建方面，運(yùn)用MATLAB軟件構(gòu)建了一個(gè)高度模擬實(shí)際的大規(guī)模免調(diào)度傳輸系統(tǒng)模型。設(shè)定基站配備64根天線，模擬存在500個(gè)用戶的場(chǎng)景，信道模型采用典型的瑞利衰落信道，考慮多徑傳播效應(yīng)，設(shè)置多徑數(shù)目為10，最大時(shí)延擴(kuò)展為80ns。同時(shí)，引入加性高斯白噪聲，通過(guò)調(diào)整信噪比（SNR）來(lái)模擬不同的噪聲干擾環(huán)境，SNR范圍設(shè)定為-5dB至15dB。在仿真過(guò)程中，針對(duì)新型信道估計(jì)算法、LS算法和MMSE算法，分別在不同信噪比條件下進(jìn)行多次仿真實(shí)驗(yàn)，每種算法重復(fù)仿真300次，統(tǒng)計(jì)信道估計(jì)誤差均方根（RMSE）和誤碼率（BER）。從RMSE指標(biāo)來(lái)看，當(dāng)SNR為-5dB時(shí)，LS算法的RMSE高達(dá)0.7，MMSE算法為0.5，而新型算法僅為0.3。隨著SNR逐漸提升至15dB，LS算法RMSE降至0.4，MMSE算法降至0.25，新型算法則進(jìn)一步降低至0.1。這表明新型算法在不同信噪比下，尤其是在低信噪比環(huán)境中，對(duì)信道的估計(jì)精度明顯優(yōu)于傳統(tǒng)算法。在誤碼率方面，當(dāng)SNR為0dB時(shí)，LS算法的誤碼率達(dá)到15%，MMSE算法為10%，新型算法則將誤碼率控制在6%。隨著SNR增加，新型算法的誤碼率下降趨勢(shì)更為顯著，在高信噪比下能保持極低的誤碼率，而傳統(tǒng)算法的誤碼率下降相對(duì)緩慢。為進(jìn)一步驗(yàn)證算法在實(shí)際場(chǎng)景中的性能，搭建了基于軟件無(wú)線電平臺(tái)的實(shí)驗(yàn)系統(tǒng)。該系統(tǒng)以USRPN210作為基站設(shè)備，配備4根天線，使用多個(gè)USRPB210設(shè)備作為用戶終端，模擬不同用戶的信號(hào)傳輸。實(shí)驗(yàn)場(chǎng)景設(shè)置為城市街道環(huán)境，存在建筑物、車輛等對(duì)信號(hào)的遮擋和干擾。在實(shí)驗(yàn)過(guò)程中，同樣對(duì)比了三種算法的性能。當(dāng)用戶數(shù)量為80時(shí)，傳統(tǒng)LS算法的信道估計(jì)誤差導(dǎo)致誤碼率達(dá)到12%，MMSE算法誤碼率為8%，新型算法誤碼率僅為4%。在信號(hào)受到復(fù)雜干擾的情況下，新型算法展現(xiàn)出更強(qiáng)的抗干擾能力，能夠更準(zhǔn)確地估計(jì)信道狀態(tài)，有效降低誤碼率，保障通信質(zhì)量。通過(guò)仿真和實(shí)際實(shí)驗(yàn)結(jié)果可以得出，基于遞歸神經(jīng)網(wǎng)絡(luò)結(jié)合注意力機(jī)制的新型信道估計(jì)算法在信道估計(jì)精度和抗干擾能力等性能指標(biāo)上均顯著優(yōu)于傳統(tǒng)的LS算法和MMSE算法，能夠更好地適應(yīng)復(fù)雜多變的大規(guī)模免調(diào)度傳輸信道環(huán)境，為實(shí)際通信系統(tǒng)的可靠運(yùn)行提供了更有力的技術(shù)支持。五、聯(lián)合優(yōu)化策略5.1活躍用戶檢測(cè)與信道估計(jì)的相互影響在大規(guī)模免調(diào)度傳輸系統(tǒng)中，活躍用戶檢測(cè)與信道估計(jì)并非相互獨(dú)立的過(guò)程，而是存在緊密的相互作用關(guān)系，深刻影響著整個(gè)通信系統(tǒng)的性能。從活躍用戶檢測(cè)對(duì)信道估計(jì)的影響來(lái)看，準(zhǔn)確的活躍用戶檢測(cè)結(jié)果是進(jìn)行有效信道估計(jì)的基礎(chǔ)。若活躍用戶檢測(cè)出現(xiàn)誤判，將直接導(dǎo)致信道估計(jì)的偏差。假設(shè)在一個(gè)包含200個(gè)潛在用戶的系統(tǒng)中，實(shí)際活躍用戶為30個(gè)，但由于檢測(cè)算法的誤差，誤將40個(gè)用戶判定為活躍用戶。在后續(xù)的信道估計(jì)中，基站會(huì)基于這錯(cuò)誤的活躍用戶集合進(jìn)行信道參數(shù)估計(jì)，使得估計(jì)結(jié)果中混入了非活躍用戶的干擾信息，從而無(wú)法準(zhǔn)確反映真實(shí)活躍用戶的信道狀態(tài)。當(dāng)進(jìn)行數(shù)據(jù)解調(diào)時(shí)，基于這種不準(zhǔn)確的信道估計(jì)，解調(diào)后的信號(hào)會(huì)出現(xiàn)大量誤碼，嚴(yán)重影響數(shù)據(jù)傳輸?shù)目煽啃?。?zhǔn)確檢測(cè)出活躍用戶，能夠使信道估計(jì)聚焦于真實(shí)活躍用戶的信號(hào)，減少不必要的干擾，提高信道估計(jì)的精度。反之，信道估計(jì)的準(zhǔn)確性也對(duì)活躍用戶檢測(cè)有著重要影響。在無(wú)線通信中，信道狀態(tài)的變化會(huì)導(dǎo)致信號(hào)的衰落、畸變等，而準(zhǔn)確的信道估計(jì)可以對(duì)這些變化進(jìn)行補(bǔ)償，從而為活躍用戶檢測(cè)提供更可靠的信號(hào)基礎(chǔ)。當(dāng)信道估計(jì)誤差較大時(shí)，接收信號(hào)的特征會(huì)被扭曲，使得活躍用戶檢測(cè)算法難以準(zhǔn)確判斷用戶的活躍狀態(tài)。在多徑衰落信道中，若信道估計(jì)未能準(zhǔn)確捕捉到多徑分量的延遲和增益，接收到的信號(hào)在時(shí)域和頻域上的特征會(huì)發(fā)生變化，基于這些特征進(jìn)行活躍用戶檢測(cè)時(shí)，可能會(huì)出現(xiàn)誤檢或漏檢的情況。而精確的信道估計(jì)能夠還原信號(hào)的真實(shí)特征，增強(qiáng)活躍用戶檢測(cè)算法對(duì)信號(hào)的識(shí)別能力，降低誤檢和漏檢率。在實(shí)際通信過(guò)程中，活躍用戶檢測(cè)與信道估計(jì)的相互影響還體現(xiàn)在迭代優(yōu)化方面?？梢韵冗M(jìn)行初步的活躍用戶檢測(cè)，根據(jù)檢測(cè)結(jié)果進(jìn)行初步的信道估計(jì)，然后利用估計(jì)得到的信道信息對(duì)活躍用戶檢測(cè)結(jié)果進(jìn)行修正，再基于修正后的活躍用戶檢測(cè)結(jié)果進(jìn)一步優(yōu)化信道估計(jì)。通過(guò)這樣的迭代過(guò)程，兩者相互促進(jìn)，不斷提高檢測(cè)和估計(jì)的準(zhǔn)確性。在第一次活躍用戶檢測(cè)中，由于噪聲干擾，可能存在部分用戶誤判。在初步信道估計(jì)后，利用信道估計(jì)得到的信號(hào)特征信息，對(duì)活躍用戶檢測(cè)結(jié)果進(jìn)行重新評(píng)估，糾正誤判的用戶。再次進(jìn)行信道估計(jì)時(shí)，基于更準(zhǔn)確的活躍用戶集合，能夠得到更精確的信道估計(jì)結(jié)果，如此循環(huán)迭代，使系統(tǒng)性能不斷提升。5.2聯(lián)合優(yōu)化方法設(shè)計(jì)5.2.1聯(lián)合優(yōu)化的思路與目標(biāo)為了充分利用活躍用戶檢測(cè)與信道估計(jì)之間的相互關(guān)聯(lián)，提升大規(guī)模免調(diào)度傳輸系統(tǒng)的整體性能，本研究提出一種將兩者聯(lián)合優(yōu)化的策略。其核心思路在于打破傳統(tǒng)上將活躍用戶檢測(cè)與信道估計(jì)作為獨(dú)立過(guò)程的局限，構(gòu)建一個(gè)統(tǒng)一的優(yōu)化框架，使兩者在該框架下相互協(xié)作、相互促進(jìn)。在傳統(tǒng)方法中，活躍用戶檢測(cè)與信道估計(jì)往往按順序依次進(jìn)行，前一過(guò)程的結(jié)果直接影響后一過(guò)程，然而這種順序處理方式未能充分挖掘兩者之間的內(nèi)在聯(lián)系。本研究提出的聯(lián)合優(yōu)化策略，通過(guò)引入一個(gè)聯(lián)合變量，將活躍用戶狀態(tài)和信道參數(shù)整合在同一數(shù)學(xué)模型中。這個(gè)聯(lián)合變量能夠同時(shí)反映用戶的活躍情況以及對(duì)應(yīng)的信道狀態(tài)，使得在優(yōu)化過(guò)程中可以同時(shí)考慮兩者的影響。通過(guò)對(duì)這個(gè)聯(lián)合變量的優(yōu)化求解，實(shí)現(xiàn)活躍用戶檢測(cè)與信道估計(jì)的同步優(yōu)化。從信息論的角度來(lái)看，活躍用戶檢測(cè)與信道估計(jì)所處理的信息存在重疊部分，聯(lián)合優(yōu)化能夠更有效地利用這些共享信息，減少信息損失，從而提高檢測(cè)和估計(jì)的準(zhǔn)確性。在信號(hào)處理層面，聯(lián)合優(yōu)化可以避免因單獨(dú)處理而導(dǎo)致的誤差累積問(wèn)題。在單獨(dú)進(jìn)行活躍用戶檢測(cè)時(shí)，由于噪聲等因素的影響，可能會(huì)出現(xiàn)誤判，這些誤判信息會(huì)傳遞到后續(xù)的信道估計(jì)中，導(dǎo)致信道估計(jì)誤差增大。而聯(lián)合優(yōu)化能夠在處理過(guò)程中及時(shí)糾正這些誤差，使檢測(cè)和估計(jì)結(jié)果更加準(zhǔn)確。聯(lián)合優(yōu)化的目標(biāo)是多維度的。首要目標(biāo)是提高活躍用戶檢測(cè)的準(zhǔn)確率，將誤檢率降低至5%以內(nèi)，漏檢率降低至3%以內(nèi)。通過(guò)聯(lián)合優(yōu)化，充分利用信道估計(jì)提供的信號(hào)特征信息，增強(qiáng)對(duì)活躍用戶信號(hào)的識(shí)別能力，減少誤檢和漏檢情況的發(fā)生。在復(fù)雜的多用戶干擾環(huán)境下，準(zhǔn)確檢測(cè)出活躍用戶，為后續(xù)的數(shù)據(jù)傳輸和處理提供可靠的基礎(chǔ)。同時(shí)，要提升信道估計(jì)的精度，使信道估計(jì)誤差均方根（RMSE）降低至0.15以下。借助活躍用戶檢測(cè)的結(jié)果，排除非活躍用戶信號(hào)的干擾，聚焦于活躍用戶的信道狀態(tài)估計(jì)，從而提高信道估計(jì)的準(zhǔn)確性。在時(shí)變信道中，能夠更快速、準(zhǔn)確地跟蹤信道狀態(tài)的變化，為數(shù)據(jù)解調(diào)提供精確的信道信息。此外，聯(lián)合優(yōu)化還致力于降低算法的計(jì)算復(fù)雜度，提高系統(tǒng)的運(yùn)行效率。通過(guò)合理設(shè)計(jì)優(yōu)化算法，減少不必要的計(jì)算步驟和參數(shù)更新次數(shù)，使算法的計(jì)算時(shí)間縮短15%以上。采用并行計(jì)算和分布式計(jì)算等技術(shù)，充分利用硬件資源，實(shí)現(xiàn)算法的高效運(yùn)行，滿足大規(guī)模免調(diào)度傳輸系統(tǒng)對(duì)實(shí)時(shí)性的要求。5.2.2具體優(yōu)化算法與流程基于上述聯(lián)合優(yōu)化的思路與目標(biāo)，設(shè)計(jì)如下具體的優(yōu)化算法與流程。系統(tǒng)模型建立：構(gòu)建大規(guī)模免調(diào)度傳輸系統(tǒng)模型，假設(shè)基站配備M根天線，共有N個(gè)潛在用戶。用戶發(fā)送的信號(hào)經(jīng)過(guò)無(wú)線信道傳輸后，基站接收到的信號(hào)可以表示為：\mathbf{Y}=\mathbf{H}\mathbf{X}+\mathbf{W}其中，\mathbf{Y}是M\timesL的接收信號(hào)矩陣，L為導(dǎo)頻序列長(zhǎng)度；\mathbf{H}是M\timesN的信道矩陣，其元素h_{mn}表示第m根天線與第n個(gè)用戶之間的信道增益；\mathbf{X}是N\timesL的發(fā)送信號(hào)矩陣，x_{nl}表示第n個(gè)用戶在第l個(gè)符號(hào)時(shí)刻發(fā)送的信號(hào)，當(dāng)?shù)趎個(gè)用戶為活躍用戶時(shí)，x_{nl}為其發(fā)送的導(dǎo)頻序列元素，否則為0；\mathbf{W}是M\timesL的加性高斯白噪聲矩陣，其元素服從均值為0、方差為\sigma^2的高斯分布。聯(lián)合變量定義：定義聯(lián)合變量\mathbf{Z}，它包含活躍用戶指示向量\mathbf{S}和信道矩陣\mathbf{H}的相關(guān)信息。\mathbf{S}是一個(gè)N\times1的向量，當(dāng)?shù)趎個(gè)用戶為活躍用戶時(shí)，s_n=1，否則s_n=0。將\mathbf{S}和\mathbf{H}進(jìn)行組合，得到聯(lián)合變量\mathbf{Z}=[\mathbf{S}^T,\text{vec}(\mathbf{H})^T]^T，其中\(zhòng)text{vec}(\cdot)表示將矩陣按列展開(kāi)成向量。構(gòu)建聯(lián)合優(yōu)化目標(biāo)函數(shù)：基于接收信號(hào)\mathbf{Y}和聯(lián)合變量\mathbf{Z}，構(gòu)建聯(lián)合優(yōu)化目標(biāo)函數(shù)?？紤]到活躍用戶檢測(cè)的準(zhǔn)確性和信道估計(jì)的精度，目標(biāo)函數(shù)包含兩個(gè)部分：一是活躍用戶檢測(cè)的損失函數(shù)，用于衡量檢測(cè)結(jié)果與真實(shí)活躍用戶狀態(tài)之間的差異；二是信道估計(jì)的損失函數(shù)，用于衡量估計(jì)信道與真實(shí)信道之間的誤差。采用最大后驗(yàn)概率（MAP）準(zhǔn)則，將目標(biāo)函數(shù)表示為：\hat{\mathbf{Z}}=\arg\max_{\mathbf{Z}}p(\mathbf{Z}|\mathbf{Y})=\arg\max_{\mathbf{Z}}\frac{p(\mathbf{Y}|\mathbf{Z})p(\mathbf{Z})}{p(\mathbf{Y})}由于p(\mathbf{Y})與\mathbf{Z}無(wú)關(guān)，所以等價(jià)于最大化p(\mathbf{Y}|\mathbf{Z})p(\mathbf{Z})。其中，p(\mathbf{Y}|\mathbf{Z})是似然函數(shù)，根據(jù)接收信號(hào)模型可以計(jì)算得到；p(\mathbf{Z})是先驗(yàn)概率，利用稀疏貝葉斯學(xué)習(xí)等方法，為活躍用戶指示向量\mathbf{S}和信道矩陣\mathbf{H}構(gòu)建合適的先驗(yàn)分布。優(yōu)化算法求解：采用交替優(yōu)化算法來(lái)求解聯(lián)合優(yōu)化目標(biāo)函數(shù)。在每次迭代中，固定聯(lián)合變量的一部分，優(yōu)化另一部分，然后交替進(jìn)行。具體步驟如下：固定信道矩陣，優(yōu)化活躍用戶指示向量：根據(jù)當(dāng)前估計(jì)的信道矩陣\mathbf{H}，計(jì)算似然函數(shù)p(\mathbf{Y}|\mathbf{S},\mathbf{H})，結(jié)合先驗(yàn)概率p(\mathbf{S})，通過(guò)最大化p(\mathbf{Y}|\mathbf{S},\mathbf{H})p(\mathbf{S})來(lái)更新活躍用戶指示向量\mathbf{S}。可以采用基于貝葉斯推斷的方法，如變分推斷，來(lái)求解\mathbf{S}的最優(yōu)估計(jì)。固定活躍用戶指示向量，優(yōu)化信道矩陣：根據(jù)當(dāng)前的活躍用戶指示向量\mathbf{S}，計(jì)算似然函數(shù)p(\mathbf{Y}|\mathbf{S},\mathbf{H})，結(jié)合先驗(yàn)概率p(\mathbf{H})，通過(guò)最大化p(\mathbf{Y}|\mathbf{S},\mathbf{H})p(\mathbf{H})來(lái)更新信道矩陣\mathbf{H}。利用最小二乘法或基于深度學(xué)習(xí)的方法，如神經(jīng)網(wǎng)絡(luò)回歸，來(lái)求解\mathbf{H}的最優(yōu)估計(jì)。迭代終止條件判斷：設(shè)置迭代終止條件，如最大迭代次數(shù)或目標(biāo)函數(shù)收斂條件。當(dāng)達(dá)到最大迭代次數(shù)或者目標(biāo)函數(shù)的變化小于預(yù)設(shè)閾值時(shí)，停止迭代，輸出最終的活躍用戶檢測(cè)結(jié)果和信道估計(jì)結(jié)果。結(jié)果評(píng)估與驗(yàn)證：對(duì)聯(lián)合優(yōu)化得到的活躍用戶檢測(cè)結(jié)果和信道估計(jì)結(jié)果進(jìn)行評(píng)估，計(jì)算檢測(cè)準(zhǔn)確率、誤檢率、漏檢率以及信道估計(jì)誤差等指標(biāo)，與傳統(tǒng)方法進(jìn)行對(duì)比分析，驗(yàn)證聯(lián)合優(yōu)化方法的性能優(yōu)勢(shì)。5.3性能評(píng)估與分析為全面評(píng)估聯(lián)合優(yōu)化方法在大規(guī)模免調(diào)度傳輸中的性能優(yōu)勢(shì)，通過(guò)搭建仿真平臺(tái)和實(shí)際實(shí)驗(yàn)環(huán)境，將聯(lián)合優(yōu)化方法與傳統(tǒng)的獨(dú)立優(yōu)化方法進(jìn)行多維度對(duì)比分析。在仿真實(shí)驗(yàn)中，運(yùn)用MATLAB軟件構(gòu)建大規(guī)模免調(diào)度傳輸系統(tǒng)模型。設(shè)定基站配備128根天線，模擬存在1000個(gè)潛在用戶的場(chǎng)景，其中活躍用戶數(shù)量隨機(jī)設(shè)定為50-200個(gè)不等。信道模型采用典型的瑞利衰落信道，考慮多徑傳播效應(yīng)，設(shè)置多徑數(shù)目為8，最大時(shí)延擴(kuò)展為50ns。引入加性高斯白噪聲，通過(guò)調(diào)整信噪比（SNR）來(lái)模擬不同的噪聲干擾環(huán)境，SNR范圍設(shè)定為-10dB至20dB。針對(duì)聯(lián)合優(yōu)化方法和傳統(tǒng)獨(dú)立優(yōu)化方法，分別在不同信噪比條件下進(jìn)行多次仿真實(shí)驗(yàn)，每種方法重復(fù)仿真500次，統(tǒng)計(jì)活躍用戶檢測(cè)準(zhǔn)確率、誤檢率、漏檢率以及信道估計(jì)誤差均方根（RMSE）。從活躍用戶檢測(cè)準(zhǔn)確率來(lái)看，當(dāng)SNR為-10dB時(shí)，傳統(tǒng)獨(dú)立優(yōu)化方法的檢測(cè)準(zhǔn)確率僅為60%，誤檢率高達(dá)20%，漏檢率為15%。而聯(lián)合優(yōu)化方法的檢測(cè)準(zhǔn)確率達(dá)到75%，誤檢率降低至12%，漏檢率為8%。隨著SNR逐漸提升至20dB，傳統(tǒng)方法準(zhǔn)確率提升至80%，誤檢率為10%，漏檢率為8%；聯(lián)合優(yōu)化方法準(zhǔn)確率則達(dá)到95%，誤檢率降至3%，漏檢率降至2%。這表明聯(lián)合優(yōu)化方法在不同信噪比下，尤其是在低信噪比環(huán)境中，對(duì)活躍用戶的檢測(cè)性能明顯優(yōu)于傳統(tǒng)獨(dú)立優(yōu)化方法。在信道估計(jì)誤差RMSE方面，當(dāng)SNR為-10dB時(shí)，傳統(tǒng)獨(dú)立優(yōu)化方法的RMSE高達(dá)0.6，而聯(lián)合優(yōu)化方法的RMSE僅為0.4。隨著SNR提升至20dB，傳統(tǒng)方法RMSE降至0.3，聯(lián)合優(yōu)化方法則進(jìn)一步降低至0.15。聯(lián)合優(yōu)化方法能夠更準(zhǔn)確地估計(jì)信道狀態(tài)，有效降低信道估計(jì)誤差。為進(jìn)一步驗(yàn)證聯(lián)合優(yōu)化方法在實(shí)際場(chǎng)景中的性能，搭建了基于軟件無(wú)線電平臺(tái)的實(shí)驗(yàn)系統(tǒng)。該系統(tǒng)以USRPB210作為基站設(shè)備，配備4根天線，使用多個(gè)N210設(shè)備作為用戶終端，模擬不同用戶的信號(hào)傳輸。實(shí)驗(yàn)場(chǎng)景設(shè)置為室內(nèi)和室外兩種環(huán)境。室內(nèi)環(huán)境模擬辦公室場(chǎng)景，存在多面墻壁和辦公設(shè)備對(duì)信號(hào)的反射和遮擋；室外環(huán)境選擇校園操場(chǎng)周邊，考慮建筑物、樹(shù)木等對(duì)信號(hào)的影響。在室內(nèi)環(huán)境實(shí)驗(yàn)中，當(dāng)用戶數(shù)量為100時(shí)，傳統(tǒng)獨(dú)立優(yōu)化方法的活躍用戶檢測(cè)準(zhǔn)確率為70%，誤檢率為15%，漏檢率為10%，信道估計(jì)誤差導(dǎo)致誤碼率達(dá)到10%。聯(lián)合優(yōu)化方法的檢測(cè)準(zhǔn)確率提升至85%，誤檢率降低至8%，漏檢率降低至5%，誤碼率降至5%。在室外環(huán)境實(shí)驗(yàn)中，由于信號(hào)受到更多復(fù)雜因素的干擾，傳統(tǒng)方法性能下降更為明顯，檢測(cè)準(zhǔn)確率降至65%，誤檢率為18%，漏檢率為12%，誤碼率達(dá)到12%。而聯(lián)合優(yōu)化方法仍能保持較高的檢測(cè)準(zhǔn)確率和較低的誤檢率、漏檢率，準(zhǔn)確率為80%，誤檢率為10%，漏檢率為7%，誤碼率降至7%。通過(guò)仿真和實(shí)際實(shí)驗(yàn)結(jié)果可以得出，聯(lián)合優(yōu)化方法在活躍用戶檢測(cè)準(zhǔn)確率、誤檢率、漏檢率以及信道估計(jì)精度等性能指標(biāo)上均顯著優(yōu)于傳統(tǒng)的獨(dú)立優(yōu)化方法，能夠更好地適應(yīng)復(fù)雜多變的大規(guī)模免調(diào)度傳輸環(huán)境，為實(shí)際通信系統(tǒng)的可靠運(yùn)行提供了更有力的技術(shù)支持。六、實(shí)際應(yīng)用案例分析6.1案例選取與介紹本研究選取智能工廠和車聯(lián)網(wǎng)這兩個(gè)具有代表性的大規(guī)模免調(diào)度傳輸應(yīng)用場(chǎng)景，深入剖析活躍用戶檢測(cè)與信道估計(jì)方法在實(shí)際中的應(yīng)用情況。智能工廠作為工業(yè)4.0的典型代表，是一個(gè)高度自動(dòng)化、信息化的生產(chǎn)環(huán)境，內(nèi)部部署了大量的傳感器、執(zhí)行器和智能設(shè)備。這些設(shè)備數(shù)量眾多，分布廣泛，且具有不同的功能和數(shù)據(jù)傳輸需求。在某大型汽車制造智能工廠中，僅生產(chǎn)線上的傳感器就超過(guò)5000個(gè)，涵蓋溫度傳感器、壓力傳感器、位置傳感器等多種類型，用于實(shí)時(shí)監(jiān)測(cè)設(shè)備運(yùn)行狀態(tài)、產(chǎn)品質(zhì)量參數(shù)等信息。同時(shí)，還有大量的機(jī)器人手臂、自動(dòng)導(dǎo)引車（AGV）等執(zhí)行器，需要與控制系統(tǒng)進(jìn)行實(shí)時(shí)通信，以完成各種生產(chǎn)任務(wù)。這些設(shè)備的數(shù)據(jù)傳輸具有突發(fā)性和實(shí)時(shí)性的特點(diǎn)，對(duì)通信系統(tǒng)的接入效率和時(shí)延要求極高。例如，當(dāng)生產(chǎn)線上的某個(gè)傳感器檢測(cè)到設(shè)備溫度異常升高時(shí)，需要立即將數(shù)據(jù)傳輸給控制系統(tǒng)，以便及時(shí)采取降溫措施，避免設(shè)備損壞和生產(chǎn)事故的發(fā)生。在這種情況下，傳統(tǒng)的調(diào)度傳輸方式由于信令開(kāi)銷大、時(shí)延高，無(wú)法滿足智能工廠的實(shí)時(shí)通信需求，而大規(guī)模免調(diào)度傳輸則成為了理想的選擇。車聯(lián)網(wǎng)是將車輛與網(wǎng)絡(luò)相連接，實(shí)現(xiàn)車輛與車輛（V2V）、車輛與基礎(chǔ)設(shè)施（V2I）、車輛與人（V2P）之間的信息交互的新興領(lǐng)域。隨著汽車智能化和自動(dòng)駕駛技術(shù)的發(fā)展，車聯(lián)網(wǎng)在交通安全、交通效率提升和智能出行服務(wù)等方面發(fā)揮著越來(lái)越重要的作用。在城市交通中，每平方公里內(nèi)可能存在數(shù)百輛甚至上千輛車輛，這些車輛都需要實(shí)時(shí)與周邊車輛、路邊基站以及交通管理中心進(jìn)行通信。車輛需要實(shí)時(shí)獲取前方車輛的行駛速度、距離等信息，以實(shí)現(xiàn)自適應(yīng)巡航、緊急制動(dòng)等功能；同時(shí)，還需要向交通管理中心上報(bào)自身的位置、行駛狀態(tài)等數(shù)據(jù)，以便交通管理中心進(jìn)行交通流量調(diào)控。車聯(lián)網(wǎng)通信具有高速移動(dòng)性和動(dòng)態(tài)拓?fù)渥兓奶攸c(diǎn)，車輛在行駛過(guò)程中，信道狀態(tài)會(huì)隨著車輛的移動(dòng)、周圍環(huán)境的變化而快速改變，這對(duì)活躍用戶檢測(cè)和信道估計(jì)的實(shí)時(shí)性和準(zhǔn)確性提出了巨大挑戰(zhàn)。在高速公路上，車輛的行駛速度可達(dá)100km/h以上，信道的多普勒頻移效應(yīng)明顯，傳統(tǒng)的信道估計(jì)算法難以快速準(zhǔn)確地跟蹤信道狀態(tài)的變化，從而影響車聯(lián)網(wǎng)通信的可靠性。6.2方法應(yīng)用與效果評(píng)估在智能工廠中，將本文提出的活躍用戶檢測(cè)與信道估計(jì)方法應(yīng)用于實(shí)際通信系統(tǒng)。以某智能工廠的生產(chǎn)監(jiān)控系統(tǒng)為例，該系統(tǒng)中有800個(gè)傳感器和執(zhí)行器作為潛在用戶。在生產(chǎn)過(guò)程中，平均有150個(gè)設(shè)備處于活躍狀態(tài)，實(shí)時(shí)傳輸數(shù)據(jù)。在活躍用戶檢測(cè)方面，采用基于稀疏貝葉斯學(xué)習(xí)與注意力機(jī)制的方法。通過(guò)對(duì)傳感器和執(zhí)行器發(fā)送的信號(hào)進(jìn)行處理，能夠準(zhǔn)確檢測(cè)出活躍設(shè)備。在一個(gè)生產(chǎn)周期內(nèi)，對(duì)活躍用戶檢測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)，檢測(cè)準(zhǔn)確率達(dá)到92%，誤檢率為5%，漏檢率為3%。而傳統(tǒng)的基于壓縮感知的檢測(cè)方法，檢測(cè)準(zhǔn)確率僅為80%，誤檢率為12%，漏檢率為8%。這表明本文方法在智能工廠復(fù)雜的通信環(huán)境中，能夠更準(zhǔn)確地檢測(cè)出活躍用戶，減少因誤檢和漏檢導(dǎo)致的數(shù)據(jù)傳輸錯(cuò)誤和丟失。在信道估計(jì)方面，采用基于遞歸神經(jīng)網(wǎng)絡(luò)結(jié)合注意力機(jī)制的新型信道估計(jì)算法。由于智能工廠中存在大量的金屬設(shè)備和復(fù)雜的電磁環(huán)境，信道狀態(tài)變化頻繁且復(fù)雜。通過(guò)對(duì)接收信號(hào)的處理和分析，該算法能夠準(zhǔn)確估計(jì)信道狀態(tài)。在不同的生產(chǎn)階段，信道估計(jì)誤差均方根（RMSE）始終保持在0.2以內(nèi)。而傳統(tǒng)的最小均方誤差法（MMSE），在相同環(huán)境下，信道估計(jì)RMSE達(dá)到0.35。準(zhǔn)確的信道估計(jì)使得數(shù)據(jù)解調(diào)和解碼的準(zhǔn)確率大幅提高，數(shù)據(jù)傳輸?shù)恼`碼率從傳統(tǒng)方法的8%降低至3%，有效保障了生產(chǎn)監(jiān)控?cái)?shù)據(jù)的準(zhǔn)確傳輸，為生產(chǎn)過(guò)程的穩(wěn)定運(yùn)行提供了有力支持。在車聯(lián)網(wǎng)場(chǎng)景中，以城市交通中的車輛通信為例，應(yīng)用本文的方法。在某市區(qū)繁忙路段，每平方公里內(nèi)約有500輛車輛，這些車輛在行駛過(guò)程中與路邊基站進(jìn)行通信。在活躍用戶檢測(cè)方面，基于改進(jìn)正交匹配追蹤算法與生成對(duì)抗網(wǎng)絡(luò)思想的方法發(fā)揮了重要作用。由于車輛的高速移動(dòng)和周圍環(huán)境的動(dòng)態(tài)變化，信號(hào)干擾復(fù)雜。通過(guò)對(duì)車輛發(fā)送的信號(hào)進(jìn)行處理，該方法能夠快速準(zhǔn)確地檢測(cè)出活躍車輛用戶。在一次交通高峰期的測(cè)試中，檢測(cè)準(zhǔn)確率達(dá)到90%，誤檢率為6%，漏檢率為4%。而傳統(tǒng)的基于信道統(tǒng)計(jì)特性的檢測(cè)方法，在相同情況下，檢測(cè)準(zhǔn)確率僅為75%，誤檢率為15%，漏檢率為10%。本文方法能夠更好地適應(yīng)車聯(lián)網(wǎng)中車輛的動(dòng)態(tài)變化，提高了通信的可靠性。在信道估計(jì)方面，基于遞歸神經(jīng)網(wǎng)絡(luò)結(jié)合注意力機(jī)制的算法同樣表現(xiàn)出色。由于車輛的高速移動(dòng)，信道的多普勒頻移效應(yīng)明顯，信道狀態(tài)變化迅速。該算法能夠?qū)崟r(shí)跟蹤信道狀態(tài)的變化，準(zhǔn)確估計(jì)信道參數(shù)。在不同的車速和路況下，信道估計(jì)RMSE保持在0.25以內(nèi)。而傳統(tǒng)的最小二乘法（LS），在高速移動(dòng)場(chǎng)景下，信道估計(jì)RMSE高達(dá)0.5。準(zhǔn)確的信道估計(jì)使得車輛與基站之間的數(shù)據(jù)傳輸更加穩(wěn)定，車輛能夠及時(shí)獲取路況信息、交通信號(hào)等關(guān)鍵數(shù)據(jù)，為智能駕駛和交通安全提供了可靠的通信保障。6.3經(jīng)驗(yàn)總結(jié)與問(wèn)題反思通過(guò)對(duì)智能工廠和車聯(lián)網(wǎng)這兩個(gè)實(shí)際應(yīng)用案例的深入分析，積累了豐富的經(jīng)驗(yàn)，同時(shí)也清晰地認(rèn)識(shí)到在大規(guī)模免調(diào)度傳輸中活躍用戶檢測(cè)與信道估計(jì)方法應(yīng)用過(guò)程中存在的問(wèn)題。在智能工廠和車聯(lián)網(wǎng)的實(shí)際應(yīng)用中，所提出的活躍用戶檢測(cè)與信道估計(jì)方法展現(xiàn)出了顯著的優(yōu)勢(shì)。在智能工廠中，基于稀疏貝葉斯學(xué)習(xí)與注意力機(jī)制的活躍用戶檢測(cè)方法，能夠充分利用信號(hào)的稀疏特性和注意力機(jī)制對(duì)關(guān)鍵信息的聚焦能力，準(zhǔn)確檢測(cè)出活躍設(shè)備。這種方法為智能工廠復(fù)雜環(huán)境下的設(shè)備通信提供了可靠的保障，使得生產(chǎn)監(jiān)控系統(tǒng)能夠及時(shí)獲取設(shè)備的運(yùn)行狀態(tài)信息，有效避免了因數(shù)據(jù)傳輸錯(cuò)誤和丟失導(dǎo)致的生產(chǎn)事故。在車聯(lián)網(wǎng)中，基于改進(jìn)正交匹配追蹤算法與生成對(duì)抗網(wǎng)絡(luò)思想的活躍用戶檢測(cè)方法，適應(yīng)了車輛高速移動(dòng)和信號(hào)干擾復(fù)雜的特點(diǎn)，快速準(zhǔn)確地檢測(cè)出活躍車輛用戶，為車聯(lián)網(wǎng)通信的可靠性奠定了基礎(chǔ)。在信道估計(jì)方面，基于遞歸神經(jīng)網(wǎng)絡(luò)結(jié)合注意力機(jī)制的新型信道估計(jì)算法，在智能工廠和車聯(lián)網(wǎng)的時(shí)變信道環(huán)境中，都能準(zhǔn)確跟蹤信道狀態(tài)的變化，為數(shù)據(jù)解調(diào)提供精確的信道信息，大大提高了數(shù)據(jù)傳輸?shù)臏?zhǔn)確性和穩(wěn)定性。然而，在實(shí)際應(yīng)用過(guò)程中也暴露出一些問(wèn)題。在智能工廠中，盡管所提出的方法在檢測(cè)準(zhǔn)確率和信道估計(jì)精度上有明顯提升，但當(dāng)工廠內(nèi)設(shè)備數(shù)量進(jìn)一步增加，且存在多個(gè)子系統(tǒng)同時(shí)工作時(shí)，不同子系統(tǒng)之間的信號(hào)干擾問(wèn)題變得更加復(fù)雜。這種干擾會(huì)影響活躍用戶檢測(cè)和信道估計(jì)的準(zhǔn)確性，導(dǎo)致部分設(shè)備的數(shù)據(jù)傳輸出現(xiàn)延遲或錯(cuò)誤。在某智能工廠擴(kuò)建新的生產(chǎn)線后，設(shè)備總數(shù)增加了50%，信號(hào)干擾問(wèn)題導(dǎo)致部分傳感器數(shù)據(jù)傳輸延遲，影響了生產(chǎn)過(guò)程的實(shí)時(shí)監(jiān)控和調(diào)整。在車聯(lián)網(wǎng)場(chǎng)景中，當(dāng)車輛處于密集城區(qū)或隧道等特殊環(huán)境時(shí)，由于信號(hào)遮擋和多徑效應(yīng)加劇，信道狀態(tài)變化更加劇烈，現(xiàn)有的信道估計(jì)方法在跟蹤信道快速變化方面仍存在一定的局限性。在城市隧道中，車輛通信信號(hào)受到隧道壁的多次反射和吸收，信道狀態(tài)瞬間變化，導(dǎo)致部分車輛與基站之間的通信出現(xiàn)短暫中斷，影響了車聯(lián)網(wǎng)服務(wù)的連續(xù)性。針對(duì)這些問(wèn)題，未來(lái)的改進(jìn)方向主要集中在