MMTC中基于深度学习的多用户接入检测技术研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 名词缩写说明 | 第13-15页 |
| 符号说明 | 第15-16页 |
| 1 绪论 | 第16-30页 |
| 1.1 课题背景及意义 | 第16-20页 |
| 1.1.1 MMTC通信系统 | 第16-18页 |
| 1.1.2 压缩感知 | 第18-20页 |
| 1.2 国内外研究现状 | 第20-27页 |
| 1.2.1 研究现状 | 第20-26页 |
| 1.2.2 发展趋势 | 第26-27页 |
| 1.3 本文的主要内容及结构 | 第27-30页 |
| 2 多用户检测技术 | 第30-42页 |
| 2.1 系统描述 | 第30-34页 |
| 2.1.1 MMTC场景 | 第30-32页 |
| 2.1.2 系统模型 | 第32-34页 |
| 2.2 压缩感知检测模型 | 第34-41页 |
| 2.2.1 信道估计和活动检测 | 第34-36页 |
| 2.2.2 压缩感知重构算法 | 第36-41页 |
| 2.3 本章小结 | 第41-42页 |
| 3 基于深度学习的多用户检测 | 第42-52页 |
| 3.1 深度学习与压缩感知 | 第42-48页 |
| 3.1.1 深度学习与神经网络 | 第42-45页 |
| 3.1.2 随机梯度下降和反向传播 | 第45-46页 |
| 3.1.3 基于硬阈值算法展开的网络 | 第46-48页 |
| 3.2 块激活神经网络模型 | 第48-50页 |
| 3.2.1 网络设计 | 第48-50页 |
| 3.2.2 块激活函数 | 第50页 |
| 3.3 本章小结 | 第50-52页 |
| 4 实验与仿真 | 第52-66页 |
| 4.1 参数设置 | 第52-53页 |
| 4.2 实验仿真 | 第53-64页 |
| 4.2.1 神经网络性能 | 第53-56页 |
| 4.2.2 时间复杂度 | 第56-57页 |
| 4.2.3 用户接入检测和信道估计 | 第57-61页 |
| 4.2.4 基于用户数据的优化 | 第61-64页 |
| 4.3 本章小结 | 第64-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 研究总结 | 第66-67页 |
| 5.2 对研究课题的展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第71-73页 |
| 学位论文数据集 | 第73页 |
