买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种低轨卫星物联网的大规模免授权随机接入方法。激活的物联网设备根据所分配的前导序列，构建出相应的张量形式的前导序列，在每个时隙的开始部分通过上行信道将张量形式的前导序列发送给低轨卫星。低轨卫星基于接收到的信号恢复成设备状态矩阵，然后利用阈值法检测出激活的设备。对于检测为激活状态的设备，基于设备状态矩阵估计出相应的信道状态信息。本发明为具有大规模物联网设备接入的低轨卫星物联网提供了一种简单却有效的免授权随机接入方法。

主权项：1.一种低轨卫星物联网的大规模免授权随机接入方法，其特征在于包括如下步骤：S1、对于所有K个物联网设备中的每一个物联网设备dk，其所分配的前导序列为sk，通过一种张量信号构建方法，构建出该物联网设备dk张量形式的前导序列Tk，k＝1,…K，其中K为物联网设备的总数量；在每个时隙的开始部分，所有激活的物联网设备同时将张量形式的前导序列发送给低轨卫星，低轨卫星接收到的信号为Y；S2、低轨卫星基于接收到的信号Y，根据一种基于张量的贝叶斯学习方法将信号Y恢复成设备状态矩阵MX，其中MX的第k列为物联网设备dk的状态信息，k＝1,…K；S3、低轨卫星基于恢复出的设备状态矩阵MX，利用一种阈值判断方法检测出处在激活状态的物联网设备；S4、对于被检测为激活状态的每个物联网设备，利用一种信道估计方法获得对应的信道状态估计信息；步骤S1中，所述张量信号构建方法为：对于每个物联网设备的前导序列sk，其长度为L，将其平均切分成d段，其中第i段为ak,i，i＝1,2…d；然后按照下式构建发射信号：其中，τi表示ak,i的维度,i＝1,2,…,d，符号表示向量外积；步骤S2中，所述基于张量的贝叶斯学习方法具体步骤为：a输入卫星接收到的前导序列信号Y以及迭代次数T，初始化当前迭代轮次t＝0；b根据下式对当前迭代轮次对应的信道的中值矩阵和协方差矩阵进行参数更新： 其中，Eβ表示噪声系数β的期望，Ai表示由所有ak,i构成的张量因子矩阵，其中Ai的第k列为ak,i，k＝1,2…K；yd+1表示张量信号Y按模态d+1展开的矩阵；表示参数vk的期望，k＝1,2,…K；·-1表示矩阵求逆；表示均值估计参数μk的一阶矩，均值估计参数μk为超参数；M表示天线的数量，diag为对角矩阵，⊙表示Hadmard积，◇表示Khatri-rao积，上标H表示共轭转置，上标*表示求共轭的操作；和为初始预设参数；c基于前一迭代轮次得到的信道的中值矩阵和协方差矩阵根据下面的公式对信道分布的方差估计参数和进行参数更新： 其中，δ是初始值，表示均值估计参数μk的一阶矩，表示均值估计参数μk的二阶矩，表示中值矩阵的第k列，MXm,k表示位于中值矩阵的第m行第k列的元素，表示位于协方差矩阵第k行第k列的元素；d根据下式对信道分布的均值估计参数和进行参数更新： 再令则由和得到超参数μk的均值和二阶矩为： 其中,Gamma[]表示伽玛函数，H[]表示合流超几何函数1F1；e根据下面的公式对噪声系数β的期望Eβ进行参数更新： 其中，τi表示Ai的行维度，Tr表示求迹，表示对矩阵求F范数；f将当前迭代轮次t加1后，重复步骤b～e进行下一轮迭代，共迭代T轮次后，最终输出信道的中值矩阵作为设备状态矩阵MX；步骤S3中，所述阈值判断方法为：设定阈值θ0＝M*0.15*α2，其中α是MX中的最大元素；依次遍历中值矩阵MX∈CM×K中的每一列，对于中值矩阵MX∈CM×K中的任意第k列MX:,k，若范数则物联网设备dk判定为激活状态，反之，若则物联网设备dk判定为非激活状态；步骤S4中，所述信道估计方法为：若物联网设备dk被检测为激活设备，则低轨卫星基于设备状态矩阵MX，提取出MX的第k列数据作为物联网设备dk的信道状态的估计信息

全文数据：

权利要求：

百度查询： 浙江大学 一种低轨卫星物联网的大规模免授权随机接入方法