一种高效精确的基于模型驱动深度学习的JADCE算法

本发明属于JADCE算法技术领域，涉及一种高效精确的基于模型驱动深度学习的JADCE算法，GFRA的关键在于实现准确的联合活动检测和信道估计，由于物联网设备的零星流量，这可以被视为典型的稀疏信号恢复问题。为了解决这个问题，可以利用传统的压缩感知算法，然而，存在计算复杂度高以及对不同传感矩阵缺乏鲁棒性的缺点。本文提出了一种用于JADCE的内存增强迭代收缩阈值算法网络框架，通过学习离散化变换和增强残差域信息交互，有效地提高了SSRe的性能。特别地，我们在展开的多级深度网络中引入了高吞吐量的短期内存机制，以保证网络的信息丰富性和可解释性。仿真结果表明，所提出的网络的检测和估计性能方面的显著优势，现有的模型驱动的深度展开网络。