| Tesis Doctorales de la Universidad de Alcalá |
| MASSIVE ACCESS FOR MASSIVE MACHINE-TYPE COMMUNICATION | | Autor/a | Dang, Xiaobing | | Departamento | Electrónica | | Director/a | Ureña Ureña, Jesús | | Directores/as | Hernández Alonso, Álvaro; Xiang, Wei | | Fecha de depósito | 28-02-2026 | | Periodo de exposición pública | 1 de marzo a 16 de marzo de 2026 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Electrónica: Sistemas Electrónicos Avanzados. Sistemas Inteligentes (RD 99/2011) | | Mención internacional | No | | Resumen | La comunicación masiva de tipo máquina (mMTC) es uno de los tres escenarios de aplicación típicos de los sistemas 5G y futuros 6G.
Para satisfacer los requisitos de acceso aleatorio de un número masivo de dispositivos, se adoptan ampliamente esquemas de acceso aleatorio sin concesión (grant-free).
Sin embargo, cuando el conjunto de dispositivos activos es desconocido, la detección conjunta de actividad y estimación de canal (JADCE) sigue siendo un problema desafiante.
Por un lado, el acceso masivo incrementa significativamente la dimensión de las señales, lo que aumenta la demanda computacional de los algoritmos convencionales de detección y estimación.
Además, estos métodos dependen en gran medida de parámetros ajustados manualmente, lo que dificulta mantener el rendimiento en entornos de acceso dinámicos.
Por otro lado, aunque los métodos de desdoblamiento profundo propuestos recientemente introducen mecanismos de aprendizaje de parámetros basados en datos, la mayoría de ellos se entrenan bajo condiciones fijas, lo que limita su capacidad de generalización.
Asimismo, la separación de partes real e imaginaria se adopta comúnmente en los enfoques existentes, lo que dificulta capturar plenamente la estructura de esparsidad conjunta de señales complejas.
Además, en arquitecturas de acceso masivo sin celdas (cell-free), la falta de mecanismos efectivos de inferencia cooperativa entre múltiples puntos de acceso restringe la utilización fiable de observaciones distribuidas, especialmente en escenarios de acceso de alta densidad.
Motivada por estos desafíos, esta tesis investiga algoritmos JADCE para escenarios de acceso masivo sin concesión, con el objetivo de proporcionar fundamentos teóricos y soporte metodológico para lograr un acceso eficiente y fiable en futuros sistemas de Internet de las Cosas.
En primer lugar, para abordar la alta dimensionalidad y complejidad computacional del problema JADCE en escenarios de acceso masivo sin concesión, esta tesis propone un método mejorado de multiplicadores de dirección alternante (ADMM) de baja complejidad.
Aprovechando la estructura de esparsidad inherente en los patrones de actividad de los dispositivos, el problema JADCE se formula como un problema de optimización convexa con restricciones de esparsidad y se resuelve dentro del marco ADMM.
En escenarios de acceso a gran escala, las iteraciones estándar de ADMM suelen implicar operaciones matriciales de alta dimensión, lo que conduce a un considerable coste computacional.
Para resolver este problema, el método propuesto reestructura tanto las reglas de actualización de variables como el procedimiento iterativo global, reduciendo eficazmente la complejidad computacional sin sacrificar la precisión de estimación.
El método es aplicable tanto a configuraciones de estación base de una sola antena como de múltiples antenas.
Además, su convergencia está garantizada teóricicamente y sus ventajas de eficiencia computacional se validan rigurosamente mediante análisis.
Específicamente, cuando la longitud de la secuencia piloto es mucho menor que el número de dispositivos $N$, el algoritmo propuesto reduce la complejidad del ADMM estándar de $\mathcal{O}(N^2M)$ a $\mathcal{O}(LNM)$, logrando una mejora significativa en eficiencia computacional.
Los resultados de simulación muestran además que el método supera a los enfoques de referencia en precisión de estimación de canal y detección de dispositivos activos, al mismo tiempo que presenta una convergencia más rápida y fiable, lo que valida su efectividad en sistemas de acceso aleatorio a gran escala.
En segundo lugar, los algoritmos de optimización convencionales dependen de hiperparámetros ajustados manualmente, como pesos de regularización y tamaños de paso, lo que dificulta manten |
|
