CN108093409A - 一种LTE-U系统和WiFi系统在未授权频段的共存方法 - Google Patents
一种LTE-U系统和WiFi系统在未授权频段的共存方法 Download PDFInfo
- Publication number
- CN108093409A CN108093409A CN201711277047.2A CN201711277047A CN108093409A CN 108093409 A CN108093409 A CN 108093409A CN 201711277047 A CN201711277047 A CN 201711277047A CN 108093409 A CN108093409 A CN 108093409A
- Authority
- CN
- China
- Prior art keywords
- lte
- wifi
- capacity
- systems
- frequency spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0446—Resources in time domain, e.g. slots or frames
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种LTE‑U系统和WiFi系统在未授权频段的共存方法,属于无线通信技术领域。该方法基于shortened TTI技术,引入增强型Q‑learning算法动态分配空白子帧和TTI,不仅能动态分配空白子帧,同时能够降低LTE的传输时延,显著提高LTE‑U系统和WiFi系统之间的公平性,同时能降低LTE‑U的传输时延,从而提高未授权频段的频谱利用率。本发明不仅能提高系统的总体频谱效用,还能同时检测LTE‑U系统的频谱效用和WiFi系统的频谱效用的优劣;不仅能提高频谱利用率,还能有效的降低LTE‑U的时延;不仅能以LTE‑U系统和WiFi系统相同的侧重分配LTE‑U帧,还能以不同的侧重分配LTE‑U帧,对提高未授权频段的整体频谱利用率具有重要作用。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种LTE-U系统和WiFi系统在未授权频段的共存方法。
背景技术
近几年,由于移动通信设备和智能终端的快速增多,对无线数据传输的需求也指数倍增加。同时,人们对于数据传输质量的要求也在不断提高,这些给本就有限的授权频谱带来巨大压力。为了解决频谱资源短缺的问题,很多技术被提出来,如大规模MIMO,认识无线电,小蜂窝和全双工通信等。为了解决LTE用户的频谱资源短缺问题,5GHz未授权频段包含的500M无线频谱进入了很多公司和标准化组织的视野。继而,LTE-U的概念被提出,即LTE系统利用载波聚合技术(Carrier Aggregation,CA)在5GHz未授权频段上使用。然而,目前5GHz未授权频段最常见的无线接入方式是WiFi(Wireless-Fidelity,无线局域网)。由于两者使用不同的技术且各自独立发展了很多年,因此,解决LTE-U和WiFi用户的和谐共存问题将面对不少挑战。
LTE和WiFi的主要不同是在物理层和介质访问控制层(Medium Access Control,MAC)。首先,他们使用不同的信道接入机制。对于LTE来说,它在授权频段传输,并且有一个集中控制器对下行/上行链路进行分配控制,使它可以保持可靠的传输。对于WiFi来说,它没有一个集中控制装置而是用载波监听多路访问以及避免碰撞(Carrier Sense MultipleAccess with Collision Detection,CSMA/CA)的方式接入信道。CSMA/CA机制是每个WiFi用户在接入信道传输数据之前,先检测信道是否空闲;如果信道空闲,并且监听DIFS(Distributed Inter-frame Spacing,分布式帧间间隙)时间,如果监听时间内,信道一直是空闲的,则发送数据;反之,则在竞争窗口范围内随机选择一个回退计数,直到回退计数的值减到0,则重新检测信道,直到监听到信道空闲,开始传输数据。这样可以减小WiFi用户间的冲突概率。当有许多无线用户竞争使用频段时,WiFi的冲突避免机制使频谱使用率并不高。
其次,LTE和WiFi都使用正交频分多址接入(Orthogonal Frequency DivisionMultiple Access,OFDMA)来进行上下行的数据传输。LTE系统将资源划分为若干帧,每个帧包含十个时长为1ms的子帧。相对于WiFi系统,LTE系统频谱效率能达到更高。此外,当LTE系统和WiFi系统使用相同的频段时,LTE系统会连续的传输数据,而WiFi系统由于冲突避免机制无法使用信道,因此会严重影响WiFi系统的传输性能。因此,在5GHz未授权频段上LTE-U系统和WiFi系统的公平共存问题是亟待解决的问题。
3GPP无线接入网技术规范工作组在2016年5月发布的TR-36.881的技术汇报Studyon lagency reduction techniques for LTE中,明确提出了shortened TTI andprocessing delay技术。该技术为了实现更短时延的传输,提出从物理层面设计更短的数据传输间隔,即采用更短的子帧长度来传输数据。TTI是传输时间间隔,在3GPP LTE标准中,一般认为其时间跨度为1ms,它代表着无限链路上独立解码的传输长度,是资源调度,资源管理所管辖时长的基本单位。在3GPP发布的技术汇报中,以14OS(OFDM Symbol)TTI为基准,新提出了三种TTI,即7OS,3/4OS,2OS。
综上所述,本发明提出一种动态调整空白子帧和TTI的时分复用方案来解决LTE-U系统和WiFi系统的共存问题。在本方案中,使用增强型Q-learning算法对不同的空白子帧比例和不同的TTI动态调整,实现LTE-U系统和WiFi系统都较高的用户满意度并且降低LTE-U的时延。增强型Q-learning算法能够基于LTE-U系统和WiFi系统的频谱效用,更新LTE-U帧结构的分配方式,实现LTE-U帧中空白子帧和TTI的高效分配,使系统处于较高频谱利用率的状态。此外,由于增强型Q-learning算法可根据需求改变参数,灵活性高,对网络性能动态提升有重要的意义。
发明内容
有鉴于此,本发明的目的在于提供一种LTE-U系统和WiFi系统在未授权频段的共存方法
为达到上述目的,本发明提供如下技术方案:
一种LTE-U系统和WiFi系统在未授权频段的共存方法,包括以下步骤:
S1:设定未授权频段的带宽,得出系统的总容量;将LTE-U系统和WiFi系统通过云无线接入网络(Cloud Radio Access Network,C-RAN)与互通信息的移动管理实体(MobileManagement Entity,MME)相连,M个LTE-U基站和N个WiFi接入点当做一个整体系统,对未授权频段资源进行统一的分配;
S2:分别设定LTE-U的容量满意度Tl C和时延满意度Tl D的目标值,分别设定WiFi信道利用率的下限上限设定LTE-U的期望平均时延Dd;
S3:设定增强型Q-learning算法中的参数α=0.5,γ=0.9以及贪婪因子ε=0.2;运用增强型Q-learning算法动态调整传输时间间隔(Transmission Time Interval,TTI),降低LTE-U的传输时延;将LTE-U中的部分子帧设置成空白子帧,空白子帧由WiFi系统传输使用,剩余的子帧由LTE-U系统传输使用;
S4:初始化Q表为0矩阵;
S5:根据以上设定的网络状态和已划分的状态S,得出初始化的起始状态sj;
S6:根据当前状态下的贪婪法则选择一个动作ai;贪婪法则的执行方式为:当随机数r小于贪婪因子ε时,动作ai在当前状态行下随机选取一个;当随机数r大于贪婪因子ε时,则选取当前状态行下的Q表最大值对应的那列动作;
S7:选择动作完成后,执行此动作ai,得到LTE-U的容量满意度CSD和时延满意度DSD,LTE-U的频谱效用Ul,WiFi的频谱利用率UWiFi和WiFi的频谱效用Uw,从而得出系统的总体效用函数R,即增强型Q-learning算法中的回报值;
S8:基于以上结果,依据状态s的划分,研究下一个状态s';
S9:根据总体效用值R,更新Q表中的值Q(s,a):
Q(s,a)=(1-α)Q(s,a);
S10:重复执行步骤S6,更新Q表,直到多次稳定的动作输出,找出最优结果。
进一步,所述步骤S3-S10具体为:
S301:定义A表示动作Action,A={a1,a2,…,ai,…,aM},其中表示一个帧结构中子帧的时长,表示分配给LTE-U的子帧比例,i表示动作的序数号;定义S表示状态State,S={s1,s2,…,sj,…,sN},其中表示LTE-U的容量满意度CSD,表示LTE-U的时延满意度DSD,表示WiFi的容量利用率UWiFi;其中,Tw为WiFi的产生容量,Cw为WiFi可获得的容量,Cw=C-Co;容量满意度CSD为分配给LTE-U的容量Co与期望容量Cd的比值,如果LTE-U可用容量达到或超过所需容量,CSD将非常高,否则CSD会比较低;其中Cd为LTE-U的期望容量,C代表系统的总体容量,由香农公式得出;代表LTE-U帧结构中分配给LTE-U的子帧比例;Do为LTE-U获得的平均时延,Dd为LTE-U的期望时延, 为一个无线帧中分配给两个LTE-U子帧之间的空白子帧个数;
S302:将LTE-U的容量满意度CSD、LTE-U的时延满意度DSD和WiFi的容量利用率UWiFi分别进行定义,得出LTE-U系统的频谱效用Ul和WiFi系统的频谱效用Uw,Ul=βmin[CSD,Tl C]+(1-β)min[DSD,Tl D],其中,β为权重参数,0<β<1,Tl C,Tl D分别表示LTE-U的容量满意度CSD和时延满意度DSD,分别表示WiFi信道利用率的下限和上限;然后得出系统的总体效用函数R,由LTE-U系统和WiFi系统的频谱效用共同决定,由公式R=δUl+(1-δ)Uw计算得出,其中,δ为权重参数,0<δ≤1;
S303:使用公式Q(s,a)=(1-α)Q(s,a)+α{R+γmaxa'Q(s',a')}更新增强型Q-learning算法,其中,s表示当前状态,a表示当前动作,s'代表下一个状态,a'表示下一状态最佳动作,α表示学习率,0≤α≤1,指导学习发生的速度;若α太小,则需要很长时间来完成学习过程;否则,算法无法收敛;γ表示贴现因子,0≤γ≤1,控制依靠未来成本的程度;若γ太小,则学习对未来成本依靠较小,而更多依赖直接成本优化,即算法较多参考当前状态的结果而较少考虑下一个状态的结果;若γ太大,学习会过度依赖于未来成本而较少关注直接成本,即算法较多的参考下一个状态的结果,而较少关注当前状态的值;
S304:根据已经设定的状态和动作,增强型Q-learning算法进行运算,建立Q表,并不断更新Q表数据,经过更新学习,达到稳定的动作,则此时的动作A所对应的LTE-U帧中空白子帧和TTI的分配方式即为LTE-U在当前网络数据流量需求下的最优分配方式。
进一步,所述步骤S301具体为:LTE-U子帧和空白子帧的分配是按照交叉方式进行分配,即设可供LTE-U使用的子帧数为5,1号子帧若为LTE-U子帧,则2号子帧为空白子帧,3号子帧分配为LTE-U子帧,依次交叉分配;根据LTE-U系统和WiFi系统的频谱效用,基于增强型Q-learning算法动态调整空白子帧,从而提高系统的频谱利用率。
本发明的有益效果在于:本发明在保证LTE-U和WiFi二者频谱利用率的同时,能够降低LTE-U的时延,提高资源利用率,实现系统总体频谱效用的最优化。本发明不仅能提高系统的总体频谱效用,还能同时检测LTE-U系统的频谱效用和WiFi系统的频谱效用的优劣;不仅能提高频谱利用率,还能有效的降低LTE-U的时延;不仅能以LTE-U系统和WiFi系统相同的侧重分配LTE-U帧,还能以不同的侧重分配LTE-U帧,对提高未授权频段的整体频谱利用率具有重要作用。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明的系统网络场景模型图;
图2为本发明使用的LTE-U帧结构;
图3为本发明提出的Q-learning算法动态调整LTE-U帧结构的流程图;
图4为本发明的参数调整示意图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明对未授权频段的资源进行分配,将LTE-U系统和WiFi系统通过MME连接成总体系统,实现5GHz未授权频段的统一分配和管理。通过增强型Q-learning算法,动态调整LTE-U帧结构,实现LTE-U系统和WiFi系统的较高用户满意度,从而提高总体系统性能,高效智能的管理未授权频段的频谱资源。以下结合附图和具体实例对本发明的具体实施说明如下。
图1为本发明的系统网络场景模型图;图2为本发明使用的LTE-U帧结构;以下考虑M个LTE-U基站和N个WiFi接入点,共享相同的未授权频段。他们分别由各自的C-RAN将控制信号传入MME,互相连接的MME统一控制LTE-U帧中空白子帧的分配以及TTI的调整。增强型Q-learning算法依照设定的动作和状态,自主学习更新,实现LTE-U帧结构的最优配置;在增强型Q-learning算法具体实现过程中,对于动作A包含的两个参数,设定分别为1ms、0.5ms和1/7ms,分配给LTE-U的子帧比例设定为20%、40%、60%和80%。这样将得到12种动作,如表1所示。将状态S包含的三个参数按照用户满意度结果划分范围,分别是大于0且小于等于0.5,大于0.5且小于1以及大于1三种情况,状态序数号j由三维矩阵一一对应,如表2所示。
表1动作
表2状态
在本发明具体实施过程中,为了显示增强型Q-learning算法的自主学习更新,初始参数随着时间动态调整,调整参数情况如图4所示。增强型Q-learning算法依照初始参数判断出此时网络的状态sj,随后根据算法得出该网络状态sj下,LTE-U子帧的分配方式以及TTI长度,即动作ai。此外,为了避免增强型Q-learning算法的选择一直受到以往经验值的限制,本发明采用贪婪法则,即允许算法在随机数r小于贪婪因子ε时,随机选择要执行的动作ai。贪婪法则使得增强型Q-learning算法有机会发现网络在当下状态sj下,LTE-U帧结构的更优分配方式,在一定程度上保证了增强型Q-learning算法自我学习更新,找出最优的结果。图3为本发明提出的Q-learning算法动态调整LTE-U帧结构的流程图,本发明的具体步骤如下:
1)设定未授权频段的带宽,以得出系统的总容量;
2)分别设定LTE-U的容量满意度Tl C和时延满意度Tl D的目标值,分别设定WiFi信道利用率的下限和上限设定LTE-U的期望平均时延Dd;
3)设定增强型Q-learning算法中的参数α=0.5,γ=0.9以及贪婪因子ε=0.2;
4)初始化Q表为0矩阵;
5)根据以上设定的网络状态和已划分的状态S,得出初始化的起始状态sj;
6)根据当前状态下的贪婪法则选择一个动作ai;本发明中贪婪法则的执行方式为:当随机数r小于贪婪因子ε时,动作ai在当前状态行下随机选取一个;当随机数r大于贪婪因子ε时,则选取当前状态行下的Q表最大值对应的那列动作;
7)选择动作完成后,执行此动作ai,得到LTE-U的容量满意度CSD和时延满意度DSD,LTE-U的频谱效用Ul,WiFi的频谱利用率UWiFi和WiFi的频谱效用Uw,从而得出系统的总体效用函数R,即增强型Q-learning算法中的回报值;
8)基于以上结果,依据状态s的划分,研究下一个状态s';
9)根据总体效用值R,更新Q表中的值Q(s,a):
Q(s,a)=(1-α)Q(s,a);
10)重复执行步骤6),更新Q表,直到多次稳定的动作输出,结束算法。
增强型Q-learning算法经过Q表更新学习,达到多次稳定的动作输出,则此时动作A所对应的LTE-U子帧的分配方式以及TTI长度即为LTE-U在当前网络状况下的最优分配方式。
本发明为了体现增强型Q-learning算法的自我学习过程,对信道的信噪比SNR,LTE-U的期望容量Cd和WiFi产生流量Tw三个参数进行了五次的改变,如图4所示。这样可使增强型Q-learning算法在达到最优的分配方式后,重新学习迭代,重新找到LTE-U子帧以及TTI长度的最优分配方式。我们设置的三个参数的初始值分别为:SNR=5dB,Cd=17Mbps,Tw=3Mbps。依据初始参数,得出LTE-U系统和WiFi系统的频谱效用,增强型Q-learning算法经过多次的自我更新达到稳定的动作,找出了LTE-U子帧以及TTI长度的最优分配方式。
第二次设置是提高Tw的值,即提高WiFi系统的需求量,其他参数维持不变。由仿真结果得出,WiFi系统的频谱效用没有改变,即多分配空白子帧给WiFi系统使用,从而,LTE-U的容量满意度CSD和时延满意度DSD都有所下降,使LTE-U的频谱效用有所降低。该情况下,总体频谱效用有所下降,但LTE-U系统和WiFi系统都达到较高的用户满意度,实现了二者的和谐共存。
第三次设置是提高信噪比SNR的值,增大系统总容量。由于之前LTE-U的频谱效用有所降低,WiFi系统的频谱效用没有改变,这将有更多的容量可供LTE-U使用,因此LTE-U的容量满意度CSD有所提高。由于此次LTE-U的容量满意度CSD超过设定值,为了实现WiFi系统和谐共存,LTE-U帧的分配方式没有改变,从而LTE-U的时延满意度DSD也没有改变,而WiFi系统的频谱效用有小幅度的较少。基于以上,系统的总体效用有所提高。经过增强型Q-learning算法的学习,在保持较高的LTE-U的容量满意度CSD和时延满意度DSD的同时,WiFi系统的频谱效用也保持较高水平。
第四次设置是提高LTE-U的期望容量Cd。由于之前LTE-U的容量满意度CSD超过设定值,此次LTE-U期望容量的增加,使LTE-U的容量满意度CSD向目标值接近。因此,LTE-U的子帧以及TTI长度不需要改变,就能使LTE-U的频谱效用达到最优,同时WiFi系统也保持较高的频谱效用,使系统的总体频谱效用最优。
第五次设置是提高Tw的值,即再次提高WiFi系统的流量需求量。由于之前WiFi的频谱利用率较低,这次Tw的增加,可使WiFi的频谱利用率有所提升。此时,基于增强型Q-learning算法的LTE-U子帧以及TTI长度的分配方式仍然做出兼顾两者的分配结果,维持LTE-U系统的较高频谱效用。
为了更好地验证增强型Q-learning算法的智能高效,本发明对系统的总体效用函数R=δUl+(1-δ)Uw做出调整,根据不同的LTE-U系统和WiFi系统的权重,进行分析。权重系数分别为:δ=0.5,δ=0.7,δ=0.3。基于此,系统可以对LTE-U系统和WiFi系统的不同需求做出不同的侧重,具有较大的可移植性。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (3)
1.一种LTE-U系统和WiFi系统在未授权频段的共存方法,其特征在于:该方法包括以下步骤:
S1:设定未授权频段的带宽,得出系统的总容量;将LTE-U系统和WiFi系统通过云无线接入网络(Cloud Radio Access Network,C-RAN)与互通信息的移动管理实体(MobileManagement Entity,MME)相连,M个LTE-U基站和N个WiFi接入点当做一个整体系统,对未授权频段资源进行统一的分配;
S2:分别设定LTE-U的容量满意度Tl C和时延满意度Tl D的目标值,分别设定WiFi信道利用率的下限和上限设定LTE-U的期望平均时延Dd;
S3:设定增强型Q-learning算法中的参数α=0.5,γ=0.9以及贪婪因子ε=0.2;运用增强型Q-learning算法动态调整传输时间间隔(Transmission Time Interval,TTI),降低LTE-U的传输时延;将LTE-U中的部分子帧设置成空白子帧,空白子帧由WiFi系统传输使用,剩余的子帧由LTE-U系统传输使用;
S4:初始化Q表为0矩阵;
S5:根据以上设定的网络状态和已划分的状态S,得出初始化的起始状态sj;
S6:根据当前状态下的贪婪法则选择一个动作ai;贪婪法则的执行方式为:当随机数r小于贪婪因子ε时,动作ai在当前状态行下随机选取一个;当随机数r大于贪婪因子ε时,则选取当前状态行下的Q表最大值对应的那列动作;
S7:选择动作完成后,执行此动作ai,得到LTE-U的容量满意度CSD和时延满意度DSD,LTE-U的频谱效用Ul,WiFi的频谱利用率UWiFi和WiFi的频谱效用Uw,从而得出系统的总体效用函数R,即增强型Q-learning算法中的回报值;
S8:基于以上结果,依据状态s的划分,研究下一个状态s';
S9:根据总体效用值R,更新Q表中的值Q(s,a):
Q(s,a)=(1-α)Q(s,a);
S10:重复执行步骤S6,更新Q表,直到多次稳定的动作输出,找出最优结果。
2.根据权利要求1所述的一种LTE-U系统和WiFi系统在未授权频段的共存方法,其特征在于:所述步骤S3-S10具体为:
S301:定义A表示动作Action,A={a1,a2,…,ai,…,aM},其中表示一个帧结构中子帧的时长,表示分配给LTE-U的子帧比例,i表示动作的序数号;定义S表示状态State,S={s1,s2,…,sj,…,sN},其中表示LTE-U的容量满意度CSD,表示LTE-U的时延满意度DSD,表示WiFi的容量利用率UWiFi;其中,Tw为WiFi的产生容量,Cw为WiFi可获得的容量,Cw=C-Co;容量满意度CSD为分配给LTE-U的容量Co与期望容量Cd的比值,如果LTE-U可用容量达到或超过所需容量,CSD将非常高,否则CSD会比较低;其中Cd为LTE-U的期望容量,C代表系统的总体容量,由香农公式得出;代表LTE-U帧结构中分配给LTE-U的子帧比例;Do为LTE-U获得的平均时延,Dd为LTE-U的期望时延, 为一个无线帧中分配给两个LTE-U子帧之间的空白子帧个数;
S302:将LTE-U的容量满意度CSD、LTE-U的时延满意度DSD和WiFi的容量利用率UWiFi分别进行定义,得出LTE-U系统的频谱效用Ul和WiFi系统的频谱效用Uw,Ul=βmin[CSD,Tl C]+(1-β)min[DSD,Tl D],其中,β为权重参数,0<β<1,Tl C,Tl D分别表示LTE-U的容量满意度CSD和时延满意度DSD,分别表示WiFi信道利用率的下限和上限;然后得出系统的总体效用函数R,由LTE-U系统和WiFi系统的频谱效用共同决定,由公式R=δUl+(1-δ)Uw计算得出,其中,δ为权重参数,0<δ≤1;
S303:使用公式Q(s,a)=(1-α)Q(s,a)+α{R+γmaxa'Q(s',a')}更新增强型Q-learning算法,其中,s表示当前状态,a表示当前动作,s'代表下一个状态,a'表示下一状态最佳动作,α表示学习率,0≤α≤1,指导学习发生的速度;若α太小,则需要很长时间来完成学习过程;否则,算法无法收敛;γ表示贴现因子,0≤γ≤1,控制依靠未来成本的程度;若γ太小,则学习对未来成本依靠较小,而更多依赖直接成本优化,即算法较多参考当前状态的结果而较少考虑下一个状态的结果;若γ太大,学习会过度依赖于未来成本而较少关注直接成本,即算法较多的参考下一个状态的结果,而较少关注当前状态的值;
S304:根据已经设定的状态和动作,增强型Q-learning算法进行运算,建立Q表,并不断更新Q表数据,经过更新学习,达到稳定的动作,则此时的动作A所对应的LTE-U帧中空白子帧和TTI的分配方式即为LTE-U在当前网络数据流量需求下的最优分配方式。
3.根据权利要求1所述一种LTE-U系统和WiFi系统在未授权频段的共存方法,其特征在于:所述步骤S301具体为:LTE-U子帧和空白子帧的分配是按照交叉方式进行分配,即设可供LTE-U使用的子帧数为5,1号子帧若为LTE-U子帧,则2号子帧为空白子帧,3号子帧分配为LTE-U子帧,依次交叉分配;根据LTE-U系统和WiFi系统的频谱效用,基于增强型Q-learning算法动态调整空白子帧,从而提高系统的频谱利用率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711277047.2A CN108093409A (zh) | 2017-12-06 | 2017-12-06 | 一种LTE-U系统和WiFi系统在未授权频段的共存方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711277047.2A CN108093409A (zh) | 2017-12-06 | 2017-12-06 | 一种LTE-U系统和WiFi系统在未授权频段的共存方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108093409A true CN108093409A (zh) | 2018-05-29 |
Family
ID=62174535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711277047.2A Pending CN108093409A (zh) | 2017-12-06 | 2017-12-06 | 一种LTE-U系统和WiFi系统在未授权频段的共存方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108093409A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109195194A (zh) * | 2018-08-09 | 2019-01-11 | 北京邮电大学 | 一种接入信道的方法、装置及设备 |
CN109862567A (zh) * | 2019-03-28 | 2019-06-07 | 电子科技大学 | 一种蜂窝移动通信系统接入非授权频谱的方法 |
CN109874154A (zh) * | 2019-01-23 | 2019-06-11 | 南京邮电大学 | 一种基于深度强化学习的c-ran用户关联和计算资源分配方法 |
CN111859099A (zh) * | 2019-12-05 | 2020-10-30 | 马上消费金融股份有限公司 | 基于强化学习的推荐方法、装置、终端以及存储介质 |
CN113316174A (zh) * | 2021-05-26 | 2021-08-27 | 重庆邮电大学 | 一种非授权频谱智能接入方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106412931A (zh) * | 2016-12-16 | 2017-02-15 | 重庆邮电大学 | 一种基于多时隙融合机制的lte‑u空闲信道评估方法 |
CN106538026A (zh) * | 2014-07-11 | 2017-03-22 | Lg 电子株式会社 | 在无线通信系统中在非许可频谱中发送wi‑fi信号的方法和装置 |
CN106851663A (zh) * | 2017-02-22 | 2017-06-13 | 重庆邮电大学 | 异构网络下LTE‑U与Wi‑Fi在非授权频段公平共存的方法 |
-
2017
- 2017-12-06 CN CN201711277047.2A patent/CN108093409A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106538026A (zh) * | 2014-07-11 | 2017-03-22 | Lg 电子株式会社 | 在无线通信系统中在非许可频谱中发送wi‑fi信号的方法和装置 |
CN106412931A (zh) * | 2016-12-16 | 2017-02-15 | 重庆邮电大学 | 一种基于多时隙融合机制的lte‑u空闲信道评估方法 |
CN106851663A (zh) * | 2017-02-22 | 2017-06-13 | 重庆邮电大学 | 异构网络下LTE‑U与Wi‑Fi在非授权频段公平共存的方法 |
Non-Patent Citations (2)
Title |
---|
YING-YING LIU: "Dynamic Resource Allocation Using Reinforcement", 《2017 NINTH INTERNATIONAL CONFERENCE ON UBIQUITOUS AND FUTURE NETWORKS (ICUFN)》 * |
黄晓舸: "LTE-U与WiFi系统在非授权频段共存机制研究", 《重庆邮电大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109195194A (zh) * | 2018-08-09 | 2019-01-11 | 北京邮电大学 | 一种接入信道的方法、装置及设备 |
CN109874154A (zh) * | 2019-01-23 | 2019-06-11 | 南京邮电大学 | 一种基于深度强化学习的c-ran用户关联和计算资源分配方法 |
CN109862567A (zh) * | 2019-03-28 | 2019-06-07 | 电子科技大学 | 一种蜂窝移动通信系统接入非授权频谱的方法 |
CN109862567B (zh) * | 2019-03-28 | 2019-12-27 | 电子科技大学 | 一种蜂窝移动通信系统接入非授权频谱的方法 |
CN111859099A (zh) * | 2019-12-05 | 2020-10-30 | 马上消费金融股份有限公司 | 基于强化学习的推荐方法、装置、终端以及存储介质 |
CN111859099B (zh) * | 2019-12-05 | 2021-08-31 | 马上消费金融股份有限公司 | 基于强化学习的推荐方法、装置、终端以及存储介质 |
CN113316174A (zh) * | 2021-05-26 | 2021-08-27 | 重庆邮电大学 | 一种非授权频谱智能接入方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108093409A (zh) | 一种LTE-U系统和WiFi系统在未授权频段的共存方法 | |
CN112601284B (zh) | 基于多智能体深度强化学习的下行多小区ofdma资源分配方法 | |
CN103067985B (zh) | 基于信道质量的超高速无线局域网信道绑定与分配方法 | |
CN103068054B (zh) | 基于时延可控的超高速无线局域网信道接入方法 | |
CN104936303B (zh) | 一种载波监听门限与竞争窗口联合控制的方法 | |
CN106454920B (zh) | 一种lte与d2d混合网络中基于时延保证的资源分配优化算法 | |
CN109982434B (zh) | 无线资源调度一体智能化控制系统及方法、无线通信系统 | |
CN104507169B (zh) | 降低系统上行传输时延的三维资源动态分配方法和装置 | |
CN103260229A (zh) | 基于预测和反馈的无线传感器网络mac协议 | |
CN110167177B (zh) | 基于动态时隙分配的无线体域网协作通信传输方法 | |
CN104703270A (zh) | 适用于异构无线蜂窝网络的用户接入和功率分配方法 | |
Bai et al. | An adaptive grouping scheme in ultra-dense IEEE 802.11 ax network using buffer state report based two-stage mechanism | |
CN105357762A (zh) | 一种超密集网络下基于能量效率和频谱效率的动态接入方法 | |
CN105188147A (zh) | 一种基于功率控制的lte-a系统全双工资源分配方法 | |
CN104883727B (zh) | 蜂窝异构网络中d2d用户速率最大化的功率分配方法 | |
CN109889253A (zh) | 支持临近空间网络的自适应多信道媒介访问控制方法 | |
CN102665219A (zh) | 一种基于ofdma的家庭基站系统的动态频谱分配方法 | |
CN116347635A (zh) | 一种基于NOMA和多智能体强化学习的NB-IoT无线资源分配方法 | |
CN102821391A (zh) | 基于距离比的d2d链路频谱分配方法 | |
CN106658736A (zh) | 一种基于lte技术的物联网上行链路资源分配方法 | |
CN110225494B (zh) | 一种基于外部性和匹配算法的机器类通信资源分配方法 | |
Su et al. | Tac-U: A traffic balancing scheme over licensed and unlicensed bands for Tactile Internet | |
CN102055652A (zh) | 动态带宽分配方法及装置 | |
CN103338453A (zh) | 一种用于分层无线网络的动态频谱接入方法及系统 | |
CN111314938B (zh) | 一种用于单个蜂窝小区的蜂窝网络时频域资源分配的优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180529 |
|
RJ01 | Rejection of invention patent application after publication |