CN108551383A - 一种基于机器学习的能量采集中继系统自适应调制方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的能量采集中继系统自适应调制方法，其具体步骤如下：发送端根据中继数据缓存器的状态，确定采用的调制方式，使得发送数据不超过中继存储能力。接着中继根据发送端发送的数据，以及一段时间内信道状态和能量采集状态信息，确定这段时间内中继采用的最优调制方式，以达到提升系统总吞吐量的目标。再将调制方式以及信道状态信息作为训练数据，利用分类算法将信道根据调制方式分成不同的类，确定类的范围。本发明考虑在单中继无线通信场景中，节点均采用MQAM调制方式发送信号。节点需要根据当前时隙系统信息，利用机器学习方法自适应的确定当前采用的调制方式，以达到提升系统吞吐量的目标。

Description

一种基于机器学习的能量采集中继系统自适应调制方法

技术领域

本发明基于通信技术领域，具体涉及一种基于机器学习的能量采集中继系统自适应调制方法。

背景技术

近年来，随着无线通信技术的发展，无线业务的应用越来越广泛，能源消耗越来越大，所以绿色通信已成为关注的焦点。能量采集技术是指节点从周围环境采集能量，并用于自身信息的发送，作为发送功率。由于从环境获取能量，能量采集技术不仅绿色环保，同时延长了能量自给设备的寿命。同时，随着通信范围的扩大，边缘用户的通信质量由于信道衰落的增加而降低。协作中继技术是指在发送端和接收端之间增加中继节点，通过中继转发改善信号质量，从而有效提升网络的覆盖率，避免因为信道衰落造成通信质量的降低，并能提供一定的通信增益。能量采集中继已成为下一代移动通信中一个重要的研究方向。

对于能量采集系统中功率分配的研究已有很多，但是对于实际的通信系统，通常需要考虑具体的调制方式。数字通信系统中，M进制正交振幅调制(MQAM)是最常用的调制技术之一。对于能量采集中继系统，考虑系统中节点如何选择调制方式，将面临两个主要挑战。首先，系统包含源节点和中继，都需要发送数据，所以两者分别如何确定自己的调制方式，将直接决定系统所能提供的吞吐量。由于中继采用能量采集技术，可用发送功率受限，所以调制方式受采集能量的限制，而源节点的调制方式则主要取决于系统所能允许的业务量。因此，需要跟据不同的限制条件确定两者各自的调制阶数。其次，由于允许中继存储能量，中继可以根据信道状态的变化情况选择是否对能量进行存储，当信道状态更好时，可以采用更高的调制方式，达到更大的系统吞吐量。然而对于实际的通信系统，由于存在小尺度衰落，节点很难预测将来时刻的信道状态，难以提前做出判断是否对能量进行存储，系统吞吐量难以提高。所以，对于在缺乏信道信息的前提下，采用合理的调制方式，提升系统吞吐量的算法研究还比较欠缺。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于机器学习的能量采集中继系统自适应调制方法，本发明针对实际场景节点只能得到当前时刻的信道信息，而无法预测未来信道状态的问题，构建了一种利用分类算法确定节点调制方式的方案。首先根据离线算法确定一段时间内节点的调制阶数，并依次为训练数据对信道进行分类，得到各个类的范围。然后将分类结果应用于在线信道，并根据节点采集的能量状况动态调整类的边界值，从而达到提升系统吞吐量的目的。

技术方案：为实现上述目的，本发明提供一种基于机器学习的能量采集中继系统自适应调制方法，包括以下步骤：

1)根据中继数据缓存器的状态，确定发送端采用的调制方式：系统由发送端S，接收端D和一个能量采集中继R组成，所述能量采集中继R包含一个数据缓存器和一个能量缓存器，若时隙t-1数据缓存器存储能力为Q_t-1，根据确定时隙t发送端的调制方式其中Q_MAX为中继数据缓存器的最大存储量。

2)根据边界值确定中继采用的调制方式：时隙t时中继到目的节点的信道增益为则对应的归一化信道增益为其中表示中继到目的节点信道的平均信道增益，将归一化信道增益由小到大分为L个区间，每个区间为一类，由L-1个边界值分割，边界值为Th_1,2＜…＜Th_i,i+1＜…＜Th_L-1,L，判断时隙t时归一化信道增益k_t所属区间，若Th_i-1,i≤k_t＜Th_i,i+1，此时信道增益归为类i，并确定对应的调制阶数

3)确定中继的发送功率：根据调制阶数确定中继的发送功率其中，BER是接收端的误码率要求，是中继所采用调制方式的调制阶数，N₀是噪声功率，W是接收信号带宽，h_rd表示中继到源节点的信道状态，根据计算中继的剩余能量B_t，如果则修改类i的门限值变为其中表示此时刻可以选择的最大调制阶数。

所述步骤2中不同区间的边界值Th_i,i+1的确定步骤如下：

2.1)在时隙t，中继根据采集到的能量，确定可以采用的最大调制阶数其中表示从集合M＝{1,4,16,64,256}选择出最大的但不大于x的元素，并根据计算总的系统吞吐量其中T表示总时间长度；

2.2)根据调制阶数确定中继的发送功率确定中继的剩余能量B_t；

2.3)调整时隙t的调制方式，具体步骤如下：

3.1)随机选择满足计算新的中继端发送功率得到新的存储能量

3.2)根据新的存储能量状态，利用步骤1中方法得到时隙t₁＞t，中继的可采用的最大调制阶数

3.3)根据新的调制阶数确定新的系统总吞吐量V，如果V'＞V，更新t₀时刻调制阶数否则调制阶数不变；

3.4)重复以上步骤直到t₁时刻所有可选择的调制阶数都被选择。

2.4)重复以上步骤直到所有T时刻中继都已选择合适的调制方式；

2.5)按中继所采用的调制阶数，采用分类方法对中继到目的节点的信道进行分类，将采用相同调制阶数的中继时隙对应的信道归为同一类，对于属于类i的所有信道，平均归一化信道增益为则根据计算类i与类i+1分界值。

本发明的基本思路是利用机器学习算法，在将来信道信息未知的情况下，给出一种在线的能量采集中继自适应的调制方法。首先根据中继数据缓存器的状态，确定发送端采用的调制方式，使得发送数据不超过中继存储能力。接着中继根据发送端发送的数据，以及过去一段时间自身到接收端的信道状态和采集能量，利用离线算法确定这段时间内所采用的调制方式，目的是获得更高的系统总吞吐量。再将离线算法得到的调制方式以及信道状态信息作为训练数据，利用分类算法将信道根据调制方式分成不同的类，并确定每个类的范围。根据分类结果，中继可进一步的根据当前时隙的信道状态信息自适应的选择调制方式，并根据能量状态，动态调整分类结果，最终得到所有时隙中继所采用的调制方式。

本发明解决了如何根据已有历史数据，通过机器学习的方法对当前信道信息进行分析，自适应的调整当前的调制方式，使得一段时间中继节点可以同时根据信道信息和采集能量确定合适的调制方式，提升系统总吞吐量。

有益效果：本发明与现有技术相比，具有以下优点：

1、考虑了节点的具体调制方式，通过考虑不同的限制条件，确定了源节点与中继如何选择合适的调制方式，在满足系统误码率要求的情况下，节点可以选择出最合适的调制方式，增大系统总的吞吐量。

2、中继节点在采用能量采集的前提下，可以根据当前时刻信道信息和能量信息自适应调整所采用的调制方式，不需要依赖之后时隙的系统信息，更加符合实际的通信系统模型，同时可以提高一段时间内系统总的吞吐量，使得能量更合理的分配。

3、通过能量存储，使得中继采集能量利用率提高，避免了由于信道状况不佳造成的能量的损耗，有利于系统总性能的提升。

附图说明

图1为基于机器学习的能量采集中继自适应调制方法流程示意图；

图2为无线通信系统引入中继系统吞吐量变化图；

图3为系统总吞吐量随用户误码率要求变化图；

图4为系统总吞吐量随能量到达率的变化图；

图5为能量采集中继系统工作原理图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1和图5所示，本发明提供一种基于机器学习的能量采集中继系统自适应调制方法，包括以下步骤：

1)根据中继数据缓存器的状态，确定发送端采用的调制方式：系统由发送端S，接收端D和一个能量采集中继R(以下简称为中继)组成。中继包含一个数据缓存器和一个能量缓存器。时隙t-1数据缓存器存储能力为Q_t-1，根据公式(1)确定时隙t的调制方式

其中Q_max表示数据缓存器的最大存储量，τ表示半时隙长度，τ_s表示发送符号周期，的取值属于集合M＝{1,4,16,64,256}。

2)根据边界值确定中继采用的调制方式：时隙t时中继到目的节点的信道增益为则对应的归一化信道增益为其中表示中继到目的节点信道的平均信道增益，将归一化信道增益由小到大分为L个区间，每个区间为一类，由L-1个边界值分割，边界值为Th_1,2＜…＜Th_i,i+1＜…＜Th_L-1,L，判断时隙t时归一化信道增益k_t所属区间，若Th_i-1,i≤k_t＜Th_i,i+1，此时信道增益归为类i，并确定对应的调制阶数

3)根据不同分类的边界值Th_i,i+1，确定中继采用的调制方式，其具体步骤如下：

为了充分利用能量，假设中继确定调制方式后，均采用最小发射功率发送数据，则根据调制阶数确定中继的发送功率:

其中，BER是接收端的误码率要求，是中继所采用调制方式的调制阶数，N₀是噪声功率，W是接收信号带宽，h_rd表示中继到源节点的信道状态。再根据中继采集的能量计算剩余能量B_t。

其中，E_t表示时隙t能量缓存器的初始能量状态。

如果

其中表示此时刻可以选择的最大调制阶数，则修改类i的门限值变为

其中不同分类的边界值Th_i,i+1的确定方法包括以下步骤：

2.1)在时隙t，中继根据采集到的能量，确定可以采用的最大调制阶数：

表示从集合M＝{1,4,16,64,256}选择出最大的但不大于x的元素，并根据计算总的系统吞吐量

其中T表示总时间长度。

2.2)根据公式(2)，确定中继的发送功率再根据公式(3)确定中继的剩余能量B_t。

2.3)利用机器学习的方法调整时隙t的调制方式，其具体步骤如下：

3.1)随机选择满足则中继可多存储的能量为：

即新的能量状态为：

3.2)根据新的存储能量状态，利用步骤1中方法得到时隙t₁＞t，中继的可采用的最大调制阶数即

3.3)根据新的调制阶数确定新的系统总吞吐量V，如果V'＞V，更新t时刻调制阶数否则调制阶数不变。

3.4)重复此步骤直到t₁时刻所有可选择的调制阶数都被选择。

4)重复以上步骤直到所有T时刻中继都已选择合适的调制方式。

5)为了避免不同信道带来的差异，定义归一化信道增益：

计算步骤4中T时刻中继对应信道的等效信道增益，其中表示信道的平均信道增益。

6)按中继所采用的调制阶数，对各中继对应信道进行分类，将采用相同调制阶数的中继时隙对应的信道归为同一类，对于属于类i的所有信道，平均归一化信道增益为则定义类i与类i+1分界值为：

综上所述，本发明提供的基于机器学习的能量采集中继自适应的调制方法，首先根据中继数据缓存器的状态，需要先确定发送端采用的调制方式。中继再根据发送端发送的数据，以及过去一段时间自身到接收端的信道状态和采集能量，利用离线算法确定这段时间内所采用的调制方式。之后，将离线算法得到的调制方式以及信道状态信息作为训练数据，利用分类算法将信道根据调制方式分成不同的类，并确定每个类的范围。根据分类结果，中继可进一步的根据当前时隙的信道状态信息自适应的选择调制方式，并根据能量状态，动态调整分类结果，最终得到所有时隙中继所采用的调制方式。

以下结合图2～图4做进一步的说明：

图2为无线系统引入中继后系统吞吐量的变化示意图，可见运用本发明的方法后，引入中继后系统吞吐量有明显的提升。这是由于对于用户，尤其是处于基站边缘覆盖的用户，由于信道的大尺度衰落影响，信道衰落比较大，发送功率到达接收端衰减明显。而采用中继技术可以有效改善用户的覆盖，通过中继节点的转发，可以增强原本已经衰落的信号，使得接收端信号强度维持在较高的水平，提升了接收端信号的信噪比，因此系统吞吐量得到提升。当中继位置越靠近发送端与接收端中心时，其对于信号衰落的改善效果最好，而中继位于两端时对于信号基本没有改善，因此图2系统吞吐量随中继的位置呈现先增大后减小的趋势。

图3是本发明的在线自适应调制算法与中继直接采用最大调制方式的算法系统吞吐量的对比图。显然通过自适应调整中继的调制方式，系统吞吐量有了明显的升高，因为通过自适应的调整中继的调制方式，可以根据信道状态选择合适的调制方式，而不是仅仅根据采集到的能量。比如时隙t的信道增益为时隙t₁的信道增益为假设时隙t采集的能量明显多于时隙t₁，但是信道却差于如果不调整调制方式，中继会将采集到的能量尽可能的多用于时隙t，而却因为信道较差而获得较低的系统吞吐量，而在t₁时刻却因为缺少能量而同样获得较低的系统吞吐量。本发明中中继会根据信道状态调整自身调制方式，而将能量存储至t₁时刻，这样虽然放弃了时隙t时刻的部分吞吐量，但是在时隙t₁获得了更多的系统吞吐量，系统的总吞吐量因此得到提升，随着接收端误码率要求的提高，系统总吞吐量也随之提高。

图4是本发明的在线自适应调制算法与中继直接采用最大调制方式的算法系统吞吐量的对比图，可见本发明方法显著提升了系统总吞吐量，且随着能量到达率逐渐提高，系统能达到的容量也随之提高。

Claims (4)

1.一种基于机器学习的能量采集中继系统自适应调制方法，其特征在于：包括以下步骤：

1)根据中继数据缓存器的状态，确定发送端采用的调制方式：系统由发送端S，接收端D和一个能量采集中继R组成，所述能量采集中继R包含一个数据缓存器和一个能量缓存器，若时隙t-1数据缓存器存储能力为Q_t-1，根据确定时隙t发送端的调制方式其中Q_MAX为中继数据缓存器的最大存储量。

2)根据边界值确定中继采用的调制方式：时隙t时中继到目的节点的信道增益为则对应的归一化信道增益为其中表示中继到目的节点信道的平均信道增益，将归一化信道增益由小到大分为L个区间，每个区间为一类，由L-1个边界值分割，边界值为Th_1,2＜…＜Th_i,i+1＜…＜Th_L-1,L，判断时隙t时归一化信道增益k_t所属区间，若Th_i-1,i≤k_t＜Th_i,i+1，此时信道增益归为类i，并确定对应的调制阶数

3)确定中继的发送功率：根据调制阶数确定中继的发送功率其中，BER是接收端的误码率要求，是中继所采用调制方式的调制阶数，N₀是噪声功率，W是接收信号带宽，h_rd表示中继到源节点的信道状态，根据计算中继的剩余能量B_t，如果则修改类i的门限值变为其中表示此时刻可以选择的最大调制阶数。

2.根据权利要求1所述的一种基于机器学习的能量采集中继系统自适应调制方法，其特征在于：所述步骤2中不同区间的边界值Th_i,i+1的确定步骤如下：

2.1)在时隙t，中继根据采集到的能量，确定可以采用的最大调制阶数其中表示从集合M＝{1,4,16,64,256}选择出最大的但不大于x的元素，并根据计算总的系统吞吐量其中T表示总时间长度；

2.2)根据调制阶数确定中继的发送功率确定中继的剩余能量B_t；

2.3)调整时隙t的调制方式；

2.4)重复以上步骤直到所有T时刻中继都已选择合适的调制方式；

2.5)按中继所采用的调制阶数，采用分类方法对中继到目的节点的信道进行分类，将采用相同调制阶数的中继时隙对应的信道归为同一类，对于属于类i的所有信道，平均归一化信道增益为则根据计算类i与类i+1分界值。

3.根据权利要求2所述的一种基于机器学习的能量采集中继系统自适应调制方法，其特征在于：所述步骤2.3中调整时隙t的调制方式，具体步骤如下：

3.1)随机选择满足计算新的中继端发送功率P_t ^min(M_t ^r')，得到新的存储能量

3.2)根据新的存储能量状态，利用步骤1中方法得到时隙t₁＞t，中继的可采用的最大调制阶数

3.3)根据新的调制阶数确定新的系统总吞吐量V′，如果V′＞V，更新t₀时刻调制阶数否则调制阶数不变；

3.4)重复以上步骤直到t₁时刻所有可选择的调制阶数都被选择。

4.根据权利要求1所述的一种基于机器学习的能量采集中继系统自适应调制方法，其特征在于：所述步骤1中的取值属于集合M＝{1,4,16,64,256}。