CN108737057A - 基于深度学习的多载波认知noma资源分配方法 - Google Patents
基于深度学习的多载波认知noma资源分配方法 Download PDFInfo
- Publication number
- CN108737057A CN108737057A CN201810391479.4A CN201810391479A CN108737057A CN 108737057 A CN108737057 A CN 108737057A CN 201810391479 A CN201810391479 A CN 201810391479A CN 108737057 A CN108737057 A CN 108737057A
- Authority
- CN
- China
- Prior art keywords
- user
- noma
- channel
- message
- multicarrier
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0001—Arrangements for dividing the transmission path
-
- 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
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/30—TPC using constraints in the total amount of available transmission power
- H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/12—Wireless traffic scheduling
- H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
- H04W72/1273—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows of downlink data flows
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种基于深度学习的多载波认知非正交多址接入技术(Non‑Orthogonal Multiple Access,NOMA)资源分配方法,包括以下步骤:(1)多载波认知NOMA系统的场景模型建立;(2)用户调度和资源分配策略的数学描述;(3)基于联合分配的深度神经网络和深度学习算法设计。本发明在建立基于多载波认知NOMA的下行系统后,创新地提出符合该场景的频谱共享策略,并合理建立优化目标和约束条件的数学表达式,实现了基于深度学习的多载波认知NOMA用户调度和资源分配策略,满足了用户多方面传输需求的同时,更好地实现了多载波认知NOMA下行系统的低功耗资源分配。
Description
技术领域
本发明提出基于深度学习的多载波认知NOMA资源分配机制,建立了多载波认知NOMA下行系统的传输模型,提出一个优化NOMA系统频谱效率和能量效率的用户配对及资源分配策略,设计了一个基于消息传递的全连接神经网络,并提出了最优的深度学习算法,实现了大规模NOMA用户公平且灵活地进行高质量,高速率,低功耗的数据传输。
背景技术
在过去的几十年中,随着移动通信技术的飞速发展,技术标准不断演进,第四代移动通信技术(4G)以正交频分多址为基础,其数据业务传输速率达到每秒百兆甚至千兆比特,能够在较大程度上满足一段时期内宽带移动通信应用需求。然而,随着智能终端普及应用、物联网(IoT)的快速发展、人工智能和大数据的爆发及移动新业务需求持续增长,无线传输速率需求也呈指数增长,无线通信的传输速率将仍然难以满足未来通信的应用需求。
为了满足飞速增长的移动业务需求,专家学者们已经开始在寻找既能满足用户体验需求又能提高频谱效率的新的移动通信技术。IMT-2020(5G)推进组在《5G愿景与需求白皮书》中提出,5G定位于频谱效率更高、速率更快、容量更大的无线网络,其中频谱效率相比4G需要提升5~15倍。5G需要支持用户和设备的大规模连接,并满足对低延迟、低成本设备和多种服务类型的需求。为了满足这些需求,增强型技术是必要的。到目前为止,专家学者们已经提出了一些潜在的候选方案来解决5G的挑战,例如非正交多址(NOMA)、大规模MIMO、毫米波通信和超密集网络。
第一到第四代移动通信系统所用的常规OMA技术(例如TDMA和 OFDMA),仅为每个正交资源块中的单个用户提供服务。考虑一个场景,一个用户信道状况很差,其具有高优先级数据或者长时间未提供服务。在这种情况下,使用OMA意味着不可避免的是,尽管信道条件不佳,但其中一个稀缺带宽资源完全由该用户占用。显然,这会对整个系统的频谱效率和吞吐量产生负面影响。在这种情况下,NOMA的使用不仅可以保证信道条件较差的用户得到服务,而且信道条件较好的用户可以同时利用与信道条件较弱用户相同的带宽资源。因此,如果需要保证用户的公平性,NOMA的系统吞吐量可能明显大于OMA。
然而,NOMA技术到目前为止还有很多重要的实施挑战,在将NOMA成功应用于实际无线系统之前必须解决这些挑战。典型的NOMA网络是一个复杂的系统,由于需要服务多个用户,而资源分配的自由度被耦合。即使集中式资源分配设计可以产生最佳性能,该方案也会带来令人望而却步的信令开销和复杂性。因此,NOMA网络中的分布式资源分配引起了极大的关注。
与码域NOMA系统相比,功率域NOMA通过引入可消除干扰的功率分配方式来实现多用户的频谱共享,避免了复杂的正交编解码和时间同步。功率域 NOMA中为了满足用户公平有效的通信,防止较远用户无法满足正常传输的信干噪比,功率分配需要引起格外的关注。此外,将地理位置、信道状态以及通信需求不同的大量NOMA用户分配到不同的信道上的方式,也将会大大影响用户的通信质量和系统的频谱效率。由此可见,与其他网络相比功率域NOMA系统的用户调度和资源分配问题更加复杂也具有挑战性。因此,如何建立一个能够更好地满足用户及系统需求的功率域NOMA系统模型,并提出合理有效的调度分配策略,也是必须要解决的。
现有的功率域NOMA用户配对及资源分配研究几乎都是采用传统的方法进行分析和求解,并没有结合先进的深度学习技术进行深入研究。此外,NOMA 系统中的功率分配方案往往都基于单载波NOMA系统进行,难以灵活满足不同用户的多样化通信需求。对于共享用户的配对机制,现有工作仅对不同的配对性能进行了粗略的比较分析,并没有给出具体的配对准则。而对于NOMA 用户的信道分配,相关研究也仅局限于单载波NOMA信道选择的传统优化方法,既很难保证算法的最优性也无法满足实际场景中快速求解的需要。
基于上述问题,本发明构建出多载波认知NOMA下行系统的传输模型,提出一个优化NOMA系统频谱效率和能量效率的用户配对及资源分配策略,设计一个基于消息传递的全连接神经网络,并提出最优的深度学习算法,实现了大规模NOMA用户公平且灵活地进行高质量,高速率,低功耗的数据传输。
发明内容
本发明所要解决的技术问题:
问题1:结合已有的单载波认知NOMA模型和多载波OFDM-NOMA模型进行场景的融合建模;
问题2:针对建立的多载波认知NOMA模型进行用户调度与资源分配问题的数学描述;
问题3:根据具体数学问题,基于深度学习对认知NOMA用户的分类、配对以及信道功率联合优化进行研究,建立相应的深度神经网络并进行参数提炼;
问题4:设计具体的学习算法对参数进行训练,旨在得到一个训练好的深度神经网络,用来对多载波认知NOMA下行系统中的用户进行公平、合理的调度和资源分配。
本发明技术方案如下。
一种基于深度学习的多载波认知NOMA资源分配方法,包括以下步骤:
步骤1:建立多载波认知NOMA系统场景模型:将单载波认知NOMA系统和基于多载波正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)调制方式的NOMA系统(即多载波OFDM-NOMA系统)结合;
步骤2:建立基于深度学习的用户调度和资源分配的数学描述;
基于多载波认知NOMA的下行用户调度和资源分配,建立符合场景的频谱共享策略,建立优化目标和约束条件的数学表达式;
步骤3:基于联合分配的深度神经网络和深度学习算法,建立多载波认知 NOMA用户调度和资源分配策略。
较优地,步骤1具体包括以下步骤:
(101)、根据单载波认知NOMA系统的功率分配机制,在单载波认知 NOMA中共享信道的远距离用户信道容量和近距离用户信道容量分别表示为:
其中为距离基站远的用户m的信道容量;为距离基站近的用户n的信道容量;pm和pn分别为基站分配给用户m和用户n的发送功率;hm和hn分别为用户m和用户n的信道增益;B为用户m和用户n所共享的频谱带宽;N0为信道中单位带宽上的噪声功率;
(102)、划分NOMA主用户和从用户:令距离基站远或者下行链路信道质量差的用户划分为NOMA主用户,距离基站近或下行链路信道质量好的用户划分为NOMA从用户;
(103)、引入多载波接入机制,在多载波下认知NOMA系统中,NOMA主用户和从用户的信道容量重新表示为公式(3)和(4);
其中为NOMA主用户i在所有子信道上的容量之和;Zi为主用户i所占用的子信道总数;hi,z为主用户i在子信道z上的信道增益;pi,z为基站为主用户i 在子信道z上所分配的发送功率;为NOMA从用户j在所有子信道上的容量之和;Zj为从用户j所占用的子信道总数;hj,z为从用户j在子信道z上的信道增益;pj,z为基站为从用户j在子信道z上所分配的发送功率;
NOMA主用户的数量为M,NOMA从用户的数量为S,Δf为各条子信道的带宽,N0为单位带宽上的噪声功率;i=1,2…M,j=1,2…S;
(104)、将频谱的利用率和用户的传输性能联合作为划分目标,划分NOMA 主用户和NOMA从用户数量;即一方面希望分配的频谱数量尽量的少,另一方面希望能满足所有的用户自身的传输需求;
(105)、根据多载波认知NOMA系统的用户配对和资源分配策略的优化目标和约束,将基站所需要发送的总功率最小化作为资源分配的优化目标,使得整个多载波认知NOMA系统在提高了频谱效率的同时保证了系统的能量效率。
较优地,步骤(105)所述的资源分配的优化目标包括:
(a)以最小化NOMA用户所需要的子信道总数为用户配对目标;
(b)以最小化基站所需要发送的总功率为用户资源分配目标;
(c)以满足用户的信干噪比需求为约束条件;
(d)以满足用户的信道容量需求为约束条件。
较优地,步骤2具体包括以下步骤:
(201)、通过消息传递算法,将带有约束条件的最小和问题分解为多个代价函数的线性组合,建立代价函数和分配因子组成的因子图;带有双约束的最小和优化问题通过消息传递算法转化后,其中问题模型中共有Z个信道,N个用户;
其中,第z个信道的代价函数Cz,z=1,2,...,Z,和第j个用户的代价函数 Wj,j=1,2,...,N,分别为式(5)和(6);
其中,C1、C2分别表示附图2中的NOMA用户所需要的子信道总数约束条件和基站所需要发送的总功率约束条件;Gj,z(xj,z)表示信道z对用户j的发射功率增益;xj,z表示第z个信道对用户j的信道分配因子;
(202)、迭代计算分配因子和代价函数间的消息变量:基于因子图和消息传递算法,因子间消息的迭代计算如下:
其中→表示消息传递的方向,表示由代价函数节点Cz向变量节点xj,z传递的第t+1次迭代的消息,xj,z表示第z个信道对用户j的信道分配因子,表示由变量节点xl,z向代价函数节点Cz传递的第t次迭代的消息,xl,z表示第z个信道对用户l的信道分配因子,l=1,2,...,N,表示由代价函数节点Wj向变量节点xj,z传递的第t+1次迭代的消息,表示由变量节点xj,f向代价函数节点Wj传递的第t+1次迭代的消息,xj,f表示第f个信道对用户j的信道分配因子, f=1,2,...,Z,表示第t+1次迭代计算之后,分配因子xj,z的结果,表示第 t+1次迭代后信道z对用户j的边际消息;
(203)、通过对迭代消息的计算引入不同的衰落参数,使消息传递算法得到收敛的计算结果;基于传统的消息传递算法,通过迭代消息归一化的方式,将基于衰落参数的消息传递因子简化;
(204)、带有衰落因子加权的归一化消息迭代计算表达为公式(11)、(12) 和(13):
其中,分别表示信道z传递给用户j的第t次和t+1次迭代的归一化消息,Gj,z表示归一化的信道z对用户j的发射功率增益,表示信道f传递给用户j的第t次迭代的衰落因子,表示信道f传递给用户j的第t次迭代的归一化消息,Gj,f表示归一化的信道f对用户j的发射功率增益,表示信道z传递给用户j的第t次迭代的衰落因子,表示用户j传递给信道z的第 t+1次迭代的归一化消息,表示用户l传递给信道z的第t次迭代的衰落因子。
较优地,步骤3具体步骤如下:
(301)将每一次的消息迭代过程展开,得到全连接深度神经网络;
(302)通过学习最佳的衰落参数,即该神经网络中的连接权,训练出一个适用于当前场景和用户需求的深度神经网络,得到最优的资源分配结果。
较优地,在多载波认知NOMA系统中,各用户所需要的子信道数量根据用户的传输速率和信干噪比要求进行调整。
本发明的有益效果包括:
1、本发明公开一种基于深度学习的多载波认知NOMA资源分配方法,建立了多载波认知-NOMA系统的场景模型,通过将单载波认知NOMA系统和多载波OFDM-NOMA系统相结合,在保证用户公平性的基础上,更加灵活地满足了大规模用户的通信需求;
2、本发明基于多载波认知-NOMA系统模型,本发明创新地提出了更加符合该场景的频谱共享策略,并合理建立优化目标和约束条件的数学表达式,为深度学习算法的求解奠定理论基础;
3、本发明建立了一个合适的深度神经网络,并确定了需要学习优化的参数 (连接权)。基于神经网络的深度学习算法通过在资源分配的过程中不断根据动态的实际环境、用户需求和分配结果对神经元之间的连接权进行自适应优化和调整,从而学习得到快速的资源分配策略。
附图说明
下面结合附图和实施例对本发明进一步说明;
图1:本发明一种基于深度学习的多载波认知NOMA资源分配方法流程图;
图2:本发明基于代价函数的最小和问题转化示意图
图3:本发明带有双约束的最小和问题因子图示意图
图4:本发明归一化消息传递因子图示意图
图5:本发明基于消息传递的深度神经网络结构示意图
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效,且为了使该评价方法易于明白了解,下面结合具体实施例,进一步阐述本发明。
如图1所示,一种基于深度学习的多载波认知NOMA资源分配方法,包括以下步骤:
步骤1:建立多载波认知NOMA系统场景模型:
将单载波认知NOMA系统和基于多载波正交频分复用(Orthogonal FrequencyDivision Multiplexing,OFDM)调制方式的NOMA系统(即多载波 OFDM-NOMA系统)结合;
步骤1具体包括以下步骤:
(101)、根据单载波认知NOMA系统的功率分配机制,在单载波认知 NOMA中共享信道的远距离用户信道容量和近距离用户信道容量分别表示为:
其中为距离基站远的用户m的信道容量;为距离基站近的用户n的信道容量;pm和pn分别为基站分配给用户m和用户n的发送功率;hm和hn分别为用户m和用户n的信道增益;B为用户m和用户n所共享的频谱带宽;N0为信道中单位带宽上的噪声功率;
(102)、划分NOMA主用户和从用户:令距离基站远或者下行链路信道质量差的用户划分为NOMA主用户,距离基站近或下行链路信道质量好的用户划分为NOMA从用户;
距离远、近的分界阈值和信道质量好差的分界阈值基于环境条件及经验设置。远距离用户的信道质量比近距离用户的信道质量差。本实施例中,基站的服务半径为5公里,天气晴朗环境下,可将距离基站小于等于2公里的用户定义为近距离用户,距离基站大于2公里的用户定义为远距离用户;同时将远距离用户定义为质量差的用户,近距离用户定义为质量好的用户。
(103)、引入多载波接入机制,在多载波下认知NOMA系统中,NOMA主用户和从用户的信道容量重新表示为公式(3)和(4);
其中为NOMA主用户i在所有子信道上的容量之和;Zi为主用户i所占用的子信道总数;hi,z为主用户i在子信道z上的信道增益;pi,z为基站为主用户i 在子信道z上所分配的发送功率;为NOMA从用户j在所有子信道上的容量之和;Zj为从用户j所占用的子信道总数;hj,z为从用户j在子信道z上的信道增益;pj,z为基站为从用户j在子信道z上所分配的发送功率;
NOMA主用户的数量为M,NOMA从用户的数量为S,Δf为各条子信道的带宽,N0为单位带宽上的噪声功率;i=1,2…M,j=1,2…S;由此可见,在多载波认知NOMA系统中,各用户所需要的子信道数量根据用户的传输速率和信干噪比要求进行灵活地调整。
(104)、将频谱的利用率和用户的传输性能联合作为划分目标,划分NOMA 主用户和NOMA从用户数量;即一方面希望分配的频谱数量尽量的少,另一方面希望能满足所有的用户自身的传输需求。
(105)、根据多载波认知NOMA系统的用户配对和资源分配策略的优化目标和约束,将基站所需要发送的总功率最小化作为资源分配的优化目标,使得整个多载波认知NOMA系统在提高了频谱效率的同时保证了系统的能量效率。
步骤(105)所述的资源分配的优化目标包括:
I.以最小化NOMA用户所需要的子信道总数为用户配对目标;
II.以最小化基站所需要发送的总功率为用户资源分配目标;
III.以满足用户的信干噪比需求为约束条件;
IV.以满足用户的信道容量需求为约束条件。
步骤2:建立基于深度学习的用户调度和资源分配的数学描述:
基于多载波认知NOMA的下行用户调度和资源分配,建立符合该场景的频谱共享策略,建立优化目标和约束条件的数学表达式;
具体包括以下步骤:
(201)、通过消息传递算法,将带有约束条件的最小和问题分解为多个代价函数的线性组合,建立代价函数和分配因子组成的因子图;带有双约束的最小和优化问题通过消息传递算法转化后如附图3所示,其中问题模型中共有Z个信道,N个用户。
其中,第z个信道的代价函数Cz,z=1,2,...,Z,和第j个用户的代价函数 Wj,j=1,2,...,N,分别为式(5)和(6);
其中,C1、C2分别表示附图2中的NOMA用户所需要的子信道总数约束条件和基站所需要发送的总功率约束条件;Gj,z(xj,z)表示信道z对用户j的发射功率增益;xj,z表示第z个信道对用户j的信道分配因子。
(202)、迭代计算分配因子和代价函数间的消息变量:基于因子图和消息传递算法,因子间消息的迭代计算如下:
其中→表示消息传递的方向,表示由代价函数节点Cz向变量节点xj,z传递的第t+1次迭代的消息,xj,z表示第z个信道对用户j的信道分配因子,表示由变量节点xl,z向代价函数节点Cz传递的第t次迭代的消息,xl,z表示第z个信道对用户l的信道分配因子,l=1,2,...,N,表示由代价函数节点Wj向变量节点xj,z传递的第t+1次迭代的消息,表示由变量节点xj,f向代价函数节点Wj传递的第t+1次迭代的消息,xj,f表示第f个信道对用户j的信道分配因子,f=1,2,...,Z,表示第t+1次迭代计算之后,分配因子xj,z的结果,表示第t+1次迭代后信道z对用户j的边际消息;
(203)、通过对迭代消息的计算引入不同的衰落参数,使消息传递算法最终得到收敛的计算结果;基于传统的消息传递算法,通过迭代消息归一化的方式,将基于衰落参数的消息传递因子简化为附图4。
(204)、基于附图4,带有衰落因子加权的归一化消息迭代计算表达为公式 (11)、(12)和(13):
其中,分别表示信道z传递给用户j的第t次和t+1次迭代的归一化消息,Gj,z表示归一化的信道z对用户j的发射功率增益,表示信道f传递给用户j 的第t次迭代的衰落因子,表示信道f传递给用户j的第t次迭代的归一化消息,Gj,f表示归一化的信道f对用户j的发射功率增益,表示信道z传递给用户j的第t次迭代的衰落因子,表示用户j传递给信道z的第t+1次迭代的归一化消息,表示用户l传递给信道z的第t次迭代的衰落因子。
步骤3:基于联合分配的深度神经网络和深度学习算法:
为了解决无线资源的分配问题,传统的方式是通过数学优化算法来计算具体的策略。然而传统的优化算法往往受到问题复杂度的限制,只能解决一些特定模型下的低复杂度问题。对于考虑大量实际需求和约束条件的问题往往很难快速地得到一个最优解。而基于神经网络的深度学习算法则可以通过在资源分配的过程中不断根据动态的实际环境、用户需求和分配结果对神经元之间的连接权进行自适应优化和调整,从而学习得到快速的资源分配策略。针对这一研究点,我们需要建立一个合适的深度神经网络,并确定需要学习优化的参数(连接权)。根据已有的深度学习技术,设计具体的参数学习算法,从而得到本发明提出的基于深度学习的多载波认知NOMA用户调度和资源分配策略。
具体步骤如下:
(301)将每一次的消息迭代过程展开,得到一个如附图5所示的全连接深度神经网络。
(302)通过学习最佳的衰落参数,即该神经网络中的连接权,训练出一个适用于当前场景和用户需求的深度神经网络,以最快的计算速度得到最优的资源分配结果。
本领域内的技术人员可以对本发明进行改动或变型的设计但不脱离本发明的思想和范围。因此,如果本发明的这些修改和变型属于本发明权利要求及其等同的技术范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于深度学习的多载波认知NOMA资源分配方法,其特征在于,包括以下步骤:
步骤1:建立多载波认知NOMA系统场景模型:将单载波认知NOMA系统和基于多载波正交频分复用调制方式的NOMA系统结合;
步骤2:建立基于深度学习的用户调度和资源分配的数学描述;
基于多载波认知NOMA的下行用户调度和资源分配,建立符合场景的频谱共享策略,建立优化目标和约束条件的数学表达式;
步骤3:基于联合分配的深度神经网络和深度学习算法,建立多载波认知NOMA用户调度和资源分配策略。
2.根据权利要求1所述的一种基于深度学习的多载波认知NOMA资源分配方法,其特征在于,
步骤1具体包括以下步骤:
(101)、根据单载波认知NOMA系统的功率分配机制,在单载波认知NOMA中共享信道的远距离用户信道容量和近距离用户信道容量分别表示为:
其中为距离基站远的用户m的信道容量;为距离基站近的用户n的信道容量;pm和pn分别为基站分配给用户m和用户n的发送功率;hm和hn分别为用户m和用户n的信道增益;B为用户m和用户n所共享的频谱带宽;N0为信道中单位带宽上的噪声功率;
(102)、划分NOMA主用户和从用户:令距离基站远或者下行链路信道质量差的用户划分为NOMA主用户,距离基站近或下行链路信道质量好的用户划分为NOMA从用户;
(103)、引入多载波接入机制,在多载波下认知NOMA系统中,NOMA主用户和从用户的信道容量重新表示为公式(3)和(4);
其中为NOMA主用户i在所有子信道上的容量之和;Zi为主用户i所占用的子信道总数;hi,z为主用户i在子信道z上的信道增益;pi,z为基站为主用户i在子信道z上所分配的发送功率;为NOMA从用户j在所有子信道上的容量之和;Zj为从用户j所占用的子信道总数;hj,z为从用户j在子信道z上的信道增益;pj,z为基站为从用户j在子信道z上所分配的发送功率;
NOMA主用户的数量为M,NOMA从用户的数量为S,Δf为各条子信道的带宽,N0为单位带宽上的噪声功率;i=1,2…M,j=1,2…S;
(104)、将频谱的利用率和用户的传输性能联合作为划分目标,划分NOMA主用户和NOMA从用户数量;
(105)、根据多载波认知NOMA系统的用户配对和资源分配策略的优化目标和约束,将基站所需要发送的总功率最小化作为资源分配的优化目标。
3.根据权利要求2所述的一种基于深度学习的多载波认知NOMA资源分配方法,其特征在于,
步骤(105)所述的资源分配的优化目标包括:
(a)以最小化NOMA用户所需要的子信道总数为用户配对目标;
(b)以最小化基站所需要发送的总功率为用户资源分配目标;
(c)以满足用户的信干噪比需求为约束条件;
(d)以满足用户的信道容量需求为约束条件。
4.根据权利要求1所述的一种基于深度学习的多载波认知NOMA资源分配方法,其特征在于,
步骤2具体包括以下步骤:
(201)、通过消息传递算法,将带有约束条件的最小和问题分解为多个代价函数的线性组合,建立代价函数和分配因子组成的因子图;带有双约束的最小和优化问题通过消息传递算法转化后,问题模型中共有Z个信道,N个用户;
其中,第z个信道的代价函数为Cz,z=1,2,...,Z,第j个用户的代价函数为Wj,j=1,2,...,N,分别为式(5)和(6);
其中,C1、C2分别表示NOMA用户所需要的子信道总数约束条件和基站所需要发送的总功率约束条件;Gj,z(xj,z)表示信道z对用户j的发射功率增益;xj,z表示第z个信道对用户j的信道分配因子;
(202)、迭代计算分配因子和代价函数间的消息变量:基于因子图和消息传递算法,因子间消息的迭代计算如下:
其中→表示消息传递的方向,表示由代价函数节点Cz向变量节点xj,z传递的第t+1次迭代的消息,xj,z表示第z个信道对用户j的信道分配因子,表示由变量节点xl,z向代价函数节点Cz传递的第t次迭代的消息,xl,z表示第z个信道对用户l的信道分配因子,l=1,2,...,N,表示由代价函数节点Wj向变量节点xj,z传递的第t+1次迭代的消息,表示由变量节点xj,f向代价函数节点Wj传递的第t+1次迭代的消息,xj,f表示第f个信道对用户j的信道分配因子,f=1,2,...,Z,表示第t+1次迭代计算之后,分配因子xj,z的结果,表示第t+1次迭代后信道z对用户j的边际消息;
(203)、通过对迭代消息的计算引入不同的衰落参数,使消息传递算法得到收敛的计算结果;基于传统的消息传递算法,通过迭代消息归一化,将基于衰落参数的消息传递因子简化;
(204)、带有衰落因子加权的归一化消息迭代计算表达为公式(11)、(12)和(13):
其中,分别表示信道z传递给用户j的第t次和t+1次迭代的归一化消息,Gj,z表示归一化的信道z对用户j的发射功率增益,表示信道f传递给用户j的第t次迭代的衰落因子,表示信道f传递给用户j的第t次迭代的归一化消息,Gj,f表示归一化的信道f对用户j的发射功率增益,表示信道z传递给用户j的第t次迭代的衰落因子,表示用户j传递给信道z的第t+1次迭代的归一化消息,表示用户l传递给信道z的第t次迭代的衰落因子。
5.根据权利要求1所述的一种基于深度学习的多载波认知NOMA资源分配方法,其特征在于,
步骤3具体步骤如下:
(301)将每一次的消息迭代过程展开,得到全连接深度神经网络;
(302)通过学习最佳的衰落参数,训练出适用于当前场景和用户需求的深度神经网络,得到最优的资源分配结果。
6.根据权利要求2所述的一种基于深度学习的多载波认知NOMA资源分配方法,其特征在于,
在多载波认知NOMA系统中,各用户所需要的子信道数量根据用户的传输速率和信干噪比要求进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810391479.4A CN108737057B (zh) | 2018-04-27 | 2018-04-27 | 基于深度学习的多载波认知noma资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810391479.4A CN108737057B (zh) | 2018-04-27 | 2018-04-27 | 基于深度学习的多载波认知noma资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108737057A true CN108737057A (zh) | 2018-11-02 |
CN108737057B CN108737057B (zh) | 2021-09-17 |
Family
ID=63939948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810391479.4A Active CN108737057B (zh) | 2018-04-27 | 2018-04-27 | 基于深度学习的多载波认知noma资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108737057B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109474980A (zh) * | 2018-12-14 | 2019-03-15 | 北京科技大学 | 一种基于深度增强学习的无线网络资源分配方法 |
CN109698726A (zh) * | 2019-01-10 | 2019-04-30 | 华中科技大学 | 一种基于机器学习的无线频谱资源分配方法 |
CN109905918A (zh) * | 2019-02-25 | 2019-06-18 | 重庆邮电大学 | 一种基于能效的noma蜂窝车联网动态资源调度方法 |
CN109982434A (zh) * | 2019-03-08 | 2019-07-05 | 西安电子科技大学 | 无线资源调度一体智能化控制系统及方法、无线通信系统 |
CN110113179A (zh) * | 2019-02-22 | 2019-08-09 | 华南理工大学 | 一种基于深度学习的携能noma系统的资源分配方法 |
CN110336593A (zh) * | 2019-06-03 | 2019-10-15 | 金华航大北斗应用技术有限公司 | 基于深度神经网络的mimo-noma信号检测系统、方法及终端装置 |
CN110430613A (zh) * | 2019-04-11 | 2019-11-08 | 重庆邮电大学 | 多载波非正交多址接入系统基于能效的资源分配方法 |
CN111008268A (zh) * | 2019-10-31 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 基于对话系统获取与用户问句对应的反问句的方法和装置 |
CN111328087A (zh) * | 2018-12-17 | 2020-06-23 | 上海大学 | 基于深度学习的高能效异构网络子信道分配与功率分配方法 |
CN111901862A (zh) * | 2020-07-07 | 2020-11-06 | 西安交通大学 | 一种基于深度q网络的用户分簇与功率分配方法、设备和介质 |
CN111934730A (zh) * | 2020-08-05 | 2020-11-13 | 北京理工大学 | 基于跨时隙消息传递算法的符号级noma非同步接收方法 |
CN112073976A (zh) * | 2020-08-17 | 2020-12-11 | 同济大学 | 一种基于机器学习的非正交多址中的用户通用分组方法 |
CN112566261A (zh) * | 2020-12-08 | 2021-03-26 | 南京爱而赢科技有限公司 | 一种基于深度强化学习的上行noma资源分配方法 |
WO2021088441A1 (en) * | 2019-11-08 | 2021-05-14 | Huawei Technologies Co., Ltd. | Systems and methods for multi-user pairing in wireless communication networks |
CN113507716A (zh) * | 2021-05-10 | 2021-10-15 | 甘肃建投交通建设有限公司 | 一种基于swipt的cr-noma网络中断与能效的优化方法 |
CN114928379A (zh) * | 2021-12-18 | 2022-08-19 | 联桥科技有限公司 | 混合高速电力线载波通信和无线通信网络资源调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107105470A (zh) * | 2017-03-29 | 2017-08-29 | 西安电子科技大学 | 一种携能协作cr‑noma协作模式和中继选择算法 |
US20170374658A1 (en) * | 2014-12-31 | 2017-12-28 | Lg Electronics Inc. | Method for allocating resource in wireless communication system and apparatus therefor |
CN107682135A (zh) * | 2017-09-30 | 2018-02-09 | 重庆邮电大学 | 一种基于noma的网络切片自适应虚拟资源分配方法 |
-
2018
- 2018-04-27 CN CN201810391479.4A patent/CN108737057B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170374658A1 (en) * | 2014-12-31 | 2017-12-28 | Lg Electronics Inc. | Method for allocating resource in wireless communication system and apparatus therefor |
CN107105470A (zh) * | 2017-03-29 | 2017-08-29 | 西安电子科技大学 | 一种携能协作cr‑noma协作模式和中继选择算法 |
CN107682135A (zh) * | 2017-09-30 | 2018-02-09 | 重庆邮电大学 | 一种基于noma的网络切片自适应虚拟资源分配方法 |
Non-Patent Citations (1)
Title |
---|
HONGJI HUANG ET AL: "Rate region analysis in a full-duplex-aided cooperative nonorthogonal multiple-access system", 《IEEE ACCESS 》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109474980A (zh) * | 2018-12-14 | 2019-03-15 | 北京科技大学 | 一种基于深度增强学习的无线网络资源分配方法 |
CN109474980B (zh) * | 2018-12-14 | 2020-04-28 | 北京科技大学 | 一种基于深度增强学习的无线网络资源分配方法 |
CN111328087A (zh) * | 2018-12-17 | 2020-06-23 | 上海大学 | 基于深度学习的高能效异构网络子信道分配与功率分配方法 |
CN109698726A (zh) * | 2019-01-10 | 2019-04-30 | 华中科技大学 | 一种基于机器学习的无线频谱资源分配方法 |
CN109698726B (zh) * | 2019-01-10 | 2020-05-19 | 华中科技大学 | 一种基于机器学习的无线频谱资源分配方法 |
CN110113179A (zh) * | 2019-02-22 | 2019-08-09 | 华南理工大学 | 一种基于深度学习的携能noma系统的资源分配方法 |
CN109905918A (zh) * | 2019-02-25 | 2019-06-18 | 重庆邮电大学 | 一种基于能效的noma蜂窝车联网动态资源调度方法 |
CN109905918B (zh) * | 2019-02-25 | 2022-04-01 | 重庆邮电大学 | 一种基于能效的noma蜂窝车联网动态资源调度方法 |
CN109982434A (zh) * | 2019-03-08 | 2019-07-05 | 西安电子科技大学 | 无线资源调度一体智能化控制系统及方法、无线通信系统 |
CN110430613A (zh) * | 2019-04-11 | 2019-11-08 | 重庆邮电大学 | 多载波非正交多址接入系统基于能效的资源分配方法 |
CN110336593A (zh) * | 2019-06-03 | 2019-10-15 | 金华航大北斗应用技术有限公司 | 基于深度神经网络的mimo-noma信号检测系统、方法及终端装置 |
CN111008268B (zh) * | 2019-10-31 | 2021-05-18 | 支付宝(杭州)信息技术有限公司 | 基于对话系统获取与用户问句对应的反问句的方法和装置 |
CN111008268A (zh) * | 2019-10-31 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 基于对话系统获取与用户问句对应的反问句的方法和装置 |
WO2021088441A1 (en) * | 2019-11-08 | 2021-05-14 | Huawei Technologies Co., Ltd. | Systems and methods for multi-user pairing in wireless communication networks |
US11246173B2 (en) | 2019-11-08 | 2022-02-08 | Huawei Technologies Co. Ltd. | Systems and methods for multi-user pairing in wireless communication networks |
CN111901862A (zh) * | 2020-07-07 | 2020-11-06 | 西安交通大学 | 一种基于深度q网络的用户分簇与功率分配方法、设备和介质 |
CN111901862B (zh) * | 2020-07-07 | 2021-08-13 | 西安交通大学 | 一种基于深度q网络的用户分簇与功率分配方法、设备和介质 |
CN111934730A (zh) * | 2020-08-05 | 2020-11-13 | 北京理工大学 | 基于跨时隙消息传递算法的符号级noma非同步接收方法 |
CN111934730B (zh) * | 2020-08-05 | 2021-09-10 | 北京理工大学 | 基于跨时隙消息传递算法的符号级noma非同步接收方法 |
CN112073976A (zh) * | 2020-08-17 | 2020-12-11 | 同济大学 | 一种基于机器学习的非正交多址中的用户通用分组方法 |
CN112566261A (zh) * | 2020-12-08 | 2021-03-26 | 南京爱而赢科技有限公司 | 一种基于深度强化学习的上行noma资源分配方法 |
CN113507716A (zh) * | 2021-05-10 | 2021-10-15 | 甘肃建投交通建设有限公司 | 一种基于swipt的cr-noma网络中断与能效的优化方法 |
CN114928379A (zh) * | 2021-12-18 | 2022-08-19 | 联桥科技有限公司 | 混合高速电力线载波通信和无线通信网络资源调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108737057B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108737057A (zh) | 基于深度学习的多载波认知noma资源分配方法 | |
Wang et al. | Joint interference alignment and power control for dense networks via deep reinforcement learning | |
CN108811069B (zh) | 一种全双工非正交多址接入系统基于能效的功率控制方法 | |
CN110430613B (zh) | 多载波非正交多址接入系统基于能效的资源分配方法 | |
Song et al. | Cross-layer optimization for OFDM wireless networks-part II: algorithm development | |
CN104717755B (zh) | 一种蜂窝网络中引入d2d技术的下行频谱资源分配方法 | |
CN108495337B (zh) | 基于noma的无线携能通信系统最大安全速率优化方法 | |
CN106304112B (zh) | 一种基于中继协作的蜂窝网络能量效率优化方法 | |
CN108924935A (zh) | 一种基于强化学习算法功率域的noma中的功率分配方法 | |
CN111586697B (zh) | 一种基于有向超图贪心着色的信道资源分配方法 | |
CN103997740B (zh) | 基于效用优化的认知协作网络联合资源分配方法 | |
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 | |
CN103916355B (zh) | 一种认知ofdm网络中子载波的分配方法 | |
CN111586646B (zh) | 一种蜂窝网络中联合上下信道的d2d通信的资源分配方法 | |
CN104703270B (zh) | 适用于异构无线蜂窝网络的用户接入和功率分配方法 | |
CN113596785B (zh) | 基于深度q网络的d2d-noma通信系统资源分配方法 | |
CN108064077B (zh) | 蜂窝网络中全双工d2d的功率分配方法 | |
CN104540139A (zh) | 异构融合网络资源分配方法和系统 | |
CN112566261A (zh) | 一种基于深度强化学习的上行noma资源分配方法 | |
CN106792451A (zh) | 一种基于多种群遗传算法的d2d通信资源优化方法 | |
Zhang et al. | Dynamic user-centric clustering for uplink cooperation in multi-cell wireless networks | |
Hassan et al. | Joint throughput-power optimization of fog-RAN using rate-splitting multiple access and reinforcement-learning based user clustering | |
CN107948109B (zh) | 认知无线电中能效与谱效折衷的子载波比特联合优化方法 | |
Wu et al. | On energy efficiency optimization in downlink MIMO-NOMA | |
CN105979589A (zh) | 异构网络的能量有效资源分配方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |