CN108737057B - 基于深度学习的多载波认知noma资源分配方法 - Google Patents

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

基于深度学习的多载波认知NOMA资源分配方法

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；p_m和p_n分别为基站分配给用户m和用户n的发送功率；h_m和h_n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；Z_i为主用户i所占用的子信道总数；h_i,z为主用户i在子信道z上的信道增益；p_i,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；Z_j为从用户j所占用的子信道总数；h_j,z为从用户j在子信道z上的信道增益；p_j,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C_z，z＝1,2,...,Z，和第j个用户的代价函数W_j,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；G_j,z(x_j,z)表示信道z对用户j的发射功率增益；x_j,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C_z向变量节点_j,z传递的第t+1次迭代的消息，x_j,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_l,z向代价函数节点C_z传递的第t次迭代的消息，x_l,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W_j向变量节点_j,z传递的第t+1次迭代的消息，

表示由变量节点_j,f向代价函数节点W_j传递的第t+1次迭代的消息，x_j,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x_j,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，G_j,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，G_j,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；p_m和p_n分别为基站分配给用户m和用户n的发送功率；h_m和h_n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；Z_i为主用户i所占用的子信道总数；h_iz为主用户i在子信道z上的信道增益；p_iz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；Z_j为从用户j所占用的子信道总数；h_j,z为从用户j在子信道z上的信道增益；p_j,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C_z，z＝1,2,...,Z，和第j个用户的代价函数W_j,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；G_j,z(x_j,z)表示信道z对用户j的发射功率增益；x_j,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C_z向变量节点_j,z传递的第t+1次迭代的消息，x_j,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l,z向代价函数节点C_z传递的第t次迭代的消息，x_l,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W_j向变量节点_j,z传递的第t+1次迭代的消息，

表示由变量节点_j,f向代价函数节点W_j传递的第t+1次迭代的消息，x_jf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x_j,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，G_j,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，G_j,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 (3)

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；

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；p_m和p_n分别为基站分配给用户m和用户n的发送功率；h_m和h_n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；Z_i为主用户i所占用的子信道总数；h_i,z为主用户i在子信道z上的信道增益；p_i,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；Z_j为从用户j所占用的子信道总数；h_j,z为从用户j在子信道z上的信道增益；p_j,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；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；

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C_z，z＝1,2,...,Z，第j个用户的代价函数为W_j,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；G_j,z(x_j,z)表示信道z对用户j的发射功率增益；x_j,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C_z向变量节点j,z传递的第t+1次迭代的消息，

表示由变量节点l,z向代价函数节点C_z传递的第t次迭代的消息，x_l,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W_j向变量节点j,z传递的第t+1次迭代的消息，

表示由变量节点j,f向代价函数节点W_j传递的第t+1次迭代的消息，x_j,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x_j,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，G_j,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，G_j,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。

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(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。

3.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，

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。

Images