CN110139282B - 一种基于神经网络的能量采集d2d通信资源分配方法 - Google Patents
一种基于神经网络的能量采集d2d通信资源分配方法 Download PDFInfo
- Publication number
- CN110139282B CN110139282B CN201910392825.5A CN201910392825A CN110139282B CN 110139282 B CN110139282 B CN 110139282B CN 201910392825 A CN201910392825 A CN 201910392825A CN 110139282 B CN110139282 B CN 110139282B
- Authority
- CN
- China
- Prior art keywords
- group
- user
- cellular
- power
- channel
- 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.)
- Active
Links
Images
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
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/52—Allocation or scheduling criteria for wireless resources based on load
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了一种基于神经网络的能量采集D2D通信资源分配方法,该方法首先假设已知所有时刻的系统信息,在满足蜂窝用户服务质量的条件下利用KM算法为D2D组分配信道,考虑采集能量的因果性和最大发送功率限制,分析不同时段发送功率的大小关系得到离线功率优化分配方法,然后考虑仅知道当前时刻的系统信息,将离线功率分配的最优发送功率和影响发送功率的系统参数作为训练数据集训练神经网络,得到发送功率的优化模型,进一步提出在线功率优化分配方法,最后考虑D2D用户的服务质量要求,以最大化D2D组总容量为目标优化D2D组内两个接收端的功率分配因子。本发明考虑共信道干扰和能量采集约束,优化D2D用户的信道分配和功率分配,可以提高D2D组的总容量。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种基于神经网络的能量采集D2D通信资源分配方法。
背景技术
随着智能移动终端设备数量地增多,更多的用户需要接入无线通信网络,然而频谱资源是有限的,如何利用有限的频谱资源使得更多的用户可以进行无线通信成为急需解决的问题。D2D通信允许两个物理距离较近的用户终端之间建立直接通信链路而不需要经过基站或其他核心网络,复用蜂窝网络的授权频段进行点到点通信。由于共享频谱资源,D2D通信允许更多的用户终端接入到网络中,可以有效解决频谱短缺问题。NOMA技术在发送端允许多个信号采用相同频率经过不同功率叠加后发送,可以提高系统频谱利用率。将D2D与技术相结合,可以更好地部署未来网络,提高用户服务质量。D2D通信时用户距离较近,路径损耗较小,D2D用户的发送功率也较小,因此考虑D2D用户可以采用能量采集技术从周围环境中采集能量,解决设备能量供给的问题,实现绿色通信。
但是,由于D2D通信与传统蜂窝通信使用相同频谱资源,D2D用户与蜂窝用户之间存在干扰,弱用户应用SIC技术解码自身信号时也会受到强用户信号的干扰,因此,在应用NOMA技术的D2D通信中干扰管理是一个很重要的问题。另外,由于环境的不确定性,能量采集也是资源分配中的重要考虑因素。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于神经网络的能量采集D2D通信资源分配方法,通过为D2D组分配合理的信道资源以及优化D2D用户的发送功率、D2D组内接收端的功率分配因子,提高D2D组的总容量。
技术方案:为实现上述目的,本发明提供一种基于神经网络的能量采集D2D通信资源分配方法,具体包括以下步骤:
S1:用CU={CU1,CU2,...,CUm,...,CUM}和D={D1,D2,...,Dn,...,DN}分别表示蜂窝用户集和D2D组集,其中CUm和Dn分别表示蜂窝用户m和D2D组n,M表示系统中蜂窝用户数,N表示系统中D2D组数,每个D2D组包括一个D2D发送端和两个D2D接收端;
S2:初始化D2D组的候选蜂窝用户集Ω={Ω1,...,Ωn,...,ΩN}=Φ,并令D2D用户的发送功率取值为D2D用户的最大发送功率对所有D2D组n∈D,计算其分别复用M个信道时蜂窝用户m∈CU的信干噪比并判断与的大小,如果则将蜂窝用户m加入到D2D组n的候选蜂窝用户集Ωn中,反之,则不加入,其中表示蜂窝用户的信干噪比阈值;
S7:重复步骤S6直至k=K,当k=K时,根据公式tnm=tnm+1更新迭代次数tnm;
S9:取为输出向量,影响的系统参数gn,1、gn,2、Enk为输入向量组成训练数据集训练神经网络,得到发送功率的优化模型,其中表示时段k之前k-1个时段采集到的总能量,表示时段k之前k-1个时段消耗的总能量;
进一步地,所述步骤S2中蜂窝用户m的信道被D2D组n复用时的信干噪比计算公式为其中PBS为基站的发送功率,hBm为基站与蜂窝用户m间的信道增益,hnm为D2D发送端n与蜂窝用户m间的信道增益,σ2表示加性高斯白噪声的功率谱密度。
进一步地,所述步骤S3中当ψnm<0时,D2D组n复用蜂窝用户m信道在时段k发送信号s1的功率分配因子为当ψnm>0时,其中 表示D2D接收端的信干噪比阈值,为D2D发送端n复用蜂窝用户m信道在时段k的发送功率,gn,1和gn,2分别为Dn组内接收端1和接收端2与发送端之间的信道增益,为基站与Dn组内接收端1间的信道增益,为基站与Dn组内接收端2间的信道增益。
本发明在基于NOMA的能量采集D2D通信系统中优化用户的信道分配和功率分配。首先利用KM算法在满足蜂窝用户服务质量的条件下为D2D组分配信道,然后根据不同时段到达的能量调节D2D发送端在每个时段的离线发送功率,将离线功率分配的最优发送功率作为输出向量,相关影响发送功率的系统参数作为输入向量,组成训练数据集训练神经网络得到发送功率的优化模型,根据某一时段的系统参数由神经网络可得到当前时段的在线发送功率,最后考虑D2D用户的服务质量要求,以最大化D2D组总容量为目标优化D2D接收端的功率分配因子。
有益效果:本发明与现有技术相比,具有以下优点:
1、为D2D组分配信道时考虑蜂窝用户的服务质量要求,防止进行D2D通信时引入的干扰影响蜂窝用户的正常通信。同时利用KM算法把D2D组容量作为权重进行信道分配,有利于D2D组总容量的提升。
2、优化D2D接收端的功率分配因子来控制强用户对弱用户的干扰,以最大化D2D组总容量为目标优化接收端的功率分配因子,同时也保证D2D接收端的最低信干噪比要求。
3、考虑采集能量的因果性约束,以最大化D2D组总容量为目标来获得D2D发送端在不同时段的离线发送功率,将离线功率分配的优化结果作为训练数据集训练神经网络,利用训练出的功率优化模型确定D2D用户在不同时段的在线发送功率,符合D2D用户无法预测未来时刻能量到达情况的现实。
附图说明
图1为本发明方法的流程示意图;
图2为本发明方法的系统模型示意图;
图3为随着D2D对间距离增大时D2D组总容量变化图;
图4为随着D2D组数增大时D2D组总容量变化图;
图5为D2D组总容量随能量到达分布均值增大在N=3和N=4时的变化图;
具体实施方式
本实施例中将本发明方法应用在小区当中,如图1所示,一种基于神经网络的能量采集D2D通信资源分配方法,包括以下步骤:
1、建立最大化D2D组总容量的优化问题
如图2所示,考虑单小区模型,小区半径为R,小区包含一个基站位于小区的中心,M个蜂窝用户和N个D2D组,用CU={CU1,CU2,...,CUm,...,CUM}和D={D1,D2,...,Dn,...,DN}分别表示蜂窝用户集和D2D组集,其中CUm和Dn分别表示蜂窝用户m和D2D组n,每个D2D组包括一个D2D发送端和两个D2D接收端,D2D接收端随机分布在以D2D发送端为圆心,半径为Rd的圆中。每个蜂窝用户占用一个子信道与基站进行传统蜂窝通信,因此蜂窝用户之间不存在干扰。不同于传统D2D通信,在各个D2D组内D2D发送端可以采用NOMA传输机制同时给两个D2D接收端发送信息。每个D2D组复用一个蜂窝用户的下行链路进行通信且每个蜂窝用户的下行链路仅可以被一个D2D组复用,因此D2D组之间不存在干扰,干扰存在于共享同一信道的蜂窝用户和D2D组之间。
假设D2D发送端可以从周围环境中每隔τe秒采集一次能量,即能量到达的时刻为0,τe,...,kτe,...,采集到的能量值服从[0,E]的均匀分布,能量瞬时到达并存储在设备电池中供随后发送信息使用,电池的容量比到达的能量大得多,即不考虑电池容量限制,并且假设向电池中存储能量以及从电池中取出能量是无损耗的。假设在时间T内能量到达K次,即总时段数为K。
为了区分同一D2D组内的两个接收端,将与发送端信道增益较小的接收端称为弱用户,与发送端信道增益较大的称为强用户,假设D2D接收端1为弱用户,D2D接收端2为强用户,即gn,1<gn,2,其中gn,1和gn,2分别为Dn内接收端1和接收端2与发送端之间的信道增益。根据NOMA准则,弱用户信号的发送功率大于强用户信号的发送功率,弱用户从接收信号中直接解码出自身信号s1,强用户采用SIC技术,首先解码出弱用户的信号并将其当作干扰进行抵消,然后解码出自身所需信号s2。
当D2D组n复用蜂窝用户m的信道时,蜂窝用户m在时段k的信干噪比为:
Dn组内弱用户接收端1的信干噪比为:
Dn组内强用户接收端2的信干噪比为:
根据香农公式,D2D组n在时段k的容量为:
其中,PBS和分别为基站和D2D发送端n的发送功率,hBm为基站与蜂窝用户m间的信道增益,hnm为D2D发送端n与蜂窝用户m间的信道增益,为基站与Dn组内接收端1间的信道增益,为基站与Dn组内接收端2间的信道增益,表示Dn组内发送信号s1的功率分配因子,σ2表示加性高斯白噪声的功率谱密度。
建立最大化D2D组总容量的原始优化问题P1为:
在该优化问题中,xnm表示D2D组的信道复用因子,当xnm=1时表示D2D组n复用蜂窝用户m的信道,反之,则未复用。表示蜂窝用户的SINR阈值,表示D2D接收端的SINR阈值,En,k表示D2D发送端n在时段k采集的能量,表示D2D用户的最大发送功率,式(5)表示最大化D2D组总容量的目标函数,式(6)表示蜂窝用户的SINR要大于给定的门限值,式(7)和式(8)表示D2D组内两个接收端的SINR要大于给定的门限值,式(9)是能量因果关系约束,表示D2D发送端在某一时段之前所消耗的能量不能超过该时段之前采集的总能量,式(10)表示D2D用户的发送功率要小于终端的最大发送功率,式(11)表示一个D2D组最多复用一个蜂窝用户的信道且一个蜂窝用户的信道最多被一个D2D组复用,式(12)表示D2D组内弱用户分配的功率大于强用户分配的功率且弱用户分配的功率小于D2D发送端的总功率。
优化问题P1是混合整数非线性规划问题,此问题是NP-hard问题,因此,将优化问题P1分解为三个子问题,第一个子问题优化D2D接收端的功率分配因子,第二个子问题为D2D组分配信道,第三个子问题优化D2D用户的发送功率。
2、功率分配因子优化子问题
由于D2D组间不存在干扰,因此可以首先求出单个D2D组在K个时段的最大容量。当D2D组n复用蜂窝用户m的信道,D2D用户的发送功率为定值时,求D2D组内两接收端的最优功率分配因子使D2D组n的容量最大化。D2D组n复用蜂窝用户m的信道时在K个时段的总容量为:
由式(7)和式(8)得:
目标函数式(13)关于约束条件式(14)和式(15)的拉格朗日函数为:
λ1≥0,λ2≥0 (22)
其中因为和的大小关系未知,所以ψnm的正负未知。式(17)的第一项是对的一阶偏导,当ψnm>0时,是关于的单调递增函数,因此在满足接收端2的信干噪比条件下将功率尽可能多的分配给接收端1,此时由式(18)和(19)知λ1=0,λ2>0,由式(21)得接收端1的功率分配因子为:
3、信道分配子问题
求得D2D组内两个接收端的功率分配因子后,采用KM算法为D2D组分配蜂窝用户的信道。信道分配的详细步骤如下:
(1)初始化小区中的蜂窝用户集CU,D2D组集D和D2D组的候选蜂窝用户集Ω={Ω1,...,Ωn,...,ΩN}=Φ;
(4)若D2D组n的候选蜂窝用户集|Ωn|=m'(1≤m'≤M),根据式(23)或(24)求出D2D组n分别复用m'个蜂窝用户信道时在每个时段的最优功率分配因子,再根据式(13)求出D2D组n分别复用m'个蜂窝用户信道时的容量。
(5)若D2D组n的候选蜂窝用户集|Ωn|=0,则认为没有可以被D2D组n复用的蜂窝用户信道,即对任意n,xnm=0。
(7)算法结束。
4、D2D发送功率优化子问题
信道分配完成后,假设已知全部时段的能量到达情况,D2D组n复用蜂窝用户m的信道,优化问题P1关于D2D组n在K个时段的发送功率的子问题为:
Subject to:式(9)、式(10)
目标函数式(25)的一阶导函数为:
式(26)中各参数的值都大于零,目标函数在可行域中是的单调递增函数。为了使最大化,则K个时段采集的能量需全部用完,且当取得最大值时,D2D用户n在时段k(1≤k<K)的发送功率小于等于其后一时段的发送功率。因此当时段k的发送功率大于时段k+1时,两时段的发送功率取平均值。当D2D用户n对任意时段k(1≤k<K)满足时,得到离线优化功率再由最大发送功率限制得
神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统,具有高速寻找优化解的能力,因此本发明方法利用神经网络确定在线优化功率取当前时段可知的系统参数gn,1、gn,2、En,k为神经网络的输入向量,其中表示时段k之前k-1个时段采集到的总能量,表示时段k之前k-1个时段消耗的总能量,发送功率为输出,组成训练数据集训练神经网络得到发送功率的优化模型。向神经网络优化模型输入当前时段可知的系统参数,得到当前时段的在线优化功率并取其中表示D2D组n在时段k可用的总能量。根据在线优化功率由式(23)或式(24)计算D2D组内两接收端的功率分配因子,并计算D2D组总容量。
综上所述,本实施例考虑蜂窝用户的服务质量要求和采集能量对发送功率的限制,以最大化D2D组总容量为优化目标,对D2D用户在不同时段的发送功率和功率分配因子进行最优分配,并为D2D用户分配合理的信道。
图3是随着D2D对间距离增大时D2D组总容量变化图,从图3中可以看出随着D2D对间距离的增加D2D组总容量在减小,这是因为随着D2D对间距离的增大,D2D对间链路的信道增益减小,导致D2D组总容量降低;另外从图3中也可以看出本实施例应用的方法与其他资源方法相比可以进一步提高D2D组总容量。
图4是随着D2D组数增大时D2D组总容量变化图,从图4中可以看出随着D2D组数的增多D2D组的总容量增大,这是因为当D2D组数小于蜂窝用户数时,随着D2D组数增加,更多的D2D用户可以复用蜂窝用户的信道进行通信,使D2D组的总容量增大;当D2D组数大于蜂窝用户数时,蜂窝用户可以选择将信道分配给信道条件更好的D2D用户,使D2D组总容量增大。
图5是D2D组总容量随能量到达分布均值增大在N=3和N=4时的变化图,从图5中可以看出在同一D2D组数目下,D2D组总容量随能量到达分布均值的增大而增大,这是因为能量到达分布均值增大,则每个时段到达的平均能量增大,D2D发送端在每个时段的平均发送功率增大,使D2D组的总容量增大。
Claims (4)
1.一种基于神经网络的能量采集D2D通信资源分配方法,其特征在于:包括以下步骤:
S1:用CU={CU1,CU2,...,CUm,...,CUM}和D={D1,D2,...,Dn,...,DN}分别表示蜂窝用户集和D2D组集,其中CUm和Dn分别表示蜂窝用户m和D2D组n,M表示系统中蜂窝用户数,N表示系统中D2D组数,每个D2D组包括一个D2D发送端和两个D2D接收端;
S2:初始化D2D组的候选蜂窝用户集Ω={Ω1,...,Ωn,...,ΩN}=Φ,并令D2D用户的发送功率取值为D2D用户的最大发送功率对所有D2D组n∈D,计算其分别复用M个信道时蜂窝用户m∈CU的信干噪比并判断与的大小,如果则将蜂窝用户m加入到D2D组n的候选蜂窝用户集Ωn中,反之,则不加入,其中表示蜂窝用户的信干噪比阈值;
S7:重复步骤S6直至k=K,当k=K时,根据公式tnm=tnm+1更新迭代次数tnm;
S9:取为输出向量,影响的系统参数gn,1、gn,2、En,k为输入向量组成训练数据集训练神经网络,得到发送功率的优化模型,其中表示时段k之前k-1个时段采集到的总能量,表示时段k之前k-1个时段消耗的总能量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392825.5A CN110139282B (zh) | 2019-05-13 | 2019-05-13 | 一种基于神经网络的能量采集d2d通信资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392825.5A CN110139282B (zh) | 2019-05-13 | 2019-05-13 | 一种基于神经网络的能量采集d2d通信资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110139282A CN110139282A (zh) | 2019-08-16 |
CN110139282B true CN110139282B (zh) | 2023-01-31 |
Family
ID=67573382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910392825.5A Active CN110139282B (zh) | 2019-05-13 | 2019-05-13 | 一种基于神经网络的能量采集d2d通信资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110139282B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110784882B (zh) * | 2019-10-28 | 2022-06-28 | 南京邮电大学 | 一种基于强化学习的能量采集d2d通信资源分配方法 |
CN111787624B (zh) * | 2020-06-28 | 2022-04-26 | 重庆邮电大学 | 一种基于深度学习的可变维度资源分配方法 |
CN112770343B (zh) * | 2021-01-07 | 2022-05-17 | 重庆邮电大学 | 基于haga的d2d-noma资源分配方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106455083A (zh) * | 2015-08-13 | 2017-02-22 | 中兴通讯股份有限公司 | 一种d2d通信资源复用选择的方法及基站、终端 |
CN108093411B (zh) * | 2018-01-10 | 2021-11-16 | 重庆邮电大学 | D2d通信网络中基于信道签名的资源调度优化方法 |
CN108462950B (zh) * | 2018-03-26 | 2020-02-18 | 南京邮电大学 | 基于noma的d2d通信联合子信道与功率分配方法 |
-
2019
- 2019-05-13 CN CN201910392825.5A patent/CN110139282B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110139282A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109474980B (zh) | 一种基于深度增强学习的无线网络资源分配方法 | |
Zhou et al. | Uplink multicell processing with limited backhaul via per-base-station successive interference cancellation | |
CN110139282B (zh) | 一种基于神经网络的能量采集d2d通信资源分配方法 | |
CN110784882B (zh) | 一种基于强化学习的能量采集d2d通信资源分配方法 | |
AlQerm et al. | Enhanced machine learning scheme for energy efficient resource allocation in 5G heterogeneous cloud radio access networks | |
Dai et al. | Energy-efficient resource allocation for energy harvesting-based device-to-device communication | |
CN110167176B (zh) | 一种基于分布式机器学习的无线网络资源分配方法 | |
CN110492955B (zh) | 基于迁移学习策略的频谱预测切换方法 | |
CN108600999B (zh) | Fd-d2d基于信道分配与功率控制联合优化方法 | |
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 | |
CN110769514A (zh) | 一种异构蜂窝网络d2d通信资源分配方法及系统 | |
CN112153744B (zh) | 一种icv网络中物理层安全资源分配方法 | |
CN113473422A (zh) | 一种面向b5g的无线携能d2d网络高效资源分配方法 | |
CN108924799B (zh) | 一种蜂窝网络中d2d通信的资源分配算法 | |
CN115866787A (zh) | 融合终端直传通信和多接入边缘计算的网络资源分配方法 | |
Yu et al. | Interference coordination strategy based on Nash bargaining for small‐cell networks | |
CN112788764A (zh) | 针对noma超密集网络任务卸载和资源分配方法及系统 | |
Biswas et al. | Sum throughput maximization in a cognitive multiple access channel with cooperative spectrum sensing and energy harvesting | |
CN104507153B (zh) | 一种ofdma下的小小区功率控制方法 | |
Esmat et al. | Joint channel selection and optimal power allocation for multi‐cell D2D communications underlaying cellular networks | |
Hassan et al. | Joint throughput-power optimization of fog-RAN using rate-splitting multiple access and reinforcement-learning based user clustering | |
CN105900494B (zh) | 无线网络中移动终端的节能方法 | |
CN110061826B (zh) | 一种最大化多载波分布式天线系统能效的资源分配方法 | |
Benatia et al. | Unsupervised deep learning to solve power allocation problems in cognitive relay networks | |
Wang et al. | Secure resource allocation for polarization-based non-linear energy harvesting over 5G cooperative cognitive radio networks |
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 |