CN111328133B - 基于深度神经网络的v2x资源分配方法 - Google Patents

基于深度神经网络的v2x资源分配方法 Download PDF

Info

Publication number
CN111328133B
CN111328133B CN201811539937.0A CN201811539937A CN111328133B CN 111328133 B CN111328133 B CN 111328133B CN 201811539937 A CN201811539937 A CN 201811539937A CN 111328133 B CN111328133 B CN 111328133B
Authority
CN
China
Prior art keywords
communication
link
resource allocation
neural network
channel gain
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
Application number
CN201811539937.0A
Other languages
English (en)
Other versions
CN111328133A (zh
Inventor
陈咪咪
陈嘉君
陈小静
张舜卿
徐树公
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201811539937.0A priority Critical patent/CN111328133B/zh
Publication of CN111328133A publication Critical patent/CN111328133A/zh
Application granted granted Critical
Publication of CN111328133B publication Critical patent/CN111328133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W52/06—TPC algorithms
    • H04W52/14—Separate analysis of uplink or downlink
    • H04W52/146—Uplink power control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
    • 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
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
    • H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
    • 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
    • H04W52/38—TPC being performed in particular situations
    • H04W52/383—TPC being performed in particular situations power control in peer-to-peer links
    • 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
    • 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
    • H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于深度神经网络的V2X资源分配方法，根据V2X通信模型并构建资源分配问题，从而得到信道增益矩阵作为样本对一个神经网络进行训练，并在实时环境下采用训练后的神经网络进行频谱资源分配的多分类处理和发射功率分配的回归处理，本发明在模型建立时充分考虑了V2V通信的可靠性和延时，把资源分配问题转化为了深度学习中的多分配问题和回归问题，通过使用一个网络进行联合优化，同时解决分类问题和回归问题，在低复杂度情况下实时地进行频谱资源和发射功率分配，适用于实际的车辆通信系统。

Description

基于深度神经网络的V2X资源分配方法
技术领域
本发明涉及的是一种移动通信领域的技术，具体是一种基于深度神经网络的V2X资源分配方法。
背景技术
基于蜂窝网络的车辆到车辆(V2V)直接通信复用车辆到基础设施(V2I)通信的蜂窝上行链路频谱资源。但是这一方法在缓解频谱资源压力的同时也带来的严重的频带内干扰，即V2V通信会干扰使用同一频谱资源的V2I通信，同时V2I通信也会干扰V2V直接通信，这对V2X通信的资源分配问题研究上带来很大困难。关于V2X通信的资源分配问题的研究通常算法较为复杂，难以在低复杂度的情况下得到最优的分配。
现有技术虽然有通过将V2X车联网中的资源分配问题进行数学建模，将最大化网络中所有用户信息值的优化问。题分为多个子问题或优化函数进行处理。但现有技术的算法复杂度过高，无法满足V2V需求。
发明内容
本发明针对现有技术计算复杂度较高且没有充分考虑到V2V通信的各方面特性的不足，提出一种基于深度神经网络的V2X资源分配方法，在模型建立时充分考虑了V2V通信的可靠性和延时，把资源分配问题转化为了深度学习中的多分配问题和回归问题，通过使用一个网络进行联合优化，同时解决分类问题和回归问题，在低复杂度情况下实时地进行频谱资源和发射功率分配，适用于实际的车辆通信系统。
本发明是通过以下技术方案实现的：
本发明根据V2X通信模型并构建资源分配问题，从而得到信道增益矩阵作为样本对一个神经网络进行训练，并在实时环境下采用训练后的神经网络进行频谱资源分配的多分类处理和发射功率分配的回归处理，实现吞吐量最大化的同时保证V2V直接通信的超低延时和高可靠性。
所述的V2X通信模型为一个V2I与V2V通信共存的场景，包括若干V2I通信设备(C-UE)和V2V通信设备(V-UE)，其中：M＝{1,2,…,M}代表进行V2I通信的车辆，S＝{1,2,…,S}代表进行V2V通信的发送端车辆，D＝{1,2,…,D}代表进行V2V通信的接收端车辆，C-UE的上行链路频谱资源是相互正交的，V2V通信复用V2I通信的上行链路资源，而且一对一复用。
V2I通信的链路容量为：
Figure BDA0001907783720000021
V2V直接通信的链路容量为：
Figure BDA0001907783720000022
Figure BDA0001907783720000023
其中：
Figure BDA0001907783720000024
分别为C-UE和V-UE的发射功率，N0为噪声功率，ρm,s表示频谱复用关系，ρm,s＝1表示第s个V-UE通信时复用第m个C-UE的上行链路频谱资源，反之，ρm,s＝0。
Figure BDA0001907783720000025
表示基站收到的来自第s个V-UE的干扰，
Figure BDA0001907783720000026
表示第d个接收V-UE收到的来自第m个C-UE的干扰。
由于V2V直接通信通常用来传递紧急信息，为了保证V2V通信的延时和可靠性，在本发明中，当B和L分别为平均包的大小和通信延时，则V-UE的传输速率为R＝B/L。
所述的延时和可靠性的要求ε＝PL{Css(k)>R},k＝1,2,3,…，其中：Css为所有V2V链路中最小的链路容量。
所述的信道增益矩阵，通过配置V2X通信模型的参数，产生通信信道和干扰信道的信道增益矩阵
Figure BDA0001907783720000027
在每个信道增益下根据遍历算法得到频谱资源分配结果
Figure BDA0001907783720000028
和功率分配结果
Figure BDA0001907783720000029
从而得到训练所需数据集
Figure BDA00019077837200000210
Figure BDA00019077837200000211
其中：hm,B为第m个C-E到基站的通信信道增益，hm,B＝gm,Bαm,B，gm,B为小规模快衰落，αm,B为大规模衰落，hs,d为V-UE发射和V-UE接收之间的通信信道增益，hm,d为C-UE与V-UE接收之间的干扰信道增益，hs,B为V-UE发射与基站之间的干扰信道增益，信道增益矩阵
Figure BDA00019077837200000212
作为输入送入网络。
所述的资源分配问题是指：通过得到最优的发射功率分配
Figure BDA00019077837200000213
和频谱资源分配ρm,s来最大化V2X通信模型的总容量，并且保证V2V通信的延时和可靠性，因此需要满足：
Figure BDA00019077837200000214
s.t.ω1,ω2>0，
此外，为了保证V2I链路的QoS：
Figure BDA00019077837200000215
C-UE和V-UE的发射功率不能超过最大发射功率：
Figure BDA00019077837200000216
Figure BDA00019077837200000217
一个V2I链路的频谱资源只能被一个V-UE重用，并且一个V-UE只能复用一个V2I链路的频谱资源：
Figure BDA00019077837200000218
其中：
Figure BDA00019077837200000219
ω1,ω2是权重因子，
Figure BDA00019077837200000220
是每个V2I链接所需的最小链路容量，
Figure BDA00019077837200000221
和
Figure BDA00019077837200000222
分别是V2I链路和V2V链路的最大发射功率。
所述的神经网络优选为卷积神经网络(CNN)，包括：输入层、隐藏层和输出层，其中：隐藏层由三个卷积层和三个全连接(FC)层组成，激活函数为Rectified Linear Unit(RelU)。输出层分别输出：①多分类问题的矩阵A的索引值，表示频谱复用情况ρm,s，其采用softmax作为激活函数，②回归问题的V2I链路的发送功率
Figure BDA0001907783720000031
和③V2V链路的发送功率
Figure BDA0001907783720000032
其采用RelU作为激活函数。
技术效果
与现有技术相比，本发明在模型建立方面不仅考虑了在传统的车联网资源分配问题中通常考虑的系统总的吞吐量，同时为了保证V2V直接通信的QoS，在模型建立时充分考虑了通信的可靠性和延时，满足了低延时、高可靠的通信要求。
其次，在神经网络设置方面，把优化问题转化成了深度学习中回归问题和多分类问题，与传统神经网络不同，用同一张神经网络通过联合优化，同时解决这两个子问题，这使得此算法更适用于实际的车辆通信系统。所提出的回归和分类同时处理的CNN算法也适用于无线通信中其他回归和分类同时存在的不同问题。
最后在系统总的目标值方面，由本发明所带来的目标值相较于RandomPower算法、MinPower算法和MaxPower算法有了很大的提高。相较于Benchmark算法，能够达到接近的目标值，但是在复杂度和时间损耗方面却远远优于Benchmark算法。
附图说明
图1为实施例通信场景示意图；
图2为本实施例CNN网络结构示意图；
图3为实施例与其他方法在优化目标总量上的对比示意图；
图4为实施例与其他算法在错误率方面的对比示意图。
具体实施方式
如图1所示，本实施例包括以下步骤：
步骤1)初始参数：选择在单小区的基于曼哈顿网格的urban场景下验证的算法，当有5个C-UE、10个V-UE、C-UE的发射功率
Figure BDA0001907783720000033
和V-UE的发射功率
Figure BDA0001907783720000034
均为23dBm，V2I链路容量下限
Figure BDA0001907783720000035
为0.5bps/HZ，噪声功率N0为-114dBm，平均包的大小B为6400bits，最大延时L为100ms。V2V和V2I链路选取的信道模型如下表所示：
Figure BDA0001907783720000036
步骤2)训练参数：根据步骤1的设置，通过遍历算法得到目标值最大化情况下的发射功率分配和频谱资源分配作为神经网络训练的标签，同时将每一组分配下的信道增益矩阵作为神经网络的输入送进神经网络。
本实施例选择CNN作为训练网络，因为CNN在特征提取和高度准确的分类中总是优于其他神经网络(例如，FC DNN)。它可以利用信道增益中的空间特征，减少与FC DNN相比的权重数量，从而可以在实际应用中对资源分配进行实时决策。
在训练阶段，选用3层卷积层(5x8x16，5x8x32，5x8x64)和3个全链接层(1x1x256，1x1x256，1x1x128)来进行训练。Batch size的大小设为128，epoch的大小设为100。
对于发射功率分配的回归子问题，本实施例选用的损失函数为Mean SquaredError(MSE)：
Figure BDA0001907783720000041
其中：K为batch size的大小，
Figure BDA0001907783720000042
为根据输入，CNN网络训练得到的C-UE(V-UE)的发射功率，P为网络的标签，即数据集中的C-UE(V-UE)的发射功率。
对于频谱资源分配的分类子问题，本实施例选用的损失函数为CategoricalCrossentropy：
Figure BDA0001907783720000043
其中：
Figure BDA0001907783720000044
为根据输入，CNN网络训练得到的频谱资源分配结果矩阵的索引，ρj为网络的标签，即数据集中的频谱资源分配的矩阵索引值。
因此CNN网络训练时通过保证下式总的损失函数最小来不断优化网络：
Figure BDA0001907783720000045
Figure BDA0001907783720000046
其中：α和β分别为C-UE和V-UE的发射功率相应的损失函数的权重值，
Figure BDA0001907783720000047
和
Figure BDA0001907783720000048
即为
Figure BDA0001907783720000049
本测试中，α和β均设为0.1。
步骤3)测试结果：将的基于深度学习的资源分配算法和高复杂度的遍历算法以及其他算法分别在优化目标总量和错误率两方面进行了比较，如图3和图4所示。
图中，Benchmark算法为遍历算法，虽能得到最优分配，但是复杂度高，计算时间慢，不适合实际的通信系统；基于CNN的资源分配算法，选取的训练集为25000个；DNN算法选择3层全链接层(64，128，128)，训练集为25000个，Bitch size为128，epoch为500个；RandomPower算法、MinPower算法和MaxPower算法分别为对C-UE和V-UE的发射功率进行随机分配、分配最小值和分配最大值。在错误率对比时，错误率定义为其他算法与Benchmark算法之间的差距，可由下式求得为：
Figure BDA00019077837200000410
其中：C0为Benchmark算法所得的目标函数值，Cn为其他算法所得的目标函数值。
从图3中可以看出，所提出的基于CNN网络的资源分配算法在具有25000个训练数据下优于其他方案，其性能最接近理想的基准方法。这是因为所提出的CNN专门提取信道增益中的空间特征，以便以高精度推断资源分配的决策。
从图4中可以看出，所提出的基于CNN网络的资源分配算法在具有25000个训练数据下错误率小于其他方法。CNN算法的83％测试数据和DNN算法的62％测试数据的误码率在10％以内，而其他三种算法的误码率均大于20％。
下表则列出了Benchmark算法，CNN算法(25000或15000个训练集)和DNN算法(25000或15000个训练集)的CPU运行时间对比。
表2提出算法与其他算法CPU运行时间对比
Figure BDA0001907783720000051
从表中可以看出，在不影响性能的情况下，选取25000个训练集的CNN算法的CPU运行时仅为Benchmark算法的3.62％。CNN算法的运行时间略大于DNN算法，这是因为在CNN算法中引入了更多参数以获得更好的性能。同时，很明显发现，选取更多的训练集会导致更大的运行时间。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (4)

1.一种基于深度神经网络的V2X资源分配方法，其特征在于，根据V2X通信模型并构建资源分配问题，从而得到信道增益矩阵作为样本对一个神经网络进行训练，并在实时环境下采用训练后的神经网络进行频谱资源分配的多分类处理和发射功率分配的回归处理，实现吞吐量最大化的同时保证V2V直接通信的超低延时和高可靠性；
所述的V2X通信模型为一个V2I与V2V通信共存的场景，包括若干V2I通信设备(C-UE)和V2V通信设备(V-UE)，其中：M＝{1，2，...，M}代表进行V2I通信的车辆，S＝{1，2，...，S}代表进行V2V通信的发送端车辆，D＝{1，2，...，D}代表进行V2V通信的接收端车辆，C-UE的上行链路频谱资源是相互正交的，V2V通信复用V2I通信的上行链路资源，而且一对一复用；
所述的资源分配问题是指：通过得到最优的发射功率分配
Figure FDA0002811412990000011
和频谱资源分配ρm，s来最大化V2X通信模型的总容量，并且保证V2V通信的延时和可靠性，因此需要满足：
Figure FDA0002811412990000012
s.t.ω1，ω2＞0；
为保证V2I链路的QoS：
Figure FDA0002811412990000013
C-UE和V-UE的发射功率不能超过最大发射功率：
Figure FDA0002811412990000014
Figure FDA0002811412990000015
Figure FDA0002811412990000016
一个V2I链路的频谱资源只能被一个V-UE重用，并且一个V-UE只能复用一个V2I链路的频谱资源：
Figure FDA00028114129900000120
其中：ρm，s∈{0，1}，
Figure FDA0002811412990000019
Figure FDA00028114129900000110
s∈S，ω1，ω2是权重因子，
Figure FDA00028114129900000111
是每个V2I链接所需的最小链路容量，
Figure FDA00028114129900000112
和
Figure FDA00028114129900000113
分别是V2I链路和V2V链路的最大发射功率；
所述的神经网络输出多分类问题的矩阵A的索引值以表示频谱复用情况、回归问题的V2I链路的发送功率以及V2V链路的发送功率，该神经网络，通过以下方式进行训练：
采用损失函数L最小来不断优化网络为：
Figure FDA00028114129900000114
其中：α和β分别为C-UE和V-UE的发射功率相应的损失函数的权重值，
Figure FDA00028114129900000115
分别为C-UE和V-UE的发射功率；
对于发射功率分配的回归子问题，
Figure FDA00028114129900000116
其中：K为batch size的大小，
Figure FDA00028114129900000117
为根据输入，P为网络的标签，即数据集中的C-UE(V-UE)的发射功率；
对于频谱资源分配的分类子问题，
Figure FDA00028114129900000118
其中：
Figure FDA00028114129900000119
为根据输入，CNN网络训练得到的频谱资源分配结果矩阵的索引，ρj为网络的标签，即数据集中的频谱资源分配的矩阵索引值。
2.根据权利要求1所述的方法，其特征是，所述的神经网络为卷积神经网络，包括：输入层、隐藏层和输出层，其中：隐藏层由三个卷积层和三个全连接层组成，激活函数为RelU，输出层分别输出：①多分类问题的矩阵A的索引值，表示频谱复用情况ρm，s，其采用softmax作为激活函数，②回归问题的V2I链路的发送功率
Figure FDA0002811412990000021
和③V2V链路的发送功率
Figure FDA0002811412990000022
其采用RelU作为激活函数。
3.根据权利要求1所述的方法，其特征是，所述的V2I通信的链路容量为：
Figure FDA0002811412990000023
Figure FDA0002811412990000024
V2V直接通信的链路容量为：
Figure FDA0002811412990000025
Figure FDA0002811412990000026
其中：
Figure FDA0002811412990000027
分别为C-UE和V-UE的发射功率，N0为噪声功率，ρm，s表示频谱复用关系，ρm，s＝1表示第s个V-UE通信时复用第m个C-UE的上行链路频谱资源，反之，ρm，s＝0；
Figure FDA0002811412990000028
表示基站收到的来自第s个V-UE的干扰，
Figure FDA0002811412990000029
表示第d个接收V-UE收到的来自第m个C-UE的干扰；
当B和L分别为平均包的大小和通信延时，则V-UE的传输速率为R＝B/L；
所述的延时和可靠性的要求ε＝PL{Css(k)＞R}，k＝1，2，3，...，其中：Css为所有V2V链路中最小的链路容量。
4.根据权利要求3所述的方法，其特征是，所述的信道增益矩阵，通过配置V2X通信模型的参数，产生通信信道和干扰信道的信道增益矩阵
Figure FDA00028114129900000210
在每个信道增益下根据遍历算法得到频谱资源分配结果
Figure FDA00028114129900000211
和功率分配结果
Figure FDA00028114129900000212
Figure FDA00028114129900000213
从而得到训练所需数据集
Figure FDA00028114129900000214
其中：hm，B为第m个C-E到基站的通信信道增益，hm，B＝gm，Bαm，B，gm，B为小规模快衰落，αm，B为大规模衰落，hs，d为V-UE发射和V-UE接收之间的通信信道增益，hm，d为C-UE与V-UE接收之间的干扰信道增益，hs，B为V-UE发射与基站之间的干扰信道增益，信道增益矩阵
Figure FDA00028114129900000215
作为输入送入网络。
CN201811539937.0A 2018-12-17 2018-12-17 基于深度神经网络的v2x资源分配方法 Active CN111328133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811539937.0A CN111328133B (zh) 2018-12-17 2018-12-17 基于深度神经网络的v2x资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811539937.0A CN111328133B (zh) 2018-12-17 2018-12-17 基于深度神经网络的v2x资源分配方法

Publications (2)

Publication Number Publication Date
CN111328133A CN111328133A (zh) 2020-06-23
CN111328133B true CN111328133B (zh) 2021-06-04

Family

ID=71164963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811539937.0A Active CN111328133B (zh) 2018-12-17 2018-12-17 基于深度神经网络的v2x资源分配方法

Country Status (1)

Country Link
CN (1) CN111328133B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724628B (zh) * 2020-06-29 2022-05-10 江苏智能交通及智能驾驶研究院 基于v2x的无信号灯路口碰撞预警激活概率评估方法
CN112134632B (zh) * 2020-08-26 2022-06-28 中国电子科技集团公司电子科学研究院 无人机通信系统平均容量评估方法及装置
CN112153617B (zh) * 2020-09-15 2022-07-12 南京信息工程大学滨江学院 一种基于集成神经网络的终端设备传输功率的控制方法
CN112153744B (zh) * 2020-09-25 2022-08-02 哈尔滨工业大学 一种icv网络中物理层安全资源分配方法
CN112512121A (zh) * 2020-12-10 2021-03-16 齐鲁工业大学 基于强化学习算法的无线电频谱动态分配方法及装置
CN113423087B (zh) * 2021-06-17 2022-04-15 天津大学 面向车辆队列控制需求的无线资源分配方法
CN114257988B (zh) * 2021-11-22 2024-05-03 西安电子科技大学 超可靠车联网中面向不完美csi的资源分配方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101146030A (zh) * 2006-09-14 2008-03-19 联想(北京)有限公司 一种信道资源的动态分配方法及装置
CN105981055A (zh) * 2014-03-03 2016-09-28 高通股份有限公司 神经网络对当前计算资源的自适应

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101442807B (zh) * 2008-12-30 2012-09-05 北京邮电大学 通信系统中资源分配的方法及系统
CN105813208A (zh) * 2015-12-01 2016-07-27 长江大学 一种多用户正交频分复用系统动态资源分配的方法及系统
CN106231620A (zh) * 2016-07-22 2016-12-14 哈尔滨工业大学 一种蜂窝网络中d2d通信的联合功率控制及比例公平调度的方法
CN109065030B (zh) * 2018-08-01 2020-06-30 上海大学 基于卷积神经网络的环境声音识别方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101146030A (zh) * 2006-09-14 2008-03-19 联想(北京)有限公司 一种信道资源的动态分配方法及装置
CN105981055A (zh) * 2014-03-03 2016-09-28 高通股份有限公司 神经网络对当前计算资源的自适应

Also Published As

Publication number Publication date
CN111328133A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
CN111328133B (zh) 基于深度神经网络的v2x资源分配方法
Qin et al. Federated learning and wireless communications
CN109413724B (zh) 一种基于mec的任务卸载和资源分配方案
CN114731251B (zh) 用于与多个载波的同时连接的机器学习架构
CN110213814B (zh) 一种基于深度神经网络的分布式功率分配方法
CN114762295A (zh) 用于广播和多播通信的机器学习架构
CN108737057A (zh) 基于深度学习的多载波认知noma资源分配方法
CN112468196B (zh) 一种基于pzf预编码的去蜂窝大规模mimo系统中功率分配方法
CN112203345B (zh) 基于深度神经网络的d2d通信能效最大化功率分配方法
US20230004864A1 (en) End-to-End Machine-Learning for Wireless Networks
He et al. Resource allocation based on graph neural networks in vehicular communications
CN104717755A (zh) 一种蜂窝网络中引入d2d技术的下行频谱资源分配方法
CN107343268B (zh) 非正交多播和单播传输波束赋型方法及系统
CN114219354A (zh) 一种基于联邦学习资源分配优化方法及系统
CN108600002B (zh) 一种基于半监督学习的移动边缘计算分流决策方法
CN115134779A (zh) 一种基于信息年龄感知的车联网资源分配方法
CN106060917A (zh) 一种基于分组匹配的天线与功率联合分配算法
CN113473422A (zh) 一种面向b5g的无线携能d2d网络高效资源分配方法
Du et al. Balancing queueing and retransmission: Latency-optimal massive MIMO design
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
CN110139282B (zh) 一种基于神经网络的能量采集d2d通信资源分配方法
CN108965034B (zh) 小小区基站超密集部署下的用户关联到网络的方法
Moosavi et al. Delay aware resource allocation with radio remote head cooperation in user-centric C-RAN
CN115802370A (zh) 一种通信方法及装置
Ha et al. Computation capacity constrained joint transmission design for c-rans

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