CN112637812A - 一种基于监督机器学习的车载协作通信中继选择方法 - Google Patents
一种基于监督机器学习的车载协作通信中继选择方法 Download PDFInfo
- Publication number
- CN112637812A CN112637812A CN202011486134.0A CN202011486134A CN112637812A CN 112637812 A CN112637812 A CN 112637812A CN 202011486134 A CN202011486134 A CN 202011486134A CN 112637812 A CN112637812 A CN 112637812A
- Authority
- CN
- China
- Prior art keywords
- formula
- node
- equation
- probability
- relay
- 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
- 230000006854 communication Effects 0.000 title claims abstract description 27
- 238000004891 communication Methods 0.000 title claims abstract description 26
- 238000010801 machine learning Methods 0.000 title claims abstract description 12
- 238000010187 selection method Methods 0.000 title claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 206010042135 Stomatitis necrotising Diseases 0.000 claims abstract 2
- 201000008585 noma Diseases 0.000 claims abstract 2
- 210000002569 neuron Anatomy 0.000 claims description 23
- 238000005562 fading Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000009365 direct transmission Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- 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]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于监督机器学习的车载协作通信中继选择方法，包括如下步骤：1）构建车协协作NOMA模型；2）构建中断概率最小化的目标函数；3）构建BP神经网络中断概率预测模型；4）构建影响中断概率的关键参数，组成输入矩阵；5）对输入矩阵的元素进行归一化处理；6）构建误差目标函数；7）初始化权值阈值对构建的BP神经网络预测模型进行训练；8）采用LM算法对BP神经网络模型进行改进；9）利用训练好的模型对候选中继节点的中断概率进行预测；10）根据预测结果，进行基于最小中断概率的中继选择。这种方法构建的BP神经网络预测模型具有较好的准确性，能够在候选中继集中有目标的选取中断概率最小的节点，优化了系统的中断性能。
Description
技术领域
本发明涉及车载协作通信领域，具体是一种基于监督机器学习的车载协作通信中继选择方法。
背景技术
汽车的大规模普及，带来了一系列道路安全、道路建设等交通问题，同时也面临着基站覆盖不完善、连接性不稳定等通信问题。而车载协作通信技术不仅在道路安全、辅助驾驶、信息娱乐等方面发挥着至关重要的作用，而且也能增强通信链路的可靠性、连通性，扩大覆盖范围。但是，在中继链路中，如果发生链路中断，不仅无法改善其可靠性与连通性，而且还会影响道路安全，因此就需要通过中继选择技术来提高通信链路的连通性。
为了尽可能地发挥出路边未被利用的通信资源的价值，可以借助停泊车辆作为静态中继协作通信，而非正交多址接入(non-orthogonal multiple access，简称NOMA)技术不仅可以提高频谱效率，而且可以通过给远端用户分配较大的功率来提高连通性，因此将NOMA技术与中继结合具有更好的现实意义，此外，现有的许多基于机器学习中增强学习算法的中继选择方案需要不断地与环境进行交互、试错，才能搜寻出最佳策略，是一种较为耗费时间的学习，且基于增强学习中Q学习的中继选择方案使用Q表来存储Q值，存储容量有限，无法覆盖完整的状态空间，而基于监督学习的神经网络，具有感知获取能力，能够解决Q表不能覆盖整个状态空间的缺陷，且有“导师”指导，更适合基于最大化或最小化的中继选择。
发明内容
本发明的目的是针对现有技术的不足，而提供一种基于监督机器学习的车载协作通信中继选择方法。这种方法以路边停泊车辆为中继节点不需要依赖路边单元，能减小部署成本，能够减小中继链路的中断概率、优化系统中断性能。
实现本发明目的的技术方案是：
一种基于监督机器学习的车载协作通信中继选择方法，包括如下步骤：
1)建立车载协作NOMA通信模型：所述通信模型包括一个源节点即基站、N个子信道、M个中继节点、J个车载用户，假设每个节点都配备有单根天线，能进行接收和发射数据，跳过停在障碍物中间、距离道路太远以及没有安装无线设备的车辆节点，将剩余停泊的车辆组成候选中继集M′，M′＝{1,2,...,m,...M′}，假设每个子信道内仅两个车载用户，忽略子信道间的干扰，且由于距离或者障碍物的影响，不考虑直传链路，由于固定放大转发(amplify-and-forward，简称AF)协议可以在降低信道估计复杂度的同时兼顾分集性能，且硬件实现成本更低，因此，中继节点采用半双工固定AF协议进行转发，假设U1为远端车载用户，U2为近端车载用户，在路径损耗模型中，
分别表示源节点到第m个中继节点、第m个中继节点到远端车载用户以及第m个中继节点到近端车载用户的信道衰落系数，且都服从Nakagami-m分布，其中m为整数，m大小由中继节点的位置以及中继节点周围的环境来确定；
2)构建中断概率最小化的目标函数：中断概率最小化的目标函数如公式(1)所示：
其中Pout,m为第m个中继的中断概率，计算子信道内的中断概率闭式解，具体为：为了方便计算，记λΔ＝|hΔ|2，φΔ＝ρλΔ，其中，|hΔ|2为信道增益，下标Δ∈{SRm,RmU1,RmU2}，SRm表示源节点到第m个中继节点段，RmU1表示第m个中继节点到远端用户节点段，RmU2表示第m个中继节点到近端用户节点段，ρ为发射信噪比，带有衰落指数mΔ和传播控制参数ΩΔ的Nakagami-m分布由G(mΔ,ΩΔ)表示，因此有λΔ～G(mΔ,ΩΔ)，φΔ～G(mΔ,ρΩΔ)，从而得到φΔ的概率密度函数PDF(Probability Density Function，简称PDF)如公式(2)所示：
其中，mΔ为衰落指数，ΩΔ为传播控制参数，ρ为发射信噪比，Γ(mΔ)为伽玛函数，有Γ(mΔ)＝(mΔ-1)！，
则φΔ的累积分布函数CDF(Cumulative Distribution Function，简称CDF)为公式(3)所示：
其中，有
根据φΔ的PDF及CDF得到公式(4)、公式(5)：
其中，
i＝1,2，xi为Xi的上限，ωΔ＝mΔ/(ρΩΔ)，
引入新变量G如公式(6)所示：
信号si的SINR写为如公式(7)所示：
其中，α1，α2分别为远端用户和近端用户的功率分配系数，所以，子信道的中断概率写如公式(8)所示：
其中，
为信干噪比最低阈值，变量Gi的CDF写成如公式(9)所示：
其中，gi为Gi的上限，令
将公式(2)和公式(4)代入公式(9)得公式(10)：
再根据二项式定理展开
和
得公式(11)：
其中，有：
在高信噪比下，当ρΔ→∞时，有公式(13)：
可以得到Gi′的CDF如公式(14)所示：
其中，
为
阶第二类修正贝塞尔函数，有：
令
因此中继的中断概率闭式解写为公式(16)所示：
3)构建BP神经网络中断概率预测模型：所述BP神经网络中断概率预测模型采用三层网络，即一个输入层、一个隐含层及一个输出层，隐含层的神经元节点数依据经验公式(17)确定，BP神经网络模型的隐含层节点个数如公式(17)所示：
其中，a1为输入层的神经元节点数，a2为输出层的神经元节点数，a3是介于[1,10]之间的经验常数，一般情况下，隐藏层节点数设置的过少，会导致各层之间的权值无法满足若干样本的学习，隐藏层节点数设置过多，则会导致训练结束后的网络泛化能力不够理想，因此，通过逐个仿真测试，可以将隐含层神经元个数设置为8；
4)构建输入矩阵：构建影响中断概率的关键参数组成输入矩阵，并根据理论上中断概率的闭式解生成用户样本集训练的期望输出向量，由公式(16)可知，中断概率受衰落因子m、传播控制参数Ω、发射信噪比ρ以及功率分配系数αi的影响，又因为有ωΔ＝mΔ/(ρΩΔ)，因此，可以将
作为影响中断概率的关键参数集，构建输入矩阵；
5)对输入矩阵的元素进行归一化处理：依据公式(18)对各项参数集进行归一化处理：
其中，x为原始数据，xmax和xmin为相应数据x的最大值和最小值，xi为归一化后的输入数据；
6)构建误差目标函数：误差目标函数如公式(19)所示：
其中，yz为实际的网络输出向量元素，yd,z为期望的网络输出向量元素，n为样本数目；
7)初始化权值阈值，并采用理论上的样本集数据对构建的BP神经网络预测模型进行训练；
8)采用LM算法对BP神经网络模型进行改进，通过不断优化参数提高模型精度，包括如下过程：
8-1)设W为各层之间的权值和阈值所组成的向量如公式(20)所示：
W＝[w1,1,w1,2,…,w8,5,b1,1,…b1,8,v1,…v8,b2] (20)，
其中，wj,i为输入层第i个神经元节点与隐含层第j个神经元节点之间的权值，b1,j为第j个神经元节点的阈值，vj为隐含层第j个神经元节点与输出层之间的权值，b2为输出层的阈值；
8-2)设置训练误差允许值ε、常数β0以及系数θ，(0＜θ＜1)，并初始化权值和阈值向量W，令学习率β＝β0，k＝0；
8-3)计算模型的输出向量与误差目标函数E(Wk)如公式(21)所示：
其中，
为训练第k轮时实际的网络输出向量元素，
为训练第k轮时期望的网络输出向量元素；
8-4)若E(Wk)＜ε，执行步骤8)，否则，继续步骤8-5)；
8-5)计算Jacobian矩阵J(ωk)如公式(22)所示：
其中，e(W)为网络误差向量，即实际输出向量与期望输出向量之差；
8-6)更新权值和阈值向量，更新公式为公式(23)所示：
Wk+1＝Wk+ΔW (23)，
其中，ΔW为权值修正项，计算公式为公式(24)所示：
ΔW＝[JT(W)J(W)+βI]-1J(W)e(W) (24)，
其中，I为单位矩阵；
8-7)计算误差目标函数E(Wk+1)，若E(Wk+1)＜E(Wk)，则k＝k+1，β＝θ*β，返回执行步骤8-3)，否则，β＝β/θ，返回执行步骤8-6)；
8-8)保存数据，结束；
9)利用训练好的模型对候选中继节点的中断概率进行预测，输出一个元素与各候选中继节点中断概率值对应的向量；
10)根据预测结果，进行基于最小中断概率的中继选择。
本技术利用停泊车辆作为静态中继，基于监督机器学习，将BP神经网络预测模型引入车载协作NOMA通信网络的中继选择方案中，通过对候选中继集中各节点的中断概率进行预测，从而实现基于最小中断概率的中继选择。
这种方法构建的BP神经网络预测模型具有较高的预测精度，能够提高系统的中断性能。
附图说明
图1为实施例中车载协作NOMA通信的模型示意图；
图2为实施例中单个子信道内的协作NOMA模型示意图；
图3为实施例中基于监督机器学习的BP神经网络中继选择模型示意图；
图4为实施例中基于监督机器学习的中继选择方法流程示意图；
图5为实施例中LM算法优化流程示意图；
图6为实施例中协作NOMA和协作OFDM方案中断性能曲线对比示意图；
图7为实施例中BP模型的预测拟合示意图；
图8为实施例中理论值与预测值对比情况示意图；
图9为实施例方法与其他方法在不同信噪比下中断概率的曲线对比示意图。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步的阐述，但不是对本发明的限定。
实施例：
参照图1、图2，本例以一个子信道内的协作NOMA通信为例，完整的通信过程包括两个阶段：
1)第一阶段，基站发送叠加编码信号给中继节点，中继收到的信号为：
其中，
为源到中继的信道衰落系数，PS是给定子信道的总可用功率，αi表示第i个用户Ui对应的编码信号的功率分配系数，且有α1＞α2，α1+α2＝1；
为中继Rm的加性高斯白噪声，满足
第二阶段，最优中继Rm将接收到的信号进行放大后直接转发至两目的节点，用户端的接收信号为：
其中，i＝1,2，
为中继到用户的信道衰落系数，η为中继放大系数，ni为用户i的加性高斯白噪声，满足ni～CN(0,N0)；
假设基站完全已知所有用户的信道状态信息，通过中继链路BS→Rm→U1，用户1的信干噪比(signal to interference plus noise ratio，简称SINR)为：
其中，ρ＝PT/N0，为发射信噪比，PT为发射功率，通过中继链路BS→Rm→U2，用户2的SINR为：
在中继链路中，如果发生链路中断，不仅会降低通信的可靠性与有效性，而且还会影响道路安全，因此就需要通过中继选择技术来提高通信链路的连通性。
参照图3、图4，一种基于监督机器学习的车载协作通信中继选择方法，包括如下步骤：
1)建立车载协作NOMA通信模型：所述通信模型包括一个源节点即基站、N个子信道、M个中继节点、J个车载用户，假设每个节点都配备有单根天线，能进行接收和发射数据，跳过停在障碍物中间、距离道路太远以及没有安装无线设备的车辆节点，将剩余停泊的车辆组成候选中继集M′，M′＝{1,2,...,m,...M′}，假设每个子信道内仅两个车载用户，忽略子信道间的干扰，且由于距离或者障碍物的影响，不考虑直传链路，由于固定放大转发AF协议可以在降低信道估计复杂度的同时兼顾分集性能，且硬件实现成本更低，因此，中继节点采用半双工固定AF协议进行转发，假设U1为远端车载用户，U2为近端车载用户，在路径损耗模型中，
分别表示源节点到第m个中继节点、第m个中继节点到远端车载用户以及第m个中继节点到近端车载用户的信道衰落系数，且都服从Nakagami-m分布，其中m为整数，m大小由中继节点的位置以及中继节点周围的环境来确定；
2)构建中断概率最小化的目标函数：中断概率最小化的目标函数如公式(1)所示：
其中Pout,m为第m个中继的中断概率，计算子信道内的中断概率闭式解，具体为：为了方便计算，记λΔ＝|hΔ|2，φΔ＝ρλΔ，其中，|hΔ|2为信道增益，下标Δ∈{SRm,RmU1,RmU2}，SRm表示源节点到第m个中继节点段，RmU1表示第m个中继节点到远端用户节点段，RmU2表示第m个中继节点到近端用户节点段，ρ为发射信噪比。带有衰落指数mΔ和传播控制参数ΩΔ的Nakagami-m分布由G(mΔ,ΩΔ)表示，因此有λΔ～G(mΔ,ΩΔ)，φΔ～G(mΔ,ρΩΔ)，从而得到φΔ的概率密度函数PDF如公式(2)所示：
其中，mΔ为衰落指数，ΩΔ为传播控制参数，ρ为发射信噪比，Γ(mΔ)为伽玛函数，有Γ(mΔ)＝(mΔ-1)！，
则φΔ的累积分布函数CDF为公式(3)所示：
其中，有
根据φΔ的PDF及CDF得到公式(4)、公式(5)：
其中，
i＝1,2，xi为Xi的上限，ωΔ＝mΔ/(ρΩΔ)，
引入新变量G如公式(6)所示：
信号si的SINR写为如公式(7)所示：
其中，α1，α2分别为远端用户和近端用户的功率分配系数，所以，子信道的中断概率写如公式(8)所示：
其中，
为信干噪比最低阈值，变量Gi的CDF写成如公式(9)所示：
其中，gi为Gi的上限，令
将公式(2)和公式(4)代入公式(9)得公式(10)：
再根据二项式定理展开
和
得公式(11)：
其中，有：
在高信噪比下，当ρΔ→∞时，有公式(13)：
可以得到Gi′的CDF如公式(14)所示：
其中，
为
阶第二类修正贝塞尔函数，有：
令
因此中继的中断概率闭式解写为公式(16)所示：
3)构建BP神经网络中断概率预测模型：所述BP神经网络中断概率预测模型采用三层网络，即一个输入层、一个隐含层及一个输出层，隐含层的神经元节点数依据经验公式(17)确定，BP神经网络模型的隐含层节点个数如公式(17)所示：
其中，a1为输入层的神经元节点数，a2为输出层的神经元节点数，a3是介于[1,10]之间的经验常数，一般情况下，隐藏层节点数设置的过少，会导致各层之间的权值无法满足若干样本的学习，隐藏层节点数设置过多，则会导致训练结束后的网络泛化能力不够理想，因此，通过逐个仿真测试，可以将隐含层神经元个数设置为8；
4)构建输入矩阵：构建影响中断概率的关键参数组成输入矩阵，并根据理论上中断概率的闭式解生成用户样本集训练的期望输出向量，由公式(16)可知，中断概率受衰落因子m、传播控制参数Ω、发射信噪比ρ以及功率分配系数αi的影响，又因为有ωΔ＝mΔ/(ρΩΔ)，因此，可以将
作为影响中断概率的关键参数集，构建成输入矩阵；
5)对输入矩阵的元素进行归一化处理：依据公式(18)对各项参数集进行归一化处理：
其中，x为原始数据，xmax和xmin为相应数据x的最大值和最小值，xi为归一化后的输入数据；
6)构建误差目标函数：误差目标函数如公式(19)所示：
其中，yz为实际的网络输出向量元素，yd,z为期望的网络输出向量元素，n为样本数目；
7)初始化权值阈值，并采用理论上的样本集数据对构建的BP神经网络预测模型进行训练；
8)采用LM算法对BP神经网络模型进行改进，通过不断优化参数提高模型精度，如图5所示，包括如下过程：
8-1)设W为各层之间的权值和阈值所组成的向量如公式(20)所示：
W＝[w1,1,w1,2,…,w8,5,b1,1,…b1,8,v1,…v8,b2] (20)，
其中，wj,i为输入层第i个神经元节点与隐含层第j个神经元节点之间的权值，b1,j为第j个神经元节点的阈值，vj为隐含层第j个神经元节点与输出层之间的权值，b2为输出层的阈值；
8-2)设置训练误差允许值ε、常数β0以及系数θ，(0＜θ＜1)，并初始化权值和阈值向量W，令学习率β＝β0，k＝0；
8-3)计算模型的输出向量与误差目标函数E(Wk)如公式(21)所示：
其中，
为训练第k轮时实际的网络输出向量元素，
为训练第k轮时期望的网络输出向量元素；
8-4)若E(Wk)＜ε，执行步骤8)，否则，继续步骤8-5)；
8-5)计算Jacobian矩阵J(ωk)如公式(22)所示：
其中，e(W)为网络误差向量，即实际输出向量与期望输出向量之差；
8-6)更新权值和阈值向量，更新公式为公式(23)所示：
Wk+1＝Wk+ΔW (23)，
其中，ΔW为权值修正项，计算公式为公式(24)所示：
ΔW＝[JT(W)J(W)+βI]-1J(W)e(W) (24)，
其中，I为单位矩阵；
8-7)计算误差目标函数E(Wk+1)，若E(Wk+1)＜E(Wk)，则k＝k+1，β＝θ*β，返回执行步骤8-3)，否则，β＝β/θ，返回执行步骤8-6)；
8-8)保存数据，结束；
9)利用训练好的模型对候选中继节点的中断概率进行预测，输出一个元素与各候选中继节点中断概率值对应的向量；
10)根据预测结果，进行基于最小中断概率的中继选择。
仿真结果证明，本例方法构建的BP神经网络模型对中断概率的预测具有较好的准确性，相比于基于增强学习的中继选择方法以及随机中继选择，降低了中继链路的中断概率，假定发射功率为PT＝30dBm，候选中继集中候选中继车辆的数量为M′＝7，设定用户U1，U2的最低速率门限分别为
和
噪声方差N0＝1，仿真中所用到的衰落因子m从[1,3]中随机选取，如图6所示，随着信噪比的增大，中继链路的中断概率会随之降低，与其他方法相比，运用本例方法的方法，能使中断性能更为理想；如图7所示，BP模型的样本数据点均匀地分布在直线附近，两者之间的相关系数R为0.999 44，由于相关系数R越接近1，表示BP模型的预测精度越高，因此，可知训练出来的BP预测模型有较高的精度，即具有较高的可行性；如图8所示，7组中断概率预测误差中，最大的绝对误差约为0.0007，通常，相比于绝对误差，相对误差更能反应出预测值的可信程度，由图7可以算出，各中继节点中断概率的预测值与理论值之间的相对误差在1.5％的范围内小幅度波动，平均相对误差为0.57％，表明基于BP神经网络的中断概率预测模型具有良好的准确性和稳定性；如图9所示，随着信噪比的增大，中继链路的中断概率会随之降低，与其他方法相比，运用本例方法的方法，能使中断性能更为理想。
仿真结果证明本例方法使用的BP神经网络预测模型具有一定的准确性，能够有效减小中继链路的中断概率。
Claims (1)
1.一种基于监督机器学习的车载协作通信中继选择方法，其特征在于，包括如下步骤：
1)建立车载协作NOMA通信模型：所述通信模型包括一个源节点即基站、N个子信道、M个中继节点、J个车载用户，假设每个节点都配备有单根天线，能进行接收和发射数据，跳过停在障碍物中间、距离道路太远以及没有安装无线设备的车辆节点，将剩余停泊的车辆组成候选中继集M′，M′＝{1,2,...,m,...M′}，假设每个子信道内仅两个车载用户，忽略子信道间的干扰，且由于距离或者障碍物的影响，不考虑直传链路，中继节点采用半双工固定AF协议进行转发，假设U1为远端车载用户，U2为近端车载用户，在路径损耗模型中，
分别表示源节点到第m个中继节点、第m个中继节点到远端车载用户以及第m个中继节点到近端车载用户的信道衰落系数，且都服从Nakagami-m分布，其中m为整数；
2)构建中断概率最小化的目标函数：中断概率最小化的目标函数如公式(1)所示：
其中Pout,m为第m个中继的中断概率，计算子信道内的中断概率闭式解，具体为：为方便计算，记λΔ＝|hΔ|2，φΔ＝ρλΔ，其中，|hΔ|2为信道增益，下标Δ∈{SRm,RmU1,RmU2}，SRm表示源节点到第m个中继节点段，RmU1表示第m个中继节点到远端用户节点段，RmU2表示第m个中继节点到近端用户节点段，ρ为发射信噪比，带有衰落指数mΔ和传播控制参数ΩΔ的Nakagami-m分布由G(mΔ,ΩΔ)表示，因此有λΔ～G(mΔ,ΩΔ)，φΔ～G(mΔ,ρΩΔ)，从而得到φΔ的概率密度函数PDF如公式(2)所示：
其中，mΔ为衰落指数，ΩΔ为传播控制参数，ρ为发射信噪比，Γ(mΔ)为伽玛函数，有Γ(mΔ)＝(mΔ-1)！，
则φΔ的累积分布函数CDF为公式(3)所示：
其中，有
根据φΔ的PDF及CDF得到公式(4)、公式(5)：
其中，
xi为Xi的上限，ωΔ＝mΔ/(ρΩΔ)，
引入新变量G如公式(6)所示：
信号si的SINR写为如公式(7)所示：
其中，α1，α2分别为远端用户和近端用户的功率分配系数，所以，子信道的中断概率写如公式(8)所示：
其中，
为信干噪比最低阈值，变量Gi的CDF写成如公式(9)所示：
其中，gi为Gi的上限，令
将公式(2)和公式(4)代入公式(9)得公式(10)：
再根据二项式定理展开
和
得公式(11)：
其中，有：
在高信噪比下，当ρΔ→∞时，有公式(13)：
可以得到Gi′的CDF如公式(14)所示：
其中，
为
阶第二类修正贝塞尔函数，有：
令
因此中继的中断概率闭式解写为公式(16)所示：
3)构建BP神经网络中断概率预测模型：所述BP神经网络中断概率预测模型采用三层网络，即一个输入层、一个隐含层及一个输出层，BP神经网络模型的隐含层节点个数如经验公式(17)所示：
其中，a1为输入层的神经元节点数，a2为输出层的神经元节点数，a3是介于[1,10]之间的经验常数，将隐含层神经元个数设置为8；
4)构建输入矩阵：构建影响中断概率的关键参数组成输入矩阵，并根据理论上中断概率的闭式解生成用户样本集训练的期望输出向量，由公式(16)可知，中断概率受衰落因子m、传播控制参数Ω、发射信噪比ρ以及功率分配系数αi的影响，又因为有ωΔ＝mΔ/(ρΩΔ)，将
作为影响中断概率的关键参数集，构成输入矩阵；
5)对输入矩阵的元素进行归一化处理：依据公式(18)对各项参数集进行归一化处理：
其中，x为原始数据，xmax和xmin为相应数据x的最大值和最小值，xi为归一化后的输入数据；
6)构建误差目标函数：误差目标函数如公式(19)所示：
其中，yz为实际的网络输出向量元素，yd,z为期望的网络输出向量元素，n为样本数目；
7)初始化权值阈值，并采用理论上的样本集数据对构建的BP神经网络预测模型进行训练；
8)采用LM算法对BP神经网络模型进行改进，通过不断优化参数提高模型精度，包括如下过程：
8-1)设W为各层之间的权值和阈值所组成的向量如公式(20)所示：
W＝[w1,1,w1,2,…,w8,5,b1,1,…b1,8,v1,…v8,b2] (20)，
其中，wj,i为输入层第i个神经元节点与隐含层第j个神经元节点之间的权值，b1,j为第j个神经元节点的阈值，vj为隐含层第j个神经元节点与输出层之间的权值，b2为输出层的阈值；
8-2)设置训练误差允许值ε、常数β0以及系数θ，(0＜θ＜1)，并初始化权值和阈值向量W，令学习率β＝β0，k＝0；
8-3)计算模型的输出向量与误差目标函数E(Wk)如公式(21)所示：
其中，
为训练第k轮时实际的网络输出向量元素，
为训练第k轮时期望的网络输出向量元素；
8-4)若E(Wk)＜ε，执行步骤8)，否则，继续步骤8-5)；
8-5)计算Jacobian矩阵J(ωk)如公式(22)所示：
其中，e(W)为网络误差向量，即实际输出向量与期望输出向量之差；
8-6)更新权值和阈值向量，更新公式为公式(23)所示：
Wk+1＝Wk+ΔW (23)，
其中，ΔW为权值修正项，计算公式为公式(24)所示：
ΔW＝[JT(W)J(W)+βI]-1J(W)e(W) (24)，
其中，I为单位矩阵；
8-7)计算误差目标函数E(Wk+1)，若E(Wk+1)＜E(Wk)，则k＝k+1，β＝θ*β，返回执行步骤8-3)，否则，β＝β/θ，返回执行步骤8-6)；
8-8)保存数据，结束；
9)利用训练好的模型对候选中继节点的中断概率进行预测，输出一个元素与各候选中继节点中断概率值对应的向量；
10)根据预测结果，进行基于最小中断概率的中继选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011486134.0A CN112637812B (zh) | 2020-12-16 | 2020-12-16 | 一种基于监督机器学习的车载协作通信中继选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011486134.0A CN112637812B (zh) | 2020-12-16 | 2020-12-16 | 一种基于监督机器学习的车载协作通信中继选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112637812A true CN112637812A (zh) | 2021-04-09 |
| CN112637812B CN112637812B (zh) | 2022-05-17 |
Family
ID=75313869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011486134.0A Expired - Fee Related CN112637812B (zh) | 2020-12-16 | 2020-12-16 | 一种基于监督机器学习的车载协作通信中继选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112637812B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626474A (zh) * | 2022-03-21 | 2022-06-14 | 厦门大学 | 一种基于概率神经网络的车辆电源状态检测方法及系统 |
| CN115099858A (zh) * | 2022-06-27 | 2022-09-23 | 同济大学 | 一种基于多智能体强化学习的车辆协作雾计算系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106788620A (zh) * | 2016-12-02 | 2017-05-31 | 哈尔滨工程大学 | 一种最小化中断概率的分布式中继选择及用户功率分配方法 |
| CN108243479A (zh) * | 2018-01-10 | 2018-07-03 | 华中科技大学 | 基于停车场内车辆辅助的多中继协作系统及通信方法 |
| US20180262834A1 (en) * | 2017-03-08 | 2018-09-13 | Lg Electronics Inc. | Terminal and vehicle control method of mobile terminal using machine learning |
| CN111510987A (zh) * | 2020-03-13 | 2020-08-07 | 西安电子科技大学 | 一种基于安全协作noma网络的中继选择方法 |
| CN111741483A (zh) * | 2019-10-29 | 2020-10-02 | 青岛科技大学 | 移动通信系统的中断概率性能预测方法 |
-
2020
- 2020-12-16 CN CN202011486134.0A patent/CN112637812B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106788620A (zh) * | 2016-12-02 | 2017-05-31 | 哈尔滨工程大学 | 一种最小化中断概率的分布式中继选择及用户功率分配方法 |
| US20180262834A1 (en) * | 2017-03-08 | 2018-09-13 | Lg Electronics Inc. | Terminal and vehicle control method of mobile terminal using machine learning |
| CN108243479A (zh) * | 2018-01-10 | 2018-07-03 | 华中科技大学 | 基于停车场内车辆辅助的多中继协作系统及通信方法 |
| CN111741483A (zh) * | 2019-10-29 | 2020-10-02 | 青岛科技大学 | 移动通信系统的中断概率性能预测方法 |
| CN111510987A (zh) * | 2020-03-13 | 2020-08-07 | 西安电子科技大学 | 一种基于安全协作noma网络的中继选择方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张海波等: "车辆异构网中基于移动边缘计算的任务卸载与资源分配", 《物联网学报》 * |
| 金喜龙等: "认知车载网中基于协作的中继选择策略研究", 《计算机仿真》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626474A (zh) * | 2022-03-21 | 2022-06-14 | 厦门大学 | 一种基于概率神经网络的车辆电源状态检测方法及系统 |
| CN115099858A (zh) * | 2022-06-27 | 2022-09-23 | 同济大学 | 一种基于多智能体强化学习的车辆协作雾计算系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112637812B (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Transmit power control using deep neural network for underlay device-to-device communication | |
| CN112637812B (zh) | 一种基于监督机器学习的车载协作通信中继选择方法 | |
| CN113162679A (zh) | 基于ddpg算法的irs辅助无人机通信联合优化方法 | |
| Lee et al. | Deep learning based transmit power control in underlaid device-to-device communication | |
| KR101034557B1 (ko) | 무선 애드혹 네트워크의 토폴로지 제어장치 및 방법, 무선 애드혹 네트워크의 노드장치, 그리고 무선 애드혹 네트워크의 노드장치의 통신 링크 형성방법 | |
| CN113490219B (zh) | 一种面向超密集组网的动态资源分配方法 | |
| CN115278729B (zh) | 一种海洋物联网中无人机协作数据收集与数据卸载方法 | |
| CN116456493A (zh) | 一种基于深度强化学习算法的d2d用户资源分配方法及存储介质 | |
| CN107454604A (zh) | 认知中继网络的量子化学反应优化多中继选择方法 | |
| CN114885340B (zh) | 一种基于深度迁移学习的超密集无线网络功率分配方法 | |
| CN118054828B (zh) | 面向智能超表面的波束赋形方法、装置、设备及存储介质 | |
| CN112367638A (zh) | 城市轨道交通车车通信智能频谱选择方法 | |
| 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 | |
| Song et al. | Maximizing packets collection in wireless powered IoT networks with charge-or-data time slots | |
| CN111741520B (zh) | 一种基于粒子群的认知水声通信系统功率分配方法 | |
| CN115987406A (zh) | 一种基于深度强化学习的水声通信链路自适应方法 | |
| Chen et al. | Graph Neural Network-Based Joint Beamforming for Hybrid Relay and Reconfigurable Intelligent Surface Aided Multiuser Systems | |
| CN111541472B (zh) | 低复杂度机器学习辅助鲁棒预编码方法及装置 | |
| Zhou et al. | Neural network joint capacity-power control strategy based on NSGAII-BP for interference suppression in LEO satellite uplinks | |
| CN113259280A (zh) | 一种车联网中基于机器学习优化的mimo信息检测方法 | |
| Liu et al. | Anti-interference Transmission Strategy for Underwater Acoustic Communication Based on Deep Reinforcement Learning | |
| CN116781128B (zh) | 基于迁移学习和自编码器模型的端到端中继合作通信方法 | |
| CN114884545B (zh) | 基于智能优化算法的多小区大规模mimo系统实时功率分配方法 | |
| KR102686513B1 (ko) | V2v 통신 언더레이 업링크 셀룰러 네트워크에서 dnn 기반 송신 전력 최적화 방법 및 장치 | |
| CN118555576A (zh) | 基于柔性策略评价网络的无蜂窝通感融合站址规划方法与系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220517 |