CN112910534B - 基于数据驱动的中继选择方法、系统、装置及介质 - Google Patents

Abstract

本发明公开了一种基于数据驱动的中继选择方法、系统、装置及介质，方法包括：建立多中继网络系统模型，并根据多中继网络系统模型确定目的地的第一接收信号和第一信噪比；根据第一接收信号和第一信噪比构建第一优化模型，第一优化模型的优化目标是多中继网络的可实现速率最大化；基于数据驱动构建第一分类模型，并根据第一分类模型和第一优化模型预测得到最优中继；根据最优中继输出多中继网络的中继选择结果。本发明采用基于数据驱动的多类分类技术来解决中继选择问题，从而预测出最优中继，一方面节省了计算时间，降低了对系统的算力要求，另一方面提高了信号的传输效率以及传输可靠性，可广泛应用于无线通信技术领域。

Description

基于数据驱动的中继选择方法、系统、装置及介质

技术领域

本发明涉及无线通信技术领域，尤其是一种基于数据驱动的中继选择方法、系统、装置及介质。

背景技术

人工智能(AI)近年来在模式识别、图像处理和信号处理等领域取得了巨大的成功，人工智能的研究也正逐步向无线通信方向发展，智能通信被认为是继5G之后无线通信的研究热点。

中继通信在布局灵活、网络覆盖范围扩展和系统容量提高等方面的优势而成为一种前沿的无线传输技术。目前已有研究单向和双向非再生多天线中继网络中继波束成形的优化，但仅仅部署单个中继网络。与单中继网络相比，多中继网络由于分集阶数的增加，可以进一步提高系统容量。但是，多个中继也带来了能量高消耗和信令高复杂度。中继选择是在多中继网络中提高系统容量并同时降低能耗和信令成本的关键技术。

另一方面，数据驱动的方法适用于分类和决策。数据驱动方法在无线通信中的使用引起了极大的研究兴趣。目前，已经提出了诸如支持向量机(SVM)，深度神经网络(DNN)和k-近邻等数据驱动方法来解决天线选择问题。为了有效使用数据驱动的方法，相应地构建了多类分类训练系统。通过向训练系统中输入大量的样本数据，来对多类分类器的参数进行优化。

在联合波束成形和天线选择方案中，有研究已提出了一种基于神经网络的方法，旨在选择一组天线，以使接收器处的最小信噪比最大化。这个方法是要学习一个映射函数(由神经网络表示)，该函数将信道的实现过程映射到来自大量模拟数据的天线选择解决方案上。这样，天线选择的计算负担可以转移到离线神经网络训练上。在所有节点都装有单天线的多中继网络中，研究了一种基于Q学习的中继选择方案。显然，基于机器学习的单天线多中继网络的中继选择方案不适用于多天线多中继网络。

在多中继网络中，中继选择方案可以简化信令并节省能源成本。但是，中继选择通常是一个非常困难的优化问题，尤其是在多中继选择和中继波束成形的联合设计中，最优解决方案通常是通过穷举搜索法和半正定规划(SDP)来实现的，这些方法一方面计算复杂度高，对系统的算力要求高，另一方面中继选择的结果并不完全准确，影响了信号的传输效率。

发明内容

本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

为此，本发明实施例的一个目的在于提供一种基于数据驱动的中继选择方法，该方法将中继选择问题建模为多类分类问题，并采用基于数据驱动的多类分类技术来解决中继选择问题，从而预测出在发射功率约束下可以使多中继网络的可实现速率最大化的最优中继，一方面节省了计算时间，降低了对系统的算力要求，另一方面提高了信号的传输效率以及传输可靠性。

本发明实施例的另一个目的在于提供一种基于数据驱动的中继选择系统。

为了达到上述技术目的，本发明实施例所采取的技术方案包括：

第一方面，本发明实施例提供了一种基于数据驱动的中继选择方法，包括以下步骤：

建立多中继网络系统模型，并根据所述多中继网络系统模型确定目的地的第一接收信号和第一信噪比；

根据所述第一接收信号和所述第一信噪比构建第一优化模型，所述第一优化模型的优化目标是多中继网络的可实现速率最大化；

基于数据驱动构建第一分类模型，并根据所述第一分类模型和所述第一优化模型预测得到最优中继；

根据所述最优中继输出多中继网络的中继选择结果。

进一步地，在本发明的一个实施例中，所述建立多中继网络系统模型，并根据所述多中继网络系统模型确定目的地的第一接收信号和第一信噪比这一步骤，其具体包括：

确定从源节点到各中继的第一信道矢量和从各中继到目的地的第二信道矢量；

根据所述第一信道矢量和源节点的第一发射信号确定各中继的第二接收信号，并根据所述第二接收信号和预设的波束成形矩阵确定各中继的第二发射信号；

根据所述第二发射信号和所述第二信道矢量确定目的地的第一接收信号；

根据所述第一信道矢量、所述第二信道矢量和预设的波束成形矩阵确定目的地的第一信噪比。

进一步地，在本发明的一个实施例中，所述第一接收信号为：

其中，y表示第一接收信号，k∈K＝{1,2,…,K}，K表示多中继网络系统模型中的中继总数量，h_k∈C^M×1表示从源节点到第k个中继的第一信道矢量，

表示从第k个中继到目的地的第二信道矢量，x_k＝Δ_kW_ky_k表示第k个中继的第二发射信号，W_k∈C^M×M表示第k个中继的波束成形矩阵，Δ_k∈{0，1}表示中继选择指示符，

表示第k个中继的第二接收信号，P表示源节点的发射功率，s∈C^1×1表示源节点的第一发射信号，

表示第k个中继的加性高斯噪声，

表示第k个中继的加性高斯噪声方差，

表示目的地的加性高斯噪声，

表示目的地的加性高斯噪声方差。

进一步地，在本发明的一个实施例中，所述第一信噪比为：

其中，γ表示第一信噪比，k∈K＝{1,2,…,K}，K表示多中继网络系统模型中的中继总数量，h_k∈C^M×1表示从源节点到第k个中继的第一信道矢量，

表示从第k个中继到目的地的第二信道矢量，W_k∈C^M×M表示第k个中继的波束成形矩阵，Δ_k∈{0，1}表示中继选择指示符，P表示源节点的发射功率，

表示第k个中继的加性高斯噪声方差，

表示目的地的加性高斯噪声方差。

进一步地，在本发明的一个实施例中，所述第一优化模型包括第一目标函数和第一约束条件，其中：

所述第一目标函数为

所述第一约束条件包括发射功率约束和中继选择约束，所述发射功率约束为

P_k表示第K个中继的发射功率，所述中继选择约束为Δ_k∈{0,1},k∈K。

进一步地，在本发明的一个实施例中，所述基于数据驱动构建第一分类模型，并根据所述第一分类模型和所述第一优化模型预测得到最优中继这一步骤，其具体包括：

确定多中继网络的若干个候选中继，所述候选中继中包含两个或两个以上中继；

根据所述候选中继确定候选信道样本，并根据所述候选信道样本的协方差矩阵的对角线元素确定第一特征向量；

基于数据驱动构建第一分类模型，将所述第一特征向量输入所述第一分类模型，输出得到对应的第一中继索引，所述第一中继索引用于使对应的候选信道样本的可实现速率最大化；

根据所述第一中继索引和所述第一优化模型预测得到最优中继。

进一步地，在本发明的一个实施例中，所述中继选择方法还包括以下步骤：

根据所述最优中继，采用基于广义瑞利商的算法导出近似形式的最优协作波束成形权重。

第二方面，本发明实施例提出了一种基于数据驱动的中继选择系统，包括：

多中继网络系统模型建立模块，用于建立多中继网络系统模型，并根据所述多中继网络系统模型确定目的地的第一接收信号和第一信噪比；

第一优化模型构建模块，用于根据所述第一接收信号和所述第一信噪比构建第一优化模型，所述第一优化模型的优化目标是多中继网络的可实现速率最大化；

最优中继确定模块，用于基于数据驱动构建第一分类模型，并根据所述第一分类模型和所述第一优化模型预测得到最优中继；

输出模块，用于根据所述最优中继输出多中继网络的中继选择结果。

第三方面，本发明实施例提供了一种基于数据驱动的中继选择装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种基于数据驱动的中继选择方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种基于数据驱动的中继选择方法。

本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：

本发明实施例将中继选择问题建模为多类分类问题，并采用基于数据驱动的多类分类技术来解决中继选择问题，从而预测出在发射功率约束下可以使多中继网络的可实现速率最大化的最优中继，一方面节省了计算时间，降低了对系统的算力要求，另一方面提高了信号的传输效率以及传输可靠性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1为本发明实施例提供的一种基于数据驱动的中继选择方法的步骤流程图；

图2为本发明实施例提供的多中继网络系统模型的组成示意图；

图3为本发明实施例提供的一种基于数据驱动的中继选择系统的结构框图；

图4为本发明实施例提供的一种基于数据驱动的中继选择装置的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。

协作中继通信技术利用了空间分集的原理,能够有效对抗信道衰落、提高传输可靠性,另外还具有布局灵活、成本低等众多优点,成为当前以及未来移动通信系统中的一项重要方案。传统的联合多中继传输系统虽然能提高系统分集增益,却增加了频谱和功率开销。中继选择技术通过在中继节点集合中选择一个或者一组信道条件较好的节点参与协作，可以避免处于较差信道环境的中继节点转发信号而造成的功率浪费、信令交互，在保证系统性能的情况下降低系统开销。在多中继协作通信中，其中一个研究重点是中继选择问题，即在多个可用的候选节点中，如何制定合适的准则，选择出最优中继参与数据转发工作，从而达到系统性能最优。

此外，在多天线系统中，波束成形技术可以有效抑制多址干扰，是下一代无线MIMO通信系统物理层关键技术之一，也是当前无线通信领域的研究热点。无线通信系统研发的趋势是融合各种新技术，通过整体优化设计，发挥不同技术的独特优势。在融合研究过程中，将有许多重要的理论与方法问题和科学与技术问题需要深入研究。本发明基于数据驱动(例如支持向量机(SVM))的方法，联合设计中继选择和波束成形问题，在降低系统复杂度的同时，性能方面达到与全局最优方案接近。因此，设计相应的中继选择策略具有重大意义。

参照图1，本发明实施例提供了一种基于数据驱动的中继选择方法，具体包括以下步骤：

S101、建立多中继网络系统模型，并根据多中继网络系统模型确定目的地的第一接收信号和第一信噪比；

具体地，多中继网络以时分双工模式运行，信息传输分为两个阶段，第一阶段源节点将信号发送至中继节点，第二阶段部分被选择的中继节点将信息传输至目的地。步骤S101包括以下步骤：

S1011、确定从源节点到各中继的第一信道矢量和从各中继到目的地的第二信道矢量；

S1012、根据第一信道矢量和源节点的第一发射信号确定各中继的第二接收信号，并根据第二接收信号和预设的波束成形矩阵确定各中继的第二发射信号；

S1013、根据第二发射信号和第二信道矢量确定目的地的第一接收信号；

S1014、根据第一信道矢量、第二信道矢量和预设的波束成形矩阵确定目的地的第一信噪比。

具体地，令h_k∈C^M×1和

分别表示从源节点到第k个中继和从第k个中继到目的地的信道矢量，其中k∈K＝{1,2，...，K}。该多中继网络以时分双工模式运行，信息传输分为两个阶段，在第一阶段，源节点将信号s∈C^1×1发送到中继，因此，第k个中继的接收信号k∈K表示为

其中P表示源的发射功率，

表示第k个继电器的加性高斯噪声；在第二阶段，具体来说，选择一些中继，然后将接收到的信号与经过适当设计的波束形成矩阵相乘，然后将乘积转发到目的地，来自第k个继电器的发射信号为x_k＝Δ_kW_ky_k，其中W_k∈C^M×M表示第k个中继器的波束成形矩阵，而Δ_k∈{0，1}表示中继器选择指示符。具体来说，Δ_k＝1表示选择第k个中继以转发信号，而Δ_k＝0表示未选择第k个中继转发信号，所选继电器的数量被限制为k，1≤k<K，即

如图2所示为本发明实施例提供的多中继网络系统模型的组成示意图，该模型为一个放大转发多中继网络，由一个源节点，一个目的地和K个中继组成，从源节点到各中继的第一信道矢量用h₁、h₂、…、h_K表示，从各中继到目的地的第二信道矢量用g₁、g₂、…、g_K表示。源节点和目的地配备有单个天线，每个中继配备了多个天线。在该模型中，源节点和目的地之间的直接链接足够弱，可以忽略不计，或者当直接链接由于障碍而被阻塞时，也可采用该模型。

进一步作为可选的实施方式，第一接收信号为：

其中，y表示第一接收信号，k∈K＝{1,2,…,K}，K表示多中继网络系统模型中的中继总数量，h_k∈C^M×1表示从源节点到第k个中继的第一信道矢量，

表示从第k个中继到目的地的第二信道矢量，x_k＝Δ_kW_ky_k表示第k个中继的第二发射信号，W_k∈C^M×M表示第k个中继的波束成形矩阵，Δ_k∈{0，1}表示中继选择指示符，

表示第k个中继的第二接收信号，P表示源节点的发射功率，s∈C^1×1表示源节点的第一发射信号，

表示第k个中继的加性高斯噪声，

表示第k个中继的加性高斯噪声方差，

表示目的地的加性高斯噪声，

表示目的地的加性高斯噪声方差。

进一步作为可选的实施方式，第一信噪比为：

其中，γ表示第一信噪比，k∈K＝{1,2,…,K}，K表示多中继网络系统模型中的中继总数量，h_k∈C^M×1表示从源节点到第k个中继的第一信道矢量，

表示从第k个中继到目的地的第二信道矢量，W_k∈C^M×M表示第k个中继的波束成形矩阵，Δ_k∈{0，1}表示中继选择指示符，P表示源节点的发射功率，

表示第k个中继的加性高斯噪声方差，

表示目的地的加性高斯噪声方差。

S102、根据第一接收信号和第一信噪比构建第一优化模型，第一优化模型的优化目标是多中继网络的可实现速率最大化。

具体地，优化模型是运用线性规划、非线性规划、动态规划、整数规划以及系统科学方法所确定的表示最优方案的模型，它能解决系统规划中的条件极值问题，即在既定目标下如何最有效地利用各种资源，或者在资源有限制的条件下如何取得最好的效果。优化模型根据有无约束条件可以分为无约束条件的优化模型和有约束条件的优化模型，无约束条件的优化模型就是在资源无限的情况下求解最优目标，而有约束条件的优化模型则是在资源限定的情况下求解最优目标。在优化模型的数学描述中，与变量有关的待求其极值(或最大值最小值)的函数称为目标函数，求目标函数的极值时，变量必须满足的限制称为约束条件。

本发明实施例第一优化模型根据多中继网络系统模型构建，其优化目标是在受到发射功率约束和中继选择约束的情况下，最大化多中继网络的可实现速率。第一优化模型的相关参数根据上述的多中继网络系统模型确定。

进一步作为可选的实施方式，第一优化模型包括第一目标函数和第一约束条件，其中：

第一目标函数为

第一约束条件包括发射功率约束和中继选择约束，发射功率约束为

P_k表示第K个中继的发射功率，中继选择约束为Δ_k∈{0,1},k∈K。

具体地，本发明实施例的第一优化模型的数学描述如上，可以理解的是，第一优化模型可以在已知发射功率约束和中继选择约束下求解出该多中继网络的最大可实现速率。

S103、基于数据驱动构建第一分类模型，并根据第一分类模型和第一优化模型预测得到最优中继。

具体地，分类标准的起源：Logistic回归，目的是从特征学习出一个0/1分类模型，而这个模型是将特性的线性组合作为自变量，由于自变量的取值范围是负无穷到正无穷。因此，使用logistic函数(或称作sigmoid函数，即

其中x是n维特征向量，函数g就是logistic函数)将自变量映射到(0,1)上，映射后的值被认为是属于y＝1的概率。如果一个线性函数能够将样本分开，称这些数据样本是线性可分的，我们所说的线性可分支持向量机就对应着能将数据正确划分并且间隔最大的直线，具体求解方法是把最大间隔优化问题(凸二次规划问题)使用拉格朗日乘子法得到其对偶问题，得到超表面(w^Tt_i+b＝0)满足类别+1和-1下的w值。

本发明实施例应用数据驱动的方法(即SVM)来构建分类模型并预测最优中继，与其他分类算法相比，SVM具有处理线性不可分离的样本集并避免过拟合的优点。SVM分类器用于找到一个可以分离两类样本的最优超平面。下面对SVM分类进行介绍。

支持向量机(SVM，support vector machine)是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解；这是一种监督学习的方法，主要用来进行分类和回归分析。由简至繁的模型包括：当训练样本线性可分时，通过硬间隔最大化，学习一个线性可分支持向量机；当训练样本近似线性可分时，通过软间隔最大化，学习一个线性支持向量机；当训练样本线性不可分时，通过核技巧和软间隔最大化，学习一个非线性支持向量机。

假设L个样本的训练数据集为(t_i,y_i)，i＝1,2,...,L，其中t_i∈R^d是特征向量，y_i∈{+1,-1}是相应的标签。最优超平面的公式为w^Tt_i+b＝0。为防止样本边缘化，存在以下约束：

y_i(w^Tt_i+b)≥1,i＝1,2,...,L；

H₁和H₂之间的距离可以计算为：

最大化距离ρ等于最小化参数w。因此，优化问题可以等效地转换为以下问题：

s.t.yi(w^Tt_i+b)≥1,i＝1,2,...,L

然后通过二次规划方法解决上述优化问题，获得参数w和b，其中w是代表分离超平面的向量。

上述是基本的线性SVM分类。事实上，大部分时候数据并不是线性可分的，这个时候满足这样条件的超平面就根本不存在。对于非线性的数据的情况，SVM的一种处理方法是选择一个核函数，通过将数据映射到高维空间，来解决在原始空间中线性不可分的问题。具体来说，在线性不可分的情况下，支持向量机首先在低维空间中完成计算，然后通过核函数将输入空间映射到高维特征空间，最终在高维特征空间中构造出最优分离超平面，从而把平面上本身不好分的非线性数据分开。另一种方法是使用松弛变量处理离群值(outliers)方法：对于可能并不是因为数据本身是非线性结构的，而只是因为数据有噪音的非线性数据情况。导致存在偏离正常位置很远的数据点，我们称之为outlier，在我们原来的SVM模型里，outlier的存在有可能造成很大的影响，因为超平面本身就是只有少数几个supportvector组成的，如果这些support vector里又存在outlier的话，其影响就很大了。为了处理这种情况，SVM允许数据点在一定程度上偏离一下超平面，引入松弛变量ξ_i进行求解。

假设φ表示特征，则有核函数k(x,y)＝φ(x)^Tφ(y)。通过考虑软边距和核技巧的方法，可以将优化问题重新定义为：

s.t.y_i(w^Tφ(x_i)+b)≥1-ξ_i,i＝1,...,L

其中，C为预设参数。可以理解的是，尽管以上描述仅考虑了二分类问题，但是可以通过“一对所有”方法轻松地将其扩展为多种分类。

步骤S103具体包括以下步骤：

S1031、确定多中继网络的若干个候选中继，候选中继中包含两个或两个以上中继；

S1032、根据候选中继确定候选信道样本，并根据候选信道样本的协方差矩阵的对角线元素确定第一特征向量；

S1033、基于数据驱动构建第一分类模型，将第一特征向量输入第一分类模型，输出得到对应的第一中继索引，第一中继索引用于使对应的候选信道样本的可实现速率最大化；

S1034、根据第一中继索引和第一优化模型预测得到最优中继。

具体地，在本发明实施例中，第一分类模型采用SVM分类模型(即SVM分类器)，信道协方差矩阵的对角元素

实际上是用作SVM分类器的输入，以确定最优中继；SVM分类器的输出是代表所选中继的索引，该索引可使输入通道的可实现速率最大化。通常，多中继网络具有两个以上的中继选择候选者。

本发明实施例首先生成若干个通道样本进行训练。每个样本是两个以上候选中继的组合。假定候选中继表示为{(h₁,g₁),...,(h_k,g_k)},k＝1,2,...K，根据瑞利衰落特性随机生成信道h_k和g_k。然后，构造协方差矩阵，提取协方差矩阵的对角线元素以表示特征向量。

为了减小高值特征偏差带来的影响，可以对每个特征进行归一化处理。对于每个候选信道样本，使用基于穷举搜索法的中继选择和协作波束形成联合优化的全局最优设计来确定哪个中继在发射功率约束下可以达到最大可实现速率，即可确定最优中继。

可以理解的是，上述所提出的训练策略将每个信道实现映射到最优中继索引，根据SVM分类器输出的第一中继索引，可以确定第一优化模型的中继选择约束，在确定中继选择约束的情况下可以求解出对应中继的可实现速率，通过比较不同中继的可实现速率，从而可以预测得到多中继网络系统模型的最优中继。后续可进行比较以将信道向量映射到W_k，W_k是所选中继(例如第k个中继)上的波束形成矩阵。本发明实施例所提出的训练方法减轻了SVM分类器的“学习负担”，使SVM分类器更易于训练，并在实践中取得较好的效果。

S104、根据最优中继输出多中继网络的中继选择结果。

本发明实施例提出了一种基于SVM的方法来设计联合中继选择和协作波束形成，以减轻多天线多中继网络的在线计算负担，同时保持系统性能。中继选择和协作波束成形的联合优化在目标功能和约束方面都非常复杂，这是因为中继选择的二进制变量和波束成形的连续变量之间存在耦合。为了将CSI映射到具有波束赋形权重的最优中继，需要建立一个复杂而精巧的学习系统，并且很难产生令人满意的结果。本发明实施例提出了使用支持向量机方法的方法来解决这一难题，既实用又有效。基于支持向量机(SVM)分类方法的核心思想是通过大量离线样本数据训练SVM分类器的最优参数。通过这种方式，中继选择的计算可以转移到离线SVM分类器中进行，节省计算时间。本发明实施例还具有降低无线传感器网络和物联网(IoT)网络中系统复杂度的优势。

本发明实施例将中继选择问题建模为多类分类问题，并采用基于数据驱动的多类分类技术来解决中继选择问题，从而预测出在发射功率约束下可以使多中继网络的可实现速率最大化的最优中继，一方面节省了计算时间，降低了对系统的算力要求，另一方面提高了信号的传输效率以及传输可靠性。

进一步作为可选的实施方式，中继选择方法还包括以下步骤：

根据最优中继，采用基于广义瑞利商的算法导出近似形式的最优协作波束成形权重。

具体地，为了有效地选择最优中继以及导出相关的波束成形矩阵，以实现最大可达速率的设计目标，本发明实施例设计了一种基于SVM的方法来实现从信道向量到中继选择解决方案的映射，一旦选择了最优中继，就可以使用基于广义瑞利商的算法来为所选中继导出近似形式的最优协作波束成形权重。

参照图3，本发明实施例提供了一种基于数据驱动的中继选择系统，包括：

多中继网络系统模型建立模块，用于建立多中继网络系统模型，并根据多中继网络系统模型确定目的地的第一接收信号和第一信噪比；

第一优化模型构建模块，用于根据第一接收信号和第一信噪比构建第一优化模型，第一优化模型的优化目标是多中继网络的可实现速率最大化；

最优中继确定模块，用于基于数据驱动构建第一分类模型，并根据第一分类模型和第一优化模型预测得到最优中继；

输出模块，用于根据最优中继输出多中继网络的中继选择结果。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

参照图4，本发明实施例提供了一种基于数据驱动的中继选择装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种基于数据驱动的中继选择方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种基于数据驱动的中继选择方法。

本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种基于数据驱动的中继选择方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

1.一种基于数据驱动的中继选择方法，其特征在于，包括以下步骤：

建立多中继网络系统模型，并根据所述多中继网络系统模型确定目的地的第一接收信号和第一信噪比；

根据所述第一接收信号和所述第一信噪比构建第一优化模型，所述第一优化模型的优化目标是多中继网络的可实现速率最大化；

基于数据驱动构建第一分类模型，并根据所述第一分类模型和所述第一优化模型预测得到最优中继；

根据所述最优中继输出多中继网络的中继选择结果；

所述建立多中继网络系统模型，并根据所述多中继网络系统模型确定目的地的第一接收信号和第一信噪比这一步骤，其具体包括：

确定从源节点到各中继的第一信道矢量和从各中继到目的地的第二信道矢量；

根据所述第一信道矢量和源节点的第一发射信号确定各中继的第二接收信号，并根据所述第二接收信号和预设的波束成形矩阵确定各中继的第二发射信号；

根据所述第二发射信号和所述第二信道矢量确定目的地的第一接收信号；

根据所述第一信道矢量、所述第二信道矢量和预设的波束成形矩阵确定目的地的第一信噪比；

所述第一接收信号为：

其中，y表示第一接收信号，k∈K＝{1,2,…,K}，K表示多中继网络系统模型中的中继总数量，h_k∈C^M×1表示从源节点到第k个中继的第一信道矢量，

表示从第k个中继到目的地的第二信道矢量，x_k＝Δ_kW_ky_k表示第k个中继的第二发射信号，W_k∈C^M×M表示第k个中继的波束成形矩阵，Δ_k∈{0，1}表示中继选择指示符，

表示第k个中继的第二接收信号，P表示源节点的发射功率，s∈C^1×1表示源节点的第一发射信号，

表示第k个中继的加性高斯噪声，

表示第k个中继的加性高斯噪声方差，

表示目的地的加性高斯噪声，

表示目的地的加性高斯噪声方差；

所述第一信噪比为：

其中，γ表示第一信噪比，k∈K＝{1,2,…,K}，K表示多中继网络系统模型中的中继总数量，h_k∈C^M×1表示从源节点到第k个中继的第一信道矢量，

表示从第k个中继到目的地的第二信道矢量，W_k∈C^M×M表示第k个中继的波束成形矩阵，Δ_k∈{0，1}表示中继选择指示符，P表示源节点的发射功率，

表示第k个中继的加性高斯噪声方差，

表示目的地的加性高斯噪声方差；

所述第一优化模型包括第一目标函数和第一约束条件，其中：

所述第一目标函数为

所述第一约束条件包括发射功率约束和中继选择约束，所述发射功率约束为

P_k表示第K个中继的发射功率，所述中继选择约束为Δ_k∈{0,1},k∈K；

所述基于数据驱动构建第一分类模型，并根据所述第一分类模型和所述第一优化模型预测得到最优中继这一步骤，其具体包括：

确定多中继网络的若干个候选中继，所述候选中继中包含两个或两个以上中继；

根据所述候选中继确定候选信道样本，并根据所述候选信道样本的协方差矩阵的对角线元素确定第一特征向量；

基于数据驱动构建第一分类模型，将所述第一特征向量输入所述第一分类模型，输出得到对应的第一中继索引，所述第一中继索引用于使对应的候选信道样本的可实现速率最大化；

根据所述第一中继索引和所述第一优化模型预测得到最优中继。

2.根据权利要求1所述的一种基于数据驱动的中继选择方法，其特征在于，所述中继选择方法还包括以下步骤：

根据所述最优中继，采用基于广义瑞利商的算法导出近似形式的最优协作波束成形权重。

3.一种基于数据驱动的中继选择系统，其特征在于，包括：

多中继网络系统模型建立模块，用于建立多中继网络系统模型，并根据所述多中继网络系统模型确定目的地的第一接收信号和第一信噪比；

第一优化模型构建模块，用于根据所述第一接收信号和所述第一信噪比构建第一优化模型，所述第一优化模型的优化目标是多中继网络的可实现速率最大化；

最优中继确定模块，用于基于数据驱动构建第一分类模型，并根据所述第一分类模型和所述第一优化模型预测得到最优中继；

输出模块，用于根据所述最优中继输出多中继网络的中继选择结果；

所述多中继网络系统模型建立模块具体用于：

确定从源节点到各中继的第一信道矢量和从各中继到目的地的第二信道矢量；

根据所述第一信道矢量和源节点的第一发射信号确定各中继的第二接收信号，并根据所述第二接收信号和预设的波束成形矩阵确定各中继的第二发射信号；

根据所述第二发射信号和所述第二信道矢量确定目的地的第一接收信号；

根据所述第一信道矢量、所述第二信道矢量和预设的波束成形矩阵确定目的地的第一信噪比；

所述第一接收信号为：

其中，y表示第一接收信号，k∈K＝{1,2,…,K}，K表示多中继网络系统模型中的中继总数量，h_k∈C^M×1表示从源节点到第k个中继的第一信道矢量，

表示从第k个中继到目的地的第二信道矢量，x_k＝Δ_kW_ky_k表示第k个中继的第二发射信号，W_k∈C^M×M表示第k个中继的波束成形矩阵，Δ_k∈{0，1}表示中继选择指示符，

表示第k个中继的第二接收信号，P表示源节点的发射功率，s∈C^1×1表示源节点的第一发射信号，

表示第k个中继的加性高斯噪声，

表示第k个中继的加性高斯噪声方差，

表示目的地的加性高斯噪声，

表示目的地的加性高斯噪声方差；

所述第一信噪比为：

其中，γ表示第一信噪比，k∈K＝{1,2,…,K}，K表示多中继网络系统模型中的中继总数量，h_k∈C^M×1表示从源节点到第k个中继的第一信道矢量，

表示从第k个中继到目的地的第二信道矢量，W_k∈C^M×M表示第k个中继的波束成形矩阵，Δ_k∈{0，1}表示中继选择指示符，P表示源节点的发射功率，

表示第k个中继的加性高斯噪声方差，

表示目的地的加性高斯噪声方差；

所述第一优化模型包括第一目标函数和第一约束条件，其中：

所述第一目标函数为

所述第一约束条件包括发射功率约束和中继选择约束，所述发射功率约束为

P_k表示第K个中继的发射功率，所述中继选择约束为Δ_k∈{0,1},k∈K；

所述最优中继确定模块具体用于：

确定多中继网络的若干个候选中继，所述候选中继中包含两个或两个以上中继；

根据所述候选中继确定候选信道样本，并根据所述候选信道样本的协方差矩阵的对角线元素确定第一特征向量；

基于数据驱动构建第一分类模型，将所述第一特征向量输入所述第一分类模型，输出得到对应的第一中继索引，所述第一中继索引用于使对应的候选信道样本的可实现速率最大化；

根据所述第一中继索引和所述第一优化模型预测得到最优中继。

4.一种基于数据驱动的中继选择装置，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至2中任一项所述的一种基于数据驱动的中继选择方法。

5.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至2中任一项所述的一种基于数据驱动的中继选择方法。

Images