CN113242557A - 一种部分重叠信道频谱共享的深度学习方法及系统 - Google Patents
一种部分重叠信道频谱共享的深度学习方法及系统 Download PDFInfo
- Publication number
- CN113242557A CN113242557A CN202110330795.2A CN202110330795A CN113242557A CN 113242557 A CN113242557 A CN 113242557A CN 202110330795 A CN202110330795 A CN 202110330795A CN 113242557 A CN113242557 A CN 113242557A
- Authority
- CN
- China
- Prior art keywords
- channel
- state information
- channel state
- csi
- reinforcement learning
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种部分重叠信道频谱共享的深度学习方法及系统。该方法包括:响应于接收到的用户传输请求,基站将多个历史时间片的信道状态信息CSI输入到经训练的信道预测卷积神经网络模型,输出预测的下一个时间片的信道状态信息CSI;将所述下一时间片的信道状态信息CSI输入强化学习模型,获得基站碰撞域中各用户设备的信道分配策略,以实现各用户设备同时通信的最大化吞吐量,该强化学习模型以带宽效率性能作为奖励经训练获得。本发明对于通信网络具有高普适性、高带宽利用率和高吞吐量。
Description
技术领域
本发明涉及通信技术领域,更具体地,涉及一种部分重叠信道频谱共享的深度学习方法及系统。
背景技术
终端设备,如平板电脑、智能手机和异构物联网(IoT)设备,正在成为5G智能城市中主要的带宽消耗组件。为终端设备设计的新应用越来越多,如交互游戏、导航、自然语言处理、人脸识别、增强现实等,都需要大量的频谱资源。据预测,到2025年,联网物联网设备将达到416亿台,每年产生79.4ZB的数据。随着各种创新但急需带宽的应用程序的出现,有效进行频谱管理具有重要意义。
针对频谱稀缺问题和静态频谱分配策略利用不足之间的矛盾,有研究提出了从固定频谱分配向动态频谱管理(DSM)的范式转变。在DSM中,以前不允许传输的未授权用户现在可以与授权用户一起访问授权频谱。接入方式可以是机会频谱接入,也可以是并发频谱接入。在前一种模式下,未经授权的用户只能在未激活的情况下访问已授权的频谱。在后一种模式下,非授权用户和授权用户可以共存,只要他们的传输不超过授权用户的干扰裕度。
传统的DSM很少采用部分重叠信道(POC)实现并发频谱访问。为并发传输分配合适的POC需要复杂的功率控制和干扰消除算法,这对于有硬件约束的物联网设备来说是不切实际的。此外,由于物联网设备的环境是高度动态的,很难对POC分配的完整和准确的通道信息进行测量。然而,物联网设备的激增导致它们在相对较小的地理区域内高度密集地部署。因此,POC的使用成为必然,在5G智慧城市中充分利用频谱效率展现出巨大潜力。
近年来,人工智能(AI)取得了重大成就,并被应用到DSM中,以应对各种技术挑战。人工智能技术不需要建立基于完整准确信息的DSM模型,而是可以从周围环境中学习或探索访问策略,并根据动态环境定期调整访问策略。近年来的研究表明,人工智能技术可以有效地提高系统的鲁棒性和频谱效率。尽管人们对基于人工智能的DSM的兴趣激增,但在POC分配方面仍存在一些挑战。例如,如何利用部分重叠信道传输的特性来进行并发的频谱访问,同时具有轻量级的计算开销,这仍然是一个值得关注的问题。此外,联网物联网设备的环境是高度动态的,因此POC分配体系结构也需要灵活性和适应性。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种部分重叠信道频谱共享的深度学习方法及系统。
根据本发明的第一方面,提供一种部分重叠信道频谱共享的深度学习方法。该方法包括以下步骤:
响应于接收到的用户传输请求,基站将多个历史时间片的信道状态信息CSI输入到经训练的信道预测卷积神经网络模型,输出预测的下一个时间片的信道状态信息CSI;
将所述下一时间片的信道状态信息CSI输入强化学习模型,获得基站碰撞域中各用户设备的信道分配策略,以实现各用户设备同时通信的最大化吞吐量,该强化学习模型以带宽效率性能作为奖励经训练获得。
根据本发明的第二方面,提供一种部分重叠信道频谱共享的深度学习系统。该系统包括:
信道状态预测单元:用于响应于接收到的用户传输请求,将多个历史时间片的信道状态信息CSI输入到经训练的信道预测卷积神经网络模型,输出预测的下一个时间片的信道状态信息CSI;
信道分配单元:用于将所述下一时间片的信道状态信息CSI输入强化学习模型,获得基站碰撞域中各用户设备的信道分配策略,以实现各用户设备同时通信的最大化吞吐量,该强化学习模型以带宽效率性能作为奖励经训练获得。
与现有技术相比,本发明的优点在于,结合深度学习,提出了一种基于部分重叠信道的并发频谱访问系统架构,该架构自动从非重叠频谱上的数据中学习额外的编码冗余,并将冗余应用于重叠频谱上的数据恢复。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的通信系统执行流程图;
图2是根据本发明一个实施例的通信系统框架示意图;
图3是根据本发明一个实施例的部分重叠信道频谱共享的深度学习方法的流程图;
图4是根据本发明一个实施例的信道交织执行过程示意图;
图5是根据本发明一个实施例的强化学习模型示意图;
附图中,Reward-奖励;State-状态;Environment-环境;Action-动作;Agent-代理;Cloud-云。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明是基于5G智慧城市频谱共享探索部分重叠通道的深度学习方法,创新地利用信道交织技术实现重叠信道共享,利用信道状态历史时间片序列训练卷积神经网络,预测下一时间片的信道状态信息,再以预测的下一时间片的信道状态信息作为深度强化学习输入,学习预测用户设备信道分配策略,以最大化通信系统吞吐量。
结合图1和图2所示,通信系统架构总体上包括接入层、移动边缘层和云中心,接入层用于实现重叠信道上的并发传输,移动边缘层包括多个移动边缘基站,用于实现信道状态预测,云中心用于实现部分重叠信道(POC)分配策略的学习。简言之,在本发明中,移动边缘基站感知周围多用户设备的无线信道状态信息,利用当前时刻之前K个时间片的信道状态信息作为深度神经网络的输入,预测下一时间片的信道状态信息,并以该信息作为深度强化学习模型的输入,以最大化网络吞吐量为目标,强化学习用户设备信道分配策略。
具体地,参见图3所示,所提供的部分重叠信道频谱共享的深度学习方法包括以下步骤。
步骤S1,利用纠错编码的编码冗余,改进用户设备和基站的信号收发器的交织器和解交织器,将重叠频谱信息均匀分布于非重叠频谱中。
在一个实施例中,步骤S1包括以下子步骤:
步骤S101,根据当前的信道状态信息,获取重叠信道带宽与完整信道带宽的比例;
步骤S102,根据重叠信道带宽与完整信道带宽的比例,选择合适的交织策略,假设将信道划分成n个子信道;
步骤S103,根据动态选择的交织策略对信号进行处理,将信道重叠部分信号均匀的分布于n个子信道,利用ECC编码的冗余信息进行交织编码。
例如,结合图4所示,信道交织过程是:计算重叠信道带宽与完整信道带宽的比例,表示为:其中Np表示重叠部分带宽占信道总带宽的比例,Cp表示重叠信道带宽,C表示信道总带宽;选择合适的信道交织策略,如1/2交织,1/4交织,1/8交织等。假设采用1/n交织策略,即将信道划分成n个带宽相等的子信道,其中第n个子信道为重叠信道,同时将每个子信道再划分成n个部分信道,交织前每一个子信道的所有部分信道均匀的分散于交织后所有子信道中,达到信道交织的目的,利用ECC编码冗余,能够恢复重叠信道受干扰的信息。
步骤S2,基站探测当前的信道状态并呈现感知到的信道状态信息。
在一个实施例中,步骤S2包括以下子步骤:
步骤S201,基站(gNodeB)根据用户设备的通信请求或自身发出的信道探测信号评估当前信道状态;
步骤S202,基站通过信号状态信息图的方式呈现感知到的当前信道状态信息。
步骤S3,在基站部署卷积神经网络模型,该卷积神经网络模型以当前信道状态信息作为输入,输出为下一时刻的信道状态信息。
在一个实施例中,步骤S3包括以下子步骤:
步骤S301,将构建好的用于信道预测的卷积神经网络代码嵌入到基站系统中。
步骤S302,深度卷积神经网络包含两个主要的构建模块,包括高维CSI提取和信道生成。
具体来说,高维CSI提取包含几个卷积层。目的是提取输入CSI的高维特征。然后,将提取的CSI特征输入信道的产生,经过多次全连接层,并输出生成的通道作为最终的预测结果。
步骤S4,基站通过采集的信道状态信息的连续时间序列作为训练样本,训练卷积神经网络,获得信道预测卷积神经网络模型。
在一个实施例中,步骤S4包括以下子步骤:
步骤S401,每个用户设备的CSI由基站采集,采集方式有自主探测和用户设备报告等,连续CSI会以时间序列存储,基站使用CSI历史来预测信道状态;
步骤S402,基站进行离线训练,例如使用大小为K个时间片的滑动窗口作为输入,输出下一个时间片的信道状态信息,以信道状态预测的相近性作为预测损失优化模型。
需说明的是,K值可根据对训练效率和训练精度的要求进行设置。离线训练过程可在云中心或服务器上进行。
步骤S5,以信道预测卷积神经网络模型预测的信道状态信息作为输入,以带宽效率性能作为奖励,训练强化学习模型。
在一个实施例中,步骤S5包括以下子步骤:
步骤S501,将信道预测卷积神经网络训练过程输出的信道预测信息送入深度强化学习网络,作为强化学习的输入;
步骤S502,信道分配策略使用卷积神经网络实现,输入为下一时间片的CSI,输出为信道分配策略,动作空间包含了所有信道的分配概率;
步骤S503,该强化学习模型以最大化环境吞吐量作为激励,优化信道分配策略。
步骤S6,响应于用户设备发出的传输请求,基站将当前信道状态信息输入到信道预测卷积神经网络模型,输出下一时隙的信道状态信息,并将该输出信息作为强化学习模型的输入。
在一个实施例中,步骤S6包括以下子步骤:
步骤S601,用户发出通信请求;
步骤S602,基站接收到用户请求,从CSI历史中选取当前时刻的前K个时间片CSI;
步骤S603,信道预测卷积神经网络以当前时刻的前K个时间片的CSI作为输入,输出下一个时间片CSI;
步骤S604,信道预测卷积神经网络将输出的信道预测信息送往强化学习模型。
步骤S7,强化学习模型接受信道预测卷积神经网络模型的下一时隙信道状态信息作为输入,将策略网络的输出作为分配策略,并将反馈信息继续用于强化学习。
在一个实施例中,步骤S7包括以下子步骤:
步骤S701,强化学习模型以下一时间片的信道状态信息作为输入,以策略网络的输出作为信道分配策略,实现多用户设备同时通信的最大化吞吐量的信道分配策略
具体地,为了在不同的用户信道状态下找到最优的对讲分配,首先提出问题。假设在一个gNodeB的碰撞域中有n个用户设备(UE)。Stotal表示通道内的块总数。CSIi是的信道状态,si和Pi表示分配给UEi的块和重叠部分,用ri表示UEi在一定重叠部分Pi下的可达数据率。目标是最大化总体吞吐量,由系统实用程序定义
这里使用深度q学习网络(DQN)来寻找不同系统状态下的最优策略,即不同信道状态下的最优POC分配。每个终端CSI被输入到DQN作为输入。代理的动作是分配给每个终端的POC权重(即分配给每个终端的重叠部分)。因此,动作空间包括所有适当的POC权重分配。系统奖励被认为是定义的系统效用。图5描述了DQN的架构,它以每个UE的CSI作为系统输入,以每个UE的POC权值的近似作为系统输出。在训练过程中,采用经验重放来降低训练样本之间的相关性。对于该实施例的DQN,中央控制器上的代理从终端收集所有CSI,并采取不同的操作(例如,选择不同的POC权重)来获得q值。如果某一行动能够长期带来q值的最大化,那么它便是所选择的行动。
步骤S702,将实际分配阶段的反馈信息,仍作为学习样本,继续优化强化学习模型。
为增强强化学习模型的适用性和精确性,优选地,可将实际分配阶段采集的反馈信息(如信道状态信息和对应的系统吞吐量等)作为继续学习的样本。
相应地,本发明还提供一种部重叠信道频谱共享的深度学习系统,用于实现上述方法的一个方面或多个方面。例如,该系统包括预处理模块、信道交织模块、信道解交织模块、信道状态预测模块和信道分配模块。
预处理模块:基站通过主动和被动的方式连续感知信道状态信息,将时间连续的信道状态信息划分成时间片连续的信道状态信息,采样K-时间片滑动窗口的形式存储为历史信道状态信息。
例如,对于预处理模块,K-时间片滑动窗口指的是基站存储当前时刻之前的K个时间片的信道状态信息。维护一个存储K个时间片的滑动窗口,该时间片窗口随时间滑动,保持窗口内数据是最新的,即保存当前时刻之前的K个时间片的信道状态信息。
信道交织模块:通过简单的重叠信道占比计算方法:(其中Np表示重叠部分带宽占信道总带宽的比例,Cp表示重叠信道带宽,C表示信道总带宽),选择合适的信道交织策略,如:1/2交织,1/4交织,1/8交织等。假设采用1/n交织策略,即将信道划分成n个带宽相等的子信道,其中第n个子信道为重叠信道,同时将每个子信道再划分成n个部分信道,交织前每一个子信道的所有部分信道均匀的分散于交织后所有子信道中,达到信道交织的目的,利用ECC编码冗余,能够恢复重叠信道受干扰的信息。
信道解交织模块:每一次传输信道交织模块的交织策略通过额外的信息被信道解交织模块获取,解交织模块执行反向的过程,重整因信道交织被重排的部分信道,恢复原子信道的排列。
信道状态预测模块:基站通过K-时间片滑动窗口获取当前时刻之前的K个历史时间片的信道状态信息,以K-时间片的信道状态信息共同作为卷积神经网络的输入,输出下一时刻的信道状态信息,实现下一时间片的信道预测。
例如,对于信道状态预测模块,K个时间片的信道状态信息是相对独立的K个输入,将K个相对独立的输入作为一个整体输入信道预测卷积网络。
信道分配模块:根据预测的下一时间片的信道状态信息作为输入,以最大化总体吞吐量为激励,训练强化学习模型,输出所有可分配子信道的分配概率。
综上所述,本发明提供的部分重叠信道共享的深度强化学习实现方法,是利用信道交织技术实现重叠信道共享的新技术方案。该方案利用信道状态历史时间片序列训练卷积神经网络,预测下一时间片的信道状态信息,再以预测的下一时间片的信道状态信息作为的深度强化学习输入,学习预测用户设备信道分配策略,最大化网络吞吐量。
为进一步验证本发明的效果,在PHY层(物理层)和MAC层(介质访问控制层)提出了一个系统级的案例研究作为一个图解的架构。验证结果表明所提出的部分重叠信道共享的深度强化学习实现方法具有高性能、高普适性、高带宽利用率和高吞吐量。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种部分重叠信道频谱共享的深度学习方法,包括以下步骤:
响应于接收到的用户传输请求,基站将多个历史时间片的信道状态信息CSI输入到经训练的信道预测卷积神经网络模型,输出预测的下一个时间片的信道状态信息CSI;
将所述下一时间片的信道状态信息CSI输入强化学习模型,获得基站碰撞域中各用户设备的信道分配策略,以实现各用户设备同时通信的最大化吞吐量,该强化学习模型以带宽效率性能作为奖励经训练获得。
2.根据权利要求1所述的方法,其中,根据以下步骤训练所述信道预测卷积神经网络模型:
采集目标用户设备的信道状态信息CSI,并以时间序列进行存储;
以信道状态预测的相近性作为损失,训练卷积神经网络,在训练过程中,使用大小为K个时间片的滑动窗口作为输入,输出下一个时间片的信道状态信息,获得满足优化目标的卷积神经网络,作为所述信道预测卷积神经网络模型,其中K是大于等于2的整数。
3.根据权利要求1所述的方法,其中,所述信道预测卷积神经网络模型包括多个卷积层和多个全连接层,所述多个卷积层用于提取信道状态信息CSI的高维特征,并经过所述多个全连接层,输出预测的下一个时间片的信道状态信息。
4.根据权利要求1所述的方法,其中,根据以下步骤训练所述强化学习模型:
以所述信道预测卷积神经网络模型训练过程输出的信道状态信息CSI作为强化学习模型的输入,动作空间包含所有信道的分配概率,并且该强化学习模型以最大化环境吞吐量作为激励,优化信道分配策略。
5.根据权利要求1所述的方法,其中,将所述下一时间片的信道状态信息CSI输入强化学习模型,获得基站碰撞域中各用户设备的信道分配策略,以实现各用户设备同时通信的最大化吞吐量包括:
6.根据权利要求1所述的方法,其中,对于所述基站和所述用户设备,信道交织过程包括以下步骤:
根据当前的信道状态信息CSI,获取重叠信道带宽与完整信道带宽的比例;
根据重叠信道带宽与完整信道带宽的比例,选择交织策略,以将信道划分成n个子信道;
根据所选择的交织策略对信号进行处理,将信道重叠部分信号均匀的分布与n个子信道,利用纠错编码的冗余信息进行交织编码。
7.根据权利要求1所述的方法,还包括:所述强化学习模型将策略网络的输出作为信道分配策略,同时将反馈信息继续用于强化学习。
8.一种部分重叠信道频谱共享的深度学习系统,包括:
信道状态预测单元:用于响应于接收到的用户传输请求,将多个历史时间片的信道状态信息CSI输入到经训练的信道预测卷积神经网络模型,输出预测的下一个时间片的信道状态信息CSI;
信道分配单元:用于将所述下一时间片的信道状态信息CSI输入强化学习模型,获得基站碰撞域中各用户设备的信道分配策略,以实现各用户设备同时通信的最大化吞吐量,该强化学习模型以带宽效率性能作为奖励经训练获得。
9.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现根据权利要求1至7中任一项所述方法的步骤。
10.一种电子设备,包括存储器和处理器,在所述存储器上存储有能够在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110330795.2A CN113242557B (zh) | 2021-03-26 | 2021-03-26 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
PCT/CN2021/137183 WO2022199132A1 (zh) | 2021-03-26 | 2021-12-10 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110330795.2A CN113242557B (zh) | 2021-03-26 | 2021-03-26 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113242557A true CN113242557A (zh) | 2021-08-10 |
CN113242557B CN113242557B (zh) | 2022-12-20 |
Family
ID=77130598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110330795.2A Active CN113242557B (zh) | 2021-03-26 | 2021-03-26 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113242557B (zh) |
WO (1) | WO2022199132A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626302A (zh) * | 2022-03-18 | 2022-06-14 | 杭州勒贝格智能系统有限责任公司 | 基于Koopman算子和机器学习的信道预测方法、系统、终端及介质 |
CN115085836A (zh) * | 2022-06-14 | 2022-09-20 | 华南理工大学 | 信道状态信息预测系统的设计方法、装置、设备及介质 |
WO2022199132A1 (zh) * | 2021-03-26 | 2022-09-29 | 深圳大学 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599699A (zh) * | 2023-04-19 | 2023-08-15 | 泉州年盛信息科技有限公司 | 基于云计算的工业互联网平台数据安全防护系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108712746A (zh) * | 2018-04-28 | 2018-10-26 | 中国人民解放军陆军工程大学 | 一种部分重叠信道聚合博弈模型及学习算法 |
WO2019020527A1 (en) * | 2017-07-28 | 2019-01-31 | Nokia Solutions And Networks Oy | SYSTEM FOR OPTIMIZING THE EXPERIENCE QUALITY OF A USER DEVICE OF A MULTICANAL MULTIRADIO WIRELESS NETWORK |
CN111935721A (zh) * | 2020-08-18 | 2020-11-13 | 深圳大学 | 一种实现异构网络共存的方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109639377B (zh) * | 2018-12-13 | 2021-03-23 | 西安电子科技大学 | 基于深度强化学习的频谱资源管理方法 |
CN111756457B (zh) * | 2019-03-27 | 2021-10-15 | 华为技术有限公司 | 信道预测方法、装置及计算机存储介质 |
CN112508172A (zh) * | 2020-11-23 | 2021-03-16 | 北京邮电大学 | 基于q学习和srnn模型的航天测控自适应调制方法 |
CN113242557B (zh) * | 2021-03-26 | 2022-12-20 | 深圳大学 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
-
2021
- 2021-03-26 CN CN202110330795.2A patent/CN113242557B/zh active Active
- 2021-12-10 WO PCT/CN2021/137183 patent/WO2022199132A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019020527A1 (en) * | 2017-07-28 | 2019-01-31 | Nokia Solutions And Networks Oy | SYSTEM FOR OPTIMIZING THE EXPERIENCE QUALITY OF A USER DEVICE OF A MULTICANAL MULTIRADIO WIRELESS NETWORK |
CN108712746A (zh) * | 2018-04-28 | 2018-10-26 | 中国人民解放军陆军工程大学 | 一种部分重叠信道聚合博弈模型及学习算法 |
CN111935721A (zh) * | 2020-08-18 | 2020-11-13 | 深圳大学 | 一种实现异构网络共存的方法和系统 |
Non-Patent Citations (2)
Title |
---|
LU WANG ET AL.: "Piros: Pushing the Limits of Partially Concurrent Transmission in WiFi Networks", 《2015 IEEE 35TH INTERNATIONAL CONFERENCE ON DISTRIBUTED COMPUTING SYSTEMS》 * |
LU WANG ET AL.: "Wireless Rate Adaptation via Smart Pilot", 《2014 IEEE 22ND INTERNATIONAL CONFERENCE ON NETWORK PROTOCOLS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022199132A1 (zh) * | 2021-03-26 | 2022-09-29 | 深圳大学 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
CN114626302A (zh) * | 2022-03-18 | 2022-06-14 | 杭州勒贝格智能系统有限责任公司 | 基于Koopman算子和机器学习的信道预测方法、系统、终端及介质 |
CN115085836A (zh) * | 2022-06-14 | 2022-09-20 | 华南理工大学 | 信道状态信息预测系统的设计方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022199132A1 (zh) | 2022-09-29 |
CN113242557B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113242557B (zh) | 一种部分重叠信道频谱共享的深度学习方法及系统 | |
US11410046B2 (en) | Learning-based service migration in mobile edge computing | |
Huang et al. | A deep-reinforcement-learning-based approach to dynamic eMBB/URLLC multiplexing in 5G NR | |
CN113692578A (zh) | 具有动态范围的错误控制编码 | |
US10873412B2 (en) | System and method for real-time optimized scheduling for network data transmission | |
Balieiro et al. | Adaptive spectrum sensing for cognitive radio based on multi‐objective genetic optimisation | |
CN117614520A (zh) | 基于无人机-卫星协作的去蜂窝大规模mimo资源优化方法 | |
WO2022198634A1 (zh) | 一种部分重叠信道频谱共享的深度学习方法及系统 | |
CN113438009A (zh) | 信道分配方法、功率控制方法及相应的装置、设备、介质 | |
Al-Aazzeh et al. | Telecommunication systems with multiple access based on data factorial coding | |
Luan et al. | Correntropy induced joint power and admission control algorithm for dense small cell network | |
Chen et al. | Energy‐efficiency fog computing resource allocation in cyber physical internet of things systems | |
Liao et al. | Joint mission planning and spectrum resources optimization for multi‐UAV reconnaissance | |
Luna et al. | Solving large-scale real-world telecommunication problems using a grid-based genetic algorithm | |
CN104348764B (zh) | 在数据接收链路中分配计算单元的方法和装置 | |
Hu et al. | Communication-Efficient Coded Computing for Distributed Multi-Task Learning | |
Zhang et al. | Throughput‐delay tradeoff for opportunistic spectrum access in cognitive radio networks | |
Chen | An adaptive heuristic algorithm to solve the network slicing resource management problem | |
EP3905746A1 (en) | Frequency spectrum management apparatus, frequency spectrum management method and computer-readable storage medium | |
Abdu et al. | A deep learning based acceleration of complex satellite resource management problem | |
Chintareddy et al. | Collaborative wideband spectrum sensing and scheduling for networked UAVs in UTM systems | |
Mahajan et al. | Improved Learning Scheme for Cognitive Radio using Artificial Neural Networks. | |
Yazid et al. | A reinforcement learning based transmission parameter selection and energy management for long range internet of things | |
CN114301921B (zh) | 网络节点控制方法、装置、存储介质与电子设备 | |
Woo et al. | Random access with joint uplink/downlink resource allocation for multimedia tactile internet |
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 |