CN113630887B - 一种基于在线学习的毫米波网络的车联网通信方法 - Google Patents
一种基于在线学习的毫米波网络的车联网通信方法 Download PDFInfo
- Publication number
- CN113630887B CN113630887B CN202111088357.6A CN202111088357A CN113630887B CN 113630887 B CN113630887 B CN 113630887B CN 202111088357 A CN202111088357 A CN 202111088357A CN 113630887 B CN113630887 B CN 113630887B
- Authority
- CN
- China
- Prior art keywords
- power
- vehicle
- pairs
- sector
- mmsbs
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004891 communication Methods 0.000 title claims abstract description 41
- 230000005540 biological transmission Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 230000001413 cellular effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 10
- 230000000052 comparative effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
- H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
-
- 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]
-
- 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
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于在线学习的毫米波网络的车联网通信方法,包括建立下行多播通信场景,包括一个4G宏基站、若干个毫米波频段小基站和若干车辆;向4G宏基站上传车辆信息;4G宏基站构建车辆组,并向毫米波频段小基站发送毫米波服务请求消息;毫米波频段小基站和车辆组建立关联,输出选好的波束‑功率对和使用这些波束‑功率对的车辆组;对波束‑功率对的选择结果进行调整,并更新波束‑功率对的性能值;选取性能值最大的波束‑功率对,并进行通信。本发明通过学习车载网络中的上下文信息和波束‑功率对之间的关系来选择更合适的波束和功率,从而提高毫米波无线车载网络的能量效率;同时通过共享相同的毫米波波束减少了对射频链路的占用。
Description
技术领域
本发明属于车载网络通信领域,具体涉及一种基于在线学习的毫米波网络的车联网通信方法。
背景技术
联网车辆和协作式智能交通系统均依赖车联网(Vehicle to Everything,V2X)通信来提高交通安全、驾驶效率和信息娱乐体验。第四代长期演进(LTE)网络和第五代(5G)蜂窝网络已被广泛认为是适应车联网高移动性、高时间敏感性和高传输可靠性等特点的主要基础设施。随着车联网的快速增长和车辆用户对体验质量的不断追求,对网络容量提出了更高的要求。尽管LTE网络采用的6GHz以下传统频段具有更长的通信距离,但这已不能满足日益增长的容量需求。相反的是,5G系统采用的毫米波频段可以支持更高的传输容量,但其通信距离更短。因此,5G系统和LTE网络被广泛认为是全面支持所有V2X应用的主要驱动力。
然而,联网车辆的高移动性必将导致定向毫米波通信问题变得更加复杂。定向毫米波通信的质量取决于通信两端的波束是否对齐以及对齐的程度,联网车辆的高机动性势必会导致波束对齐操作需要频繁地执行,继而导致很高的开销。从目前常用的波束对准机制(例如波束成形训练、波束跟踪和波束选择)来看,始终及时地为毫米波链路选择合理的波束将是一个很有前景的选择。但由于波束选择涉及很多通信参数,因此使用纯数学建模会非常复杂,所以一些研究人员正在尝试使用机器学习来解决这个问题,如现有的基于在线学习的波束选择方法无需事先训练即可使用,这非常适合动态车辆网络。在现有的这些基于在线学习的毫米波波束选择方法中,一般是在假设特定波束在相似环境下其性能是相似的前提下,通过自我探索、学习和适应动态的通信环境,从先前的决定波束与可用车辆上下文的关系中不断的学习每个毫米波波束的性能,从而为每个毫米波基站都可以选择正确的波束。但是当前快速机器学习(Fast Machine Learning,FML)方案限制了可选的波束宽度和波束方向。改进快速机器学习(Improved Fast Machine Learning,IFML)方案中,假设允许波束重叠并提出了虚拟波束的概念,不同于现有技术中射频(Radio Frequency,RF)链数量会受其外形尺寸和制造成本的限制,改进快速机器学习提出的虚拟波束只是一个限制能量传播的区域,其形状通常是一个扇形且在每个毫米波基站上的虚拟波束的数量是无限的。当一个RF链上分配了一个虚拟波束和一个特定的信道时,这个虚拟波束就成为实际可用的物理波束并且它的使用不受波束重叠的限制。但如果重叠波束共用了同一信道,此时应当调整相应的发射功率以避免其相互干扰,然而,并非所有相互干扰的情况都能得到很好的控制。此外,在现有的相关工作中,车辆接收的数据量被视为波束的性能衡量标准,缺乏对功耗的关注,这也不符合绿色通信的发展需求。现有的相关算法都没有考虑将请求相同数据内容(例如最新的交通拥堵信息、实时高清电子地图、时事和新闻)的邻近用户聚合为一个多播组,这就有可能导致需要重复地消耗资源来发送相同的内容。现有的基于在线学习的毫米波波束选择方案都旨在最大化网络容量,无法同时满足提高能效,且基本数据速率高的要求。
发明内容
本发明的目的在于提供一种基于在线学习的毫米波网络的车联网通信方法,利用在线学习的毫米波波束选择机制,提升了车载网络能量效率。
本发明提供的这种基于在线学习的毫米波网络的车联网通信方法,包括如下步骤:
S1.建立下行多播通信场景,包括一个LTE eNB(4G宏基站)、若干个mmSBSs(毫米波频段小基站)和若干车辆;
S2.车辆组向LTE eNB上传车辆信息;
S3.LTE eNB构建车辆组,并向mmSBS发送毫米波服务请求消息;
S4.mmSBS和车辆组建立关联,输出选好的波束-功率对和使用这些波束-功率对的车辆组;
S5.对波束-功率对的选择结果进行调整,并更新波束-功率对的性能值;
S6.选取性能值最大的波束-功率对,并进行通信。
所述的步骤S1包括,建立一个集成毫米波与蜂窝系统下的下行多播通信场景;mmSBS通过有线或无线回程链路与相关联的LTE eNB进行通信;每辆车都包含两种无线接口,其中,LTE接口用于与LTE eNB的连接,毫米波接口用于高速数据传输。
所述的步骤S2包括,当车辆欲通过毫米波链路向mmSBS发起毫米波通信时,车辆向LTE eNB发送注册请求消息,并通过LTE接口与LTE eNB保持连接;注册请求消息包括车辆速度、位置信息和相关的请求数据内容。
所述的步骤S3包括,LTE eNB分析接收到的车辆注册请求,根据车辆的速度、位置和请求数据内容构建车辆组,LTE eNB向潜在的mmSBS发送毫米波服务请求消息;毫米波服务请求消息包含每个车辆组的标识符、车辆组中每个车辆的蜂窝系统标识符、车辆组内距离目标mmSBS最远的车辆的标识符和到达mmSBS的预期方向;构建车辆组具体包括,LTE eNB将设定范围内的所有车辆根据车辆彼此之间的接近程度以及是否请求相同的数据内容进行分组;每个车辆组都有一个唯一的标识符和其它关于该车辆组的参数,其它关于该车辆组的参数包括车辆数量、车辆标识符、请求的数据内容、车辆组内车辆分布的中心坐标和车辆组内距离目标mmSBS最远车辆的标识符。
所述的步骤S4包括,在收到来自mmSBS的服务响应后,LTE eNB将向每个车辆组中的每个车辆发送有关mmSBS的注册响应消息,有关mmSBS的注册响应消息包括mmSBS的位置信息和所选的波束-功率对;具体为若车辆组中的每个车辆到达覆盖区域,LTE eNB向mmSBS发送关联请求以启动mmSBS关联过程,然后接收到来自mmSBS的关联响应;每个车辆通过分析来自mmSBS的关联响应消息获得信道状态信息,并将CSI反馈给mmSBS;基于车辆组内所有车辆的CSI反馈,mmSBS判断选择的波束-功率对是否达到车辆组中信道质量最差车辆的设定数据速率要求;关联操作完成后,mmSBS开始数据传输过程,如果数据传输过程成功,mmSBS收到对传输数据帧的确认;如果车辆组中的任何车辆无法检测到mmSBS所选波束-功率对,车辆将向LTE eNB发送反馈;同时,LTE eNB会将反馈转发给mmSBS。
所述的步骤S5,具体包括对波束-功率对进行选择和更新;每个mmSBS采用离散时间设置,系统运行时间被划分为等长的时间片,记为t,t∈{1,...,T};每当经过一个时间片t后,更新所有的波束-功率对的选择结果,并对剩下的波束-功率对进行过滤。
步骤S4-S5,具体包括如下步骤:
A1.首先,每个mmSBS的覆盖区域被划分为L个不重叠的扇区,其中对于第l个扇区,l∈{1,...,L},的虚拟波束数量都不超过Ml;一个mmSBS在第l个扇区使用的波束和功率分别被表示为一个有限集合 和一个有限集合/> 对任一扇区而言,都存在着数量为Ml×Nl的波束-功率对;mmSBS首先分别从每个扇区中选择不超过n个最佳波束-功率对,并分别分配给每个扇区中不超过n个车辆组;然后,再从所有选择的波束-功率对中选择不超过n个最佳波束-功率对,最后分配给mmSBS整个覆盖区域内不超过n个车辆组,因此,设置扇区计数变量l为1;
A2.判断扇区计数变量l是否不大于扇区数量L,若是,则进入步骤A3;否则进入步骤A7;
A3.将第l个扇区的上下文空间划分为OT个同样大小的子空间;
A4.设置第l个扇区的每个编号为<b,p>的波束-功率对在每个编号为s的上下文子空间下的使用计数变量并将第l个扇区的每个编号为<b,p>的波束-功率对在每个编号为s的上下文子空间下的使用计数变量/>的值初始化为0;
A5.设置第l个扇区的每个编号为<b,p>的波束-功率对在每个编号为s的上下文子空间下的性能估计值变量并将在每个编号为s的上下文子空间下的性能估计值变量/>的值初始为0;
A6.将扇区计数变量l的值增1,返回步骤A2;
A7.设置调度时间片计数变量t为1;
A8.判断调度时间片计数变量t是否不大于算法EFML执行的调度时间片总数量T,如果是,则进入步骤A9,否则,算法结束;
A9.计算待探测波束-功率对集合和待利用波束-功率对集合/>
A10.判断待探测波束-功率对集合是否为空集,若否,则进入步骤A11;否则进入步骤A15;
A11.将待探测波束-功率对集合的大小赋值给待探测波束-功率对集合中的成员数量u;
A12.判断待探测波束-功率对集合中的成员数量u是否不小于可并发使用的波束-功率对数量n,若是,则进入步骤S13;否则进入步骤A14;
A13.从待探测波束-功率对集合中随机选取n个波束-功率对,n为可并发使用的波束-功率对数量;进入步骤S16;
A14.先从待探测波束-功率对集合中选取全部u个波束-功率对,然后从待利用波束-功率对集合/>中,按波束-功率对性能从高到低,选取(n-u)个波束;进入步骤A16;
A15.从待利用波束-功率对待利用波束-功率对集合中,按波束-功率对性能,从高到低选取n个波束-功率对;
A16.更新波束-功率对使用计数变量和波束-功率对性能估计值变量;
A17.将调度周期计数变量t的值增1,返回步骤A8。
所述的步骤A9,具体包括如下步骤:
B1.分别初始化待探测波束-功率对集合和待利用波束-功率对集合为空集;
B2.设置扇区计数变量l为1,L是扇区总数量;
B3.判断l是否不大于L,若是,则进入步骤B4;否则算法结束;
B4.观察每个车辆组的上下文并判断其所位于的上下文子空间/>
B5.计算在第t个调度时间片内第l个扇区中待探测的波束-功率对集合
B6.判断在第t个调度时间片内第l个扇区中待探测的波束-功率对集合是否为空集;若否,进入步骤B7;否则进入步骤B11;
B7.将在第t个调度时间片内第l个扇区中待探测的波束-功率对集合的大小赋值给第l个扇区中待探测波束-功率对集合中的成员数量ul;
B8.判断第l个扇区中待探测波束-功率对集合中的成员数量ul是否不小于n,n表示可并发使用的波束-功率对数量;若是,则进入步骤B9;否则进入步骤B10;
B9.从在第t个调度时间片内第l个扇区中待探测的波束-功率对集合中随机选取n个波束-功率对,n表示可并发使用的波束-功率对数量,并将其加入待探测波束-功率对集合/>中;将扇区计数变量l增1,返回步骤B3;
B10.先从在第t个调度时间片内第l个扇区中待探测的波束-功率对集合中选取所有ul个波束-功率对,并将其加入待探测波束-功率对集合/>中;从除了待探测波束-功率对集合以外的集合/>中选取最优的n-ul个波束-功率对,并将其加入待利用波束-功率对集合/>中;将扇区计数变量l增1,返回步骤B3;
B11.从当前扇区的总波束-功率对集合中选取最优的n个波束-功率对,并将其加入待利用波束-功率对集合/>中;将扇区计数变量l增1,返回步骤B3;
所述的步骤B5,计算在第t个调度时间片内第l个扇区中待探测的波束-功率对集合具体为:
其中,log2(·)用于简便计算;α为一个大于0且小于1的设定参数;D表示车辆组的上下文向量的维数;/>是车辆组的数量;<b,p>表示波束-功率对;/>和/>表示有限集合;/>表示在第t个调度时间片内第l个扇区中编号为i的车辆组所位于的上下文子空间,且/>L是扇区总数量;/>表示更新后的上下文信息;/>表示对于每个波束-功率对<b,p>在前t个调度时间片内第l个扇区中编号为i的车辆组上下文/>所对应的上下文子空间/>的使用计数变量;
所述的步骤B10,选取最优n-ul个波束-功率对采用如下公式:
其中,表示每一次选出来的最优的波束-功率对,n为可并发使用的波束-功率对数量,ul为第l个扇区中待探测波束-功率对集合中的成员数量;表示在选择当前的最优波束-功率对的时候,之前选择选择出的波束-功率对;/>表示在第t个调度周期内在第l个扇区中待探测的波束-功率对集合;表示随机变量/>的期望值/>随机变量/>表示在时间片t内,对车辆组的上下文为/>在选择波束-功率对/>的性能;j表示当前选择的波束-功率对的计数变量;k表示在选择当前波束功率对j的之前已经选取的波束功率对的计数变量;k'表示之前已经选取的车辆上下文的计数变量;<b,p>表示波束-功率对;/>和/>表示有限集合;ol表示在第l个扇区中的车辆上下文;/>是车辆组的数量;/>表示经过第t个调度时间片的第一个时隙后mmSBS得到新的车辆组的上下文信息;/>表示当前波束-功率对时之前已经选取的波束-功率对所对应的车辆组上下文;
所述的步骤B11,选取最优的n个波束-功率对采用如下公式:
其中,表示更新后选出来的最优的波束-功率对,表示在选择当前的最优波束-功率对的时候,之前选择选择出的波束-功率对;/>表示随机变量/>的期望值/>随机变量表示在时间片t内,对车辆组的上下文为/>在选择波束-功率对/>的性能;j表示当前选择的波束-功率对的计数变量;k表示在选择当前波束功率对j的之前已经选取的波束功率对的计数变量;k'表示之前已经选取的车辆上下文的计数变量;<b,p>表示波束-功率对;/>和/>表示有限集合;ol表示在第l个扇区中的车辆上下文;/>是车辆组的数量;/>表示经过第t个调度时间片的第一个时隙后mmSBS得到新的车辆组的上下文信息;/>表示当前波束-功率对时之前已经选取的波束-功率对所对应的车辆组上下文;sl表示在第l个扇区中车辆组所位于的上下文子空间。
所述的步骤A16,计算更新的波束-功率对使用计数变量和波束-功率对性能估计值变量,具体包括如下步骤:
C1.初始化每个车辆组中信道质量最差的车辆成功接收的数据量和每个车辆组/>在其对应上下文子空间/>下使用被选定的波束-功率对/>时的预期性能值/>的值为负值;
C2.收集并记录每个扇区的第t个调度周期内被分配了波束-功率对的每个车辆组在其对应上下文子空间/>下使用被选定的波束-功率对/>时的接收数据量
C3.估计每个车辆组在其对应上下文子空间/>下使用被选定的波束-功率对时的预期性能值/>
C4.设置扇区计数变量l为1;
C5.判断扇区计数变量l是否不大于L,L是扇区总数量,若是,则进入步骤B6;否则算法结束;
C6.扇区计数变量l自身加1,并设置车辆计数变量i为1;
C7.判断车辆计数变量i是否不大于 是第l个扇区内的注册车辆组数量;若是,则进入步骤C8,否则返回步骤C5;
C8.车辆计数变量i自身加1,并设置波束-功率对计数变量j为1;
C9.判断波束-功率对计数变量j是否不大n,n为可并发使用的波束-功率对数量;若是,则进入步骤C10;否则返回步骤C7;
C10.判断每个车辆组在其对应上下文子空间/>下使用被选定的波束-功率对时的预期性能值/>的值是否不小于0;若是,则进入步骤C11;否则进入步骤C12;
C11.更新波束-功率对的性能估计值变量更新波束-功率对使用计数变量/>
C12.波束-功率对计数变量j自身加1,返回步骤C9。
所述的步骤C3,估计每个车辆组在其对应上下文子空间/>下使用被选定的波束-功率对/>时的预期性能值/>具体为:
其中,表示每个车辆组中信道质量最差的车辆成功接收的数据量;表示在第t个调度时间片内第l个扇区中基站为编号为i的车辆组选取的功率;
所述的步骤C11具体为,更新波束-功率对的性能估计值变量
其中,ζ是性能更新的权重系数;
同时,对波束-功率对使用计数变量在前一次上使用计算变量上加1。
本发明提供的这种基于在线学习的毫米波网络的车联网通信方法,通过学习车载网络中的上下文信息和波束-功率对之间的关系来选择更合适的波束和功率,从而提高毫米波无线车载网络的能量效率,能够同时满足能效高,且基本数据速率高的要求。同时在满足车辆用户基本数据速率要求的前提下,尽可能降低功耗;将互相邻近且请求相同数据内容的车辆用户组织到同一个车辆接收组中,通过共享相同的毫米波波束减少对射频链路的占用。
附图说明
图1为本发明方法的流程示意图。
图2为本发明实施例的累计接收数据量示意图。
图3为本发明实施例的在线学习代价示意图。
图4为本发明实施例的能量效率示意图。
具体实施方式
如图1为本发明方法的流程示意图:本发明提供的这种基于在线学习的毫米波网络的车联网通信方法,包括如下步骤:
S1.建立下行多播通信场景,包括一个LTE eNB(4G宏基站)、若干个mmSBSs(毫米波频段小基站)和若干车辆;
S2.车辆组向LTE eNB上传车辆信息;
S3.LTE eNB构建车辆组,并向mmSBS发送毫米波服务请求消息;
S4.mmSBS和车辆组建立关联,输出选好的波束-功率对和使用这些波束-功率对的车辆组;
S5.对波束-功率对的选择结果进行调整,并更新波束-功率对的性能值;
S6.选取性能值最大的波束-功率对,并进行通信。
所述的步骤S1,具体为建立一个集成毫米波与6GHz以下传统频段的蜂窝系统下的下行多播通信场景;mmSBS通过有线或无线回程链路与相关联的LTE eNB进行通信;每辆车都配备了两种无线接口,一个LTE接口用于保持与LTE eNB的连接,一个毫米波接口用于高速数据传输。理论上,每个mmSBS可以设置无限数量的虚拟波束,每个波束的波束宽度设置在0度到360度之间且可以允许波束重叠,射频链的数量要少得多由于制造成本和形状因素的限制,虚拟波束的数量比虚拟波束的数量多。
所述的步骤S2,具体包括当车辆欲通过毫米波链路向mmSBS发起毫米波通信时,车辆首先向LTE eNB发送注册请求消息,并通过其LTE接口与LTE eNB保持连接。该注册请求消息包含了车辆速度、位置信息和相关的请求数据内容。由于LTE eNB可能收到来自其覆盖服务区域内车辆的大量注册请求,因此能够根据一定的策略周期性地对接收到的注册请求进行分析和处理,并根据注册请求的延迟要求来调整连续处理操作的间隔。如果间隔较长,则单个时间段内处理的注册请求数量可能较大,但每辆车的响应会较慢。
所述的步骤S3具体为,一旦到了处理注册请求的时间,LTE eNB首先分析这段时间内接收到的车辆注册请求,根据车辆的速度、位置和请求数据内容一一构建车辆组,然后向潜在的mmSBS发送毫米波服务请求消息。该消息包含每个车辆组的标识符、车辆组中每个车辆的蜂窝系统标识符、车辆组内距离目标mmSBS最远的车辆的标识符以及到达mmSBS的预期方向。
构建车辆组具体为LTE eNB将其范围内的所有车辆根据它们彼此之间的接近程度以及是否请求相同的数据内容进行分组;每个mmSBS只为车辆组提供服务,即使某个时刻网络中只有一辆车,也会将其视为一个车辆组。每个车辆组都有一个唯一的标识符和其它关于该车辆组的参数,包括车辆数量、车辆标识符、请求的数据内容、车辆组内车辆分布的中心坐标和车辆组内距离目标mmSBS最远车辆的标识符。
mmSBS的最大RF链数决定了该mmSBS可以同时服务的最大车辆组数,如果一个mmSBS覆盖范围内的车辆组数和它的虚拟波束数分别超过该mmSBS的RF链数,则mmSBS应选择最佳的波束-功率对子集,以提供最佳的系统性能。本发明不限制mmSBS上的虚拟波束数量。此外,本发明允许调整每个mmSBS的传输功率。因此,需要计算如何从可用传输功率集中为每个mmSBS找到合适的传输功率。
首先,为了减少在线学习过程的搜索时间,每个mmSBS的覆盖区域被划分为L个不重叠的扇区(在本实施例中L=4),其中对于第l个扇区(l∈{1,...,L})的虚拟波束数量都不超过Ml,并且这些虚拟波束允许重叠。一个mmSBS可以在第l个扇区使用的波束和功率分别被表示为一个有限集合和一个有限集合/>因此,对任一扇区而言,都存在着数量为Ml×Nl的波束-功率对。对每个扇区而言,此mmSBS可以同时选择不超过n个概念波束-功率对并以此服务不超过n的车辆组/>其所能服务的车辆组的数量受mmSBS的RF链的最大数量限制,因此它们的最大数量都被限制于n。从全局角度来看,同一扇区中的n个波束-功率对可能不是整个基站范围内最好的n个波束-功率对。因此,mmSBS应首先分别从每个扇区中选择不超过n个最佳波束-功率对,并分别将它们分配给每个扇区中不超过n个车辆组;然后,再从所有选择的波束-功率对中选择不超过n个最佳波束-功率对,最后将它们分配给mmSBS整个覆盖区域内不超过n个车辆组。
LTE eNB能够为mmSBS提供靠近的车辆组的上下文信息,同样地,在LTE eNB的辅助下,车辆组将知道mmSBS的位置以及为其选择的波束-功率对。如下为车辆、LTE eNB和mmSBS之间信息交互的全过程。
所述的步骤S4,具体包括,通过运行本发明方案提出的EFML算法,mmSBS将使用选定的波束-功率对来响应LTE eNB的毫米波服务请求。在收到来自mmSBS的服务响应后,LTEeNB将向每个车辆组中的每个车辆发送有关mmSBS的注册响应消息,即mmSBS的位置信息和所选的波束-功率对。一旦车辆组中的每个车辆到达覆盖区域,它就会向mmSBS发送关联请求以启动mmSBS关联过程,然后它会接收到来自mmSBS的关联响应。然后,每个车辆通过分析来自mmSBS的关联响应消息获得信道状态信息(Channel State Information,CSI),并将CSI反馈给mmSBS。基于车辆组内所有车辆的CSI反馈,mmSBS可以知道它选择的波束-功率对是否能够满足车辆组中信道质量最差车辆的数据速率要求。关联操作完成后,mmSBS开始数据传输过程,如果数据传输过程成功,mmSBS将收到对传输数据帧的确认,不需要任何其他反馈;如果车辆组中的任何车辆无法检测到mmSBS所选波束-功率对,车辆将向LTE eNB发送反馈。最后,为了帮助mmSBS在未来做出更好的决策,LTE eNB会将反馈转发给mmSBS。
所述的步骤S5,具体为对波束-功率对进行选择和更新。波束-功率对的选择结果应及时调整以服务于最合适的车辆组集合,因此每个mmSBS采用离散时间设置,在本发明中,系统运行时间被划分为等长的时间片,记为t(t∈{1,...,T})。每当经过一个时间片t后,所有的波束-功率对的选择结果都将被更新。如果每个时间片相对较短,波束-功率对的选择结果将会更及时地得到更新,但这会产生更高的系统开销。因此,如何获得合理的权衡将是非常关键的,一种有效的方式就是通过经验确定具体值。
关于本发明中波束-功率对的选择和更新的详细过程如下所述。
步骤一、获取上下文信息。在每一个调度时间片之初,mmSBS的每个扇区都会记录通过LTE eNB注册进来的车辆组集合其中,/>是车辆组的数量并且满足/>参数n是mmSBS所能支持的最大RF链数决定,因此n也代表了mmSBS整个覆盖范围内可以同时获得下行传输服务的最大车辆组数。
mmSBS会接收到每个正在接近的车辆组注册的的上下文信息/>车辆组的上下文/>被看作是一个D维向量,每次在经过第t个调度时间片的第一个时隙后,mmSBS将得到新的车辆组的上下文信息,更新后的上下文信息被表示为/>在本发明中,只考虑车辆组距离(由车辆组内距离目标mmSBS最远的车辆决定)和到达方向作为车辆组的上下文,即本发明中车辆组的上下文向量是二维的(D=2)。
步骤二、基于前面得到的上下文信息,mmSBS将从第l扇区中选择不超过n个最佳波束-功率对的子集;把在每个时间片t中所选的波束-功率对的集合表示为然后,mmSBS将从所有扇区选出的波束-功率对集合/>中重新选择不超过n个最佳的波束-功率对,用来服务mmSBS覆盖区域内不超过n个车辆组。最后,车辆组集合/>中不超过n个车辆组中的车辆会被LTE eNB通知并选择接受mmSBS所选取的波束-功率对的服务。
步骤三、当每个选定车辆组中的任一车辆到达其预期的mmSBS的覆盖区域时,它将接收mmSBS发送的通信数据然后将接收情况反馈给mmSBS。通常情况下,mmSBS只观察满足每个车辆组中信道质量最差的车辆成功接收的数据量/>其表示的是车辆组/>通过所选择的波束-功率对/>成功接收的数据量,整个接收过程会直到时间切片t结束或组中信道质量最差的车辆没有被其波束覆盖。
每个车辆组中信道质量最差的车辆成功接收的数据量通常被限制为rmax,其中rmax表示的是车辆组内信道质量最差的车辆所能接收的最大数据量。通过计算接触时间和香农定理可以估计rmax,接触时间被认为是mmSBS可以向车辆组中质量最差的车辆发送数据的时间,这取决于所选取的波束-功率对的覆盖范围以及车辆速度,波束方向,波束宽度和mmSBS的发送功率大小。/>
本发明使用随机变量表示在时间片t内,对车辆组的上下文为/>在选择波束-功率对/>的性能,并可以通过下式估计得到随机变量/>
其中,表示每个车辆组中信道质量最差的车辆成功接收的数据量;性能估计可以近似认为是在时间切片t中,该车辆组在上下文为/>时获得波束-功率对/>时的能量效率值。除此之外,本发明使用随机变量/>的期望值/>表示车辆组在上下文为/>时获得波束-功率对/>的期望性能值。mmSBS选择波束-功率对子集的目标是最大限度地提高车辆组子集的预期能量效率。换句话说,它的目标是使平均期望的波束-功率对性能最大化。因此,这里将详细地介绍EFML算法:
步骤(1)、EFML在运行之初,首先会将车辆组上下文空间划分为相同大小的L·OT个D维的上下文子空间。其中,L表示输入的扇区数量参数;OT表示每个扇区中上下文子空间数量参数,且/>其中T为系统设置的调度时间片总数,参数α为一个大于0且小于1的设定参数。同时,EFML算法会为每个扇区都设置一个用于记录对于每个波束-功率对/>在每个上下文子空间/>的使用计数变量/>其作用是为了记录在调度时间片t前mmSBS对于特定的车辆组上下文子空间s已经选择并使用过波束-功率对<b,p>的总次数。同样地,EFML也会设置一个记录对于每个波束-功率对在每个上下文子空间/>的性能估计值变量/>它表示的是mmSBS对于特定的车辆组上下文子空间s使用该特定的波束-功率对<b,p>的性能估计。
步骤(2)、在每个调度时间片t内,EFML会观察进入其覆盖区域的所有车辆组的上下文;具体来说,对于每一个车辆组上下文EFML都会确定该车辆组上下文/>所对应的上下文子空间/>基于这些上下文子空间集合/>EFML算法会查找每个波束-功率对在这些上下文子空间的历史使用次数,然后将使用次数不够的波束-功率对加入到需要探测的波束-功率对集合中。这里我们用/>表示在第t个调度周期内在第l个扇区中待探测的波束-功率对集合,且可以由下式得到:/>
其中,log2(·)用于简便计算;α为一个大于0且小于1的设定参数;D表示车辆组的上下文向量的维数,即车辆组距离和车辆组到达方向;/>是车辆组的数量;<b,p>表示波束-功率对;/>和/>表示有限集合;/>表示在第t个调度时间片内第l个扇区中编号为i的车辆组所位于的上下文子空间,且/>L是扇区总数量;/>表示更新后的上下文信息;/>表示对于每个波束-功率对<b,p>在前t个调度时间片内第l个扇区中编号为i的车辆组上下文/>所对应的上下文子空间/>的使用计数变量。
对任一扇区来说,如果其需要进一步探测的波束-功率对集合不为空,那么EFML算法会进入探测阶段。此时,如果该扇区中需要进一步探测的波束-功率对集合中成员个数不小于系统可并发使用的波束-功率对数量n,那么就随机选择n个需要进一步探测的波束-功率对;否则,先选取所有需要进一步探测的波束-功率对集合中的所有成员,然后再从不需要进一步探测的波束-功率对集合中按性能估计值由高至低补全数量n,且可以通过下式得到:
其中,表示每一次选出来的最优的波束-功率对;表示在选择当前的最优波束-功率对的时候,之前选择选择出的波束-功率对;/>表示在第t个调度周期内在第l个扇区中待探测的波束-功率对集合;表示随机变量/>的期望值/>随机变量/>表示在时间片t内,对车辆组的上下文为/>在选择波束-功率对/>的性能;j表示当前选择的波束-功率对的计数变量;k表示在选择当前波束功率对j的之前已经选取的波束功率对的计数变量;k'表示之前已经选取的车辆上下文的计数变量;<b,p>表示波束-功率对;/>和/>表示有限集合;ol表示在第l个扇区中的车辆上下文;/>是车辆组的数量;/>表示经过第t个调度时间片的第一个时隙后mmSBS得到新的车辆组的上下文信息;表示当前波束-功率对时之前已经选取的波束-功率对所对应的车辆组上下文。
如果此时扇区内需要进一步探测的波束-功率对集合为空,那么EFML进入利用阶段。即从不需要进一步探测的波束-功率对集合中按性能估计值由高至低选出最多n个波束-功率对且可由下式得到:
其中,表示更新后选出来的最优的波束-功率对,表示在选择当前的最优波束-功率对的时候,之前选择选择出的波束-功率对;/>表示随机变量/>的期望值/>随机变量表示在时间片t内,对车辆组的上下文为/>在选择波束-功率对/>的性能;j表示当前选择的波束-功率对的计数变量;k表示在选择当前波束功率对j的之前已经选取的波束功率对的计数变量;k'表示之前已经选取的车辆上下文的计数变量;<b,p>表示波束-功率对;/>和/>表示有限集合;ol表示在第l个扇区中的车辆上下文;/>是车辆组的数量;/>表示经过第t个调度时间片的第一个时隙后mmSBS得到新的车辆组的上下文信息;/>表示当前波束-功率对时之前已经选取的波束-功率对所对应的车辆组上下文;sl表示在第l个扇区中车辆组所位于的上下文子空间。
步骤(3)、当mmSBS的所有扇区都对其已注册车辆组遍历检查完之后,mmSBS会得到待探测波束-功率对集合和和待利用波束-功率对集合并进入到至多选取n个最佳波束-功率对的最终选择阶段。若当前待探测波束-功率对集合/>不为空,则统计该待探测波束-功率对集合/>中的成员数量u。若u不小于系统可并发使用的波束-功率对数量n,则随机选取n个待探测波束-功率对;否则全部选上u个待探测波束-功率对后,再从待利用波束-功率对集合/>中选取(n-u)个最佳的波束-功率对。若/>为空,则mmSBS就直接从/>中选取最佳的n个波束-功率对。
步骤(4)、当选取出来的最多n个波束-功率对都分配给相应的车辆组之后,mmSBS将收集这些车辆组在该调度时间片内接收数据的情况,并依据收集到的观察值估计相应的能量效率值,然后更新波束-功率对在相应上下文子空间下的性能估计值。针对每个扇区内的每个波束-功率对在每个上下文子空间下的性能估计值其估算公式如下:
其中,ζ是性能更新的权重系数。通过调整此权重系数,EFML算法实现对系统的通信环境发生变化的及时适应性和对偶尔波动的强鲁棒性之间的权衡。
同样地,也要对相对应的使用计数变量进行更新调整,即更新相应的使用次数,即在前一次上使用计算变量上加1:
其中,表示使用计数变量。
步骤S4-S5,包括EFML算法,如下所示:
A1.设置扇区计数变量l为1;
A2.判断l是否不大于L,L是扇区数量,若是,则进入步骤A3;否则进入步骤A7;
A3.将第l个扇区的上下文空间划分为OT个同样大小的子空间;
A4.设置第l个扇区的每个编号为<b,p>的波束-功率对在每个编号为s的上下文子空间下的使用计数变量并将在每个编号为s的上下文子空间下的使用计数变量的值初始化为0;
A5.设置第l个扇区的每个编号为<b,p>的波束-功率对在每个编号为s的上下文子空间下的性能估计值变量并将在每个编号为s的上下文子空间下的性能估计值变量/>的值初始为0;
A6.将扇区计数变量l的值增1,返回步骤A2;
A7.设置调度时间片计数变量t为1;
A8.判断t是否不大于T,T是算法EFML执行的调度时间片总数量,如果是,则进入步骤A9,否则,算法结束;
A9.计算待探测波束-功率对集合和待利用波束-功率对集合/>
A10.判断待探测波束-功率对集合是否为空集,若否,则进入步骤A11;否则进入步骤A15;
A11.将待探测波束-功率对集合的大小赋值给变量u;
A12.判断u是否不小于n,n为可并发使用的波束-功率对数量,若是,则进入步骤A13;否则进入步骤A14;
A13.从待探测波束-功率对集合中随机选取n个波束-功率对,n为可并发使用的波束-功率对数量;进入步骤A16;
A14.先从待探测波束-功率对集合中选取全部u个波束-功率对,然后从待利用波束-功率对集合/>中,按波束-功率对性能从高到低,选取(n-u)个波束;进入步骤A16;
A15.从待利用波束-功率对待利用波束-功率对集合中,按波束-功率对性能,从高到低选取n个波束-功率对;
A16.更新波束-功率对使用计数变量和波束-功率对性能估计值变量;
A17.将调度周期计数变量t的值增1,返回步骤A8。
步骤A9,具体包括如下步骤:
B1.分别初始化待探测波束-功率对集合和待利用波束-功率对集合为空集;
B2.设置扇区计数变量l为1,L是扇区总数量;
B3.判断l是否不大于L,若是,则进入步骤B4;否则算法结束;
B4.观察每个车辆组的上下文并判断其所位于的上下文子空间/>
B5.计算在第t个调度时间片内第l个扇区中待探测的波束-功率对集合
其中,log2(·)用于简便计算;α为一个大于0且小于1的设定参数;D表示车辆组的上下文向量的维数,即车辆组距离和车辆组到达方向;/>是车辆组的数量;<b,p>表示波束-功率对;/>和/>表示有限集合;/>表示在第t个调度时间片内第l个扇区中编号为i的车辆组所位于的上下文子空间,且/>L是扇区总数量;/>表示更新后的上下文信息;/>表示对于每个波束-功率对<b,p>在前t个调度时间片内第l个扇区中编号为i的车辆组上下文/>所对应的上下文子空间/>的使用计数变量。
B6.判断在第t个调度时间片内第l个扇区中待探测的波束-功率对集合是否为空集;若否,进入步骤B7;否则进入步骤B11;/>
B7.将在第t个调度时间片内第l个扇区中待探测的波束-功率对集合的大小赋值给第l个扇区中待探测波束-功率对集合中的成员数量ul;
B8.判断第l个扇区中待探测波束-功率对集合中的成员数量ul是否不小于n,n表示可并发使用的波束-功率对数量;若是,则进入步骤B9;否则进入步骤A10;
B9.从在第t个调度时间片内第l个扇区中待探测的波束-功率对集合中随机选取n个波束-功率对,n表示可并发使用的波束-功率对数量,并将其加入待探测波束-功率对集合/>中;将扇区计数变量l增1,并返回步骤B3;
B10.先从在第t个调度时间片内第l个扇区中待探测的波束-功率对集合中选取所有ul个波束-功率对,并将其加入待探测波束-功率对集合/>中;从除了待探测波束-功率对集合以外的集合/>(\表示集合中除此之外的另外一部分,例如A\B表示集合A除了集合B之外的集合)中选取最优的n-ul个波束-功率对,并将其加入待利用波束-功率对集合/>中;将扇区计数变量l增1,返回步骤B3;
选取最优n-ul个波束-功率对采用如下公式:
其中,表示每一次选出来的最优的波束-功率对,n为可并发使用的波束-功率对数量,ul为第l个扇区中待探测波束-功率对集合中的成员数量;表示在选择当前的最优波束-功率对的时候,之前选择选择出的波束-功率对;/>表示在第t个调度周期内在第l个扇区中待探测的波束-功率对集合;表示随机变量/>的期望值/>随机变量/>表示在时间片t内,对车辆组的上下文为/>在选择波束-功率对/>的性能;j表示当前选择的波束-功率对的计数变量;k表示在选择当前波束功率对j的之前已经选取的波束功率对的计数变量;k'表示之前已经选取的车辆上下文的计数变量;<b,p>表示波束-功率对;/>和/>表示有限集合;ol表示在第l个扇区中的车辆上下文;/>是车辆组的数量;/>表示经过第t个调度时间片的第一个时隙后mmSBS得到新的车辆组的上下文信息;/>表示当前波束-功率对时之前已经选取的波束-功率对所对应的车辆组上下文。
B11.从当前扇区的总波束-功率对集合中选取最优的n个波束-功率对,并将其加入待利用波束-功率对集合/>中;将扇区计数变量l增1,并返回步骤B3;
选取最优的n个波束-功率对采用如下公式:
其中,表示更新后选出来的最优的波束-功率对,表示在选择当前的最优波束-功率对的时候,之前选择选择出的波束-功率对;/>表示随机变量/>的期望值/>随机变量表示在时间片t内,对车辆组的上下文为/>在选择波束-功率对/>的性能;j表示当前选择的波束-功率对的计数变量;k表示在选择当前波束功率对j的之前已经选取的波束功率对的计数变量;k'表示之前已经选取的车辆上下文的计数变量;<b,p>表示波束-功率对;/>和/>表示有限集合;ol表示在第l个扇区中的车辆上下文;/>是车辆组的数量;/>表示经过第t个调度时间片的第一个时隙后mmSBS得到新的车辆组的上下文信息;/>表示当前波束-功率对时之前已经选取的波束-功率对所对应的车辆组上下文;sl表示在第l个扇区中车辆组所位于的上下文子空间。
所述的步骤A16,计算更新的波束-功率对使用计数变量和波束-功率对性能估计值变量,具体包括如下步骤:
C1.初始化每个车辆组中信道质量最差的车辆成功接收的数据量和每个车辆组/>在其对应上下文子空间/>下使用被选定的波束-功率对/>时的预期性能值/>的值为负值;
C2.收集并记录每个扇区的第t个调度周期内被分配了波束-功率对的每个车辆组在其对应上下文子空间/>下使用被选定的波束-功率对/>时的接收数据量
C3.估计每个车辆组在其对应上下文子空间/>下使用被选定的波束-功率对时的预期性能值/>
其中,表示每个车辆组中信道质量最差的车辆成功接收的数据量;表示在第t个调度时间片内第l个扇区中基站为编号为i的车辆组选取的功率。
C4.设置扇区计数变量l为1;
C5.判断扇区计数变量l是否不大于L,L是扇区总数量,若是,则进入步骤B6;否则算法结束;
C6.扇区计数变量l自身加1,并设置车辆计数变量i为1;
C7.判断车辆计数变量i是否不大于 是第l个扇区内的注册车辆组数量;若是,则进入步骤C8,否则返回步骤C5;
C8.车辆计数变量i自身加1,并设置波束-功率对计数变量j为1;
C9.判断波束-功率对计数变量j是否不大n,n为可并发使用的波束-功率对数量;若是,则进入步骤C10;否则返回步骤C7;
C10.判断每个车辆组在其对应上下文子空间/>下使用被选定的波束-功率对时的预期性能值/>的值是否不小于0;若是,则进入步骤C11;否则进入步骤C12;
C11.更新波束-功率对的性能估计值变量更新波束-功率对使用计数变量/>
步骤C11具体为,更新波束-功率对的性能估计值变量
/>
其中,ζ是性能更新的权重系数;
同时,对波束-功率对使用计数变量在之前上使用计算变量上加1。
C12.波束-功率对计数变量j自身加1,返回步骤C9。
在本发明的模拟场景中,我们将mmSBS的覆盖范围划分为4个大小相同的扇区(即L=4),不同的扇区在道路长度和道路分布方面存在着一些差异。对于每个扇区我们从两个维度划分,首先以mmSBS作为等角划分的中心点,然后作为等长划分的起点。基于上述的空间划分原则,LTE eNB除了需要关注车辆请求的数据内容外,还应将位于同一角度范围内的注册车辆视为同一个车辆组,其中车辆组与mmSBS的距离由车辆组中最远的成员决定。为简单起见,我们将车辆组与mmSBS的距离分为三个级别:近距离、中等距离和远距离。如果车辆组和mmSBS的距离小于RN(在本实施例中取33米),则将其视为近距离。否则,如果小于RM(在本实施例中取66米),则视为中等距离。除此之外,其他情况都将被认为是“远距离”。
本发明为mmSBS的每个扇区设置了7个不同波束宽度(即从30°到90°,步长为10°)的波束。除此之外,我们设置mmSBS可调整的传输功率分为10个等级,即离散传输功率值设置为0.1瓦到1瓦,步长为0.1瓦。在本发明的仿真模拟中,我们将mmSBS的时间片设置为固定的时间长度,即3秒。其中每个车辆组的上下文向量都是一个二维的上下文向量,即包含到达方向维度和车辆组距离维度。车辆组的到达方向定义为以mmSBS为原点的平面坐标系X轴正方向与车辆组中心点和mmSBS连线的夹角。我们用OT表示mmSBS的每个扇区中二维子空间的数量,并设置OT=18。此外,参数α被设置为0.34。基于上述的这些参数,根据和/>可得控制函数K(t)的值大约为2.03,以及调度时间片总数量T约为6000。此外,本发明中考虑车辆的速度在5~10m/s之间。
本发明方案的仿真采用的毫米波信道传播模型:
其中,是当mmSBS的发射功率为/>时,车辆i的接收功率;而/>是mmSBS向车辆i使用定向波束的发射功率;/>为定向发射增益;/>为定向接收增益;/>是mmSBS与车辆i之间的信道增益。当mmSBS选择了一个确定的波束-功率对并与车辆i对准通信时,定向发射增益/>和定向接收增益/>可由如下估计:
/>
其中,表示的是发送方mmSBS的波宽;/>是接收方车辆i的波宽;此外,ξ是增益的旁瓣并取其为大于0且远小于1的参数;/>表示的是mmSBS和车辆i的连线与mmSBS发射波束中心线的夹角;/>则是车辆i和mmSBS的连线与车辆i接收波束中心线的夹角;mmSBS与车辆i之间的信道增益/>可由下式估计得到:
其中,δ(·)表示狄拉克函数;τ表示传播延迟;τi是mmSBS与车辆i之间的传播延迟,且可由τi=di/c求出,其中,di是mmSBS和车辆i之间的距离,c是光速;是mmSBS与车辆i之间的路径振幅,无线信号的传输方式分为视距(Line of Sight,LOS)传输和非视距(NonLine of Sight,NLOS)传输,当收发两端之间有阻碍物时,NLOS路径会出现诸如高路径损耗、反射和穿透损耗等一些问题,为简便在本方明方法中只考虑指定路径中的反射。LOS和NLOS传输路径幅度的可分别由下式估计:
其中,λ表示波长且可由,λ=c/fc求出;fc表示系统载波频率;表示mmSBS和车辆i路径的反射系数;di是mmSBS和车辆i之间的距离,。
现有技术中使用道路标识符和到达方向作为上下文信息,而不是使用到达方向和车辆组距离。因此,为了比较在相同上下文下以能量效率为优化目标和以接收数据量为优化目标的差异,我们为此设计了一个对比方案,为方便起见将其称为对比方案一。对比方案一保留了以接收数据量为优化目标,采用固定的传输功率且不使用组播模式,其他地方与本发明方案相同。
此外,还设计了一个以保证车辆组的用户体验质量为目标的对比方案,为简便起见称为对比方案二。基于近似估计公式如果车辆的信噪比γi(Signal-to-Noise Ratio,SNR)已知,就可以轻松估算从mmSBS到车辆的比特传输成功率。也就是说,如果我们知道每辆车的接收误码率(Bit Error Rate,BER)阈值/>就可以通过让等于/>来估计对应的SNR阈值/>具体估计公式可以表示为:
为了保证每辆车从mmSBS接收数据的BER水平不高于则mmSBS的发射功率不应低于发射功率阈值/>可估计如下:
其中,W表示毫米波链路带宽;N0表示环境噪声功率密度;表示SNR阈值;/>为定向发射增益;/>为定向接收增益;/>是mmSBS与车辆i之间的信道增益。当mmSBS采用/>向车辆i发送数据时,mmSBS到车辆i的比特传输成功率可以表示为:
因此,结合香农定理,对比方案二从mmSBS到车辆i的能量效率可以表示为:
其中,W表示毫米波链路带宽;表示SNR阈值;/>表示发射功率阈值。
仿真实验中采用的性能指标是能量效率、在线学习成本、累计接收数据。本发明方案和对比方案一的能量效率定义如所示,而对比方案二的能量效率定义如公式/>所示。在线学习成本的定义是每种方案达到一定百分比的最优性能时的学习算法的探索轮数。累计接收数据定义为在所有调度周期T内所有车辆接收到的数据量。为方便起见,将本实施例中的主要仿真参数的值列于表1中。
表1仿真参数
采用OMNeT++5.4.1网络仿真器得到图2至图4所示结果。如图2为本发明实施例的累计接收数据量示意图。如图3为本发明实施例的在线学习代价示意图。如图4为本发明实施例的能量效率示意图。
从图2可以看出,随着模拟区域内车辆数量的增加,累计接收到的数据也随之增加。原因是车辆数量越少,系统中的上下文信息就越少,最终导致学习效果更差。相对而言,系统准确选择接收数据最大化的波束-功率对的可能性较小。但是随着车辆数量的增加,就意味着可以提供更多的上下文信息,有利于获得更好的学习效果。在这种情况下,系统就更有可能精确地选择最大化接收数据的波束-功率对。从图2中还可以观察到,本发明方案在累积接收数据方面优于其他对比方案。出现这种情况主要有两个原因:一方面,与对比方案一相比,本发明方案可以为每个具有相同请求的车辆组提供服务(即多播),而对比方案一侧重于单播通信(即只有唯一的车辆用户将得到服务)。另一方面,对比方案二只考虑了满足车辆组内最差的SNR,而本发明方案允许在满足系统BER阈值的情况下调整功率。也就是说,除了为车组寻找更合适的波束方向和波束宽度外,还可以提供更合适的功率来降低功耗。
从图3中可以观察到,在线学习的探索成本随着模拟区域内车辆数量的增加而减少。主要原因是在一个调度周期内进入系统的车辆越多,对应的上下文子空间的数量就越多,因此可以检测到每个波束-功率对在更多子空间中的性能。如果发现没有历史性能数据或记录的历史数据不充分,应尽快进入探测阶段。因此,如果在一个调度时间片内可以调度更多的波束进行探测,这有利于更快地检测每个上下文子空间中每个波束-功率对的性能,从而有效减少探索轮数。在图3中,还可以看出本发明方案的在线学习成本高于其他对比方案。这是因为另外两种对比方案都没有考虑功率调整的维度,因此它们具有相同的学习上下文空间。但是,由于本方明方案考虑了可调整的发射功率,因此本发明方案中波束-功率对的数量要大于其他不考虑功率分配的方案。也就是说,本发明方案需要探索更大的学习空间(即波束-功率对和上下文子空间的更大的组合),即导致了更大的上下文空间需要学习,所以本发明方案的在线学习成本更高。
从图4可以看出,随着模拟区域内车辆数量的增加,网络的能量效率也在增加。由图2的结果我们可知随着车辆数量的增加,系统的累计接收数据会增加。此外,具有相同请求且距离较近的车辆被分组在同一个车辆组里,并且组中的车辆共享相同的毫米波波束。也就是说,本方明方案通过降低能耗和节省通信资源提高了系统的能量效率。同时也能从图4看出本方明方案实现的能量效率优于其他对比方案实现的能量效率。主要原因是对比方案一只考虑使用固定的发射功率,而对比方案二也仅仅考虑满足某个车辆组中最差的SNR,即这两种对比方案都没有考虑发射功率的可调性。但是,除了满足车辆组内的BER阈值外,本发明方案还可以为毫米波基站调整到更合适的传输功率,从而提高系统的能量效率。
现有的基于在线学习的毫米波波束选择方案都旨在最大化网络整体聚合接收数据,而本发明方法旨在提高蜂窝辅助车载网络的能量效率。在本发明方法中,只要能提高能量效率就允许调整每个毫米波基站的发射功率。因此可以在满足车辆用户基本数据速率要求的前提下,尽可能降低功耗。为了进一步降低能耗和节省通信资源,本发明方法将互相邻近且请求相同数据内容的车辆用户组织到同一个车辆接收组中,通过共享相同的毫米波波束减少对射频链路的占用。仿真结果表明,与现有的相关算法相比,本发明方法在保持良好的累计接收数据的同时,大大提高了蜂窝辅助车载网络的能量效率。
Claims (8)
1.一种基于在线学习的毫米波网络的车联网通信方法,其特征在于包括如下步骤:
S1.建立下行多播通信场景,包括一个LTE eNB、若干个mmSBSs和若干车辆;
S2.车辆组向LTE eNB上传车辆信息;
S3.LTE eNB构建车辆组,并向mmSBS发送毫米波服务请求消息;
S4.mmSBS和车辆组建立关联,输出选好的波束-功率对和使用这些波束-功率对的车辆组;
S5.对波束-功率对的选择结果进行调整,并更新波束-功率对的性能值;
S6.选取性能值最大的波束-功率对,并进行通信;
其中,步骤S4-S5,具体包括如下步骤:
A1.首先,每个mmSBS的覆盖区域被划分为L个不重叠的扇区,其中对于第l个扇区,l∈{1,…,L},的虚拟波束数量都不超过Ml;一个mmSBS在第l个扇区使用的波束和功率分别被表示为一个有限集合 和一个有限集合/> 对任一扇区而言,都存在着数量为Ml×Nl的波束-功率对;mmSBS首先分别从每个扇区中选择不超过n个最佳波束-功率对,并分别分配给每个扇区中不超过n个车辆组;然后,再从所有选择的波束-功率对中选择不超过n个最佳波束-功率对,最后分配给mmSBS整个覆盖区域内不超过n个车辆组,因此,设置扇区计数变量l为1;
A2.判断扇区计数变量l是否不大于扇区数量L,若是,则进入步骤A3;否则进入步骤A7;
A3.将第l个扇区的上下文空间划分为OT个同样大小的子空间;
A4.设置第l个扇区的每个编号为<b,p>的波束-功率对在每个编号为s的上下文子空间下的使用计数变量并将第l个扇区的每个编号为<b,p>的波束-功率对在每个编号为s的上下文子空间下的使用计数变量/>的值初始化为0;
A5.设置第l个扇区的每个编号为<b,p>的波束-功率对在每个编号为s的上下文子空间下的性能估计值变量并将在每个编号为s的上下文子空间下的性能估计值变量的值初始为0;
A6.将扇区计数变量l的值增1,返回步骤A2;
A7.设置调度时间片计数变量t为1;
A8.判断调度时间片计数变量t是否不大于算法EFML执行的调度时间片总数量T,如果是,则进入步骤A9,否则,算法结束;
A9.计算待探测波束-功率对集合和待利用波束-功率对集合/>具体包括如下步骤:
B1.分别初始化待探测波束-功率对集合和待利用波束-功率对集合/>为空集;
B2.设置扇区计数变量l为1,L是扇区总数量;
B3.判断l是否不大于L,若是,则进入步骤B4;否则算法结束;
B4.观察每个车辆组的上下文并判断其所位于的上下文子空间/>
B5.计算在第t个调度时间片内第l个扇区中待探测的波束-功率对集合
B6.判断在第t个调度时间片内第l个扇区中待探测的波束-功率对集合是否为空集;若否,进入步骤B7;否则进入步骤B11;
B7.将在第t个调度时间片内第l个扇区中待探测的波束-功率对集合的大小赋值给第l个扇区中待探测波束-功率对集合中的成员数量ul;
B8.判断第l个扇区中待探测波束-功率对集合中的成员数量ul是否不小于n,n表示可并发使用的波束-功率对数量;若是,则进入步骤B9;否则进入步骤B10;
B9.从在第t个调度时间片内第l个扇区中待探测的波束-功率对集合中随机选取n个波束-功率对,n表示可并发使用的波束-功率对数量,并将其加入待探测波束-功率对集合/>中;将扇区计数变量l增1,返回步骤B3;
B10.先从在第t个调度时间片内第l个扇区中待探测的波束-功率对集合中选取所有ul个波束-功率对,并将其加入待探测波束-功率对集合/>中;从除了待探测波束-功率对集合以外的集合/>中选取最优的n-ul个波束-功率对,并将其加入待利用波束-功率对集合/>中;将扇区计数变量l增1,返回步骤B3;
B11.从当前扇区的总波束-功率对集合中选取最优的n个波束-功率对,并将其加入待利用波束-功率对集合/>中;将扇区计数变量l增1,返回步骤B3;
所述的步骤B5,计算在第t个调度时间片内第l个扇区中待探测的波束-功率对集合具体为:
其中,log2(·)用于简便计算;α为一个大于0且小于1的设定参数;D表示车辆组的上下文向量的维数;/>是车辆组的数量;<b,p>表示波束-功率对;/>和/>表示有限集合;/>表示在第t个调度时间片内第l个扇区中编号为i的车辆组所位于的上下文子空间,且/>L是扇区总数量;/>表示更新后的上下文信息;表示对于每个波束-功率对<b,p>在前t个调度时间片内第l个扇区中编号为i的车辆组上下文/>所对应的上下文子空间/>的使用计数变量;
所述的步骤B10,选取最优n-ul个波束-功率对采用如下公式:
其中,表示每一次选出来的最优的波束-功率对,n为可并发使用的波束-功率对数量,ul为第l个扇区中待探测波束-功率对集合中的成员数量;表示在选择当前的最优波束-功率对的时候,之前选择选择出的波束-功率对;/>表示在第t个调度周期内在第l个扇区中待探测的波束-功率对集合;表示随机变量/>的期望值/>随机变量/>表示在时间片t内,对车辆组的上下文为/>在选择波束-功率对/>的性能;j表示当前选择的波束-功率对的计数变量;k表示在选择当前波束功率对j的之前已经选取的波束功率对的计数变量;k'表示之前已经选取的车辆上下文的计数变量;<b,p>表示波束-功率对;/>和/>表示有限集合;ol表示在第l个扇区中的车辆上下文;/>是车辆组的数量;/>表示经过第t个调度时间片的第一个时隙后mmSBS得到新的车辆组的上下文信息;/>表示当前波束-功率对之前已经选取的波束-功率对所对应的车辆组上下文;
所述的步骤B11,选取最优的n个波束-功率对采用如下公式:
其中,表示更新后选出来的最优的波束-功率对,/>表示在选择当前的最优波束-功率对的时候,之前选择选择出的波束-功率对;/>表示随机变量/>的期望值/>随机变量/>表示在时间片t内,对车辆组的上下文为/>在选择波束-功率对/>的性能;j表示当前选择的波束-功率对的计数变量;k表示在选择当前波束功率对j的之前已经选取的波束功率对的计数变量;k'表示之前已经选取的车辆上下文的计数变量;<b,p>表示波束-功率对;和/>表示有限集合;ol表示在第l个扇区中的车辆上下文;/>是车辆组的数量;/>表示经过第t个调度时间片的第一个时隙后mmSBS得到新的车辆组的上下文信息;/>表示当前波束-功率对时之前已经选取的波束-功率对所对应的车辆组上下文;sl表示在第l个扇区中车辆组所位于的上下文子空间;
A10.判断待探测波束-功率对集合是否为空集,若否,则进入步骤A11;否则进入步骤A15;
A11.将待探测波束-功率对集合的大小赋值给待探测波束-功率对集合中的成员数量u;
A12.判断待探测波束-功率对集合中的成员数量u是否不小于可并发使用的波束-功率对数量n,若是,则进入步骤S13;否则进入步骤A14;
A13.从待探测波束-功率对集合中随机选取n个波束-功率对,n为可并发使用的波束-功率对数量;进入步骤S16;
A14.先从待探测波束-功率对集合中选取全部u个波束-功率对,然后从待利用波束-功率对集合/>中,按波束-功率对性能从高到低,选取(n-u)个波束;进入步骤A16;
A15.从待利用波束-功率对待利用波束-功率对集合中,按波束-功率对性能,从高到低选取n个波束-功率对;
A16.更新波束-功率对使用计数变量和波束-功率对性能估计值变量;
A17.将调度周期计数变量t的值增1,返回步骤A8。
2.根据权利要求1所述的基于在线学习的毫米波网络的车联网通信方法,其特征在于所述的步骤S1包括,建立一个集成毫米波与蜂窝系统下的下行多播通信场景;mmSBS通过有线或无线回程链路与相关联的LTE eNB进行通信;每辆车都包含两种无线接口,其中,LTE接口用于与LTE eNB的连接,毫米波接口用于高速数据传输。
3.根据权利要求2所述的基于在线学习的毫米波网络的车联网通信方法,其特征在于所述的步骤S2包括,当车辆欲通过毫米波链路向mmSBS发起毫米波通信时,车辆向LTE eNB发送注册请求消息,并通过LTE接口与LTE eNB保持连接;注册请求消息包括车辆速度、位置信息和相关的请求数据内容。
4.根据权利要求3所述的基于在线学习的毫米波网络的车联网通信方法,其特征在于所述的步骤S3包括,LTE eNB分析接收到的车辆注册请求,根据车辆的速度、位置和请求数据内容构建车辆组,LTE eNB向潜在的mmSBS发送毫米波服务请求消息;毫米波服务请求消息包含每个车辆组的标识符、车辆组中每个车辆的蜂窝系统标识符、车辆组内距离目标mmSBS最远的车辆的标识符和到达mmSBS的预期方向;构建车辆组具体包括,LTE eNB将设定范围内的所有车辆根据车辆彼此之间的接近程度以及是否请求相同的数据内容进行分组;每个车辆组都有一个唯一的标识符和其它关于该车辆组的参数,其它关于该车辆组的参数包括车辆数量、车辆标识符、请求的数据内容、车辆组内车辆分布的中心坐标和车辆组内距离目标mmSBS最远车辆的标识符。
5.根据权利要求4所述的基于在线学习的毫米波网络的车联网通信方法,其特征在于所述的步骤S4包括,在收到来自mmSBS的服务响应后,LTE eNB将向每个车辆组中的每个车辆发送有关mmSBS的注册响应消息,有关mmSBS的注册响应消息包括mmSBS的位置信息和所选的波束-功率对;具体为若车辆组中的每个车辆到达覆盖区域,LTE eNB向mmSBS发送关联请求以启动mmSBS关联过程,然后接收到来自mmSBS的关联响应;每个车辆通过分析来自mmSBS的关联响应消息获得信道状态信息,并将CSI反馈给mmSBS;基于车辆组内所有车辆的CSI反馈,mmSBS判断选择的波束-功率对是否达到车辆组中信道质量最差车辆的设定数据速率要求;关联操作完成后,mmSBS开始数据传输过程,如果数据传输过程成功,mmSBS收到对传输数据帧的确认;如果车辆组中的任何车辆无法检测到mmSBS所选波束-功率对,车辆将向LTE eNB发送反馈;同时,LTE eNB会将反馈转发给mmSBS。
6.根据权利要求5所述的基于在线学习的毫米波网络的车联网通信方法,其特征在于所述的步骤S5,具体包括对波束-功率对进行选择和更新;每个mmSBS采用离散时间设置,系统运行时间被划分为等长的时间片,记为t,t∈{1,...,T};每当经过一个时间片t后,更新所有的波束-功率对的选择结果,并对剩下的波束-功率对进行过滤。
7.根据权利要求1所述的基于在线学习的毫米波网络的车联网通信方法,其特征在于所述的步骤A16,计算更新的波束-功率对使用计数变量和波束-功率对性能估计值变量,具体包括如下步骤:
C1.初始化每个车辆组中信道质量最差的车辆成功接收的数据量和每个车辆组/>在其对应上下文子空间/>下使用被选定的波束-功率对/>时的预期性能值/>的值为负值;
C2.收集并记录每个扇区的第t个调度周期内被分配了波束-功率对的每个车辆组在其对应上下文子空间/>下使用被选定的波束-功率对/>时的接收数据量/>
C3.估计每个车辆组在其对应上下文子空间/>下使用被选定的波束-功率对时的预期性能值/>
C4.设置扇区计数变量l为1;
C5.判断扇区计数变量l是否不大于L,L是扇区总数量,若是,则进入步骤B6;否则算法结束;
C6.扇区计数变量l自身加1,并设置车辆计数变量i为1;
C7.判断车辆计数变量i是否不大于是第l个扇区内的注册车辆组数量;若是,则进入步骤C8,否则返回步骤C5;
C8.车辆计数变量i自身加1,并设置波束-功率对计数变量j为1;
C9.判断波束-功率对计数变量j是否不大n,n为可并发使用的波束-功率对数量;若是,则进入步骤C10;否则返回步骤C7;
C10.判断每个车辆组在其对应上下文子空间/>下使用被选定的波束-功率对时的预期性能值/>的值是否不小于0;若是,则进入步骤C11;否则进入步骤C12;
C11.更新波束-功率对的性能估计值变量更新波束-功率对使用计数变量/>
C12.波束-功率对计数变量j自身加1,返回步骤C9。
8.根据权利要求7所述的基于在线学习的毫米波网络的车联网通信方法,其特征在于所述的步骤C3,估计每个车辆组在其对应上下文子空间/>下使用被选定的波束-功率对/>时的预期性能值/>具体为:
其中,表示每个车辆组中信道质量最差的车辆成功接收的数据量;/>表示在第t个调度时间片内第l个扇区中基站为编号为i的车辆组选取的功率;
所述的步骤C11具体为,更新波束-功率对的性能估计值变量
其中,ζ是性能更新的权重系数;
同时,对波束-功率对使用计数变量在前一次上使用计算变量上加1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111088357.6A CN113630887B (zh) | 2021-09-16 | 2021-09-16 | 一种基于在线学习的毫米波网络的车联网通信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111088357.6A CN113630887B (zh) | 2021-09-16 | 2021-09-16 | 一种基于在线学习的毫米波网络的车联网通信方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113630887A CN113630887A (zh) | 2021-11-09 |
CN113630887B true CN113630887B (zh) | 2024-02-09 |
Family
ID=78390221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111088357.6A Active CN113630887B (zh) | 2021-09-16 | 2021-09-16 | 一种基于在线学习的毫米波网络的车联网通信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113630887B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018034703A1 (en) * | 2016-08-19 | 2018-02-22 | Intel Corporation | Beam prediction and adaptation for blockage mitigation |
CN108419286A (zh) * | 2018-01-18 | 2018-08-17 | 北京邮电大学 | 一种面对5g无人机通信联合波束与功率的分配算法 |
EP3383076A1 (en) * | 2017-03-30 | 2018-10-03 | Toyota Jidosha Kabushiki Kaisha | Vehicle-mounted millimeter-wave communication device and communication method |
CN109327252A (zh) * | 2018-10-30 | 2019-02-12 | 电子科技大学 | 一种基于联系上下文的在线学习波束选择方法 |
CN109711330A (zh) * | 2018-12-25 | 2019-05-03 | 山东雷诚电子科技有限公司 | 一种主动毫米波人体成像威胁物检测方法 |
CN109743093A (zh) * | 2018-12-26 | 2019-05-10 | 北京邮电大学 | 一种无人机毫米波通信波束追踪方法 |
CN110418307A (zh) * | 2018-04-26 | 2019-11-05 | 华为技术有限公司 | 一种用于无线通信的方法、装置 |
KR20190126025A (ko) * | 2019-10-21 | 2019-11-08 | 엘지전자 주식회사 | 차량의 데이터 통신 방법 및 장치 |
CN111526499A (zh) * | 2020-04-17 | 2020-08-11 | 中南大学 | 基于在线学习和毫米波束选择的车载终端通信方法 |
CN111865446A (zh) * | 2020-07-29 | 2020-10-30 | 中南大学 | 利用网络环境上下文信息实现的智能波束配准方法与装置 |
CN112272232A (zh) * | 2020-10-23 | 2021-01-26 | 北京邮电大学 | 毫米波车联网资源调度方法、装置、电子设备及存储介质 |
CN113271569A (zh) * | 2021-06-09 | 2021-08-17 | 南京万般上品信息技术有限公司 | 一种基于5G mmWaves的智能车载通信方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11122479B2 (en) * | 2018-11-16 | 2021-09-14 | Airfide Networks LLC | Systems and methods for millimeter wave V2X wireless communications |
US11096176B2 (en) * | 2019-05-24 | 2021-08-17 | Huawei Technologies Co., Ltd. | Location-based beam prediction using machine learning |
-
2021
- 2021-09-16 CN CN202111088357.6A patent/CN113630887B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018034703A1 (en) * | 2016-08-19 | 2018-02-22 | Intel Corporation | Beam prediction and adaptation for blockage mitigation |
EP3383076A1 (en) * | 2017-03-30 | 2018-10-03 | Toyota Jidosha Kabushiki Kaisha | Vehicle-mounted millimeter-wave communication device and communication method |
CN108419286A (zh) * | 2018-01-18 | 2018-08-17 | 北京邮电大学 | 一种面对5g无人机通信联合波束与功率的分配算法 |
CN110418307A (zh) * | 2018-04-26 | 2019-11-05 | 华为技术有限公司 | 一种用于无线通信的方法、装置 |
CN109327252A (zh) * | 2018-10-30 | 2019-02-12 | 电子科技大学 | 一种基于联系上下文的在线学习波束选择方法 |
CN109711330A (zh) * | 2018-12-25 | 2019-05-03 | 山东雷诚电子科技有限公司 | 一种主动毫米波人体成像威胁物检测方法 |
CN109743093A (zh) * | 2018-12-26 | 2019-05-10 | 北京邮电大学 | 一种无人机毫米波通信波束追踪方法 |
KR20190126025A (ko) * | 2019-10-21 | 2019-11-08 | 엘지전자 주식회사 | 차량의 데이터 통신 방법 및 장치 |
CN111526499A (zh) * | 2020-04-17 | 2020-08-11 | 中南大学 | 基于在线学习和毫米波束选择的车载终端通信方法 |
CN111865446A (zh) * | 2020-07-29 | 2020-10-30 | 中南大学 | 利用网络环境上下文信息实现的智能波束配准方法与装置 |
CN112272232A (zh) * | 2020-10-23 | 2021-01-26 | 北京邮电大学 | 毫米波车联网资源调度方法、装置、电子设备及存储介质 |
CN113271569A (zh) * | 2021-06-09 | 2021-08-17 | 南京万般上品信息技术有限公司 | 一种基于5G mmWaves的智能车载通信方法 |
Non-Patent Citations (6)
Title |
---|
A Deep Learning-Based Low Overhead Beam Selection in mmWave Communications;Haruhi Echigo;《IEEE》;全文 * |
An Online Context-Aware Machine Learning Algorithm for 5G mmWave Vehicular Communications;Gek Hong Sim;《IEEE》;全文 * |
C-RAN系统中计算资源和无线资源联合分配机制研究;李英石;《中国优秀硕士学位论文全文数据库》;全文 * |
基于深度强化学习的V2I通信毫米波波束设计研究;曾浩;《中国会议》;全文 * |
基于物联网技术的智慧教室设计与实现;桂劲松;《中国电化教育》;全文 * |
毫米波宽带倍频器与谐波混频器研究;刘尧;《中国优秀硕士学位论文全文数据库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113630887A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Time-division ISAC enabled connected automated vehicles cooperation algorithm design and performance evaluation | |
Chen et al. | Deep-learning-based intelligent intervehicle distance control for 6G-enabled cooperative autonomous driving | |
WO2023040231A1 (zh) | 面向非对称毫米波大规模mimo的多用户上下行波束对准方法 | |
US9345032B2 (en) | Method and apparatus for determining network clusters for wireless backhaul networks | |
EP3222092B1 (en) | Method for managing communication between a plurality of moving objects | |
Chen et al. | A millimeter wave-based sensor data broadcasting scheme for vehicular communications | |
CN110972312B (zh) | 一种毫米波蜂窝网络的小区间干扰协调方法 | |
CN111526499B (zh) | 基于在线学习和毫米波束选择的车载终端通信方法 | |
CN108901000B (zh) | 一种基于毫米波的车载自组织网络性能分析法 | |
Zhang et al. | Adaptive beamforming-based gigabit message dissemination for highway VANETs | |
CN114928611B (zh) | 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法 | |
Li et al. | Multi-hop links quality analysis of 5G enabled vehicular networks | |
Qiu et al. | Maintaining links in the highly dynamic fanet using deep reinforcement learning | |
Sanghvi et al. | Res6edge: An edge-ai enabled resource sharing scheme for c-v2x communications towards 6g | |
CN102035588A (zh) | 基于角度信息的发射多播赋形方法及系统 | |
CN113630887B (zh) | 一种基于在线学习的毫米波网络的车联网通信方法 | |
Amer et al. | Hybrid power control and contention window adaptation for channel congestion problem in internet of vehicles network | |
Hirai et al. | Node clustering communication method with member data estimation to improve qos of V2X communications for driving assistance with crash warning | |
Hardes et al. | Modern wlan for v2x applications: exploiting beamforming for platooning | |
CN111132298B (zh) | 一种功率分配方法和装置 | |
CN114071420B (zh) | 一种基于动态分簇的v2x高速车载信息传输方法 | |
Gui et al. | Enhancing energy efficiency for cellular-assisted vehicular networks by online learning-based mmWave beam selection | |
CN111464221B (zh) | 毫米波蜂窝网下基于bft的无线接入方法及通信方法 | |
Lou et al. | Efficient DRL-based HD map Dissemination in V2I Communications | |
Sundarraj et al. | Energy efficient mobile harvesting scheme for clustered SDWSN with beamforming technique |
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 |