CN114189447A - 数据传送系统及其工作方法 - Google Patents
数据传送系统及其工作方法 Download PDFInfo
- Publication number
- CN114189447A CN114189447A CN202111427126.3A CN202111427126A CN114189447A CN 114189447 A CN114189447 A CN 114189447A CN 202111427126 A CN202111427126 A CN 202111427126A CN 114189447 A CN114189447 A CN 114189447A
- Authority
- CN
- China
- Prior art keywords
- bandwidth
- mobile terminal
- wireless
- vector
- distance
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及数据传送的领域,其具体地公开了一种数据传送系统及其工作方法。其采用基于深度学习技术的卷积神经网络模型来挖掘出各个所述STA与所述AP之间的距离关系的高维关联特征,且进一步地分别对所述带宽特征向量和所述距离拓扑特征图进行下行参数和上行参数的转换,以融合特征空间的差异来表达通信特征信息,进而可以获得所述无线AP为各个移动终端分配的带宽值。通过这样的方式,可以使得各个所述STA最终完成接收的时间能更好地进行协同,从而也就会提高传送的质量。
Description
技术领域
本发明涉及数据传送的领域,且更为具体地,涉及一种数据传送系统及其工作方法。
背景技术
随着电子设备的不断普及,基于网络的无线通信技术也正走在不断成熟的路上。目前,在很多场景中,一个AP会关联大量的STA移动终端同时接收组播,例如在一个教室内,所有的学生都用Pad接收视频课程时,其会采用组播的方式来接收AP的数据,但是这样并没有考虑STA与AP之间的距离以及传播速率,进而就会产生诸多的问题。
例如,各个STA与AP之间的距离越远时,信号传输越不稳定且越容易出问题,并且各个STA所接收的数据量占总需传输数据的比率越小,则应尽量提高所分配的带宽值来使得各个STA最终完成接收的时间能更好地协同,而不至于相差太多时间。因此,当不论STA与AP之间的距离以及传播速率而一律采用组播的方式时,就会使得原本有更好的传播质量的STA设备由于随其他STA一起组播方式接收数据而降低传送质量。因此,为了获得较高的传输质量,期望一种数据传送方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种数据传送系统及其工作方法,其采用基于深度学习技术的卷积神经网络模型来挖掘出各个所述STA与所述AP之间的距离关系的高维关联特征,且进一步地分别对所述带宽特征向量和所述距离拓扑特征图进行下行参数和上行参数的转换,以融合特征空间的差异来表达通信特征信息,进而可以获得所述无线AP为各个移动终端分配的带宽值。通过这样的方式,可以使得各个所述STA最终完成接收的时间能更好地进行协同,从而也就会提高传送的质量。
根据本申请的一个方面,提供了一种数据传送系统,其包括:
矩阵构造单元,用于将以无线AP为中心的各个移动终端的拓扑结构构造为距离拓扑矩阵;
神经网络单元,用于使用卷积神经网络从所述距离拓扑矩阵获得距离拓扑特征图,所述距离拓扑特征图用于表示各个移动终端与无线AP之间的距离关系的高维关联特征的;
带宽向量构造单元,用于获取当前所述无线AP向各个所述移动终端分配的带宽并将所述无线AP向各个所述移动终端分配的带宽组成带宽向量;
编码单元,用于将所述带宽向量通过编码器以获得带宽特征向量;
下行转换单元,用于对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量,其中,基于下行参数的转换基于无线AP对各个移动终端的发射功率、每个移动终端的小规模衰减效应值、加性白高斯噪声的功率和无线AP到各个移动终端的信号中的干涉进行;
上行转换单元,用于对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图,其中,进行基于上行参数的转换基于两个移动终端之间的接收功率增益、各个移动终端的接收功率、两个移动终端之间的小规模衰减效应值、两个移动终端之间的小规模衰减功率分量和两个移动终端之间的信号中的干涉进行;
映射单元,用于将所述上行特征图与所述下行特征向量进行矩阵相乘以将所述下行特征向量映射到所述上行特征图的特征空间中,以获得带宽分配特征向量;
分配比率计算单元,用于计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比率,其中,所述类Softmax分类函数值为取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值除以取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值的加权和的结果;以及
传输单元确定单元,用于基于所述各个移动终端应分配的带宽占总带宽的比率,确定所述无线AP为各个移动终端分配的带宽值。
在上述数据传送系统中,所述矩阵构造单元,进一步用于:将各个所述移动终端进行编号;将编号后的所述移动终端按照矩阵的行和列排列;在所述矩阵的非对角线的每个位置填充两个移动终端之间的距离;以及,在所述矩阵的对角线位置填充各个移动终端与无线AP之间的距离以获得所述距离拓扑矩阵。
在上述数据传送系统中,所述编码单元,进一步用于:使用所述编码器的全连接层对所述带宽向量中各个位置的特征值进行全连接编码;以及,使用所述编码器的一维卷积层对所述带宽向量中各个位置的特征值之间的关联进行一维卷积处理,以获得所述带宽特征向量。
在上述数据传送系统中,所述下行转换单元,进一步用于:以如下公式对所述带宽特征向量进行基于下行参数的转换以获得所述下行特征向量;
所述公式为:
其中,Di是下行参数,Vi是所述带宽特征向量中的每个位置的特征值,Ti是无线AP对每个移动终端的发射功率,ai是每个移动终端的小规模衰减效应值,hi是每个移动终端的小规模衰减功率分量,σ2表示加性白高斯噪声的功率,且Ii是无线AP到每个移动终端的信道中的干涉。
在上述数据传送系统中,所述上行转换单元,进一步用于以如下公式对所述距离拓扑特征图进行基于上行参数的转换以获得所述上行特征图;
所述公式为:
其中,Ui,j是上行参数,Fi,j是所述距离拓扑特征图中的每个位置的特征值,Gi,j是第i和第j移动终端之间的接收功率增益,Gi,i表示第i移动终端本身的接收功率,ai,j是第i和第j移动终端之间的小规模衰减效应值,hi,j是第i和第j移动终端之间的小规模衰减功率分量,且Ii,j是第i和第j移动终端之间的信道中的干涉。
在上述数据传送系统中,所述分配比率计算单元,进一步用于:以如下公式计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比;所述公式为:Pi=exp(-fi)/∑iexp(-fi),其中,Pi为各个移动终端应分配的带宽占总带宽的比,fi为所述带宽分配特征向量中各个位置的特征值。
根据本申请的另一方面,一种数据传送系统的工作方法,其包括:
将以无线AP为中心的各个移动终端的拓扑结构构造为距离拓扑矩阵;
使用卷积神经网络从所述距离拓扑矩阵获得距离拓扑特征图,所述距离拓扑特征图用于表示各个移动终端与无线AP之间的距离关系的高维关联特征的;
获取当前所述无线AP向各个所述移动终端分配的带宽并将所述无线AP向各个所述移动终端分配的带宽组成带宽向量;
将所述带宽向量通过编码器以获得带宽特征向量;
对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量,其中,基于下行参数的转换基于无线AP对各个移动终端的发射功率、每个移动终端的小规模衰减效应值、加性白高斯噪声的功率和无线AP到各个移动终端的信号中的干涉进行;
对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图,其中,进行基于上行参数的转换基于两个移动终端之间的接收功率增益、各个移动终端的接收功率、两个移动终端之间的小规模衰减效应值、两个移动终端之间的小规模衰减功率分量和两个移动终端之间的信号中的干涉进行;
将所述上行特征图与所述下行特征向量进行矩阵相乘以将所述下行特征向量映射到所述上行特征图的特征空间中,以获得带宽分配特征向量;
计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比率,其中,所述类Softmax分类函数值为取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值除以取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值的加权和的结果;以及
基于所述各个移动终端应分配的带宽占总带宽的比率,确定所述无线AP为各个移动终端分配的带宽值。
在上述数据传送系统的工作方法中,将以无线AP为中心的各个移动终端的拓扑结构构造为距离拓扑矩阵,包括:将各个所述移动终端进行编号;将编号后的所述移动终端按照矩阵的行和列排列;在所述矩阵的非对角线的每个位置填充两个移动终端之间的距离;以及,在所述矩阵的对角线位置填充各个移动终端与无线AP之间的距离以获得所述距离拓扑矩阵。
在上述数据传送系统的工作方法中,将所述带宽向量通过编码器以获得带宽特征向量,包括:使用所述编码器的全连接层对所述带宽向量中各个位置的特征值进行全连接编码;以及,使用所述编码器的一维卷积层对所述带宽向量中各个位置的特征值之间的关联进行一维卷积处理,以获得所述带宽特征向量。
在上述数据传送系统的工作方法中,对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量,所述公式为:
其中,Di是下行参数,Vi是所述带宽特征向量中的每个位置的特征值,Ti是无线AP对每个移动终端的发射功率,ai是每个移动终端的小规模衰减效应值,hi是每个移动终端的小规模衰减功率分量,σ2表示加性白高斯噪声的功率,且Ii是无线AP到每个移动终端的信道中的干涉。
在上述数据传送系统的工作方法中,对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图,包括:以如下公式对所述距离拓扑特征图进行基于上行参数的转换以获得所述上行特征图;所述公式为:
其中,Ui,j是上行参数,Fi,j是所述距离拓扑特征图中的每个位置的特征值,Gi,j是第i和第j移动终端之间的接收功率增益,Gi,i表示第i移动终端本身的接收功率,ai,j是第i和第j移动终端之间的小规模衰减效应值,hi,j是第i和第j移动终端之间的小规模衰减功率分量,且Ii,j是第i和第j移动终端之间的信道中的干涉。
在上述数据传送系统的工作方法中,计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比率,包括:以如下公式计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比;所述公式为:Pi=exp(-fi)/∑iexp(-fi),其中,Pi为各个移动终端应分配的带宽占总带宽的比,fi为所述带宽分配特征向量中各个位置的特征值。
与现有技术相比,本申请提供的数据传送系统及其工作方法,其采用基于深度学习技术的卷积神经网络模型来挖掘出各个所述STA与所述AP之间的距离关系的高维关联特征,且进一步地分别对所述带宽特征向量和所述距离拓扑特征图进行下行参数和上行参数的转换,以融合特征空间的差异来表达通信特征信息,进而可以获得所述无线AP为各个移动终端分配的带宽值。通过这样的方式,可以使得各个所述STA最终完成接收的时间能更好地进行协同,从而也就会提高传送的质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的数据传送系统的应用场景图。
图2为根据本申请实施例的数据传送系统的框图。
图3为根据本申请实施例的数据传送系统的工作方法的流程图。
图4为根据本申请实施例的数据传送系统的工作方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,目前,在很多场景中,一个AP会关联大量的STA移动终端同时接收组播,例如在一个教室内,所有的学生都用Pad接收视频课程时,其会采用组播的方式来接收AP的数据,但是这样并没有考虑STA与AP之间的距离以及传播速率,进而就会产生诸多的问题。
例如,各个STA与AP之间的距离越远时,信号传输越不稳定且越容易出问题,并且各个STA所接收的数据量占总需传输数据的比率越小,则应尽量提高所分配的带宽值来使得各个STA最终完成接收的时间能更好地协同,而不至于相差太多时间。因此,当不论STA与AP之间的距离以及传播速率而一律采用组播的方式时,就会使得原本有更好的传播质量的STA设备由于随其他STA一起组播方式接收数据而降低传送质量。因此,为了获得较高的传输质量,期望一种数据传送方案。
具体地,为了表达以AP为中心的各个STA的拓扑结构,首先构造距离拓扑矩阵,也就是,将各个STA编号后按矩阵的行和列排列,其中矩阵的每个位置为对应的两个STA之间的距离,而矩阵的对角线位置则为相应的STA与AP之间的距离。
然后,将该距离拓扑矩阵输入卷积神经网络,以挖掘出各个STA与AP之间的距离关系的高维关联特征,从而获得距离拓扑特征图。同时,针对AP到STA的信号特征,获取当前AP向各个STA分配的带宽组成的带宽向量,并通过由全连接层和一维卷积层组成的编码器进行特征编码,以获得带宽特征向量。
这里,考虑到带宽特征向量归属于AP到STA的下行通信特征空间,而距离拓扑特征图归属于STA到AP以及STA之间的上行通信特征空间,一方面为了融合特征空间的差异,一方面也为了进一步表达通信特征信息,需要分别对带宽特征向量和距离拓扑特征图进行下行参数和上行参数的转换,具体为:
其中,Di是下行参数,Vi是带宽特征向量中的每个位置的特征值,Ti是AP对每个STA的发射功率,ai是每个STA的小规模衰减效应值,包含路径损失和遮挡损失,hi是每个STA的小规模衰减功率分量,其与频率相关,且可以假定为是单位均值的指数分布,且σ2表示加性白高斯噪声的功率,Ii是AP到每个STA的信道中的干涉。
并且,Ui,j是上行参数,Fi,j是距离拓扑特征图中的每个位置的特征值,Gi,j是第i和第j STA之间的接收功率增益,其中Gi,i表示第i STA本身的接收功率,ai,j是第i和第jSTA之间的小规模衰减效应值,hi,j是第i和第j STA之间的小规模衰减功率分量,且Ii,j是第i和第j STA之间的信道中的干涉。
这样,就获得下行特征向量和上行特征图,然后,在将上行特征图乘以下行特征向量,以将当前带宽的通信特征表示映射到拓扑特征空间中,以得到带宽特征向量。这样,再计算带宽特征向量的每个位置的类Softmax分类函数,即exp(-fi)/∑iexp(-fi),就可以得到当前每个STA应该分配的带宽占总带宽的比率。
基于此,本申请提出了一种数据传送系统,其包括:矩阵构造单元,用于将以无线AP为中心的各个移动终端的拓扑结构构造为距离拓扑矩阵;神经网络单元,用于使用卷积神经网络从所述距离拓扑矩阵获得距离拓扑特征图,所述距离拓扑特征图用于表示各个移动终端与无线AP之间的距离关系的高维关联特征的;带宽向量构造单元,用于获取当前所述无线AP向各个所述移动终端分配的带宽并将所述无线AP向各个所述移动终端分配的带宽组成带宽向量;编码单元,用于将所述带宽向量通过编码器以获得带宽特征向量;下行转换单元,用于对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量,其中,基于下行参数的转换基于无线AP对各个移动终端的发射功率、每个移动终端的小规模衰减效应值、加性白高斯噪声的功率和无线AP到各个移动终端的信号中的干涉进行;上行转换单元,用于对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图,其中,进行基于上行参数的转换基于两个移动终端之间的接收功率增益、各个移动终端的接收功率、两个移动终端之间的小规模衰减效应值、两个移动终端之间的小规模衰减功率分量和两个移动终端之间的信号中的干涉进行;映射单元,用于将所述上行特征图与所述下行特征向量进行矩阵相乘以将所述下行特征向量映射到所述上行特征图的特征空间中,以获得带宽分配特征向量;分配比率计算单元,用于计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比率,其中,所述类Softmax分类函数值为取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值除以取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值的加权和的结果;以及,传输单元确定单元,用于基于所述各个移动终端应分配的带宽占总带宽的比率,确定所述无线AP为各个移动终端分配的带宽值。
图1图示了根据本申请实施例的数据传送系统的应用场景图。如图1所示,在该应用场景中,首先,获取以无线AP(例如,如图1中所示意的T)为中心的各个移动终端(例如,如图1中所示意的M)的拓扑结构,以及获取当前所述无线AP向各个所述移动终端分配的带宽,其中,所述移动终端包括但不局限于智能手机、平板、电脑等电子设备。然后,将获取的所述拓扑结构和所述分配的带宽输入至部署有数据传送系统算法的服务器中(例如,如图1中所示意的云服务器S),其中,所述服务器能够以数据传送系统算法对所述拓扑结构和所述分配的带宽进行处理,以生成各个移动终端应分配的带宽占总带宽的比率。进而,再基于获得的所述比率,确定所述无线AP为各个移动终端分配的带宽值。也就是,通过计算各个所述移动终端应分配的带宽占总带宽的比率乘以所述总带宽,就能够得到各个所述移动终端应分配的带宽值。通过这样的方式,可以使得各个所述STA最终完成接收的时间能更好地进行协同,从而也就会提高传送的质量。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的数据传送系统的框图。如图2所示,根据本申请实施例的数据传送系统200,包括:矩阵构造单元210,用于将以无线AP为中心的各个移动终端的拓扑结构构造为距离拓扑矩阵;神经网络单元220,用于使用卷积神经网络从所述距离拓扑矩阵获得距离拓扑特征图,所述距离拓扑特征图用于表示各个移动终端与无线AP之间的距离关系的高维关联特征的;带宽向量构造单元230,用于获取当前所述无线AP向各个所述移动终端分配的带宽并将所述无线AP向各个所述移动终端分配的带宽组成带宽向量;编码单元240,用于将所述带宽向量通过编码器以获得带宽特征向量;下行转换单元250,用于对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量,其中,基于下行参数的转换基于无线AP对各个移动终端的发射功率、每个移动终端的小规模衰减效应值、加性白高斯噪声的功率和无线AP到各个移动终端的信号中的干涉进行;上行转换单元260,用于对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图,其中,进行基于上行参数的转换基于两个移动终端之间的接收功率增益、各个移动终端的接收功率、两个移动终端之间的小规模衰减效应值、两个移动终端之间的小规模衰减功率分量和两个移动终端之间的信号中的干涉进行;映射单元270,用于将所述上行特征图与所述下行特征向量进行矩阵相乘以将所述下行特征向量映射到所述上行特征图的特征空间中,以获得带宽分配特征向量;分配比率计算单元280,用于计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比率,其中,所述类Softmax分类函数值为取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值除以取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值的加权和的结果;以及,传输单元确定单元290,用于基于所述各个移动终端应分配的带宽占总带宽的比率,确定所述无线AP为各个移动终端分配的带宽值。
具体地,在本申请实施例中,所述矩阵构造单元210和神经网络单元220,用于将以无线AP为中心的各个移动终端的拓扑结构构造为距离拓扑矩阵,并使用卷积神经网络从所述距离拓扑矩阵获得距离拓扑特征图,所述距离拓扑特征图用于表示各个移动终端与无线AP之间的距离关系的高维关联特征的。如前所述,应可以理解,在实际的应用场景中,当各个STA与无线AP之间的距离越远时,信号的传输越不稳定越容易出问题,并且,各个所述STA之间还会存在着信号干扰。因此,为了解决这些问题,需要考虑各个所述STA相对于所述AP的物理拓扑关系。相应地,在本申请的技术方案中,为了表达以所述AP为中心的各个所述STA的拓扑结构,首先,构造距离拓扑矩阵,也就是,将各个所述STA编号后按矩阵的行和列排列,其中,矩阵的每个位置为对应的两个STA之间的距离,而矩阵的对角线位置则为相应的STA与AP之间的距离。然后,再将所述距离拓扑矩阵通过卷积神经网络进行处理,以挖掘出各个所述STA与所述AP之间的距离关系的高维关联特征,从而获得距离拓扑特征图。值得一提的是,这里,所述距离拓扑特征图表示各个移动终端与无线AP之间的距离关系的高维关联特征。
更具体地,在本申请实施例中,所述矩阵构造单元,进一步用于:将各个所述移动终端进行编号;将编号后的所述移动终端按照矩阵的行和列排列;在所述矩阵的非对角线的每个位置填充两个移动终端之间的距离;以及,在所述矩阵的对角线位置填充各个移动终端与无线AP之间的距离以获得所述距离拓扑矩阵。值得一提的是,这里,所述移动终端包括但不局限于智能手机、平板、电脑等电子设备。
具体地,在本申请实施例中,所述带宽向量构造单元230和编码单元240,用于获取当前所述无线AP向各个所述移动终端分配的带宽并将所述无线AP向各个所述移动终端分配的带宽组成带宽向量,并将所述带宽向量通过编码器以获得带宽特征向量。也就是,针对所述无线AP到所述STA的信号特征,获取当前所述无线AP向各个所述STA分配的带宽组成的带宽向量,再将所述带宽向量通过由全连接层和一维卷积层组成的编码器进行特征编码,以获得带宽特征向量。应可以理解,在考虑到各个所述STA相对于所述AP的物理拓扑关系的同时,还需要考虑各个所述STA所接收的数据量占总需传输数据的比率,当该所述比例越小时,应尽量提高所分配的带宽值来使得各个所述STA最终完成接收的时间能更好地协同,从而避免相差太多的时间。
更具体地,在本申请实施例中,所述编码单元,进一步用于:使用所述编码器的全连接层对所述带宽向量中各个位置的特征值进行全连接编码;以及,使用所述编码器的一维卷积层对所述带宽向量中各个位置的特征值之间的关联进行一维卷积处理,以获得所述带宽特征向量。
具体地,在本申请实施例中,所述下行转换单元250和所述上行转换单元260,用于对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量,并对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图。应可以理解,考虑到所述带宽特征向量归属于所述AP到所述STA的下行通信特征空间,而所述距离拓扑特征图归属于所述STA到所述AP以及所述STA之间的上行通信特征空间,因此,在本申请的技术方案中,一方面为了融合特征空间的差异,一方面也为了进一步表达通信特征信息,需要分别对所述带宽特征向量和所述距离拓扑特征图进行下行参数和上行参数的转换。也就是,首先,对所述带宽特征向量进行下行参数的转换,其中,基于下行参数的转换基于无线AP对各个移动终端的发射功率、每个移动终端的小规模衰减效应值、加性白高斯噪声的功率和无线AP到各个移动终端的信号中的干涉进行。然后,对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图,其中,进行基于上行参数的转换基于两个移动终端之间的接收功率增益、各个移动终端的接收功率、两个移动终端之间的小规模衰减效应值、两个移动终端之间的小规模衰减功率分量和两个移动终端之间的信号中的干涉进行。
更具体地,在一个具体示例中,所述下行转换单元,进一步用于:以如下公式对所述带宽特征向量进行基于下行参数的转换以获得所述下行特征向量;
所述公式为:
其中,Di是下行参数,Vi是所述带宽特征向量中的每个位置的特征值,Ti是无线AP对每个移动终端的发射功率,ai是每个移动终端的小规模衰减效应值,hi是每个移动终端的小规模衰减功率分量,其与频率相关,且可以假定为是单位均值的指数分布,σ2表示加性白高斯噪声的功率,且Ii是无线AP到每个移动终端的信道中的干涉。
更具体地,在一个具体示例中,所述上行转换单元,进一步用于以如下公式对所述距离拓扑特征图进行基于上行参数的转换以获得所述上行特征图;
所述公式为:
其中,Ui,j是上行参数,Fi,j是所述距离拓扑特征图中的每个位置的特征值,Gi,j是第i和第j移动终端之间的接收功率增益,Gi,i表示第i移动终端本身的接收功率,ai,j是第i和第j移动终端之间的小规模衰减效应值,hi,j是第i和第j移动终端之间的小规模衰减功率分量,且Ii,j是第i和第j移动终端之间的信道中的干涉。
具体地,在本申请实施例中,所述映射单元270,用于将所述上行特征图与所述下行特征向量进行矩阵相乘以将所述下行特征向量映射到所述上行特征图的特征空间中,以获得带宽分配特征向量。应可以理解,为了将所述当前带宽的通信特征与所述物理拓扑特征进行融合,就需要将所述上行特征图与所述下行特征向量进行融合。也就是,在一个具体示例中,将所述上行特征图与所述下行特征向量进行矩阵相乘,以将所述当前带宽的通信特征表示映射到所述拓扑特征空间中,从而得到带宽分配特征向量。值得一提的是,这里,所述带宽分配特征向量表示融合了所述当前带宽的通信特征与所述拓扑特征之间的高维关联性特征。
具体地,在本申请实施例中,所述分配比率计算单元280和所述传输单元确定单元290,用于计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比率,并基于所述各个移动终端应分配的带宽占总带宽的比率,确定所述无线AP为各个移动终端分配的带宽值。也就是,在本申请的技术方案中,首先,将所述带宽分配特征向量通入类Softmax分类函数进行处理,以计算出与所述带宽分配特征向量中各个位置的特征值相对应的类Softmax分类函数值,从而得到各个所述移动终端应分配的带宽占总带宽的比率,其中,所述类Softmax分类函数值为取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值除以取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值的加权和的结果。然后,再基于所述各个移动终端应分配的带宽占总带宽的比率,来确定所述无线AP为各个移动终端分配的带宽值,也就是,在一个具体示例中,可以通过计算各个所述移动终端应分配的带宽占总带宽的比率乘以所述总带宽,就能够得到各个所述移动终端应分配的带宽值。通过这样的方式,可以使得各个所述STA最终完成接收的时间能更好地进行协同,从而也就会提高传送的质量。
更具体地,在本申请实施例中,所述分配比率计算单元,进一步用于:以如下公式计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比;所述公式为:Pi=exp(-fi)/∑iexp(-fi),其中,Pi为各个移动终端应分配的带宽占总带宽的比,fi为所述带宽分配特征向量中各个位置的特征值。
综上,基于本申请实施例的所述数据传送系统200被阐明,其采用基于深度学习技术的卷积神经网络模型来挖掘出各个所述STA与所述AP之间的距离关系的高维关联特征,且进一步地分别对所述带宽特征向量和所述距离拓扑特征图进行下行参数和上行参数的转换,以融合特征空间的差异来表达通信特征信息,进而可以获得所述无线AP为各个移动终端分配的带宽值。通过这样的方式,可以使得各个所述STA最终完成接收的时间能更好地进行协同,从而也就会提高传送的质量。
如上所述,根据本申请实施例的数据传送系统200可以实现在各种终端设备中,例如数据传送系统算法的服务器等。在一个示例中,根据本申请实施例的数据传送系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该数据传送系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该数据传送系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该数据传送系统200与该终端设备也可以是分立的设备,并且该数据传送系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图3图示了数据传送系统的工作方法的流程图。如图3所示,根据本申请实施例的数据传送系统的工作方法,包括步骤:S110,将以无线AP为中心的各个移动终端的拓扑结构构造为距离拓扑矩阵;S120,使用卷积神经网络从所述距离拓扑矩阵获得距离拓扑特征图,所述距离拓扑特征图用于表示各个移动终端与无线AP之间的距离关系的高维关联特征的;S130,获取当前所述无线AP向各个所述移动终端分配的带宽并将所述无线AP向各个所述移动终端分配的带宽组成带宽向量;S140,将所述带宽向量通过编码器以获得带宽特征向量;S150,对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量,其中,基于下行参数的转换基于无线AP对各个移动终端的发射功率、每个移动终端的小规模衰减效应值、加性白高斯噪声的功率和无线AP到各个移动终端的信号中的干涉进行;S160,对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图,其中,进行基于上行参数的转换基于两个移动终端之间的接收功率增益、各个移动终端的接收功率、两个移动终端之间的小规模衰减效应值、两个移动终端之间的小规模衰减功率分量和两个移动终端之间的信号中的干涉进行;S170,将所述上行特征图与所述下行特征向量进行矩阵相乘以将所述下行特征向量映射到所述上行特征图的特征空间中,以获得带宽分配特征向量;S180,计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比率,其中,所述类Softmax分类函数值为取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值除以取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值的加权和的结果;以及,S190,基于所述各个移动终端应分配的带宽占总带宽的比率,确定所述无线AP为各个移动终端分配的带宽值。
图4图示了根据本申请实施例的数据传送系统的工作方法的架构示意图。如图4所示,在所述数据传送系统的工作方法的网络架构中,首先,将以无线AP为中心的各个移动终端的拓扑结构(例如,如图4中所示意的IN1)构造为距离拓扑矩阵(例如,如图4中所示意的M1);接着,使用卷积神经网络(例如,如图4中所示意的CNN)从所述距离拓扑矩阵获得距离拓扑特征图(例如,如图4中所示意的F1);然后,获得的当前所述无线AP向各个所述移动终端分配的带宽(例如,如图4中所示意的IN2)组成带宽向量(例如,如图4中所示意的V1);接着,将所述带宽向量通过编码器(例如,如图4中所示意的E)以获得带宽特征向量(例如,如图4中所示意的VF1);然后,对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量(例如,如图4中所示意的VF2);接着,对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图(例如,如图4中所示意的F2);然后,将所述上行特征图与所述下行特征向量进行矩阵相乘以将所述下行特征向量映射到所述上行特征图的特征空间中,以获得带宽分配特征向量(例如,如图4中所示意的VF);接着,计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比率(例如,如图4中所示意的R);以及,然后,基于所述各个移动终端应分配的带宽占总带宽的比率,确定所述无线AP为各个移动终端分配的带宽值。
更具体地,在步骤S110和步骤S120中,将以无线AP为中心的各个移动终端的拓扑结构构造为距离拓扑矩阵,并使用卷积神经网络从所述距离拓扑矩阵获得距离拓扑特征图,所述距离拓扑特征图用于表示各个移动终端与无线AP之间的距离关系的高维关联特征的。也就是,在本申请的技术方案中,为了表达以所述AP为中心的各个所述STA的拓扑结构,首先,构造距离拓扑矩阵,也就是,将各个所述STA编号后按矩阵的行和列排列,其中,矩阵的每个位置为对应的两个STA之间的距离,而矩阵的对角线位置则为相应的STA与AP之间的距离。然后,再将所述距离拓扑矩阵通过卷积神经网络进行处理,以挖掘出各个所述STA与所述AP之间的距离关系的高维关联特征,从而获得距离拓扑特征图。值得一提的是,这里,所述距离拓扑特征图表示各个移动终端与无线AP之间的距离关系的高维关联特征。
更具体地,在步骤S130和步骤S140中,获取当前所述无线AP向各个所述移动终端分配的带宽并将所述无线AP向各个所述移动终端分配的带宽组成带宽向量,并将所述带宽向量通过编码器以获得带宽特征向量。也就是,针对所述无线AP到所述STA的信号特征,获取当前所述无线AP向各个所述STA分配的带宽组成的带宽向量,再将所述带宽向量通过由全连接层和一维卷积层组成的编码器进行特征编码,以获得带宽特征向量。
更具体地,在步骤S150和步骤S160中,对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量,其中,基于下行参数的转换基于无线AP对各个移动终端的发射功率、每个移动终端的小规模衰减效应值、加性白高斯噪声的功率和无线AP到各个移动终端的信号中的干涉进行,并对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图,其中,进行基于上行参数的转换基于两个移动终端之间的接收功率增益、各个移动终端的接收功率、两个移动终端之间的小规模衰减效应值、两个移动终端之间的小规模衰减功率分量和两个移动终端之间的信号中的干涉进行。应可以理解,考虑到所述带宽特征向量归属于所述AP到所述STA的下行通信特征空间,而所述距离拓扑特征图归属于所述STA到所述AP以及所述STA之间的上行通信特征空间,因此,在本申请的技术方案中,一方面为了融合特征空间的差异,一方面也为了进一步表达通信特征信息,需要分别对所述带宽特征向量和所述距离拓扑特征图进行下行参数和上行参数的转换。也就是,首先,对所述带宽特征向量进行下行参数的转换。然后,对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图。
更具体地,在步骤S170中,将所述上行特征图与所述下行特征向量进行矩阵相乘以将所述下行特征向量映射到所述上行特征图的特征空间中,以获得带宽分配特征向量。应可以理解,为了将所述当前带宽的通信特征与所述物理拓扑特征进行融合,就需要将所述上行特征图与所述下行特征向量进行融合。也就是,在一个具体示例中,将所述上行特征图与所述下行特征向量进行矩阵相乘,以将所述当前带宽的通信特征表示映射到所述拓扑特征空间中,从而得到带宽分配特征向量。值得一提的是,这里,所述带宽分配特征向量表示融合了所述当前带宽的通信特征与所述拓扑特征之间的高维关联性特征。
更具体地,在步骤S180和步骤S190中,计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比率,其中,所述类Softmax分类函数值为取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值除以取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值的加权和的结果,并基于所述各个移动终端应分配的带宽占总带宽的比率,确定所述无线AP为各个移动终端分配的带宽值。也就是,在本申请的技术方案中,首先,将所述带宽分配特征向量通入类Softmax分类函数进行处理,以计算出与所述带宽分配特征向量中各个位置的特征值相对应的类Softmax分类函数值,从而得到各个所述移动终端应分配的带宽占总带宽的比率,其中,所述类Softmax分类函数值为取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值除以取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值的加权和的结果。然后,再基于所述各个移动终端应分配的带宽占总带宽的比率,来确定所述无线AP为各个移动终端分配的带宽值,也就是,在一个具体示例中,可以通过计算各个所述移动终端应分配的带宽占总带宽的比率乘以所述总带宽,就能够得到各个所述移动终端应分配的带宽值。通过这样的方式,可以使得各个所述STA最终完成接收的时间能更好地进行协同,从而也就会提高传送的质量。
综上,基于本申请实施例的所述数据传送系统的工作方法被阐明,其采用基于深度学习技术的卷积神经网络模型来挖掘出各个所述STA与所述AP之间的距离关系的高维关联特征,且进一步地分别对所述带宽特征向量和所述距离拓扑特征图进行下行参数和上行参数的转换,以融合特征空间的差异来表达通信特征信息,进而可以获得所述无线AP为各个移动终端分配的带宽值。通过这样的方式,可以使得各个所述STA最终完成接收的时间能更好地进行协同,从而也就会提高传送的质量。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种数据传送系统,其特征在于,包括:
矩阵构造单元,用于将以无线AP为中心的各个移动终端的拓扑结构构造为距离拓扑矩阵;
神经网络单元,用于使用卷积神经网络从所述距离拓扑矩阵获得距离拓扑特征图,所述距离拓扑特征图用于表示各个移动终端与无线AP之间的距离关系的高维关联特征的;
带宽向量构造单元,用于获取当前所述无线AP向各个所述移动终端分配的带宽并将所述无线AP向各个所述移动终端分配的带宽组成带宽向量;
编码单元,用于将所述带宽向量通过编码器以获得带宽特征向量;
下行转换单元,用于对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量,其中,基于下行参数的转换基于无线AP对各个移动终端的发射功率、每个移动终端的小规模衰减效应值、加性白高斯噪声的功率和无线AP到各个移动终端的信号中的干涉进行;
上行转换单元,用于对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图,其中,进行基于上行参数的转换基于两个移动终端之间的接收功率增益、各个移动终端的接收功率、两个移动终端之间的小规模衰减效应值、两个移动终端之间的小规模衰减功率分量和两个移动终端之间的信号中的干涉进行;
映射单元,用于将所述上行特征图与所述下行特征向量进行矩阵相乘以将所述下行特征向量映射到所述上行特征图的特征空间中,以获得带宽分配特征向量;
分配比率计算单元,用于计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比率,其中,所述类Softmax分类函数值为取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值除以取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值的加权和的结果;以及
传输单元确定单元,用于基于所述各个移动终端应分配的带宽占总带宽的比率,确定所述无线AP为各个移动终端分配的带宽值。
2.根据权利要求1所述的数据传送系统,其中,所述矩阵构造单元,进一步用于:将各个所述移动终端进行编号;将编号后的所述移动终端按照矩阵的行和列排列;在所述矩阵的非对角线的每个位置填充两个移动终端之间的距离;以及,在所述矩阵的对角线位置填充各个移动终端与无线AP之间的距离以获得所述距离拓扑矩阵。
3.根据权利要求1所述的数据传送系统,其中,所述编码单元,进一步用于:使用所述编码器的全连接层对所述带宽向量中各个位置的特征值进行全连接编码;以及,使用所述编码器的一维卷积层对所述带宽向量中各个位置的特征值之间的关联进行一维卷积处理,以获得所述带宽特征向量。
6.根据权利要求1所述的数据传送系统,其中,所述分配比率计算单元,进一步用于:以如下公式计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比;
所述公式为:Pi=exp(-fi)/∑iexp(-fi),其中,Pi为各个移动终端应分配的带宽占总带宽的比,fi为所述带宽分配特征向量中各个位置的特征值。
7.一种数据传送系统的工作方法,其特征在于,包括:
将以无线AP为中心的各个移动终端的拓扑结构构造为距离拓扑矩阵;
使用卷积神经网络从所述距离拓扑矩阵获得距离拓扑特征图,所述距离拓扑特征图用于表示各个移动终端与无线AP之间的距离关系的高维关联特征的;
获取当前所述无线AP向各个所述移动终端分配的带宽并将所述无线AP向各个所述移动终端分配的带宽组成带宽向量;
将所述带宽向量通过编码器以获得带宽特征向量;
对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量,其中,基于下行参数的转换基于无线AP对各个移动终端的发射功率、每个移动终端的小规模衰减效应值、加性白高斯噪声的功率和无线AP到各个移动终端的信号中的干涉进行;
对所述距离拓扑特征图进行基于上行参数的转换以获得上行特征图,其中,进行基于上行参数的转换基于两个移动终端之间的接收功率增益、各个移动终端的接收功率、两个移动终端之间的小规模衰减效应值、两个移动终端之间的小规模衰减功率分量和两个移动终端之间的信号中的干涉进行;
将所述上行特征图与所述下行特征向量进行矩阵相乘以将所述下行特征向量映射到所述上行特征图的特征空间中,以获得带宽分配特征向量;
计算所述带宽分配特征向量中各个位置的特征值的类Softmax分类函数值,以获得各个移动终端应分配的带宽占总带宽的比率,其中,所述类Softmax分类函数值为取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值除以取所述带宽分配特征向量中各个位置的特征值的负值为幂的自然数值函数值的加权和的结果;以及
基于所述各个移动终端应分配的带宽占总带宽的比率,确定所述无线AP为各个移动终端分配的带宽值。
8.根据权利要求7所述的数据传送系统的工作方法,其中,将以无线AP为中心的各个移动终端的拓扑结构构造为距离拓扑矩阵,包括:
将各个所述移动终端进行编号;将编号后的所述移动终端按照矩阵的行和列排列;
在所述矩阵的非对角线的每个位置填充两个移动终端之间的距离;以及
在所述矩阵的对角线位置填充各个移动终端与无线AP之间的距离以获得所述距离拓扑矩阵。
9.根据权利要求7所述的数据传送系统的工作方法,其中,将所述带宽向量通过编码器以获得带宽特征向量,包括:
使用所述编码器的全连接层对所述带宽向量中各个位置的特征值进行全连接编码;以及
使用所述编码器的一维卷积层对所述带宽向量中各个位置的特征值之间的关联进行一维卷积处理,以获得所述带宽特征向量。
10.根据权利要求7所述的数据传送系统的工作方法,其中,对所述带宽特征向量进行基于下行参数的转换以获得下行特征向量,其中,基于下行参数的转换基于无线AP对各个移动终端的发射功率、每个移动终端的小规模衰减效应值、加性白高斯噪声的功率和无线AP到各个移动终端的信号中的干涉进行,包括:
以如下公式对所述带宽特征向量进行基于下行参数的转换以获得所述下行特征向量;
所述公式为:
其中,Di是下行参数,Vi是所述带宽特征向量中的每个位置的特征值,Ti是无线AP对每个移动终端的发射功率,ai是每个移动终端的小规模衰减效应值,hi是每个移动终端的小规模衰减功率分量,σ2表示加性白高斯噪声的功率,且Ii是无线AP到每个移动终端的信道中的干涉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427126.3A CN114189447A (zh) | 2021-11-28 | 2021-11-28 | 数据传送系统及其工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427126.3A CN114189447A (zh) | 2021-11-28 | 2021-11-28 | 数据传送系统及其工作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114189447A true CN114189447A (zh) | 2022-03-15 |
Family
ID=80602794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111427126.3A Pending CN114189447A (zh) | 2021-11-28 | 2021-11-28 | 数据传送系统及其工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114189447A (zh) |
-
2021
- 2021-11-28 CN CN202111427126.3A patent/CN114189447A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110167176B (zh) | 一种基于分布式机器学习的无线网络资源分配方法 | |
CN112911608B (zh) | 一种面向边缘智能网络的大规模接入方法 | |
Guo et al. | Deep learning for joint channel estimation and feedback in massive MIMO systems | |
CN113038612B (zh) | 基于深度学习的认知无线电功率控制方法 | |
WO2023020502A1 (zh) | 数据处理方法及装置 | |
CN114219354A (zh) | 一种基于联邦学习资源分配优化方法及系统 | |
CN115622595A (zh) | 一种实现自适应大规模urllc的高能效组网方法 | |
CN107864000A (zh) | 基于用户分布密度匹配的3d mimo码本生成方法 | |
Bharati et al. | Realization of MIMO channel model for spatial diversity with capacity and SNR multiplexing gains | |
CN108566227B (zh) | 一种多用户检测方法 | |
CN114884775A (zh) | 一种基于深度学习的大规模mimo系统信道估计方法 | |
CN112994762B (zh) | 基于统计csi的mimo-noma下行自适应无线传输方法 | |
TWI741619B (zh) | 多輸入輸出系統之參數估測方法 | |
CN114189447A (zh) | 数据传送系统及其工作方法 | |
CN114172615A (zh) | 传输方法、装置、设备及可读存储介质 | |
CN114710187B (zh) | 一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法 | |
CN116192307A (zh) | 非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质 | |
CN114629796A (zh) | 路由器系统中母路由器的带宽分配方法及其系统 | |
CN115065392A (zh) | 脏纸编码条件下实现miso下行总和速率最大化的波束形成设计方法 | |
CN114501353B (zh) | 通信信息的发送、接收方法及通信设备 | |
TW201944745A (zh) | 基於深度學習作為通道狀態資訊之回饋方法 | |
Pan et al. | Capacity of generalised network multiple‐input–multiple‐output systems with multicell cooperation | |
CN110492956B (zh) | 一种用于musa系统的误差补偿多用户检测方法及装置 | |
CN111541472B (zh) | 低复杂度机器学习辅助鲁棒预编码方法及装置 | |
Dai et al. | Power allocation for multiple transmitter-receiver pairs under frequency-selective fading based on convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220315 |