CN116390056B - Star-ris辅助的车联网sr系统链路优化方法 - Google Patents
Star-ris辅助的车联网sr系统链路优化方法 Download PDFInfo
- Publication number
- CN116390056B CN116390056B CN202310374732.6A CN202310374732A CN116390056B CN 116390056 B CN116390056 B CN 116390056B CN 202310374732 A CN202310374732 A CN 202310374732A CN 116390056 B CN116390056 B CN 116390056B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- transmission
- signal
- ris
- reflection
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000006855 networking Effects 0.000 title claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims abstract description 148
- 206010042135 Stomatitis necrotising Diseases 0.000 claims abstract description 69
- 201000008585 noma Diseases 0.000 claims abstract description 69
- 238000004891 communication Methods 0.000 claims abstract description 38
- 230000009471 action Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000010363 phase shift Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000004134 energy conservation Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 12
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013468 resource allocation Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/145—Passive relay systems
-
- 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]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- 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
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR, Eb/lo
-
- 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
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
-
- 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
- H04W52/04—TPC
- H04W52/38—TPC being performed in particular situations
-
- 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)
- Quality & Reliability (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及6G无线通信网络技术领域，公开了一种STAR‑RIS辅助的车联网SR系统链路优化方法，S1、基站将主链路信号通过NOMA的传输方式发送给无源智能全向表面和车辆对；S2、IoT设备将搜集的物联网信息传递到所述无源智能全向表面上，所述无源智能全向表面将接收到的主链路信号作为载波来调制所述物联网信息，并将携带物联网信息的所述主链路信号通过次链路以NOMA的传输方式分别反射透射给所述车辆对；S3、优化所述无源智能全向表面的反射系数、透射系数以及基站的NOMA功率分配系数，使得所述次链路的速率和达到最大。本发明将STAR‑RIS与NOMA相结合，对于进一步提高SR系统的频谱效率和实现空间覆盖范围具有十分重要的意义，充分发挥共生系统的最大优势。
Description
技术领域
本发明涉及6G无线通信网络技术领域，具体涉及一种STAR-RIS辅助的车联网SR系统链路优化方法。
背景技术
智能交通系统(Intelligent Transportation System，ITS)作为未来智慧城市的关键组成部分，大量的无线通信连接和先进感器的使用，使得未来的交通将在安全性和舒适性方面发生革命性变化。未来的ITS提供了许多应用，例如安全检测、自动驾驶、道路交通管理和信息娱乐等。6G将成为未来ITS的核心无线技术，它将提供无处不在的连接、安全的数据共享、节能传输和高速计算。6G将通过确保自动驾驶的可靠性、共享更详细的道路交通信息、增强现实(Augmented Reality，AR)和虚拟现实(Virtual Reality，VR)来驱动交通规划，以及先进的多媒体和游戏应用。支持6G的互联网汽车(Internet of Vehicles，IoVs)将提供每秒万亿比特量级的极高数据速率，它还将数据包传递率提高到99.99999％，并将延迟降低到1毫秒以下，从而将无线通信的可靠性提高许多倍。
在6G中，大规模的IoV接入无线通信网络中造成了极大的频谱资源占用，同时大量的物联网(Internet of Things，IoT)设备的接入，也将占用大量的频谱资源，另外，大量的IoT节点同时工作会带来巨大的能耗问题，当然这些基础设施的建设也会带来巨大的成本。共生无线电(Symbiotic Radio,SR)是一种协作式的环境反向散射通信，具有高频谱效率、高能量效率和低成本的优势。该SR系统由两条主要的通信链路组成：主链路(基站到车链路，直接服务汽车用户)和次链路(IoT链路，传输物联网节点收集到的物联网信息)，次链路将自己的IoT信息调制在接收到的主链路信号上，并通过无源的IoT设备(反向散射设备Backscatter Device,BD)将调制后的信息再反射给接收机(用户)，以达到物联网信息通信的目的。在这个过程中，次链路不仅共享了主链路的频谱，还共享了主链路的发射机(基站Base Station,BS)和接收机(用户Users)等一系列基础设施，并且反向散射设备是无源的，不会产生额外的能量资源消耗且成本比较低，因此共生无线电技术被看作是未来海量IoT设备接入无线通信网络最有效的解决办法之一。
智能反射表面(Intelligent Reflecting Surface,IRS)是一种具有高频谱效率、高能量效率及低成本的无线通信辅助技术，近年来引起了无线通信领域的广泛关注，被认为是下一代无线通信的关键技术之一。智能反射表面由大量低成本的无源反射单元构成，各个单元可以独立的调整其反射系数(包括幅度和相位)，通过对数学理论的优化，根据实际通信系统的需求智能地重构无线信道环境，以达到增强有用信号、抑制干扰信号以及保护安全隐私等目的。
但是实际现状是，不仅有互联网汽车处于一个智能反射表面的反射面所对应的方向，也会有互联网汽车处于智能反射表面的透射面所对应的方向，目前的技术是，将处于该智能反射表面的透射面的互联网汽车用另一个与该智能反射表面相反的智能反射表面进行反射，但是，这样会增加建设成本，这样的问题需要解决。
发明内容
本发明提供一种STAR-RIS辅助的车联网SR系统链路优化方法，以解决上述问题。
本发明通过下述技术方案实现：
一种STAR-RIS辅助的车联网SR系统链路优化方法，车联网SR系统由一个配备单天线的基站、一个具有N个能够同步反射和透射的智能单元的无源智能全向表面(后简称STAR-RIS)、2个配备单天线的车联网用户(后面成为车辆对)、以及若干个配备单天线无源的物联网传感器设备(后简称IoT设备)组成，针对主链路中频谱效率较低的问题，引入NOMA技术，通过合理的功率分配，实现了同一频谱下在功率域的频谱复用；针对传统共生无线电中，物联网设备只能通过反射进行信息传输，无法实现信息传输全覆盖的问题，引入了无源的STAR-RIS搜集IoT设备信息，并且将其调制到主链路信号上，STAR-RIS可以同动态的分配透射以及反射传输能量，并且独立的控制每个智能单元的系数(包括幅度和相位)，实现了对无线通信资源的再次分配；将NOMA与STAR-RIS相结合，实现了对共生信号的二次共生，在满足通信最低速率要求的前提下，显著提高了频谱效率和通信覆盖范围，包括如下步骤：
S1、基站将主链路信号通过NOMA的传输方式发送给无源智能全向表面和车辆对，所述车辆对为分别位于所述无源智能全向表面的透射面的透射车辆以及位于所述无源智能全向表面的反射面的反射车辆；
S2、IoT设备将搜集的物联网信息传递到所述无源智能全向表面上，所述无源智能全向表面将接收到的主链路信号作为载波来调制所述物联网信息，并将携带物联网信息的所述主链路信号通过次链路以NOMA的传输方式分别反射透射给所述车辆对；
S3、优化所述无源智能全向表面的反射系数、透射系数以及基站的NOMA功率分配系数，使得所述次链路的速率和达到最大。
作为优化，S2中，所述无源智能全向表面将接收到的主链路信号作为载波来调制所述物联网信息具体方式为所述无源智能全向表面将接收的主链路信号作为载波并采用二进制相移键控的方式将接收到的物联网信息调制到所述主链路信号。
作为优化，在所述车辆对处通过连续干扰消除技术解码接收到的主链路信号与次链路信号，同时，通过连续干扰消除技术解码所述基站通过NOMA的传输方式发送出去的叠加信号。
作为优化，所述透射车辆和反射车辆的接收信号为：
其中，yt为透射车辆的接收信号，yr为反射车辆的接收信号，代表基站BS到无源智能全向表面STAR-RIS之间的信道，/>分别表示基站BS到透射车辆、以及基站BS到反射车辆之间的信道，/>分别表示无源智能全向表面STAR-RIS到透射车辆以及无源智能全向表面STAR-RIS到反射车辆之间的信道，PB为基站发送功率；wt,wr分别为基站分别通过NOMA进行透射和反射的功率分配系数，满足wt+wr＝1；xt,xr分别为基站发送给透射车辆和反射车辆的信号；nt,nr分别表示透射车辆和反射车辆处的功率为σ2的零均值加性高斯白噪声；c表示传感器设备所需传输的信息符号，c＝{0,1}，vt、vr分别代表无源智能全向表面STAR-RIS的透射系数和反射系数。
作为优化，当所述透射用户的信道增益和所述反射用户的信道增益大小为时，通过SIC技术消去所述反射用户的信号来解码所述透射用户的信号，通过将所述透射用户的信号视为干扰信号来解码所述反射用户的信号，其中，
所述透射车辆接收到的主链路信号的信噪比为：
所述反射车辆接收到的主链路信号的信噪比为：
其中，σ2为噪声功率；
所述透射车辆的主链路的传输速率为：
所述反射车辆的主链路的传输速率为：
其中，为所求传输速率的期望值；
当所述透射用户的信道增益和所述反射用户的信道增益大小为时，通过SIC技术消去所述透射用户的信号来解码所述反射用户的信号，通过将所述反射用户信号视为干扰信号来解码所述透射用户信号，其中，
所述反射车辆接收到的主链路信号的信噪比为：
所述透射车辆接收到的主链路信号的信噪比为：
其中，σ2为噪声功率；
所述反射车辆的主链路的传输速率为：
所述透射车辆的主链路的传输速率为：
作为优化，所述透射车辆接收到的物联网信息的信噪比为：
所述反射车辆接收到的物联网信息的信噪比为：
其中，K为物联网信息符号的长度与主链路信息符号的长度比值，即物联网信息符号长度为主链路信息符号长度的K倍；
所述透射车辆的次链路的传输速率为：
所述反射车辆的次链路的传输速率为：
作为优化，所述无源智能全向表面将接收到的主链路信号作为载波来调制所述物联网信息，并将携带物联网信息的所述主链路信号通过次链路以NOMA的传输方式分别反射透射给所述车辆对之前，在保证主链路最低通信速率需求Rjmin的前提下，基于基站的NOMA功率分配系数、无源智能全向表面的反射系数、透射系数建立次链路传输速率最大化模型并求解，以最大化次链路传输速率的和速率。
作为优化，所述次链路传输速率最大化模型包括具体为：
P1:
Rct,Rcr≥Rcmin
wt+wr＝1
其中，z表示STAR-RIS的系数矩阵，w表示NOMA功率分配系数，具体的，表示无源智能全向表面STAR-RIS的透射系数矩阵和反射系数矩阵，j∈{t,r}，用来指定车辆处于透射侧还是反射侧；w∈{wt,wr}，为透射用户和折射用户的NOMA功率分配系数，/>n∈N＝{1,...,N},分别表示透射和反射过程中对入射信号施加的振幅和相移的调整系数，即β为STAR-RIS各智能单元的幅度参数，θ为STAR-RIS各智能单元的相位参数，/>n表示第n个智能单元，N为智能单元的总数量；
约束条件依次为：
透射和反射的主链路的传输速率均不低于主链路最低通信速率需求Rjmin、透射和反射的次链路的传输速率均不低于次链路最低通信速率需求Rcmin、保证基站的NOMA功率分配为最大功率分配、保证无源智能全向表面STAR-RIS满足能量守恒约束条件、无源智能全向表面STAR-RIS的透射反射的相移范围为[0,2π)。
作为优化，采用DDPG算法求解非凸优化问题P1，DDPG算法流程具体为：
T1、初始化Actor网络和Critic网络参数，设置经验回放缓存区，定义Actor网络和Critic网络的学习率参数、奖励衰减系数、训练回合数以及每回合训练步数；
T2、在每个训练回合中，根据当前状态值，由Actor网络生成一个动作值；
T3、由T2得到的动作值通过与环境交互得到一个奖励值，以及生成下一个状态值；
T4、将经验存储到经验回放缓存区中，所述经验由当前状态值、动作值、奖励值、生成的下一个状态值组成；
T5、从经验回放缓存区中随机采样一批经验，用于训练Actor网络和Critic网络；
T6、计算当前状态的值函数Q值，并用Critic网络更新价值函数的参数；
T7、用Actor网络和当前状态值作为输入，计算生成的动作值的值函数Q值，并使用该值更新Actor网络参数；
T8、重复T2到T7，直到达到预定的训练步数或满足停止条件；
T9、使用训练好的Actor网络进行决策，获得最终的策略。
作为优化，
状态值包括：基站到透射车辆的信道增益基站到透射车辆的信道增益基站通过STAR-RIS到透射车辆的信道增益/>基站通过STAR-RIS到反射车辆的信道增益/>以及NOMA对透射车辆和反射车辆分配的功率PBwt、PBwr所组成，其中PBwt，PBwr直接受到动作的影响而改变；
动作值包括：无源智能全向表面STAR-RIS系数矩阵v和基站的NOMA功率分配系数w；
奖励值包括：若本次训练所得到的主链路和次链路速率满足最低速率要求，那么将次链路的和速率[Rct+Rcr](v(t),w(t))作为瞬时奖励，若不满足最低速率约束条件，则将瞬时奖励给出-0.3的惩罚项。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明首次考虑将同步透射反射RIS(STAR-RIS)引入车联网系统中，STAR-RIS可以同步透射和反射入射信号，实现全空间覆盖，通过重新配置相应的透射和反射系数，可以控制STAR-RIS元件透射和反射信号，通过STAR-RIS能够控制其智能单元的幅度系数与相位系数，实现对信道质量的优化，从而达到通过调节无线信道环境优化信道质量来控制信号传播，同时本发明在STAR-RIS中引入NOMA技术，利用STAR-RIS构成了一个更有益的通信框架，即透射-反射NOMA，其中面向透射和面向反射的一对用户可以分组在一起以支持NOMA，通过优化透射和反射系数，可以获得不同的传输和反射信道条件，从而提高NOMA增益(这是因为NOMA多址技术通过信道条件差异来进行功率分配达到区分用户的目的，而STAR-RIS两侧信道条件不同，这也将更能发挥NOMA根据信道条件差异区分用户的性能)，本发明将STAR-RIS与NOMA相结合，对于进一步提高SR系统的频谱效率和实现空间覆盖范围具有十分重要的意义，通过以上两种技术手段，充分发挥共生系统的最大优势；
本发明提出的一种STAR-RIS辅助的车联网SR系统链路优化方法，由于涉及到的求解问题为STAR-RIS的系数矩阵v和BS基站NOMA功率分配系数的耦合函数，难以求解，通过采用深度强化学习对问题求解，并通过仿真验证，本发明能够在保证用户主链路正常通信，不额外产生频谱和能量开销以及不额外增加成本的前提下，能够显著提升NOMA用户对共生通信系统的物联网链路传输性能，具有很强的应用价值和发展潜力。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
图1为本发明所述的一种STAR-RIS辅助的车联网SR系统链路优化方法流程图；
图2为本发明的系统模型结构组成示意图；
图3为SR系统物联网链路和速率在不同功率下与不同方案的对比效果图；
图4为SR系统物联网链路和速率在有无NOMA的情况下以及不同STAR-RIS单元数的对比效果图；
图5本发明所提出的设计方法在不同基站发射功率情况下的算法收敛图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1公开的一种STAR-RIS辅助的车联网SR系统链路优化方法，具体涉及到系统结构组成、系统工作原理、NOMA功率分配以及STAR-RIS投射反射系数的优化。
本发明的系统模型结构组成如图2所示，该系统模型由一个配备单天线的基站BS、一个具有N个的智能全向面单元的STAR-RIS、以及一对位于STAR-RIS两侧的车辆对所组成；其中STAR-RIS与各种物联网传感器设备相连，可以动态地调整其自身透射系数(包括幅度和相移)和反射系数(包括幅度和相移)以智能地重构无线通信信道环境，同时STAR-RIS将搜集的物联网信息调制到主链路信号上并传输到车辆用户。针对主链路中频谱效率较低的问题，引入NOMA技术，通过合理的功率分配，实现了同一频谱下在功率域的频谱复用；针对传统共生无线电中，物联网设备只能通过反射进行信息传输，无法实现信息传输全覆盖的问题，引入了无源的STAR-RIS搜集IoT设备信息，并且将其调制到主链路信号上，STAR-RIS可以同动态的分配透射以及反射传输能量，并且独立的控制每个智能单元的系数(包括幅度和相位)，实现了对无线通信资源的再次分配；将NOMA与STAR-RIS相结合，实现了对共生信号的二次共生，在满足通信最低速率要求的前提下，显著提高了频谱效率和通信覆盖范围。
包括如下步骤：
S1、基站将主链路信号通过NOMA的传输方式发送给无源智能全向表面和车辆对，车辆对为分别位于无源智能全向表面的透射面的透射车辆以及位于无源智能全向表面的反射面的反射车辆；
S2、IoT设备将搜集的物联网信息传递到无源智能全向表面上，无源智能全向表面将接收到的主链路信号作为载波来调制物联网信息，并将携带物联网信息的主链路信号通过次链路以NOMA的传输方式分别反射透射给车辆对；
S3、优化无源智能全向表面的反射系数、透射系数以及基站的NOMA功率分配系数，使得次链路的速率和达到最大。
基站BS通过V2I发送NOMA信号与一对汽车用户直接进行通信，并将此信号作为主链路信号。IoT设备将搜集的信息传递到STAR-RIS上，STAR-RIS将接收的主链路信号作为载波并采用二进制相移键控(Binary Phase Shift Keying,BPSK)的方式将自己的物联网信息调制到主链路信号上并反射给相应的接收机(用户)，为了在接收机处准确解码物联网信息，物联网信息符号周期需要远大于主链路信息的符号周期。为了准确识别主次链路的信号，在接收机处可通过(Successive Interference Cancellation,SIC)连续干扰消除技术准确解码两种信号，通用SIC技术也将用于解码BS端发送出去的NOMA用户对的叠加信号。
同时为了减轻双重衰落效应，此时STAR-RIS可动态调控各智能全向面单元的透射系数和反射系数，重构基站BS到车辆用户之间次链路的信道环境，以增强物联网链路信号强度，最后通过联合优化STAR-RIS处的透射系数与反射系数，以及基站BS的NOMA功率分配系数，形成一个联合优化问题，通过优化这两组变量使得次链路速率和速率达到最大。
由于本发明采用非正交多址NOMA的方式同时服务于两个车辆用户组成的车辆对，同时由于共生系统中存在额外的次链路物联网信息，则在用户端(车辆对)接收到的信号为NOMA主链路信号以及NOMA次链路信号之和。
并且考虑SR系统物联网信息符号周期远大于主链路符号周期，在车辆用户处可通过连续干扰消除技术(Successive Interference Cancellation,SIC)准确解码两种信号，其中主链路信号为基站BS直接发送给两个车辆用户的NOMA用户对信号，物联网信号为NOMA用户对信号经过STAR-RIS调制过后产生的携带物联网信息的信号。
令基站发送的NOMA信号对为：
根据上述信息，可以得到透射车辆和反射车辆的接收信号为：
其中，yt为透射车辆的接收信号，yr为反射车辆的接收信号，代表基站BS到无源智能全向表面STAR-RIS之间的信道，/>分别表示基站BS到透射车辆、以及基站BS到反射车辆之间的信道，/>分别表示无源智能全向表面STAR-RIS到透射车辆以及无源智能全向表面STAR-RIS到反射车辆之间的信道，PB为基站发送功率；wt,wr分别为基站分别通过NOMA进行透射和反射的功率分配系数，满足wt+wr＝1；xt,xr分别为基站发送给透射车辆和反射车辆的信号；nt,nr分别表示透射车辆和反射车辆处的功率为σ2的零均值加性高斯白噪声；c表示传感器设备所需传输的信息符号，c＝{0,1}，vt、vr分别代表无源智能全向表面STAR-RIS的透射系数和反射系数。
假设信道增益：那么功率分配系数wt＜wr，且对透射用户解码是通过SIC技术消去反射用户信号解码其信号，而对于反射用户则是通过将透射用户信号视为干扰解码其信号。
透射车辆接收到的主链路信号的信噪比为：
反射车辆接收到的主链路信号的信噪比为：
其中，σ2为噪声功率。
一方面，由于无源智能全向表面STAR-RIS传输给车辆的信息采用BPSK二进制相移键控，因此c只有2种可能取值0或1；另一方面，由于无源智能全向表面STAR-RIS发送的信息c＝{0,1}对于车辆来说是未知的，因此根据香农公式可以得到透射车辆和反射车辆的主传输链路可达速率的期望值如下：
透射车辆的主链路的传输速率为：
反射车辆的主链路的传输速率为：
假设信道增益：那么功率分配系数wt＞wr，且对反射用户解码是通过SIC技术消去透射用户信号解码其信号，而对于透射用户则是通过将反射用户信号视为干扰解码其信号。
反射车辆接收到的主链路信号的信噪比为：
透射车辆接收到的主链路信号的信噪比为：
其中，σ2为噪声功率。
一方面，由于无源智能全向表面STAR-RIS传输给车辆的信息采用BPSK二进制相移键控，因此c只有2种可能取值0或1；另一方面，由于无源智能全向表面STAR-RIS发送的信息c＝{0,1}对于车辆来说是未知的，因此根据香农公式可以得到透射车辆和反射车辆的主传输链路可达速率的期望值如下：
反射车辆的主链路的传输速率为：
透射车辆的主链路的传输速率为：
其中，为所求传输速率的期望值。
在该模型系统中，车辆采用连续干扰消除(Successive InterferenceCancellation,SIC)的方式解码无源智能全向表面STAR-RIS设备传输来的物联网信息，由于物联网信息的符号周期远大于主链路信息符号周期，假设物联网信息的符号长度远大于主链路信息的符号长度，且前者为后者的K(K>>1)倍，K为物联网信息的符号的长度与主链路信息的符号长度的比例大小，因此考虑在用户处可完全解码物联网信息，用户处接收到物联网信号的SNR如下：
透射车辆接收到的物联网信息的信噪比为：
反射车辆接收到的物联网信息的信噪比为：
其中，K为物联网信息的符号的周期与主链路信息的符号周期的比例大小，具体可以理解为：一个感器设备所需传输的信息符号c的周期覆盖K个主符号周期，因此在解码c时将主信号视为长度为K的扩频码，表示传输K个主链路fuhao1才传输一个次链路符号。
因此根据香农公式以及SR系统特性，可以得到透射用户和折射用户的次链路传输速率，如下：
透射车辆的次链路的传输速率为：
反射车辆的次链路的传输速率为：
本实施例中，无源智能全向表面将接收到的主链路信号作为载波来调制物联网信息，并将携带物联网信息的主链路信号通过次链路以NOMA的传输方式分别反射透射给车辆对之前，在保证主链路最低通信速率需求Rjmin的前提下，基于基站的NOMA功率分配系数、无源智能全向表面的反射系数、透射系数建立次链路传输速率最大化模型并求解，以最大化次链路传输速率的和速率。
根据以上所建立的次链路传输速率最大化模型，为了实现对SR系统物联网链路的优化，同时保证主传输链路最低通信速率需求不低于通过联合优化STAR-RIS的透射系数和折射系数(包括幅度和相位)矩阵v、以及NOMA功率分配系数w，最大化该共生通信系统次链路的和速率。
该模型系统在满足主链路最低通信速率Rjmin，次链路最低通信速率Rcmin，以及STAR-RIS的单元系数的模值约束和能量守恒定律约束的前提下，以最大化反射用户和透射用户的次链路和速率为目标，联合优化NOMA的功率分配系数(wt,wr)以及STAR-RIS的系数矩阵vj；
次链路传输速率最大化模型包括具体为：
Rct,Rcr≥Rcmin
wt+wr＝1
其中表示无源智能全向表面STAR-RIS的透射系数矩阵和反射系数矩阵，j∈{t,r}，用来指定车辆处于透射侧还是反射侧；w∈{wt,wr}，为透射车辆和折射用车辆的NOMA功率分配系数，/> n∈N＝{1,...,N}，分别表示透射和反射过程中对入射信号施加的振幅和相移的调整，分别表示无源智能全向表面STAR-RIS中第n个智能全向面单元的入射信号的透射系数的幅度系数、反射系数的幅度系数，/>分别表示无源智能全向表面STAR-RIS中第n个智能全向面单元的入射信号的透射系数的归一化角度系数、反射射系数的归一化角度系数，/>n表示第n个智能单元，N为智能单元的总数量；
约束条件依次为：
透射和反射的主链路的传输速率均不低于主链路最低通信速率需求Rjmin、透射和反射的次链路的传输速率均不低于次链路最低通信速率需求Rcmin、保证基站的NOMA功率分配为最大功率分配、保证无源智能全向表面STAR-RIS满足能量守恒约束条件、无源智能全向表面STAR-RIS的透射反射的相移范围为[0,2π)。
第一个约束是主链路最低通信速率需求，保证每条次链路的最低速率要求，保证物联网传感器设备信息正常通信传输；第二个约束用来保证每个此链路的最低速率要求，保证每条主链路的速率要求，以保证主链路通信需求得以满足；第三个约束用来保证NOMA最大功率分配约束，即建立了BS端的NOMA功率分配守恒约束；第四个约束用来保证STAR-RIS端的能量守恒约束条件；第五个约束是STAR-RIS的相移约束条件，保证STAR-RIS的相移约束条件，其中(在信道增益：前提下，信道增益/>的求解过程类似，这里就不再赘述了)：
c∈{0,1}表示STAR-RIS需要传送的符号，PB为基站发送功率，K表示物联网链路信息符号周期为主链路信息符号周期的K倍，σ2为均值为0的加性高斯白噪声的功率大小，
分别代表基站BS到透射车辆、基站BS到反射车辆、基站BS到STAR-RIS、STAR-RIS到透射车辆，STAR-RIS到反射用户之间的信道模型。
由于所需优化的变量为无源智能全向表面STAR-RIS的透射系数矩阵和反射系数矩阵，且两个矩阵间的幅度系数相互耦合，同时NOMA功率分配系数也与透射系数矩阵和反射系数矩阵相互耦合，且目标函数存在对数项的求和，因此问题P1为非凸优化问题。
在这个问题中，难以消除各个优化变量之间的耦合关系，为了求解该非凸优化问题，通常会考虑交替优化算法进行求解。在每次迭代中，通过固定v推导出w的次优解，固定w推导出v的次优解，直到算法收敛，然而，这种从数学角度上进行求解的方法会使得计算量巨大。本发明并没有考虑直接从数学角度上对问题求解，而是考虑通过深度强化学习(DeepReinforcement Learning，DRL)来对这一问进行求解，以获得可行的STAR-RIS系数矩阵和NOMA功率分配系数。
采用DDPG算法作为求解算法，它包含两个网络，Actor网络和Critic网络。Actor网络将状态作为输入并输出连续的动作，该动作又与状态一起输入到Critic网络。Actor网络用来不断逼近最优动作，从而消除了在给定下一个状态，找出最大化Q值的动作的非凸优化问题的需要。
假设，在系统中存在一个中央控制器，它能够即时收集通道信息 在t时刻，给出信道信息，以及前一状态的动作v(t-1)和w(t-1)，智能体根据状态构造方法，构造出t时刻的状态s(t)。
在DDPG算法开始时，经验回放缓冲区M、Critic网络和Actor网络参数、动作v和w都需要被初始化。本发明采用单位矩阵来初始化v和w。
该DDPG算法运行过程共包含N个回合，每个回合进行T次训练。对于每个回合，只要算法收敛或达到允许的最大步数，算法就会终止。获得最优的动作v和w将获得最高的即时奖励。该DDPG算法的目的是利用DRL获得最优的v和w，而不是训练神经网络进行在线处理，具体的，采用DDPG算法求解非凸优化问题P1，DDPG算法流程具体为：
T1、初始化Actor网络和Critic网络参数，设置经验回放缓存区，定义其他超参数；
T2、在每个训练回合中，根据当前状态值，由Actor网络生成一个动作值；
T3、由T2得到的动作值通过与环境交互得到一个奖励值，以及生成下一个状态值；算法在当前状态，执行了T2生成的动作之后会获取一个奖励值，并且将状态更新到下一个状态；
T4、将经验存储到经验回放缓存区中，经验由当前状态值、动作值、奖励值、生成的下一个状态值组成；
T5、从经验回放缓存区中随机采样一批经验，用于训练Actor网络和Critic网络；
T6、计算当前状态的值函数Q值，并用Critic网络更新价值函数的参数；
T7、用Actor网络和当前状态值作为输入，计算生成的动作值的值函数Q值，并使用该值更新Actor网络参数；
T8、重复T2到T7，直到达到预定的训练步数(训练回合数)或满足停止条件；
T9、使用训练好的Actor网络进行决策，获得最终的策略。算法收敛以后，将当前状态值输入至训练好的Actor网络，其输出就对应最大的次链路的和速率的预测值。
训练收敛过程如图5。
本实施例中，状态值包括：基站到透射车辆的信道增益基站到透射车辆的信道增益/>基站通过STAR-RIS到透射车辆的信道增益/>基站通过STAR-RIS到反射车辆的信道增益/>以及NOMA对透射车辆和反射车辆分配的功率PBwt、PBwr所组成，其中/>PBwt、PBwr直接受到动作的影响而改变；
动作值包括：由优化变量无源智能全向表面STAR-RIS系数矩阵v和NOMA功率分配系数w共同组成。由于神经网络只能以实数而不是复数作为输入，本发明将无源智能全向表面STAR-RIS透射系数的幅度系数βt、透射系数的归一化角度系数θt、反射系数的归一化角度系数θr共同作为动作v，而反射系数的幅度系数βr则是通过构建能量守恒约束构建出来，根据βr+βt＝1可知，βr直接通过1-βt就得到了。
奖励值包括：若本次训练所得到的主链路和次链路速率满足最低速率要求，那么将次链路的和速率[Rct+Rcr](v(t),w(t))作为瞬时奖励，若不满足最低速率约束条件，则将瞬时奖励给出-0.3的惩罚项。每回合训练都会返回一个奖励值，只有当主链路和次链路速率满足最低速率要求时，那么把次链路的和速率作为奖励值，如果不满足这个要求，那么奖励值就为-0.3。
下面通过仿真实验来验证本发明的系统性能优越性。模型系统仿真参数设置如下：智能全向面单元数在20～100之间，基站BS发射功率p＝10～50dBm，加性高斯白噪声功率为σ2＝30dBm，IoT设备反射系数设置为0.5，主链路信息符号周期和物联网链路信息符号周期之间的倍数K＝128；基站BS到STAR-RIS、STAR-RIS到反射车辆、STAR-RIS到透射车辆、基站BS到反射车辆、基站BS到透射车辆的距离分别为25m、30m、25m、20m、30m，参考距离为1m处的路径损耗平均信道增益为20dB，路径损耗指数为-2.2。
图3表示SR系统中，物联网链路和速率(次链路的和速率)与BS发射功率之间的关系。可以看出STAR-RIS与NOMA相结合实现的共生系统(即本发明中的模型系统)，与传统的SR系统相比，在所有功率条件下，所提出的设计都优于传统SR，并且与STAR-RIS和OMA相结合的情况相比，我们的方案所能实现的物联网链路速率也更加高。
图4为所提方案(SRA-RIS与NOMA相结合)与对比方案(STAR-RIS与OMA相结合)的对比图。图中显示，两种方案都能随着基站发射功率的增大而产生更大的次链路物联网通信速率。并且可以看出，STAR-RIS在60单元数的情况下，其次链路速率高于20单元数时的次链路速率，并且可以看出，NOMA技术的引入，能够显著增加STAR-RIS的性能，并且通过NOMA技术带来的性能增益远高于通过增加STAR-RIS元素数量所带来的增益(通过对比NOMA、STAR-RIS＝20与OMA、STAR-RIS＝60这两根线条得到的结论)。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种STAR-RIS辅助的车联网SR系统链路优化方法，其特征在于，包括如下步骤：
S1、基站将主链路信号通过NOMA的传输方式发送给无源智能全向表面和车辆对，所述车辆对为分别位于所述无源智能全向表面的透射面的透射车辆以及位于所述无源智能全向表面的反射面的反射车辆；
S2、IoT设备将搜集的物联网信息传递到所述无源智能全向表面上，所述无源智能全向表面将接收到的主链路信号作为载波来调制所述物联网信息，并将携带物联网信息的所述主链路信号通过次链路以NOMA的传输方式分别反射透射给所述车辆对；
S3、优化所述无源智能全向表面的反射系数、透射系数以及基站的NOMA功率分配系数，使得所述次链路的速率和达到最大；
所述透射车辆和反射车辆的接收信号为：
其中，yt为透射车辆的接收信号，yr为反射车辆的接收信号，代表基站BS到无源智能全向表面STAR-RIS之间的信道，/>分别表示基站BS到透射车辆、以及基站BS到反射车辆之间的信道，/>分别表示无源智能全向表面STAR-RIS到透射车辆以及无源智能全向表面STAR-RIS到反射车辆之间的信道，PB为基站发送功率；wt,wr分别为基站分别通过NOMA进行透射和反射的功率分配系数，满足wt+wr＝1；xt,xr分别为基站发送给透射车辆和反射车辆的信号；nt,nr分别表示透射车辆和反射车辆处的功率为σ2的零均值加性高斯白噪声；c表示传感器设备所需传输的信息符号，c＝{0,1}，vt、vr分别代表无源智能全向表面STAR-RIS的透射系数和反射系数；
当所述透射车辆的信道增益和所述反射车辆的信道增益大小为时，通过SIC技术消去所述反射车辆的信号来解码所述透射车辆的信号，通过将所述透射车辆的信号视为干扰信号来解码所述反射车辆的信号，其中，
所述透射车辆接收到的主链路信号的信噪比为：
所述反射车辆接收到的主链路信号的信噪比为：
其中，σ2为噪声功率；
所述透射车辆的主链路的传输速率为：
所述反射车辆的主链路的传输速率为：
其中，为所求传输速率的期望值；
当所述透射车辆的信道增益和所述反射车辆的信道增益大小为时，通过SIC技术消去所述透射车辆的信号来解码所述反射车辆的信号，通过将所述反射车辆信号视为干扰信号来解码所述透射车辆信号，其中，
所述反射车辆接收到的主链路信号的信噪比为：
所述透射车辆接收到的主链路信号的信噪比为：
其中，σ2为噪声功率；
所述反射车辆的主链路的传输速率为：
所述透射车辆的主链路的传输速率为：
所述透射车辆接收到的物联网信息的信噪比为：
所述反射车辆接收到的物联网信息的信噪比为：
其中，K为物联网信息符号的长度与主链路信息符号的长度比值，即物联网信息符号长度为主链路信息符号长度的K倍；
所述透射车辆的次链路的传输速率为：
所述反射车辆的次链路的传输速率为：
所述无源智能全向表面将接收到的主链路信号作为载波来调制所述物联网信息，并将携带物联网信息的所述主链路信号通过次链路以NOMA的传输方式分别反射透射给所述车辆对之前，在保证主链路最低通信速率需求Rjmin的前提下，基于基站的NOMA功率分配系数、无源智能全向表面的反射系数、透射系数建立次链路传输速率最大化模型并求解，以最大化次链路传输速率的和速率；
所述次链路传输速率最大化模型包括具体为：
Rct,Rcr≥Rcmin
wt+wr＝1
其中表示无源智能全向表面STAR-RIS的透射系数矩阵和反射系数矩阵，j∈{t,r}，用来指定车辆处于透射侧还是反射侧；w∈{wt,wr}，为透射车辆和反射用户的NOMA功率分配系数，/> 分别表示透射和反射过程中对入射信号施加的振幅和相移的调整系数，/>n表示第n个智能单元，N为智能单元的总数量；
约束条件依次为：
透射和反射的主链路的传输速率均不低于主链路最低通信速率需求Rjmin、透射和反射的次链路的传输速率均不低于次链路最低通信速率需求Rcmin、保证基站的NOMA功率分配为最大功率分配、保证无源智能全向表面STAR-RIS满足能量守恒约束条件、无源智能全向表面STAR-RIS的透射反射的相移范围为[0,2π)；
采用DDPG算法求解非凸优化问题P1，DDPG算法流程具体为：
T1、初始化Actor网络和Critic网络参数，设置经验回放缓存区，定义Actor网络和Critic网络的学习率参数、奖励衰减系数、训练回合数以及每回合训练步数；
T2、在每个训练回合中，根据当前状态值，由Actor网络生成一个动作值；
T3、由T2得到的动作值通过与环境交互得到一个奖励值，以及生成下一个状态值；
T4、将经验存储到经验回放缓存区中，所述经验由当前状态值、动作值、奖励值、生成的下一个状态值组成；
T5、从经验回放缓存区中随机采样一批经验，用于训练Actor网络和Critic网络；
T6、计算当前状态的值函数Q值，并用Critic网络更新价值函数的参数；
T7、用Actor网络和当前状态值作为输入，计算生成的动作值的值函数Q值，并使用该值更新Actor网络参数；
T8、重复T2到T7，直到达到预定的训练步数或满足停止条件；
T9、使用训练好的Actor网络进行决策，获得最终的策略；
状态值包括：基站到透射车辆的信道增益基站到反射车辆的信道增益/>基站通过STAR-RIS到透射车辆的信道增益/>基站通过STAR-RIS到反射车辆的信道增益/>以及NOMA对透射车辆和反射车辆分配的功率PBwt、PBwr所组成，其中PBwt，PBwr直接受到动作的影响而改变；
动作值包括：无源智能全向表面STAR-RIS系数矩阵v和基站的NOMA功率分配系数w；
奖励值包括：若本次训练所得到的主链路和次链路速率满足最低速率要求，那么将次链路的和速率[Rct+Rcr](v(t),w(t))作为瞬时奖励，若不满足最低速率约束条件，则将瞬时奖励给出-0.3的惩罚项。
2.根据权利要求1所述的一种STAR-RIS辅助的车联网SR系统链路优化方法，其特征在于，S2中，所述无源智能全向表面将接收到的主链路信号作为载波来调制所述物联网信息具体方式为所述无源智能全向表面将接收的主链路信号作为载波并采用二进制相移键控的方式将接收到的物联网信息调制到所述主链路信号。
3.根据权利要求1所述的一种STAR-RIS辅助的车联网SR系统链路优化方法，其特征在于，在所述车辆对处通过连续干扰消除技术解码接收到的主链路信号与次链路信号，同时，通过连续干扰消除技术解码所述基站通过NOMA的传输方式发送出去的叠加信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374732.6A CN116390056B (zh) | 2023-04-10 | 2023-04-10 | Star-ris辅助的车联网sr系统链路优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374732.6A CN116390056B (zh) | 2023-04-10 | 2023-04-10 | Star-ris辅助的车联网sr系统链路优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116390056A CN116390056A (zh) | 2023-07-04 |
| CN116390056B true CN116390056B (zh) | 2024-05-24 |
Family
ID=86970740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310374732.6A Active CN116390056B (zh) | 2023-04-10 | 2023-04-10 | Star-ris辅助的车联网sr系统链路优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116390056B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118042493B (zh) * | 2024-04-11 | 2024-06-25 | 华东交通大学 | 基于反射元件的车联网感知通信计算联合优化方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020166976A1 (ko) * | 2019-02-15 | 2020-08-20 | 엘지전자 주식회사 | 무선 통신 시스템에서 데이터를 송수신하는 방법 및 이에 대한 장치 |
| CN113162679A (zh) * | 2021-04-01 | 2021-07-23 | 南京邮电大学 | 基于ddpg算法的irs辅助无人机通信联合优化方法 |
| CN113316169A (zh) * | 2021-05-08 | 2021-08-27 | 北京科技大学 | 一种面向智慧港口的uav辅助通信能效优化方法及装置 |
| CN114554527A (zh) * | 2022-03-01 | 2022-05-27 | 重庆邮电大学 | 联合irs技术和sr技术的物联网链路优化方法及系统 |
| WO2022133957A1 (en) * | 2020-12-24 | 2022-06-30 | Huawei Technologies Co., Ltd. | Systems and methods for reflective intelligent surfaces in mimo systems |
| CN114826450A (zh) * | 2022-05-17 | 2022-07-29 | 南京航空航天大学 | 一种基于统计信道的star-ris辅助noma系统中遍历速率分析方法和相位优化方法 |
| CN114928838A (zh) * | 2022-04-29 | 2022-08-19 | 重庆邮电大学 | 一种智能反射表面辅助的共生通信信息传输系统和方法 |
| CN115065433A (zh) * | 2022-04-22 | 2022-09-16 | 太原科技大学 | 基于智能反射面的cr-noma网络通信方法及中断性能验证方法 |
| CN115915362A (zh) * | 2022-09-01 | 2023-04-04 | 南京邮电大学 | 一种star-ris辅助的noma系统上行低功耗传输方法 |
-
2023
- 2023-04-10 CN CN202310374732.6A patent/CN116390056B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020166976A1 (ko) * | 2019-02-15 | 2020-08-20 | 엘지전자 주식회사 | 무선 통신 시스템에서 데이터를 송수신하는 방법 및 이에 대한 장치 |
| WO2022133957A1 (en) * | 2020-12-24 | 2022-06-30 | Huawei Technologies Co., Ltd. | Systems and methods for reflective intelligent surfaces in mimo systems |
| CN113162679A (zh) * | 2021-04-01 | 2021-07-23 | 南京邮电大学 | 基于ddpg算法的irs辅助无人机通信联合优化方法 |
| CN113316169A (zh) * | 2021-05-08 | 2021-08-27 | 北京科技大学 | 一种面向智慧港口的uav辅助通信能效优化方法及装置 |
| CN114554527A (zh) * | 2022-03-01 | 2022-05-27 | 重庆邮电大学 | 联合irs技术和sr技术的物联网链路优化方法及系统 |
| CN115065433A (zh) * | 2022-04-22 | 2022-09-16 | 太原科技大学 | 基于智能反射面的cr-noma网络通信方法及中断性能验证方法 |
| CN114928838A (zh) * | 2022-04-29 | 2022-08-19 | 重庆邮电大学 | 一种智能反射表面辅助的共生通信信息传输系统和方法 |
| CN114826450A (zh) * | 2022-05-17 | 2022-07-29 | 南京航空航天大学 | 一种基于统计信道的star-ris辅助noma系统中遍历速率分析方法和相位优化方法 |
| CN115915362A (zh) * | 2022-09-01 | 2023-04-04 | 南京邮电大学 | 一种star-ris辅助的noma系统上行低功耗传输方法 |
Non-Patent Citations (4)
| Title |
|---|
| STAR-RIS-Empowered Cognitive Non-Terrestrial Vehicle Network With NOMA;Kefeng Guo;《IEEE Transactions on Intelligent Vehicles》;20230406;全文 * |
| 基于智能反射面的SM-NOMA系统资源分配算法研究;马佳娣;《中国优秀硕士学位论文全文数据库》;20220315;全文 * |
| 智能反射表面辅助的无线携能通信网络资源分配算法;孙巍;《通信学报》;20220228;全文 * |
| 面向6G的无线通信信道特性分析与建模;王承祥;黄杰;王海明;高西奇;尤肖虎;郝阳;;物联网学报;20200323(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116390056A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112672375B (zh) | 一种智能反射面辅助的非正交多址接入网络中安全通信方法 | |
| CN112865893B (zh) | 智能反射面辅助的sm-noma系统资源分配方法 | |
| CN113098652B (zh) | 一种智能反射面辅助的功率域noma安全通信系统设计方法 | |
| CN115278707B (zh) | 基于智能反射面辅助的noma太赫兹网络能效优化方法 | |
| CN116390056B (zh) | Star-ris辅助的车联网sr系统链路优化方法 | |
| CN112822703B (zh) | 智能反射面辅助的非正交多址接入系统性能增益优化方法 | |
| CN114554527B (zh) | 联合irs技术和sr技术的物联网链路优化方法及系统 | |
| CN115396917B (zh) | 智能反射面辅助的通信和干扰系统吞吐量最大优化方法 | |
| CN116208619A (zh) | 一种智能反射表面辅助的车联网安全计算卸载方法、系统、设备及介质 | |
| CN114040415A (zh) | 智能反射面辅助的基于dqn-ddpg的资源分配方法 | |
| Hassan et al. | Energy-spectrum efficient content distribution in fog-RAN using rate-splitting, common message decoding, and 3D-resource matching | |
| Jiao et al. | Deep reinforcement learning-based optimization for RIS-based UAV-NOMA downlink networks | |
| Sun et al. | Secure computation offloading for device-collaborative mec networks: A drl-based approach | |
| CN110113768B (zh) | 一种最小化系统总发射功率的节点功率控制和传输时隙分配的联合实现算法 | |
| CN117097381A (zh) | 一种irs辅助miso系统反窃听安全传输波束赋形优化方法、装置及电子设备 | |
| CN116669073A (zh) | 基于智能反射面辅助无人机认知网络的资源分配和轨迹优化方法 | |
| Muhammad et al. | Optimizing information freshness leveraging multi-RISs in NOMA-based IoT networks | |
| CN116321236A (zh) | Ris辅助的安全无蜂窝大规模mimo系统能效优化方法 | |
| Zhang et al. | A convolutional neural network based resource management algorithm for NOMA enhanced D2D and cellular hybrid networks | |
| CN114157392B (zh) | 一种分布式irs辅助通信系统安全传输的优化方法 | |
| Xiao et al. | Performance Analysis of Adaptive RIS-Assisted Clustering Strategies in Downlink Communication Systems | |
| Zhong et al. | STAR-RISs assisted NOMA networks: A tile-based passive beamforming approach | |
| CN114666797B (zh) | 一种基于irs的安全无线供电通信网络系统的通信方法 | |
| CN117156558B (zh) | 一种基于硬件损伤的irs辅助noma网络传输方法 | |
| Jeong et al. | Transport Capacity Optimization for Resource Allocation in Tera-IoT Networks |
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 |