【技术实现步骤摘要】
一种用户公平性通信传输方法
[0001]本专利技术属于无线通信领域,尤其涉及一种用户公平性通信传输方法。
技术介绍
[0002]无小区的大规模多输入多输出网络通过部署大量分散的基站来进行分布式部署,与经典的以小区为中心的设计原则不同,无小区网络利用了以用户为中心的传输设计,即网络中的所接入点AP共同服务于所有用户,所有的接入点都连接到一个中央处理器(Central Processing Unit,CPU),没有小区边界。无小区大规模多输入多输出网络(Cell
‑
Free Massive Multiple Input Multiple Output,CF
‑
mMIMO)中的用户很接近AP。比常规的MIMO有更简单的功率控制、更高的光谱效率和更高的能源效率。CF
‑
mMIMO每个用户接收到来自不同的接入点的信号,因此这种分布式系统可以为覆盖范围内的所有用户提供良好的服务质量。为了进一步提高覆盖面积,将CF
‑
mMIMO与可重构智能反射表面(Intelligent Reconfigurable Surface,IRS)结合能够提供一种低成本的节能方案来提高用户传输质量。
[0003]用户公平性是无线网络中的一个重要方面。CF
‑
mMIMO通过不同接入点为边缘用户进行服务,IRS能够通过调整相位加强边缘用户信息,从而有利于提高用户公平性。因此,针对无线通信需要设计其用户公平性,以适应每个用户传输速率的要求。
技术实现思路
...
【技术保护点】
【技术特征摘要】
1.一种用户公平性通信传输方法,其特征在于,基于大规模天线无小区(Cell
‑
free,CF)可重构智能反射表面(Intelligent Reconfigurable Surface,IRS)系统,并基于基站的数字波束形成算法和IRS的模拟波束形成算法,包括下步骤:步骤A,提出一种深度学习的信道估计算法,利用非盲降噪网络,通过接收信号估计原始信道增益;步骤B,建立接入点到用户的直接/间接链路的信道模型,在其噪声方面服从标准复高斯噪声;步骤C,建立马尔可夫学习过程;步骤D,提出了一种基于深度确定策略梯度网络(Deep Deterministic Policy Gradient,DDPG)的算法;步骤E,提出了一种基于深度双层Q学习(Deep Double Q
‑
Learning,DDQL)的算法。2.根据权利要求1所述的方法,其特征在于,步骤A具体包括:A1,建立基于下行链路(Down Link,DL)的信道估计器,使用一个全连接神经网络来解决导频功率分配问题,输入数据是k个用户的信道矩阵向量。第L层为输出层,中间的第2至L
‑
1层为隐藏层,用于计算和分析信道状态信息和导频功率之间的映射关系,使用线性整流函数(Rectified Linear Unit,ReLU)作为神经网络的激活函数;A2,在输出神经元后加入归一化指数函数(soft version of max,Softmax)函数,使Softmax函数之后的神经网络输出之和为1,将输出值乘以总功率P,得到功率分配结果;A3,误差补偿过程:得到初始信道估计值或者第l
‑
1个信道估计值后,抽取信道值的实部和虚部,构成输入向量x
l
,将x
l
输入训练好的长短期记忆
‑
多层感知器(Long short
‑
term memory
‑
Multilayer Perceptron,LSTM
‑
MLP)网络中,得到网络输出y
l
=f
LSTM
‑
MLP
(x
l
;θ
LM
),f
LSTM
‑
MLP
(.)为LSTM
‑
MLP网络的计算过程;θ
LM
表示离线训练过程中所确定的网络系数。3.根据权利要求1所述的方法,其特征在于,步骤B具体包括:B1,计算用户k的可实现速率表达式w为预编码,σ2为高斯噪声,B为基站数量,为等效信道向量;G
b
、分别表示从第b个BS到用户k、从第b个BS到IRS、从IRS到用户k的信道;β
m
为幅值,θ为IRS的反射角度,N为反射元数量。B2,定义用户公平性指标其中x
k
代表用户k所分得的资...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。