【技术实现步骤摘要】
本专利技术属于车联网边缘计算强化学习，具体涉及一种基于深度强化学习的5g-v2x异构网络的语义感知资源分配方案。
技术介绍
1、第五代(5g)网络旨在为各种应用提供高速、低延迟和可靠的通信服务，如车联网(v2x)通信。然而，由于用户数量的增加、数据需求的增长以及连接设备的普及，容量和频谱效率方面面临着重大挑战。在用户密度和流量较高的密集城市区域，传统的网络设计方法可能不足以解决容量问题。部署小型基站和异构网络(hetnets)成为增强网络容量的一种有前景的解决方案，通过在较小的基站上增加天线数量来实现。频谱稀缺是另一个挑战，这促使人们转向语义通信。语义通信关注传输信息的意义而非原始数据，在减少网络流量和缓解频谱稀缺方面显示出显著潜力。最近的研究开始探索图像、文本、音频和视频等领域的语义通信。
2、nr-u技术的发展正在进行中。nr-u是一种新型无线电技术，能够在非授权频段中进行通信，为5g hetnets提供额外的频谱容量。然而，由于干扰的存在，nr-u需要与其他无线网络(如wifi)共存的机制。目前存在两种nr-u与wifi的共存机制。一种是“先听后说”(lbt)，要求设备在传输数据前监听频谱，以确保没有其他设备在传输数据。另一种机制是载波侦听自适应传输(csat)，基站通过占空比(dc)传输为wifi接入点(ap)预留特定的时间槽。然而，由于信道接入的不确定性，nr-u系统性能相比在授权频段中的连续操作要差。传统的nr-u和wifi共存机制已不再适用于5g网络，需要考虑新的解决方案。
3、现有技术在解
4、频谱资源利用不合理：传统方法在频谱共享方面存在不足，未能充分考虑v2v和v2i通信中的语义信息。这导致了频谱资源的不合理利用，可能引发冲突、干扰等问题。
5、传统通信方法限制：随着iov应用的多样性和信息的丰富性增加，传统的基于比特的通信方法逐渐显得力不从心。这使得在高速移动iov环境中，通信方法无法适应信息交换的复杂性，面临效率和可靠性的挑战。
6、缺乏智能决策机制：传统频谱共享方法缺乏智能决策机制，无法根据语义信息进行优化的频谱分配和管理。这限制了iov系统在高速移动环境中的性能表现。
技术实现思路
1、本专利技术旨在克服现有技术的局限性，提出一种在城市环境中的双层异构网络车辆通信系统中引入语义通信的解决方案，基于深度强化学习近端策略优化的语义感知资源分配框架和灵活的占空比共存机制，用于基于5g-v2x异构网络的车载通信系统。该方案通过引入深度强化学习和语义通信相结合的创新性解决方案，将语义信息纳入频谱资源管理的决策过程中，以在高速移动iov环境中实现更智能、高效的频谱资源共享。
2、为实现上述目的，本专利技术技术解决方案如下：
3、一种基于深度强化学习的5g-v2x异构网络的语义感知资源分配方法，其具体步骤如下：
4、步骤(1)：围绕在高速城市场景中模拟基于蜂窝的车联网通信展开，其中n辆车辆初始分布并被分配随机方向，这些车辆在环境中以恒定速度v随机移动，形成n个v2i链路；提出一种双层hetnets部署方案：第一层由b1个宏基站(mabs)组成，提供广覆盖和高容量的通信服务，运行在授权频段；第二层由b2个微基站(mibs)组成，主要为高车辆密度区域和市中心提供密集覆盖和高速、低延迟的通信服务，运行在非授权频段；这两层基站，记为β＝{b1,b2}构成，并配有w个wifi接入点(aps)，mabs和mibs分别拥有r1和r2个资源块(rbs)；
5、步骤(2)：n辆车和w个wifi接入点均配备了deepsc模型，采用transformer模型，其语义通信系统包括发射机、信道、接收机以及用于估计互信息(mi)的模型；
6、第n辆发送车辆生成一个包含l个单词的句子sn，其中sn＝[sn,1,sn,2,...,sn,l]，该句子随后输入到车载deepsc发送端的编码部分，以从sn中提取语义信息xn，公式如下所示：
7、xn＝chβ(seα(sn)) (1)
8、seα(·)为参数集为α的语义编码器网，chβ(·)为参数集为β的信道编码器；
9、语义符号向量为xn＝[xn,1,xn,2,...,xn,μl]，其中μ表示每个单词平均使用的语义符号数，然后，编码后的语义信息，在无线信道中传输，接收到的语义信号表示为：
10、yn＝hn,ixn+n (2)
11、其中hn,i是第i个v2i链路的信道增益，n是噪声；因此，第n辆车的信干噪比(sinr)
12、
13、其中ηn,b,r是一个二元指示器，ηn,b,r＝1表示第n辆车使用第r个rb向第b个基站传输语义数据，否则ηn,b,r＝0，pn,b,r和hn,b,r分别是从第n辆车到第b个基站在第r个rb上的发射功率和信道增益，δ2为噪声功率，in,b,r是第b个基站第r个rb上的干扰，源于其他包括mabs和mibs在内的基站发出的信号，其表示为：
14、
15、对传输的语义符号进行恢复，然后再传输句子，因此，解码信号表示为：
16、
17、其中为恢复的句子，为参数集ν的信道解码器，为参数集μ的语义解码器网络，用交叉熵(ce)作为损失函数来度量s[w]和之间的差值以及互信息等价于边际概率与联合概率之间的kullbackleibler(kl)散度，得到新的损失函数
18、
19、其中，lmi是互信息的算是函数表达式，α和β是语义编码器网与信道编码器的参数集，是xn和yn联合概率分布的期望值，t表示神经网络，而et表示神经网络的对数；
20、步骤(3)：为了评估文本传输的语义通信性能，使用语义相似度作为性能指标，其表达式为
21、
22、式中b(·)为transformers(bert)模型的句子双向编码器表示，其中0＜ξ＜1，其中ξ＝1表示两个句子的相似度最高，ξ＝0表示两个句子之间没有相似度；
23、假设文本数据集为每句平均语义信息为其中in是句子sn的语义信息，p(sn)表示句子sn在文本数据集中出现的概率；同样，每句平均长度为hsr为高速语义传输速率，指每秒有效传输的语义信息，表示为：
24、
25、其中u的单位是sut，u表示每个单词平均使用的语义符号数，w表示所占据的带宽，因此hsr的单位是suts/s；
26、hsse为语义频谱效率，用于评估在可用带宽单位内传输语义信息的效率，表示为
27、
28、其单位是suts/s/hz；uq是每一个句子平均的语义符号数，ξi依赖于语义通信模型的语义符号数uq和信干噪比sinr，通过拟合的方式得到ξ关于sinr和uq函数，即ξ＝ψ(uq,si本文档来自技高网...
【技术保护点】
1.一种基于深度强化学习的5G-V2X异构网络的语义感知资源分配方法，其特征在于，具体步骤如下：
2.如权利要求1所述的一种基于深度强化学习的5G-V2X异构网络的语义感知资源分配方法，其特征在于，所述步骤(2)中，发射机包括语义编码和信道编码，接收机包括语义解码、信道解码以及结果预测；以将文本数据“道路状况如何？”编码为语义信息，并将语义信息解码回原始文本数据“前方道路拥堵，请小心驾驶”。
3.如权利要求1或2所述的一种基于深度强化学习的5G-V2X异构网络的语义感知资源分配方法，其特征在于，所述步骤(2)中，Transformer模型需要在基站上预训练，然后将训练好的语义DeepSC发射模型广播给所有车辆，因为在训练过程中需要大量数据和复杂的语义信息提取。
4.如权利要求1所述的一种基于深度强化学习的5G-V2X异构网络的语义感知资源分配方法，其特征在于，所述步骤(3)中，的值取决于源的类型，因此，在本专利技术中它是一个常数，在优化过程中忽略。
【技术特征摘要】
1.一种基于深度强化学习的5g-v2x异构网络的语义感知资源分配方法，其特征在于，具体步骤如下：
2.如权利要求1所述的一种基于深度强化学习的5g-v2x异构网络的语义感知资源分配方法，其特征在于，所述步骤(2)中，发射机包括语义编码和信道编码，接收机包括语义解码、信道解码以及结果预测；以将文本数据“道路状况如何？”编码为语义信息，并将语义信息解码回原始文本数据“前方道路拥堵，请小心驾驶”。
3.如权利要求1或2所述的...
【专利技术属性】
技术研发人员：吴琼，茅正冲，邵智毓，
申请(专利权)人：信控宿迁科技有限公司，
类型：发明
国别省市：
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。