一种可重构智能表面辅助的非正交多址网络资源分配方法与流程

1.本发明涉及无线通信领域，具体涉及一种可重构智能表面辅助的非正交多址网络资源分配方法。


背景技术：

2.随着无线网络对大容量需求的增加，传统的多址接入方案无法保证连接质量。因此，追求频谱效率已成为无线网络的主要关注点，尤其是在数据量和访问量呈爆炸式增长的5g及以后的网络中。尽管已经调用了各种技术来提高频谱效率，例如大规模多输入多输出和毫米波通信、超大规模和无处不在的无线连接，但距离提高频谱和能量效率还很远。
3.非正交多址接入是一种新颖的接入技术，它利用非正交原理使多个用户共享时域、频域或码域资源。最吸引人的是功率域非正交多址接入技术，其核心思想是叠加两个不同功率用户的信号，通过机会性探索用户的不同信道条件来更有效地利用频谱。与只将单一无线电资源分配给一个用户的正交多址接方案相比，非正交多址接入技术分别在基站和用户端应用叠加编码和连续干扰消除技术。此外，为了进一步提高非正交多址接入无线网络的频谱效率和用户连接性，可重构智能表面具有很大的优势，它可以通过在一个平面上集成大量低成本的无源反射元件来重构无线传播环境，从而显着提高无线通信网络的性能。可重构智能表面上的元件可以通过控制其幅度和/或相位来独立地反射接收的入射信号，从而可以增强从基站到用户的接收信号。与某些通信辅助技术(例如放大转发和解码转发中继)相比，可重构智能表面辅助的无线网络消耗的能量更少。因此，受可重构智能表面优势的启发，可重构智能表面辅助的无线网络已被视为下一代无线通信系统的候选方案之一。


技术实现要素：

4.针对现有技术的不足，本发明旨在提出在一个可重构智能表面辅助的非正交多址网络资源分配方法。
5.为了实现上述目的，本发明采用如下技术方法：
6.一种可重构智能表面辅助的非正交多址网络资源分配方法，包括如下步骤：
7.步骤一：建立通信用户与基站间的信道模型；
8.所述信道模型包括一个n天线基站、l个移动用户以及一个拥有k个反射元素的可重构智能表面；所述n天线基站与移动用户之间的直接通信链路被阻挡，只能通过可重构反射表面建立通信链路，并且l个移动用户将被分成m个类；
9.分别定义n天线基站到可重构智能表面及可重构智能表面到第m个类中第l个移动用户的信道为g∈ck×n和h表示共轭；此外，对于可重构智能表面，其反射系数矩阵可以表示为数矩阵可以表示为其中βk和θk分别表示第k个元素的振幅和相位，则第m个类中第l个移动用户接收到的信号为：
[0010][0011]
其中n
m,l
～cn(0,δ2)表示零均值和方差为δ2的加性高斯白噪声，ωm和xm是第m个类的波束成形和传输符号；假设第m个类中第li和lj个移动用户，其解码顺序满足则第li和lj个用户的信号与干扰噪声比分别表示为：
[0012][0013][0014]
其中，和分别表示第m个类中剩下用户、第个移动用户的信息符号和第li个移动用户的信息符号；那么，其相应接收到的通信速率可以通过香农公式r＝log2(1+τ)计算可得，τ表示信噪比；资源分配策略的优化表示为最大化所有用户在t＝{t0,t1,
…
,tn}时间段内的总通信速率；
[0015]
步骤二：利用长短期记忆算法、k均值的高斯混合模型算法和基于深度q网络的算法来分别预测移动用户的移动性、移动用户聚类以及联合确定相移矩阵和功率分配策略；
[0016]
采用接受-拒绝抽样方法，随机为l个移动用户产生一组初始位置根据长短期记忆算法可以预测t1到tn各个时刻的位置，可表示为在每个时刻，再调用基于k均值的高斯混合模型算法进行聚类；基于第m个类，k均值的高斯混合模型算法中的模型系数和可以表示为：
[0017][0018][0019][0020]
其中，h
l
、和μm分别表示第l个移动用户的信道、第m个类中第l个用户位置对应高斯分布的评估系数的期望值以及第m个类对应高斯分布的均值；最后，根据聚类结果，设定n天线基站为代理，定义状态空间、动作空间和奖励分别为当前时刻相位、可调整的相位以及相邻时刻的所有用户总通信速率的差值；
[0021]
步骤三：在步骤二的基础上，优化该深度q网络下最优资源分配策略；当神经网络经过训练达到收敛，即可输出最优的资源分配策略。
[0022]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
[0023]
本发明还提供一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序，实现上述方法。
[0024]
本发明的有益效果在于：利用本发明，可以在动态环境下为可重构智能表面辅助的多输入单输出非正交多址网络中的用户进行资源分配，具有良好的应用价值。
附图说明
[0025]
图1为本发明实施例中方法的总体思路图。
具体实施方式
[0026]
以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方法为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
[0027]
本实施例提供一个可重构智能表面辅助的非正交多址网络资源分配方法。通过该方法，动态环境下的可重构智能表面辅助的多输入单输出非正交多址网络的资源分配。如图1所示，本实施例方法首先建立通信用户与基站间的信道模型，然后利用长短期记忆算法、基于k均值的高斯混合模型算法和基于深度q网络的算法来分别预测用户的移动性、用户聚类以及联合确定相移矩阵和功率分配策略。最后在步骤二的基础上，优化该网络下最优资源分配策略。当神经网络经过训练达到收敛，即可输出最优的资源分配策略。
[0028]
所述可重构智能表面辅助的非正交多址网络资源分配方法具体包括如下步骤：
[0029]
步骤一：建立通信用户与基站间的信道模型。
[0030]
所述信道模型包括一个n天线基站、l个移动用户以及一个拥有k个反射元素的可重构智能表面。所述n天线基站与移动用户之间的直接通信链路被阻挡，只能通过可重构反射表面建立通信链路，并且l个移动用户将被分成m个类。
[0031]
分别定义n天线基站到可重构智能表面及可重构智能表面到第m个类中第l个移动用户的信道为g∈ck×n和h表示共轭；此外，对于可重构智能表面，其反射系数矩阵可以表示为矩阵可以表示为其中βk和θk分别表示第k个元素的振幅和相位，则第m个类中第l个移动用户接收到的信号为：
[0032][0033]
其中n
m,l
～cn(0,δ2)表示零均值和方差为δ2的加性高斯白噪声，ωm和xm是第m个类的波束成形和传输符号。假设第m个类中第li和lj个移动用户，其解码顺序满足则第li和lj个用户的信号与干扰噪声比分别表示为：
[0034]
[0035][0036]
其中，和分别表示第m个类中剩下用户、第个移动用户的信息符号和第li个移动用户的信息符号。那么，其相应接收到的通信速率可以通过香农公式r＝log2(1+τ)计算可得，τ表示信噪比；资源分配策略的优化表示为最大化所有用户在t＝{t0,t1,
…
,tn}时间段内的总通信速率。
[0037]
步骤二：利用长短期记忆算法、k均值的高斯混合模型算法和基于深度q网络的算法来分别预测移动用户的移动性、移动用户聚类以及联合确定相移矩阵和功率分配策略。
[0038]
不失一般性，采用冯诺依曼提出的接受-拒绝抽样方法，随机为l个移动用户产生一组初始位置根据长短期记忆算法可以预测t1到tn各个时刻的位置，可表示为在每个时刻，再调用基于k均值的高斯混合模型算法进行聚类。基于第m个类，k均值的高斯混合模型算法中的模型系数和可以表示为：
[0039][0040][0041][0042]
其中，h
l
、和μm分别表示第l个移动用户的信道、第m个类中第l个用户位置对应高斯分布的评估系数的期望值以及第m个类对应高斯分布的均值。最后，根据聚类结果，设定n天线基站为代理，定义状态空间、动作空间和奖励分别为当前时刻相位、可调整的相位以及相邻时刻的所有用户总通信速率的差值。
[0043]
步骤三：在步骤二的基础上，优化该深度q网络下最优资源分配策略。当神经网络经过训练达到收敛，即可输出最优的资源分配策略。
[0044]
对于本领域的技术人员来说，可以根据以上的技术方法和构思，给出各种相应的改变和变形，而所有的这些改变和变形，都应该包括在本发明权利要求的保护范围之内。

技术特征：
1.一种可重构智能表面辅助的非正交多址网络资源分配方法，其特征在于，包括如下步骤：步骤一：建立通信用户与基站间的信道模型；所述信道模型包括一个n天线基站、l个移动用户以及一个拥有k个反射元素的可重构智能表面；所述n天线基站与移动用户之间的直接通信链路被阻挡，只能通过可重构反射表面建立通信链路，并且l个移动用户将被分成m个类；分别定义n天线基站到可重构智能表面及可重构智能表面到第m个类中第l个移动用户的信道为g∈c
k
×
n
和h表示共轭；此外，对于可重构智能表面，其反射系数矩阵可以表示为阵可以表示为其中β
k
和θ
k
分别表示第k个元素的振幅和相位，则第m个类中第l个移动用户接收到的信号为：其中n
m,l
～cn(0,δ2)表示零均值和方差为δ2的加性高斯白噪声，ω
m
和x
m
是第m个类的波束成形和传输符号；假设第m个类中第l
i
和l
j
个移动用户，其解码顺序满足则第l
i
和l
j
个用户的信号与干扰噪声比分别表示为：个用户的信号与干扰噪声比分别表示为：其中，和分别表示第m个类中剩下用户、第个移动用户的信息符号和第l
i
个移动用户的信息符号；那么，其相应接收到的通信速率可以通过香农公式r＝log2(1+τ)计算可得，τ表示信噪比；资源分配策略的优化表示为最大化所有用户在t＝{t0,t1,
…
,t
n
}时间段内的总通信速率；步骤二：利用长短期记忆算法、k均值的高斯混合模型算法和基于深度q网络的算法来分别预测移动用户的移动性、移动用户聚类以及联合确定相移矩阵和功率分配策略；采用接受-拒绝抽样方法，随机为l个移动用户产生一组初始位置根据长短期记忆算法可以预测t1到t
n
各个时刻的位置，可表示为在每个时刻，再调用基于k均值的高斯混合模型算法进行聚类；基于第m个类，k均值的高斯混合模型算法中的模型系数和可以表示为：可以表示为：
其中，h
l
、和μ
m
分别表示第l个移动用户的信道、第m个类中第l个用户位置对应高斯分布的评估系数的期望值以及第m个类对应高斯分布的均值；最后，根据聚类结果，设定n天线基站为代理，定义状态空间、动作空间和奖励分别为当前时刻相位、可调整的相位以及相邻时刻的所有用户总通信速率的差值；步骤三：在步骤二的基础上，优化该深度q网络下最优资源分配策略；当神经网络经过训练达到收敛，即可输出最优的资源分配策略。2.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1所述的方法。3.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序时，实现权利要求1所述的方法。

技术总结
本发明公开了一种可重构智能表面辅助的非正交多址网络资源分配方法。首先建立用户与基站间的信道模型，然后利用长短期记忆算法、基于K均值的高斯混合模型算法和基于深度Q网络的算法来分别预测用户的移动性、用户聚类以及联合确定相移矩阵和功率分配策略，最后优化该网络下最优资源分配策略。本发明提供了一种新颖的动态环境下的可重构智能表面辅助的多输入单输出非正交多址网络资源分配方法，具有良好的应用价值。良好的应用价值。


技术研发人员：刘元玮 高新宇 董杰
受保护的技术使用者：北京天坦智能科技有限责任公司
技术研发日：2023.06.15
技术公布日：2023/8/16