一种基于网络编码技术的中继选择方法及装置制造方法及图纸

本发明专利技术提出一种基于网络编码技术的中继选择方法及装置，方法包括：首先根据通信质量，选择最优的中继，然后根据各种网络编码方式的干扰容量，选取干扰最小的网络编码方式，保证了信息的有效传输，同时也最大化系统资源的利用率；干扰最小的网络编码方式的选择采用强化学习的方法，通过感知环境状态信息来学习动态系统的最优策略，通过试错法不断与环境交互获得策略的改进，为用户选择通信质量最优的中继和干扰最小的网络编码方式。

【技术实现步骤摘要】
一种基于网络编码技术的中继选择方法及装置
本专利技术涉及无线通信
，特别涉及一种适用于无线网络的基于网络编码技术的中继选择方法及装置。
技术介绍
随着信息化时代的发展，网络覆盖的需求越来越强。在传统的蜂窝网络架构中引入中继基站，并且使用多跳链路，移动终端可以经过一个或多个中继站与基站相连，有效增强无线网络的覆盖范围，提高吞吐量。网络编码技术的基础原理是在网络中的各个节点上，对各条信道上收到的信息进行线性或者非线性的处理，然后转发给下游节点，中间节点扮演着编码器或信号处理器的角色。传统的通信网络节点传送数据的方式是存储转发，即除了数据的发送节点和接收节点以外的节点只负责路由，而不对数据内容做任何处理，中间节点扮演着转发器的角色；网络编码转变了传统节点的角色，在节点上对数据进行编码、处理，有效提高网络吞吐量、鲁棒性和安全性，目前在无线网络、P2P系统、分布式文件存储和网络安全等领域应用广泛。中继协作通信是扩大无线网络覆盖的有效措施。然而协作中继转发会占用额外的信道资源，导致系统资源利用率下降，而网络编码能够提高系统吞吐量。同时，中继能有效降低网络编码应用于无线通信中时带来的噪声、衰落和干扰。
技术实现思路
本专利技术的目的在于克服现有技术之不足，提出一种基于网络编码技术的中继选择方法及装置，在中继协作转发中使用网络编码，选出使用户当前效用最优的中继和相应的网络编码方式；在综合考虑系统吞吐量、数据传输速率、带宽利用率、小区间的业务流量、信号覆盖范围等因素的同时，满足低噪声少干扰的传输需求，并且还能实现系统资源利用率高的目的。本专利技术解决其技术问题所采用的技术方案是：一种基于网络编码技术的中继选择方法，包括：步骤1，用户(移动终端)根据周围环境选择通信质量最好的通信节点(中继或基站)；步骤2，通信质量最好的通信节点采用强化学习选取干扰容量最大的网络编码方式。优选的，所述步骤1，包括：步骤1.1，根据用户与通信节点的距离，选择距离最近的三个通信节点；步骤1.2，计算用户与最近的三个通信节点的信噪比，比较得出信噪比最大的通信节点作为通信质量最好的通信节点。优选的，所述步骤2，包括：步骤2.1，通信质量最好的通信节点计算使用各种网络编码方式编码和不使用网络编码的干扰容量；步骤2.2，通信质量最好的通信节点使用强化学习，更新干扰容量，选取干扰容量最大的网络编码方式。优选的，所述步骤2.2，包括：步骤2.2.1，将计算出的使用各种网络编码方式编码和不使用网络编码的干扰容量数据作为学习样本输入学习模块；采用Q学习算法来学习最优码本；步骤2.2.2，初始化Q函数值表中的所有Q函数值，Q函数值初值的选取可以为任意值；初始化环境状态s和中继的网络编码方式a，环境状态s根据当前信道状态进行初始化，中继的网络编码方式a在放大转发、解码转发、压缩转发、降噪转发、检测转发和量化转发中任意选取；步骤2.2.3，通过当前环境状态s和中继的网络编码方式a，评估对应的干扰容量；步骤2.2.4，将当前干扰容量作为当前动作的即时回报值；步骤2.2.5，根据下式更新状态－动作对(s,a)所对应的Q函数值，并更新Q值表；其中，α∈[0,1]为学习因子，用于控制学习的速度；λk表示第k次迭代的干扰容量；γ∈[0,1]是强化学习的折扣因子；sk表示第k次迭代的环境状态，sk+1表示第k+1次迭代的环境状态；ak表示第k次迭代的网络编码方式，ak+1表示第k+1次迭代的网络编码方式；Q(sk,ak)表示状态－动作对(sk,ak)的Q学习函数；V(sk+1)表示第k+1次迭代信道状态变化情况下最大的Q(sk+1,ak+1)值；k为正整数；步骤2.2.6，学习模块将不断根据新的状态选择动作，重复步骤2.2.3，通过不断的反复学习优化一个迭代计算的Q函数，直至Q函数值收敛，学习结束；最终得到干扰最小的网络编码方式；步骤2.2.7，输出最优网络编码方式。优选的，网络编码方式包括：放大转发、解码转发、压缩转发、降噪转发、检测转发和量化转发。一种基于网络编码技术的中继选择装置，包括中继选择模块和网络编码方式选择模块；在中继选择模块，用户根据周围环境选择通信质量最好的通信节点；在网络编码方式选择模块，通信质量最好的通信节点采用强化学习选取干扰容量最大的网络编码方式。优选的，所述中继选择模块包括：通信节点选择单元，用于根据用户与通信节点的距离，选择距离最近的三个通信节点；信噪比计算单元，用于计算用户与最近的三个通信节点的信噪比，比较得出信噪比最大的通信节点作为通信质量最好的通信节点。优选的，所述网络编码方式选择模块包括：干扰容量计算单元，通信质量最好的通信节点计算使用各种网络编码方式编码和不使用网络编码的干扰容量；网络编码方式选择单元，通信质量最好的通信节点使用强化学习，更新干扰容量，选取干扰容量最大的网络编码方式。本专利技术一种基于网络编码技术的中继选择方法及装置，用于增强无线网络的覆盖范围，提高吞吐量，使得网络系统提高系统吞吐量的同时降低噪声、衰落和干扰的影响；本专利技术的重点是在用户端选择通信质量最优的中继和干扰最小的网络编码方式；网络编码和协作通信两种技术相互补，二者融合在一起，发挥各自的优势。本专利技术一种基于网络编码技术的中继选择方法及装置首先根据通信质量，选择最优的中继，然后根据各种网络编码方式的干扰容量，选取干扰最小的网络编码方式，保证了信息的有效传输，同时也最大化系统资源的利用率。本专利技术提出的中继选择方法引入了强化学习，利用了强化学习具有对环境的先验知识要求低的优点，选择干扰最低的网络编码方式；由于已知当前网络编码方式，下一次用户为中继选取网络编码方式与之前的网络编码方式无关，即无后效性，所以网络编码方式的选择是马尔可夫过程，可以使用强化学习；本专利技术能达到最大化用户的通信质量与资源利用率的效果，并且能够满足动态环境的信息传输需求。以下结合附图及实施例对本专利技术作进一步详细说明，但本专利技术的一种基于网络编码技术的中继选择方法及装置不局限于实施例。附图说明图1为本专利技术的中继蜂窝小区模型示意图；图2为本专利技术的多址接入中继信道模型示意图；图3为本专利技术的中继和网络编码方式选择流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下文中将结合附图对本专利技术的实施例进行详细说明。本实施例的中继选择方法部署方式是基于如图1所示的中继蜂窝小区模型，基站位于小区的中心，小区内部部署6个中继，各个中继位于小区半径上距中心2R/3处(R为小区半径)。该模型能获得最佳的中继传输性能，每个中心用户和每个边缘用户等概率地获得资源块，保障了调度的公平性；边界处用户的接收信号强度相等，提升了小区边缘的吞吐量。本专利技术的多址接入中继信道模型示意图如图2所示，多址接入中继信道的方法包括如下步骤：用户将信号广播，周围的基站、中继、相应的信宿都能接收到相应的信号；用户计算用户与最近的三个通信节点的信噪比，比较得出信噪比最大的通信节点，作为用户的中继协作转发节点；相应通信节点将信号进行处理后转发给信宿；信宿通过处理从用户接收到的信号和从中继接收到的信号，得到信宿需要的信号。本实施例的中继和网络编码方式选择流程图如图3所示，包括如下步骤：用户将信号广播，周围的基站、中继、相应的信宿都能接收到相应的信号本文档来自技高网...

【技术保护点】
1.一种基于网络编码技术的中继选择方法，其特点在于，包括：步骤1，用户根据周围环境选择通信质量最好的通信节点；步骤2，通信质量最好的通信节点采用强化学习选取干扰容量最大的网络编码方式。

【技术特征摘要】
1.一种基于网络编码技术的中继选择方法，其特点在于，包括：步骤1，用户根据周围环境选择通信质量最好的通信节点；步骤2，通信质量最好的通信节点采用强化学习选取干扰容量最大的网络编码方式。2.根据权利要求1所述的基于网络编码技术的中继选择方法，其特征在于，所述步骤1，包括：步骤1.1，根据用户与通信节点的距离，选择距离最近的三个通信节点；步骤1.2，计算用户与最近的三个通信节点的信噪比，比较得出信噪比最大的通信节点作为通信质量最好的通信节点。3.根据权利要求1所述的基于网络编码技术的中继选择方法，其特征在于，所述步骤2，包括：步骤2.1，通信质量最好的通信节点计算使用各种网络编码方式编码和不使用网络编码的干扰容量；步骤2.2，通信质量最好的通信节点使用强化学习，更新干扰容量，选取干扰容量最大的网络编码方式。4.根据权利要求3所述的基于网络编码技术的中继选择方法，其特征在于，所述步骤2.2，包括：步骤2.2.1，将计算出的使用各种网络编码方式编码和不使用网络编码的干扰容量数据作为学习样本输入学习模块；采用Q学习算法来学习最优码本；步骤2.2.2，初始化Q函数值表中的所有Q函数值，Q函数值初值的选取可以为任意值；初始化环境状态s和中继的网络编码方式a，环境状态s根据当前信道状态进行初始化，中继的网络编码方式a在放大转发、解码转发、压缩转发、降噪转发、检测转发和量化转发中任意选取；步骤2.2.3，通过当前环境状态s和中继的网络编码方式a，评估对应的干扰容量；步骤2.2.4，将当前干扰容量作为当前动作的即时回报值；步骤2.2.5，根据下式更新状态－动作对(s,a)所对应的Q函数值，并更新Q值表；其中，α∈[0,1]为学习因子，用于控制学习的速度；λk表示第k次迭代的干扰容量；γ∈[0,1]...

【专利技术属性】
技术研发人员：黄联芬，饶慧婷，高志斌，赵毅峰，郭杰锋，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35