The invention proposes a resource allocation method based on in-depth learning for multi-carrier cognitive non-orthogonal multiple access (NOMA), which includes the following steps: (1) scene model establishment of multi-carrier cognitive NOMA system; (2) mathematical description of user scheduling and resource allocation strategy; (3) base. A deep neural network and a deep learning algorithm are designed for joint assignment. After establishing the downlink system based on multi-carrier cognitive NOMA, the invention innovatively proposes a spectrum sharing strategy that meets the scenario, and reasonably establishes the mathematical expression of optimization objectives and constraints, realizes the user scheduling and resource allocation strategy of multi-carrier cognitive NOMA based on in-depth learning, and satisfies the multi-aspect transmission needs of users. At the same time, the low power resource allocation of multi carrier cognitive NOMA downlink system is better realized.
【技术实现步骤摘要】
基于深度学习的多载波认知NOMA资源分配方法
本专利技术提出基于深度学习的多载波认知NOMA资源分配机制,建立了多载波认知NOMA下行系统的传输模型,提出一个优化NOMA系统频谱效率和能量效率的用户配对及资源分配策略,设计了一个基于消息传递的全连接神经网络,并提出了最优的深度学习算法,实现了大规模NOMA用户公平且灵活地进行高质量,高速率,低功耗的数据传输。
技术介绍
在过去的几十年中,随着移动通信技术的飞速发展,技术标准不断演进,第四代移动通信技术(4G)以正交频分多址为基础,其数据业务传输速率达到每秒百兆甚至千兆比特,能够在较大程度上满足一段时期内宽带移动通信应用需求。然而,随着智能终端普及应用、物联网(IoT)的快速发展、人工智能和大数据的爆发及移动新业务需求持续增长,无线传输速率需求也呈指数增长,无线通信的传输速率将仍然难以满足未来通信的应用需求。为了满足飞速增长的移动业务需求,专家学者们已经开始在寻找既能满足用户体验需求又能提高频谱效率的新的移动通信技术。IMT-2020(5G)推进组在《5G愿景与需求白皮书》中提出,5G定位于频谱效率更高、速率更快、容量更大的无线网络,其中频谱效率相比4G需要提升5~15倍。5G需要支持用户和设备的大规模连接,并满足对低延迟、低成本设备和多种服务类型的需求。为了满足这些需求,增强型技术是必要的。到目前为止,专家学者们已经提出了一些潜在的候选方案来解决5G的挑战,例如非正交多址(NOMA)、大规模MIMO、毫米波通信和超密集网络。第一到第四代移动通信系统所用的常规OMA技术(例如TDMA和OFDMA),仅为每个正 ...
【技术保护点】
1.一种基于深度学习的多载波认知NOMA资源分配方法,其特征在于,包括以下步骤:步骤1:建立多载波认知NOMA系统场景模型:将单载波认知NOMA系统和基于多载波正交频分复用调制方式的NOMA系统结合;步骤2:建立基于深度学习的用户调度和资源分配的数学描述;基于多载波认知NOMA的下行用户调度和资源分配,建立符合场景的频谱共享策略,建立优化目标和约束条件的数学表达式;步骤3:基于联合分配的深度神经网络和深度学习算法,建立多载波认知NOMA用户调度和资源分配策略。
【技术特征摘要】
1.一种基于深度学习的多载波认知NOMA资源分配方法,其特征在于,包括以下步骤:步骤1:建立多载波认知NOMA系统场景模型:将单载波认知NOMA系统和基于多载波正交频分复用调制方式的NOMA系统结合;步骤2:建立基于深度学习的用户调度和资源分配的数学描述;基于多载波认知NOMA的下行用户调度和资源分配,建立符合场景的频谱共享策略,建立优化目标和约束条件的数学表达式;步骤3:基于联合分配的深度神经网络和深度学习算法,建立多载波认知NOMA用户调度和资源分配策略。2.根据权利要求1所述的一种基于深度学习的多载波认知NOMA资源分配方法,其特征在于,步骤1具体包括以下步骤:(101)、根据单载波认知NOMA系统的功率分配机制,在单载波认知NOMA中共享信道的远距离用户信道容量和近距离用户信道容量分别表示为:其中为距离基站远的用户m的信道容量;为距离基站近的用户n的信道容量;pm和pn分别为基站分配给用户m和用户n的发送功率;hm和hn分别为用户m和用户n的信道增益;B为用户m和用户n所共享的频谱带宽;N0为信道中单位带宽上的噪声功率;(102)、划分NOMA主用户和从用户:令距离基站远或者下行链路信道质量差的用户划分为NOMA主用户,距离基站近或下行链路信道质量好的用户划分为NOMA从用户;(103)、引入多载波接入机制,在多载波下认知NOMA系统中,NOMA主用户和从用户的信道容量重新表示为公式(3)和(4);其中为NOMA主用户i在所有子信道上的容量之和;Zi为主用户i所占用的子信道总数;hi,z为主用户i在子信道z上的信道增益;pi,z为基站为主用户i在子信道z上所分配的发送功率;为NOMA从用户j在所有子信道上的容量之和;Zj为从用户j所占用的子信道总数;hj,z为从用户j在子信道z上的信道增益;pj,z为基站为从用户j在子信道z上所分配的发送功率;NOMA主用户的数量为M,NOMA从用户的数量为S,Δf为各条子信道的带宽,N0为单位带宽上的噪声功率;i=1,2…M,j=1,2…S;(104)、将频谱的利用率和用户的传输性能联合作为划分目标,划分NOMA主用户和NOMA从用户数量;(105)、根据多载波认知NOMA系统的用户配对和资源分配策略的优化目标和约束,将基站所需要发送的总功率最小化作为资源分配的优化目标。3.根据权利要求2所述的一种基于深度学习的多载波认知NOMA资源分配方法,其特征在于,步骤(105)所述的资源分配的优化目标包括:(a)以最小化NOMA用户所需要的子信道总数为用户配对目标;(b)以最小化基站所需要发送的总功率为用户资源分配目标;(c)以满足用户的信干噪比需求为约束条件;(d)以满足用户的信道容量需求为约束条件。4.根据权利要求1所述的一种基于深度学习的多载波认知NOMA资源分配方法,其特征...
【专利技术属性】
技术研发人员:桂冠,王洁,黄浩,李允怡,熊健,范山岗,杨洁,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:江苏,32
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。