【技术实现步骤摘要】
联合图信号与强化学习的超密集无线网络功率分配方法
本专利技术涉及无线网络
，特别涉及一种联合图信号与强化学习的超密集无线网络功率分配方法、一种计算机可读存储介质以及一种计算机设备。
技术介绍
随着无线网络的蓬勃发展，各种智能终端的普及和新兴应用的推广带来了巨大的数据风暴。基于此，超密集无线网络应运而生；超密集无线网络采用的是异构的超密集蜂窝网络，通过在单位区域部署更多的微基站，以便接入更多的终端设备。然而，这种部署方式使得基站之间的距离更近，多个基站覆盖区域的重叠使得基站间的干扰问题趋于复杂化。相关技术中，在对超密集无线网络的功率进行分配的过程中，缺乏对超密集无线网络的干扰状况的分析，同时，缺乏根据干扰状况对功率进行分配的过程。进而，使得超密集无线网络中对用户的资源分配不合理，影响超密集无线网络的网络性能。
技术实现思路
本专利技术旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种联合图信号与强化学习的超密集无线网络功率分配方法，能够实现在超密集无线网络中进行自组织、自...
【技术保护点】
1.一种联合图信号与强化学习的超密集无线网络功率分配方法，其特征在于，包括以下步骤：/nS1，获取经过功率分配后的超密集无线网络的网络信息，并根据所述网络信息生成无向图，以及根据所述无向图构建邻接矩阵和权值矩阵；/nS2，根据所述邻接矩阵、权值矩阵和所述无向图计算所述无向图中每个顶点所对应的干扰参数，并根据所述干扰参数计算所述无向图的网络平滑度，以及根据所述网络平滑度计算经过功率分配后的超密集无线网络所对应的网络环境参数；/nS3，对超密集无线网络的功率进行再次分配，并通过执行步骤S1和步骤S2，以计算再次分配后的超密集无线网络所对应的网络环境参数，以及根据再次分配后的超密...
【技术特征摘要】
1.一种联合图信号与强化学习的超密集无线网络功率分配方法，其特征在于，包括以下步骤：
S1，获取经过功率分配后的超密集无线网络的网络信息，并根据所述网络信息生成无向图，以及根据所述无向图构建邻接矩阵和权值矩阵；
S2，根据所述邻接矩阵、权值矩阵和所述无向图计算所述无向图中每个顶点所对应的干扰参数，并根据所述干扰参数计算所述无向图的网络平滑度，以及根据所述网络平滑度计算经过功率分配后的超密集无线网络所对应的网络环境参数；
S3，对超密集无线网络的功率进行再次分配，并通过执行步骤S1和步骤S2，以计算再次分配后的超密集无线网络所对应的网络环境参数，以及根据再次分配后的超密集无线网络所对应的网络环境参数计算该分配动作对应的回报函数值；
S4，根据该分配动作对应的回报函数值对超密集无线网络的功率进行再次分配，并通过执行步骤S1和步骤S2，以计算再次分配后的超密集无线网络所对应的网络环境参数，以及根据再次分配后的超密集无线网络所对应的网络环境参数计算该分配动作对应的回报函数值；
重复执行步骤S4，直至根据所述回报函数值计算得到的累积回报函数值为最大累积回报函数值，停止对超密集无线网络进行功率分配。
2.如权利要求1所述的联合图信号与强化学习的超密集无线网络功率分配方法，其特征在于，还包括：
S21，根据所述邻接矩阵和所述权值矩阵计算所述无向图对应的拉普拉斯矩阵，并计算所述拉普拉斯矩阵对应的特征值和特征向量，以及根据所述特征值和所述特征向量计算傅里叶变换值；
S22，根据所述傅里叶变换值计算所述无向图中高频分量与频谱总能量之间的比值、低频分量与频谱总能量之间的比值，以便根据所述高频分量与频谱总能量之间的比值和所述低频分量与频谱总能量之间的比值判断网络的干扰程度。
3.如权利要求2所述的联合图信号与强化学习的超密集无线网络功率分配方法，其特征在于，所述高频分量与频谱总能量之间的比值通过以下公式计算：
其中，表示高频分量与频谱总能量之间的比值，表示傅里叶变换值，λi表示特征值。
4.如权利要求2所述的联合图信号与强化学习的超密集无线网络功率分配方法，其特征在于，所述低...
【专利技术属性】
技术研发人员：高志斌，陈宁，李钰洁，柯思强，黄联芬，杨波，区洋，林敏，
申请(专利权)人：厦门大学，京信通信系统广州有限公司，
类型：发明
国别省市：福建;35
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。