一种基于内容意图动态追踪的波束多播快速接入方法技术

本发明专利技术公开了一种基于内容意图动态追踪的波束多播快速接入方法，建立了毫米波车载通信系统传输模型，具体的，第一层利用车辆用户的位置信息和内容意图偏好信息以及强化学习相关原理，给出最佳的波束指向分配实现多播覆盖；第二层，借助波束多播的学习结果和车辆用户的位置信息以及强化学习相关原理，给出包含一定角度且能够实现多播覆盖的最佳波束分配方案。本发明专利技术通过两层算法，确定了毫米波车载通信系统中最优波束分配策略，在一定程度上提升了系统容量。升了系统容量。升了系统容量。

【技术实现步骤摘要】
一种基于内容意图动态追踪的波束多播快速接入方法


[0001]本专利技术涉及一种毫米波通信领域的波束多播快速接入方法，用于给毫米波小区内的用户提供最佳的波束分配策略。

技术介绍

[0002]在5G通信中多Gbps链路对于设备连接具有重要作用，由于6GHz频段以下的4G LTE-A系统拥堵严重，5G社区有可能采用未充分利用的毫米波频段；但是由于高路径损耗，穿透损耗和较小的覆盖范围，毫米波频段无法完全使用。然而，目前定向传输和波束成形技术可以降低高路径损耗，增加毫米波基站的部署密度解决毫米波通信距离短的问题。这些解决方案证明了在通信系统中使用毫米波的可行性。然而，在实际应用场景中存在许多技术挑战。例如，基站和车辆之间的定向通信需要精确的波束对准。其次，由于毫米波小区内的阻塞(例如建筑物、公交车站台临时停靠的公交车等)，毫米波将有很高的穿透损耗，导致系统性能下降。
[0003]利用毫米波实现车载通信也会遇见许多难题。首先，毫米波基站与车辆之间需要精确的波束对准，这在低于6GHz以下的频段实现全向传输是不必要的。其次，不正确的波束选择会影响毫米波车载通信系统的整体性能。毫米波基站根据小区内车辆的位置信息和内容信息，可以跟踪和选择波束实现波束广播覆盖，从而提升毫米波车载通信系统的性能。当前，获取这些基站部署经验是耗时且难以扩展的，无法实现5G的大规模部署。此外，这些方法不能解决交通模式的动态变化和车辆环境的拥堵问题。我们认为毫米波基站应该独立自主的学习小区内车辆的位置信息和内容信息，以确保快速正确的进行波束选择。到目前为止，还没有提议在毫米波基站上培养这种自主在线学习的能力。因此，应该提出一种在线学习算法，使毫米波基站能够了解小区内车辆的位置信息和内容信息，并利用这些信息和波束选择决策之间的相关性来制定最佳波束分配策略。随着5G网络的大规模密集部署，这样的提议是非常有应用前景的。
[0004]经对现有技术文献的检索发现，Gek Hong Sim等人在《IEEE/ACM Transactions on Networking，Dec 2018，pp.2487-2500(电气电子工程师协会/计算机协会网络领域期刊，2018年12月，第2487-2500页)》上发表的文章“An Online Context-Aware Machine Learning Algorithm for 5G mmWave Vehicular Communications(5G毫米波车载通信中的在线环境感知机器学习算法)”一文，该文提出一种根据车辆用户位置信息来实现最佳波束分配的方法。另经检索发现，J.Zhang等人在《IEEE Transactions on Communications(电气电子工程师协会通信领域期刊)》上发表的文章“Beam Alignment and Tracking for Millimeter Wave Communications via Bandit Learing(通过Bandit学习在毫米波通信中实现波束对准与跟踪)”一文，该文提出基于强化学习的方法来实现波束对准与跟踪。以上两文在一定程度上提升了波束跟踪指向分配的性能，但是没有利用好用户的其余有用信息以更进一步算法的性能。

技术实现思路

[0005]本专利技术要解决的技术问题是克服现有技术中提出的基于强化学习的方法来实现波束对准与跟踪技术对用户信息利用不全面的缺陷，提供一种在线学习算法，该算法使毫米波基站能够连续学习车辆的位置信息和内容信息来实现车辆的波束跟踪选择，从而适应特别5G网络的大规模密集化。
[0006]为了解决上述技术问题，本专利技术提供了如下的技术方案：
[0007]一种基于内容意图动态追踪的波束多播快速接入方法，包括如下：
[0008]首先，考虑一个毫米波基站覆盖范围内的某个用户x∈χ，χ为覆盖区域内所有用户的集合。毫米波基站可以发送N个可用的波束，B为包含这N个波束组成的波束集合，毫米波基站一次从中选择一个波束子集分配给用户，n＝|b|。基站将选择的波束分配给覆盖小区内的用户，得到一个随机变量β
b
(x)，用μ
b
(x)表示β
b
(x)的期望值，称之为用户x在发射波束子集b下的预期波束性能。如果被波束覆盖的用户有相同的偏好，且满足多播覆盖条件，这些用户就形成了一个用户簇。
[0009]为了利用多播覆盖的结果最终组成一个更加复杂的系统总信息速率的优化问题，可以使用一个双层强化学习的方法。第一层利用用户位置数据设计强化学习算法进行波束跟踪选择，根据用户被选择波束覆盖的概率调整算法进行探索和利用的时机，使得用户总信息速率不断逼近最优值。第二层利用用户位置和偏好数据学习多播覆盖的效率，根据相同偏好用户相遇的概率调整算法进行探索和利用的时机，选择波束指向角度，不断逼近最小信噪比最大化问题的最优解。
[0010]首先，给定t时刻下决定可以多播覆盖的用户簇的判断准则。针对固定拓扑结构，借助用户偏好信息，根据用户的信噪比确定能否形成用户簇。用γ
3dB
表示3dB的波束宽度，Δθ
i
表示波束主瓣与第i个用户到达方向之间的夹角，η＝4lg2为一个定值，可以得到小区内第i个用户的总增益G
i
，
[0011][0012]用W表示信道带宽，n0表示单边功率谱密度，p
i
表示分配给毫米波覆盖小区内第i个用户的功率，可以得到第i个用户的信噪比SNR
i
。
[0013][0014]若采用多波束覆盖，小区内的用户l和用户m分别会得到一个信噪比SNR
l
和SNR
m
。若采用单波束覆盖用户l和用户m，这时也会分别得到一个信噪比SNR'
l
和SNR'
m
。若后者整体大于前者或者相差不大，则表明用户l和用户m可以形成一个用户簇采用单波多播覆盖，反之，则表明用户l和用户m不适合形成一个簇，这时基站就将波束分配给收益较大的用户。
[0015]其次，基于这样的判断准则，针对可以形成多播的某一个簇，我们考虑了一个最小信噪比最大化问题，使波束指向分配逼近最佳。在毫米波基站覆盖的范围内，每个用户簇中肯定有信噪比较差的用户，用U
k
表示t时刻第k个用户簇内用户的数目。在多播通信系统中这一问题的求解可以转化为最大化用户增益的问题，选择合适的波束指向分配可以调整波束主瓣与用户到达方向之间的夹角即Δθ
i
值，进而改变用户的增益，改善用户的信噪比。
[0016]如果把t时刻所有的用户根据这判断准则再结合对最小信噪比最大化问题的求解来计算多播覆盖信息速率，需要获取所有用户的信道状态，这要求很大的信道状态信息量交互开销，而且单个用户簇的拓扑结构变化很快，会造成资源分配的延迟。为了针对未来5G的超低延迟业务，我们设计了第二层多播覆盖强化学习算法，根据用户的偏好信息和位置信息，不断探索Δθ
i
值，利用多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于内容意图动态追踪的波束多播快速接入方法，其特征在于，包括以下步骤：第一层波束多播学习算法：S11、获取毫米波基站小区内车辆用户的位置信息和内容意图偏好信息；S12、考虑在每个时期，小区内的用户可能组成的所有不同组合，选择波束分配给所有可能的组合并记录信道状态信息；S13、根据已有波束多播学习经验，选择波束合理的波束指向某个可以实现波束多播的组合，计算出波束指向角度Δθ，来逼近最小信噪比最大化这一优化问题的最优解；S14、重复上S2和S3直至给出最佳的波束广播用户簇和波束指向角以及能形成簇的数目；第二层，波束选择总算法：S21在每个时期，根据小区内车辆用户的位置信息，再调用第一层算法中Δθ的学习结果；S22、用u表示所有未被探索的波束的数目，n表示基站一次能够发送的波束数目；如果未被探索波束的数目大于基站一次能发射的波束的数目，基站随机从u个波束中选择n个波束；如果未被探索的数目小于基站一次能发射的波束的数目，基站选择u个波束并从探索过的波束中选择n-u个波束发送给车辆用户；S23，根据先前探索的经验和已有车辆用户的位置信息，选择波束发送给车辆用户；S24重复S22和S23的探索和利用的过程，并在两者之间找到平衡点，给出最佳的波束分配策略，并计算出系统总信息速率。2.如权利要求1所述的基于内容意图动态追踪的波束多播快速接入方法，其特征在于，S13中，首先，给定t时刻下决定可以多播覆盖的用户簇的判断准则，然后针对固定拓扑结构，借助用户偏好信息，根据用户的信噪比确定能否形成用户簇；用γ<...

【专利技术属性】
技术研发人员：徐友云，李大鹏，蒋锐，
申请(专利权)人：南京爱而赢科技有限公司，
类型：发明
国别省市：