一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法组成比例

本发明专利技术公开了一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法，包括：构建用户数目动态变化场景下的大规模MIMO网络通信环境模型，在仿真环境中产生不同数量不同位置的用户数据，计算用户的信道状态信息，得到每个用户的自身特征与其周边环境特征合并为其特征向量，作为输入提供给Transformer网络；使用传统几何规划方法得到最优功率分配作为Transformer网络的输出标签，经过训练优化神经网络的参数，使其收敛到一个稳定状态。计算基于不同功率分配算法的用户频谱效率用于评估其性能。本发明专利技术可以在较少的计算资源和成本下逼近复杂的传统算法，同时不需要针对不同的用户数目训练不同的网络。不需要针对不同的用户数目训练不同的网络。不需要针对不同的用户数目训练不同的网络。

A power allocation method for multi cell large-scale MIMO intelligent communication in the scenario of dynamic user number transformation

【技术实现步骤摘要】
一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法


[0001]本专利技术涉及一种基于Transformer模型的多小区大规模MIMO场景下的功率分配方法，属于无线通信、深度学习领域。

技术介绍

[0002]无线通信技术已经成为了一种广泛使用的与我们的生产生活息息相关的通信方式。几十年来，无线语音和数据通信的数量一直以指数级的速度增长。随之相伴的一个重要问题是，如何发展现有的无线通信技术，以满足不断增长的需求与不断上升的服务质量期望。随着5G的正式商用，5G时代已经到来，大规模多输入多输出(MIMO)技术是一个很有价值的解决方案，此技术是指在基站端配置数量庞大的大规模天线阵列来同时服务于多个用户，它能够获得更好的空间分集及空间复用效果，且能够更有效地避免干扰，成为了解决通信数据服务需求的关键技术之一。蜂窝网络由一组基站(BS)和一组用户设备(UE)组成。每个UE连接到一个BS，BS为其提供服务。下行链路(DL)是从BS发送到各自终端的信号，上行链路(UL)是从终端发送到各自BS的传输。
[0003]在大规模MIMO网络中，资源分配对于处理用户间干扰非常重要。与传统系统相比，Massive MIMO中的许多资源分配问题更容易解决，因为信道硬化使得效用函数仅依赖于长时间稳定的大规模衰落系数。在资源管理中，首先考虑基站的功率分配，基站对该服务小区内的所有用户分配不同的功率，以达到减小干扰增加网络吞吐量的目的，其优化问题通常是非凸的并且很难直接求解，传统解决方法大多基于迭代算法逐次逼近最优解，复杂度高。另一方面，基于人工智能的快速发展，功率分配可以利用训练深度神经网络模型来解决，使用神经网络模型强大的预测能力解决问题。有些方法利用传统迭代法获得最优标签，使用深度学习模型进行有监督训练，将用户的位置或者信道信息与最优功率分配做映射。也有学者使用强化学习的策略选择能力，将功率分配问题转化成马尔科夫问题进行求解。基于深度学习的算法避免了传统的最优算法所需要的迭代与时间成本，训练完成的模型基于线性运算，复杂度低，但这些模型大多只适用于用户数目确定的情况，针对不同的用户数目，需要使用不同的样本集训练得到不同参数与不同结构的神经网络模型，而实际情况中用户数量往往会发生变化。
[0004]本专利技术中引入了当前热门的Transformer模型，并依据功率分配的问题对模型进行了修改，经过一定数据训练后得到的模型可以同时处理某场景下不同用户数量时的功率分配问题，而不需要针对不同的用户数目重新构建与训练模型，且最终的效果可以逼近复杂的传统迭代优化算法。

技术实现思路

[0005]专利技术目的：本专利技术是为了解决传统方法求解功率分配问题复杂度高而深度学习方法往往需要根据不同数目的用户训练不同的网络模型的问题，提供一种用户数动态变换场
景下多小区大规模MIMO智能通信的功率分配方法。
[0006]本专利技术采用的技术方案：
[0007]一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法，包括如下步骤：
[0008](1)构建用户数目动态变化场景下的多小区大规模MIMO网络通信模型，计算得到用户的信道状态信息，并以此构建每个用户的自身特征与其周边环境特征作为其特征向量。
[0009](2)设置不同的用户数目与用户位置，建立优化目标函数，使用传统几何规划方法得到最优功率分配作为标签，计算此功率分配下的用户频谱效率。
[0010](3)搭建针对此场景下的Transformer网络模型。
[0011](4)构建深度学习所需要的数据集，用于训练模型，输入是用户的自身特征与其周边环境特征，输出是用户被其小区基站所分配的功率，训练直到模型收敛。
[0012]优选地，步骤(1)的具体步骤包括：
[0013](1.1)设定要仿真的多小区多用户场景的参数信息，本文考虑一个带有L个小区的大规模MIMO网络的下行(DL)传输，每个小区包括一个带有M个天线的BS和K个UEs，设定用户的上行传输功率P
ul
、基站端最大信号发射功率P
max
、带宽W；确定信道建模方式；建立要仿真区域的二维坐标系，确定每个BS的位置，另外在每个小区随机生成K个UE的位置信息，数量K的大小与位置(x,y)都不固定；
[0014](1.2)信道建模假设其服从瑞利分布，用表示小区l中BS
j
到UE
k
之间的信道。
[0015][0016]其中，是基站端的空间相关矩阵。
[0017]利用导频信号与MMSE信道估计，得到预编码向量满足||w
li
||2＝1。
[0018]优选地，步骤(1.2)的具体步骤包括：
[0019](1.2.1)位置确定后可以计算得到小区l从BS
j
到UE
k
的距离利用无线信号自由空间路径损耗公式计算出AP
i
发射的信号到UE
j
位置时的大尺度衰落系数，计算出每一对BS到UE的大尺度衰落系数矩阵，小区l从BS
j
到UE
k
的一个天线的大尺度衰落系数为
[0020][0021]Υ确定了在参考距离为1km处的中间信道增益。在理论研究中，参数Υ和α可以根据众多已建立的传播模型之一来计算；
[0022](1.2.2)利用基于导频的信道训练来估计信道向量。假设BS和UEs是完全同步的，并根据时分双工(TDD)协议进行操作，其中DL数据传输阶段在UL之前是一个信道估计的训练阶段。导频重用因子为1，每个单元中的UE使用相同的导频。利用每个UE的总UL导频功率和标准MMSE估计技术，BS
j
得到的估计为：
[0023][0024]其中，噪声其中，噪声p
tr
指上行导频总功率。
[0025](1.2.3)预编码的设计考虑到UL
‑
DL对偶性，UL和DL信道在一个相干块内是相互作用的，这使得BS也可以使用UL信道估计来计算/选择预编码向量。选择一种常见的启发式方法，使用M
‑
MMSE预编码：
[0026][0027](1.3)利用上述信道信息矩阵与预编码信息，根据每个UE连接的AP，计算AP对于UE的信号与干扰；
[0028]小区l中的BS传输DL信号，是信号功率。
[0029][0030][0031]上式第一项为有效信号，第二项为小区内其他用户对目标用户的干扰，第三项为小区外其他用户对目标用户的干扰，第四项为噪声，是独立的可加性接收机噪声。
[0032]优选地，步骤(2)的具体步骤包括：
[0033](2.1)计算所有用户的频谱效率的估计值SE；
[0034]小区j中UE
k
的DL遍历信道容量估计为：
[0035][0036]τ
c
表示相干时间与相干带宽的乘积，τ
d
表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法，其特征在于，包括如下步骤：(1)构建用户数目动态变化场景下的多小区大规模MIMO网络通信模型，计算得到用户的信道状态信息，并以此构建每个用户的自身特征与其周边环境特征作为其特征向量；(2)设置不同的用户数目与用户位置，建立优化目标函数，使用传统几何规划方法得到最优功率分配作为标签，计算此功率分配下的用户频谱效率；(3)搭建针对此场景的Transformer网络模型；(4)构建深度学习所需要的数据集，用于训练模型，输入是用户的特征向量，输出是用户被其小区基站所分配的功率，训练直到模型收敛。2.根据权利要求1所述的一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法，其特征在于：所述步骤(1)的具体步骤包括：(1.1)设定要仿真的多小区多用户场景的参数信息，对于一个带有L个小区的大规模MIMO网络的DL传输，每个小区包括一个带有M个天线的BS和K个UE，设定用户的上行传输功率P
ul
、基站端最大信号发射功率P
max
、带宽W；建立要仿真区域的二维坐标系，确定每个BS的位置，另外在每个小区随机生成K个UE的位置信息，数量K的大小与位置(x,y)都不固定；(1.2)信道建模假设其服从瑞利分布，用表示小区l中BS
j
到UE
k
之间的信道；其中，是基站端的空间相关矩阵；利用导频信号与MMSE信道估计，得到预编码向量满足||w
li
||2＝1；(1.3)利用上述信道信息矩阵与预编码信息，根据每个UE连接的BS，计算BS对于UE的信号与干扰；小区l中的BS传输DL信号,ρ
lk
是信号功率；上式第一项为有效信号，第二项为小区内其他用户对目标用户的干扰，第三项为小区外其他用户对目标用户的干扰干扰，第四项为噪声，是独立的可加性接收机噪声。3.根据权利要求2所述的一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法，其特征在于：所述步骤(1.2)的具体步骤包括：(1.2.1)位置确定后计算得到小区l从BS
j
到UE
k
的距离利用无线信号自由空间路径损耗公式计算出AP
i
发射的信号到UE
j
位置时的大尺度衰落系数，计算出每一对BS到UE的大尺度衰落系数矩阵，小区l从BS
j
到UE
k
的一个天线的大尺度衰落系数为的一个天线的大尺度衰落系数为
Υ确定了在参考距离为1km处的中间信道增益，参数Υ和α根据众多已建立的传播模型之一来计算；(1.2.2)利用基于导频的信道训练来估计信道向量；假设BS和UEs是完全同步的，并根据TDD协议进行操作，其中DL数据传输阶段在UL之前是一个信道估计的训练阶段；导频重用因子为1，每个单元中的UE使用相同的导频；利用每个UE的总UL导频功率和标准MMSE估计技术，BS
j
得到的估计为：其中，噪声其中，噪声ρ
tr
指上行导频总功率；(1.2.3)预编码的设计考虑到UL
‑
DL对偶性，UL和DL信道在一个相干块内是相互作用的，这使得BS也使用UL信道估计来计算/选择预编码向量；选择一种常见的启发式方法,使用M
‑
MMSE预编码：4.根据权利要求1所述的一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法，其特征在于：所述步骤(2)的具体步骤包括：(2.1)计算所有用户的频谱效率的估计值SE；小区j中UE
k
的DL遍历信道容量估计...

【专利技术属性】
技术研发人员：杨绿溪，邓淼佩，周婷，张明寒，李春国，黄永明，
申请(专利权)人：东南大学，
类型：发明
国别省市：