基于信道感知和强化学习的低功耗广域网通感融合方法技术

本申请提供一种基于信道感知和强化学习的低功耗广域网通感融合方法，该方法包括：网关接收机接收终端节点发送的上行信号，利用软解调算法对上行信号进行解调，得到比特对数似然比；深度强化学习模型根据比特对数似然比，完成通信过程中对应链路的信道重建，得到重建信道；根据重建信道，计算当前最优网络配置，以在下次下行传输时分配给各终端节点。该方案利用深度强化学习模型挖掘环境关键信息，使得网关能够根据当前的网络环境情况，给不同终端节点分配最优的网络配置，并提升网关的解码能力。力。力。

【技术实现步骤摘要】
基于信道感知和强化学习的低功耗广域网通感融合方法


[0001]本专利技术属于通信
，特别涉及一种基于信道感知和强化学习的低功耗广域网通感融合方法。

技术介绍

[0002]随着通信技术的不断进步，无线通信(Wireless Communication)和无线感知(Wireless Sensing)两个领域都在朝着更高的频段、更大的天线阵列、更小型化的设备发展。两个领域的硬件架构、信道特性和信号处理变得越来越相似，这就给通感融合(Integrated Sensing and Communications, ISAC)创造了客观条件。
[0003]通感融合，即在同一个网络环境下采用同一套设备或共享部分器件，实现通信和感知两种功能，从而降低设备成本、体积和功耗，让通信与感知相辅相成。而传统的物联网(IOT)终端设备则是通过搭载各式传感器感知物理环境信息，然后将感知的数据通过物联网上行传输到网关节点处理数据。而通感融合作为新型的物联网技术，通过在同一平台上融合通讯和感知功能可以减少设备数量和复杂度，提高了设备的灵活性和实时性，同时降低了设备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信道感知和强化学习的低功耗广域网通感融合方法，其特征在于，所述方法包括：网关接收机接收终端节点发送的上行信号，利用软解调算法对所述上行信号进行解调，得到比特对数似然比；深度强化学习模型根据所述比特对数似然比，完成通信过程中对应链路的信道重建，得到重建信道；根据所述重建信道，计算当前最优网络配置，以在下次下行传输时分配给各终端节点。2.根据权利要求1所述的方法，其特征在于，所述利用软解调算法对所述上行信号进行解调，得到比特对数似然比，包括：根据所述上行信号计算的比特对数似然比由贝叶斯公式确定，而各个符号发送概率 相等，则第k个比特的比特对数似然比为：其中，分别表示第k个比特等于0、1的符号集合，为接收的所有可能的符号集合；其中，在加性高斯白噪声信道的模型下，噪声服从零均值的高斯分布 ，基于最大后验概率准则，对解调结果，有条件概率：其中，为接收机接收到的实际信号，为符号的调制信号。3.根据权利要求1所述的方法，其特征在于，所述深度强化学习模型根据所述比特对数似然比，完成通信过程中对应链路的信道重建，得到重建信道，包括：将所述比特对数似然比输入所述深度强化学习模型中，筛选出关键频点作为导频；根据调制信道模型，基于所述导频进行关键频点的信道估计，得到关键频点的估计信道；所述关键频点的估计信道通过插值方法，进行完整信道的原始估计，得到原始估计信道；所述原始估计信道通过连续时间片窗口中采集的N个符号进行N次迭代估计，重建通信过程中对应链路的完整信道，得到所述重建信道。4.根据权利要求1所述的方法，其特征在于，在实际通信前，对所述深度强化学习模型进行离线训练，得到初始深度强化学习模型，用于实际通信时第一轮次通信；其中，所述初始深度强化学习模型的训练过程包括：获取仿真数据集，所述仿真数据集包括仿真生成的真实信道、发射信号、接收信号、接收方解调获得的比特对数似然比；利用所述仿真数据集对所述深度强化学习模型进行训练，直至达到结束条件，得到所
述初始深度强化学习模型。5.根据权利要求1所述的方法，其特征在于，在实际通信过程中，对所述深度强化学习模型进行...

【专利技术属性】
技术研发人员：伍楷舜，王璐，黎晓燊，黄勇志，刘虹，李莉，孙敏，
申请(专利权)人：香港科技大学广州中移信息技术有限公司，
类型：发明
国别省市：