一种异构网中用户关联和功率分配方法、系统技术方案

本发明专利技术公开了一种异构网中用户关联和功率分配方法、系统，所述方法包括：步骤1：建立异构网络模型，确定用户从小基站接收信号的信干噪比；步骤2：将小基站作为智能体，建立马尔可夫决策过程，确定状态，动作和奖励；步骤3：构建并训练神经网络，将相应的训练数据集输入神经网络中，训练神经网络直到收敛，在小基站中应用MDS编码缓存方案，协调不同小基站中的缓存内容；步骤4：将奖励设为基站的传输速率；采用对数效用函数作为优化目标，最大化用户的平均传输速率。通过本发明专利技术方法，优化异构网络中的功率分配，训练神经网络找到每个小基站的最佳功率，实现异构网中用户关联和最大化异构网络中用户的传输速率。中用户的传输速率。中用户的传输速率。

【技术实现步骤摘要】
一种异构网中用户关联和功率分配方法、系统


[0001]本专利技术涉及蜂窝网络
，特别是涉及一种异构网中用户关联和功率分配方法、系统。

技术介绍

[0002]当大量的用户终端连接到网络时，基站中接入点的密度不断增加，密集部署的微蜂窝、毫微蜂窝已成为解决接入点密度过大的有效方案。小区变的更小，接入点更多，整个通信网络充斥着无线信号，使得小区间和小区内的干扰十分显著，因此，功率分配和干扰管理是非常必要的。蜂窝网络由单层同质网络向异构网络转变，异构网络由覆盖范围广的大型基站(MBS)和大量的小型基站(SBS)组成。
[0003]近年来，机器学习被应用到各个领域，机器学习算法是未来无线通信发展的方向。机器学习主要分为监督学习和强化学习，强化学习是一种面向目标的算法，旨在利用现有知识和探索未知领域来学习更好的策略；通信网络中的数据难以收集且数据量巨大，更适合用强化学习进行优化。
[0004]用户关联策略确定后对于单个基站，还需考虑下行传输功率如何分配。传统的功率分配算法是迭代充水算法，其原理是给定基站关联用户中，信道质量好的用户赋予更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异构网中用户关联和功率分配方法，其特征在于，包括：步骤1：建立异构网络模型，确定用户从小基站接收信号的信干噪比；步骤2：将小基站作为智能体，建立马尔可夫决策过程，确定状态，动作和奖励；步骤3：构建并训练神经网络，将相应的训练数据集输入神经网络中，训练神经网络直到收敛，在小基站中应用MDS编码缓存方案，协调不同小基站中的缓存内容；步骤4：将奖励设为基站的传输速率；采用对数效用函数作为优化目标，最大化用户的平均传输速率。2.根据权利要求1所述一种异构网中用户关联和功率分配方法，其特征在于，步骤1具体为：异构网络模型由一个宏基站、K个小基站和U个用户组成；宏基站用于访问由N个文件组成的库，每个文件F＝{F1,..,F
N
}具有相同的容量；每个小基站配备一个缓存设备。3.根据权利要求2所述一种异构网中用户关联和功率分配方法，其特征在于，所述确定用户从小基站接收信号的信干噪比，具体为：在时隙t，用户u∈U从小基站k∈K接收信号的信干噪比为：式中，表示小基站k在时隙t时到用户u的发射功率，表示小基站k到用户u之间的信道增益；表示小基站v在时隙t时到用户u的发射功率，表示小基站v到用户u之间的信道增益；σ2为加性高斯白噪声的方差；归一化带宽，小基站k在时隙t时到用户u的平均传输速率表示为：用0或1的二进制变量x
ij
来表示用户i是否和小基站j关联，x
ij
＝1表示用户i与小基站j关联，否则为0。4.根据权利要求3所述一种异构网中用户关联和功率分配方法，其特征在于，步骤2具体为：采用深度强化学习中A3C算法来优化功率分配问题，建立马尔可夫决策过程，智能体、状态、动作、奖励分别表示为：智能体：异构网络模型中的小基站；状态：动作：将发射功率离散化，将发射功率量化为|A|级；奖励：奖励为基站的传输速率c
t
；采用对数效用函数作为优化目标。5.根据权利要求4所述一种异构网中用户关联和功率分配方法，其特征在于，所述动作表示为：式中，P
min
、P
max
分别表示用户终端的最小发射功率和最大发射功率。6.根据权利要求5所述一种异构网中用户关联和功率分配方法，其特征在于，步骤3所述在小基站中应用MDS编码缓存方案，协调不同小基站中的缓存内容，具体为：宏基站包含所有用户可能请求的文件F
j
(1≤j≤N)，在MDS编码中每个文件F
j
(1≤j≤N)被分为n个片段，
为n个片段被编码为E
j
个分组在放置阶段，编码分组被独立的发送到每个小基...

【专利技术属性】
技术研发人员：李君，刘子怡，刘兴鑫，李晨，
申请(专利权)人：无锡学院，
类型：发明
国别省市：