一种智能反射面辅助通信资源分配方法组成比例

本发明专利技术涉及一种智能反射面辅助通信资源分配方法，属于无线通信技术领域

【技术实现步骤摘要】
一种智能反射面辅助通信资源分配方法


[0001]本专利技术属于无线通信
，涉及一种在智能反射面辅助的多蜂窝用户网络中，通过深度学习进行一种智能反射面辅助通信资源分配算法设计
。

技术介绍

[0002]快速增长的移动设备带来了前所未有的移动流量需求增长，这给当前的蜂窝网络带来了巨大的挑战
。
为了应对这一挑战，提出了设备对设备
(Device
‑
to
‑
Device
，
D2D)
技术，允许近端设备之间直接通信
。
与传统蜂窝技术相比，
D2D
技术具有两个主要优势
。
首先，
D2D
技术可以通过流量卸载有效减轻基站负担
。
其次，
D2D
技术可以缩短信号在两个设备之间的传播距离，从而大大提高频谱效率
。D2D
对共享蜂窝频谱主要有两种方式，即底层
D2D
和叠加
D2D。
通常情况下，允许
D2D
链路与蜂窝链路共享上行频谱，可以缓解频谱不足的问题
。
然而，不可避免的干扰要求在严格的通信质量要求下保护蜂窝网络免受干扰
。
[0003]值得庆幸的是，近年来学者开发出一项具有创新和革命性的技术，即可重构智能反射面
(Reconfigurable Intelligent Surface
，
RIS)
，可以有效地消除
D2D
干扰，满足要求的数据速率
。RIS
是由大量低成本无源反射元件组成的平面，每个元件能够独立地诱导入射信号的振幅和
/
或相位变化，从而协同实现精细的三维
(3D)
反射波束形成
。
对于每个元件，其电磁响应，即对入射信号的相移，可以以软件定义的方式进行调整，利用其可重构特性，通过调整相移对入射信号进行叠加和反射，形成有利于用户的波束转向，从而有效的控制多径效应
。
因此，通过调节
RIS
元件的幅值和
/
或相移，可以达到提高接收预期功率增益和破坏性减轻干扰的目的，从而提高频谱和能源效率
。
为了增强
D2D
通信系统性能，可以在
D2D
通信系统中部署
RIS
，通过配置
RIS
来控制撞击其表面的电磁波的反射
。
[0004]目前，针对
RIS
辅助的
D2D
通信系统，大多都是通过松弛交替迭代优化技术
。
信令问题的根本原因是现有方案都是针对网络状态的每个快照进行优化，一旦网络状态发生变化，得到的解决方案就不是最优的
。
而深度学习
(Deep Learning
，
DL)
作为一种无模型学习技术，有望被应用于通信领域
。
监督学习是深度学习技术的常用手段之一，通过利用已知的实际数据作为训练数据来训练模型，使其更为接近实际的系统环境，具有更强的模型泛化能力
。
但是监督学习在训练数据生成阶段需要为每个样本通过穷举搜索解决其优化问题来生成标签，在码本数据量很大的情况下，其训练开销过于庞大
。

技术实现思路

[0005]本专利技术所要解决的技术问题是：
[0006]为了避免监督学习需要大量训练标签等问题，本专利技术提供一种智能反射面辅助通信资源分配方法
。
该方法能够减少监督学习带来的训练开销，通过训练深度神经
(Deep Neural Network
，
DNN)
网络来解决
RIS
的无源波束成形设计问题，以较低的复杂度解决大维度优化问题
。
此外，由于无人机具有动态部署的特点，它可以根据实际通信场景和物理环境实时调整飞行状态，对复杂环境有一定的适应能力，从而提升系统的适应性和抗干扰能力，
因此我们使用无人机作为空中基站
。
[0007]为了解决上述技术问题，本专利技术采用的技术方案为：
[0008]一种智能反射面辅助通信资源分配方法，其特征在于：
[0009]在无人机基站发送端处理步骤如下：
[0010]步骤1：发送端包括一个无人机基站，一个有
M
个反射元件的
RIS、K
个通道
、D
个
D2D
对，其中每个通道包含一个蜂窝用户
CUE
；此外，用表示第
i
对
D2D
是否使用第
k
个通道，即如果第
d
对
D2D
的发射机通过第
k
个信道传输数据，则否则假设每对
D2D
一次只能使用一个通道，即假设无人机基站，
CUE
，
D2D
都配备单根天线，无人机基站位置为
(x,y,h)
，第
l
个
CUE
位置为
(x
l
,y
l
,z
l
)
，
RIS
位置为
(0,y
ris
,z
ris
)
，
D2D
用户对随机分布在半径为
R
的圆内，第
i
个
D2D
发射端
(DT)
位置记为
DT
与对应接收端
DR
的距离为
L
，第
i
个
DR
位置记为
[0011]此外，假定
RIS
上配备
M
个反射元件，反射系数矩阵
Θ
表示为此对角矩阵的第
m
个元素表示为其中
θ
m
∈[0,2
π
)
为第
m
个反射元件的相移，
|
β
m
|≤1
表示第
m
个反射元件的幅度；实际中，每个元件的相移只能有有限数量的离散值，第
l
个离散值表示为其中
L
＝2b
，
b
表示用于量化相移水平
L
的位数；然后，假设
RIS
进行理想反射，从而每个反射元件的信号功率是无损的，即振幅反射系数
β
m
＝1；同时假设
DT i
的发射功率表示为
p
i
，并可以量化为
N
P
个离散步长，即其最大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种智能反射面辅助通信资源分配方法，其特征在于：在无人机基站发送端处理步骤如下：步骤1：发送端包括一个无人机基站，一个有
M
个反射元件的
RIS、K
个通道
、D
个
D2D
对，其中每个通道包含一个蜂窝用户
CUE
；此外，用表示第
i
对
D2D
是否使用第
k
个通道，即如果第
d
对
D2D
的发射机通过第
k
个信道传输数据，则否则假设每对
D2D
一次只能使用一个通道，即假设无人机基站，
CUE
，
D2D
都配备单根天线，无人机基站位置为
(x,y,h)
，第
l
个
CUE
位置为
(x
l
,y
l
,z
l
)
，
RIS
位置为
(0,y
ris
,z
ris
)
，
D2D
用户对随机分布在半径为
R
的圆内，第
i
个
D2D
发射端
(DT)
位置记为
DT
与对应接收端
DR
的距离为
L
，第
i
个
DR
位置记为此外，假定
RIS
上配备
M
个反射元件，反射系数矩阵
Θ
表示为此对角矩阵的第
m
个元素表示为其中
θ
m
∈[0,2
π
)
为第
m
个反射元件的相移，
|
β
m
|≤1
表示第
m
个反射元件的幅度；实际中，每个元件的相移只能有有限数量的离散值，第
l
个离散值表示为其中
L
＝2b
，
b
表示用于量化相移水平
L
的位数；然后，假设
RIS
进行理想反射，从而每个反射元件的信号功率是无损的，即振幅反射系数
β
m
＝1；同时假设
DTi
的发射功率表示为
p
i
，并可以量化为
N
P
个离散步长，即其最大值为
P
D
,
即步骤2：无人机基站产生
X bit
信息
a[x],x
＝
0,1,
…
,X
‑1；步骤3：对步骤2产生的信息进行调制，调制后信号为且满足
||s||2＝1；步骤4：将步骤3产生的信号
s
送入信道；无人机到用户信道构建处理步骤如下：步骤5：无人机基站传输的信号刚开始在自由空间传播，此时空间中没有高楼树木等物体遮挡，无人机可以直射信号，此时形成视距链路
LOS
，产生的衰落模型主要是自由空间损耗模型，当信号继续传播时，无人机基站和地面用户之间存在遮挡，同时受电磁波反射和散射等影响，形成非视距链路
NLOS
；步骤6：信道增益中的
LOS
和
NLOS
按照一定概率出现，假设地面节点坐标为
(x
i
,y
i
,z
i
)
，
UAV
基站坐标为
(x,y,h)
，无人机与节点之间的距离为则节点的
LOS
分量概率为：其中
A、B
为与环境有关的常数，节点的
NLOS
分量概率为：
P
NLoS
＝1‑
P
LoS
；步骤7：无人机到
D2D
用户
i
信道增益为
:
：
其中
α0是用户与无人机链路之间的路径损耗系数，
η
是与
NLOS
链路的相关系数；步骤8：无人机与第
l
个
CUE
用户之间的距离为将
d
l
代入步骤6的
P
LOS
和
P
NLOS
中，随机生成瑞利分布系数为则信道增益为：步骤9：无人机与
RIS
之间的距离为忽略
RIS
每个元件的位置差异，将
d
r
代入步骤6的
P
LOS
和
P
NLOS
中，随机生成瑞利分布系数则信道增益为：步骤
10
：无人机与第
i
个
D2D
用户之间的距离为将
d
i
代入步骤6的
P
LOS
和
P
NLOS
中，随机生成瑞利分布系数则信道增益为：其他链路信道构建处理步骤如下：步骤
11
：其他链路信道增益考虑随机瑞利分布与路径损耗，路径损耗为：其中
d
是节点间距离，
ρ
,
υ
分别表示
1m
处的路径损耗以及路径损耗系数；步骤
12
：
RIS
与第
l
个
CUE
用户之间的距离为将
d
r,l
代入步骤
11
的
loss
中，随机生成瑞利分布系数则信道增益为：步骤
13
：
RIS
与第
i
个
DR
之间的距离为将
d
ri
代入步骤
11
的
loss
中，随机生成瑞利分布系数则信道增益为：
RIS
与第
i
个
DT
之间的距离为将
d
ir
代入步骤
11
的
loss
中，随机生成瑞利分布系数则信道增益为：步骤
14
：第
l
个
CUE
用户与第
i
个
D2D
用户之间的距离为将
d
lj
代入步骤
11
的

【专利技术属性】
技术研发人员：许茜，尤倩，杨欣，王伶，张兆林，孙文彬，赵洪钢，宫延云，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：