[發(fā)明專利]基于行列式點過程學習的空域資源分配方法

在審

• 申請?zhí)枺?/td>: 202210047952.3
• 申請日: 2022-01-17
• 公開（公告）號: CN114401552A
• 公開（公告）日: 2022-04-26
• 發(fā)明（設(shè)計）人: 席兵;殷波;胡昊南;鄭亞楠;姜言;張繼良;張治中
• 申請（專利權(quán)）人: 重慶郵電大學
• 主分類號: H04W72/04
• 分類號: H04W72/04;H04B7/0456
• 代理公司: 重慶輝騰律師事務(wù)所 50215
• 代理人: 王海軍

1.一種基于行列式點過程學習的空域資源分配方法，其特征在于，所述方法應(yīng)用于NR-U/Wi-Fi共存網(wǎng)絡(luò)中，所述方法包括：

基于NR-U/Wi-Fi共存網(wǎng)絡(luò)的場景，構(gòu)建出以最大化吞吐量為優(yōu)化目標的空域共存機制模型；

根據(jù)NR-U/Wi-Fi共存網(wǎng)絡(luò)的第一場景參數(shù)，基于凸優(yōu)化的啟發(fā)式算法求解所述優(yōu)化目標，得到第一空域資源分配方案；

將所述NR-U/Wi-Fi共存網(wǎng)絡(luò)的第一場景參數(shù)作為訓(xùn)練集數(shù)據(jù)，將對應(yīng)的所述第一空域資源分配方案作為訓(xùn)練集標簽輸入到行列式點過程學習模型中進行訓(xùn)練，并輸出核矩陣的最優(yōu)學習參數(shù)；

將NR-U/Wi-Fi共存網(wǎng)絡(luò)的第三場景參數(shù)輸入到最優(yōu)學習參數(shù)對應(yīng)的模型，輸出第三空域資源分配方案；

利用第三空域資源分配方案的結(jié)果，在當前的NR-U/Wi-Fi共存網(wǎng)絡(luò)中，在基站側(cè)對發(fā)送信號進行預(yù)編碼。

2.根據(jù)權(quán)利要求1所述的一種基于行列式點過程學習的空域資源分配方法，其特征在于，所述NR-U/Wi-Fi共存網(wǎng)絡(luò)包括運行在相同非授權(quán)頻段的蜂窩網(wǎng)絡(luò)和多個Wi-Fi網(wǎng)絡(luò)；所述蜂窩網(wǎng)絡(luò)包括一個基站和多個蜂窩用戶，所述Wi-Fi網(wǎng)絡(luò)包括多個APs和Wi-Fi用戶。

3.根據(jù)權(quán)利要求1所述的一種基于行列式點過程學習的空域資源分配方法，其特征在于，所述以最大化吞吐量為優(yōu)化目標的空域共存機制模型表示為：

s.t.

C2:x∈{0,1},y∈{0,1}

其中，是二值變量，x_i表示蜂窩用戶是否被調(diào)度，y_j表示W(wǎng)i-Fi站點用戶是否被干擾抑制，x_i＝1表示蜂窩用戶被調(diào)度，y_j＝1表示W(wǎng)i-Fi站點用戶被干擾抑制；a_l和a_w分別表示蜂窩網(wǎng)絡(luò)和Wi-Fi網(wǎng)絡(luò)的優(yōu)先級因子，且a_l+a_w＝1；約束C1表示適用的空域資源數(shù)量要少于基站能提供的空間自由度數(shù)量，N表示蜂窩用戶數(shù)量，M表示W(wǎng)i-Fi用戶數(shù)量即包括Wi-Fi站點用戶數(shù)量以及Wi-Fi接入點用戶數(shù)量，N_A表示基站的天線數(shù)量；約束C2限制x,y為二值變量，x表示蜂窩用戶的二值變量，y表示W(wǎng)i-Fi站點用戶的二值變量，ω_k表示W(wǎng)i-Fi接入點用戶被干擾抑制的二值變量，ω_k＝1表示W(wǎng)i-Fi接入點用戶被干擾抑制。

4.根據(jù)權(quán)利要求3所述的一種基于行列式點過程學習的空域資源分配方法，其特征在于，Wi-Fi接入點用戶被干擾抑制的確定過程包括判斷Wi-Fi接入點用戶是否檢測到高于能量檢測閾值的基站信號，若高于，則被干擾抑制，否則不被干擾抑制；其中，Wi-Fi接入點用戶被干擾抑制的二值變量的計算公式表示為：

其中，P_bs表示基站的傳輸功率；l()表示路徑損失計算函數(shù)；表示基站到Wi-Fi接入點用戶之間的歐幾里得距離；表示基站到Wi-Fi接入點用戶的小尺度衰落；σ²表示噪聲功率；γ表示能量檢測閾值。