买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连海事大学

摘要：本发明提供的一种终端直通和无蜂窝异构网络接入模式选择方法，包括以下步骤：采用时分双工操作模式，利用上下行信道互易性，通过上行链路发送的导频信息进行基于终端直通和无蜂窝异构网络的异构网络系统信道估计；通过基于信道估计值的最大比率预编码方案，对下行链路数据传输阶段的传输符号进行预编码，然后利用共轭波束成形方法向用户发送信号；对最大化下行链路通信和速率问题进行建模，采用一种基于图神经网络的用户通信模式选择算法进行求解，得到通信速率最高的用户通信模式，实现终端直通和无蜂窝异构网络接入模式选择，实现下行链路的通信速率的提高。

主权项：1.一种终端直通和无蜂窝异构网络接入模式选择方法，其特征在于，包括以下步骤：S1、采用时分双工操作模式，利用上下行信道互易性，通过上行链路发送的导频信息进行基于终端直通和无蜂窝异构网络的异构网络系统信道估计；S2、通过基于信道估计值的最大比率预编码方案，对下行链路数据传输阶段的传输符号进行预编码，然后利用共轭波束成形方法向用户发送信号；S3、对最大化下行链路通信和速率问题进行建模，采用一种基于图神经网络的用户通信模式选择算法进行求解，得到通信速率最高的用户通信模式，实现终端直通和无蜂窝异构网络接入模式选择；所述通过基于信道估计值的最大比率预编码方案，对下行链路数据传输阶段的传输符号进行预编码，然后利用共轭波束成形方法向用户发送信号的具体过程为：S21、在下行链路数据传输阶段，接入点M处和发射机I处根据信道估计的结果使用波束成形对将要传输给用户K的数据进行预编码，第M个接入点发送的信号为： 第I个发射机发送的信号为： 其中，αi,k是建立终端直通D2D通信链路的二进制变量，αi,k＝{0,1}，smk是发送给第K个用户的符号，并且ρc和ρd是归一化下行链路信噪比，ηm,k是第M个接入点到第K个用户间下行链路的功率控制系数，ξi,k是第I个发射机到第K个用户间下行链路的功率控制系数；和采用了共轭波束技术，在信号传输部分中，和表示对信道估计的共轭形式；功率控制系数的选择需要满足每个接入点的功率约束： 也表示为： 表示为信道系数估计值和的均方，只考虑用户接入模式选择，所以发射机采用最大发射功率，接入点采用全功率发射，对于第M个接入点，对每个用户的发射功率都是一样的；通过前传链路传输信号时需要进行信号压缩，这反过来又导致伴随传输信号的压缩失真噪声，压缩后的信号定义为： 其中:与smk无关，表示加性失真噪声，服从均值为0和方差为Q的复高斯分布，容量为Cm的前传链路中要传输的信息量表示为微分熵的函数： 其中：表示和smk间的互信息，h·表示微分熵函数，由此得到量化噪声功率Qm： 在无蜂窝与D2D通信异构系统中的下行链路数据传输阶段，所有接入点同时在同一时间频率资源上发送数据信号到用户；S22、无蜂窝网络用户接收到的信号为 D2D用户接收到的信号为： 其中，和分别是第K个无蜂窝网络用户和第K个D2D用户的加性噪声；假设每个用户都知道信道统计信息，接收信号写成： 这里， 其中，DSk表示第K个用户期望信号的强度，BUk表示波束成形增益的不确定性，CUIk'表示来自k'个无蜂窝网络用户的干扰，DUIi表示来自I个发射机的干扰，Qm,k表示量化噪声失真功率；第K个无蜂窝网络用户下行通信速率表达式为： 同理推导出第K个D2D用户下行链路的信干噪比表达式为： 进一步，得到第K个D2D用户的下行链路通信速率 所述采用时分双工操作模式，利用上下行信道互易性，通过上行链路发送的导频信息进行基于终端直通和无蜂窝异构网络的异构网络系统信道估计具体过程为：S11、基于终端直通和无蜂窝异构网络的异构网络系统，共有M个多天线接入点，K个单天线用户和I个可与用户建立终端直通通信的发射机，每个接入点都通过回程链路与中央处理器连接，M个接入点和I个发射机在相同的时间频率资源下为K个用户服务；在终端直通和无蜂窝异构网络系统中采用时分双工操作模式，利用信道互易性，在每个接入点和发射机处进行到所有用户的信道估计，获取到的信道状态信息用于上行链路数据传输解码和下行链路数据传输编码；将第K个用户到第M个接入点间的信道系数用gm,k表示： 将第K个用户到第I个接入点间的信道系数用gi,k表示： 其中，M＝1,…,M，K＝1,…,K，I＝1,…,I，um,k是接入点M和用户K之间的大尺度衰落系数，ui,k是发射机I和用户K之间的大尺度衰落系数主要反映的是路径损耗和阴影衰落对信道的影响，和分别表示接入点M和用户K间小尺度衰落系数以及发射机I和用户K间的小尺度衰落系数，每一个小尺度衰落系数hm,k和hi,k都是独立同分布的，表示均值为0和方差为1的复高斯随机变量，为独立同分布的随机变量，其分布符合N为接入点的天线数；通过路径损耗和不相关的对数正态阴影对大规模衰落系数um,k进行建模： PLm,k表示路径损失，为具有标准方差σsh和的阴影衰落，其中路径损失PLm,k由如下表示： 其中：L＝46.3+33.9log10f-13.82log10hAP-1.1log10f-0.7hu+1.56log10f-0.8，f是载波频率，hAP是接入点的天线高度，hu是用户的天线高度，dmk是第M个接入点到第K个用户间的距离，d0和d1为参考距离；使用一个包含两个分量的模型来计算阴影衰落系数zm,k： 其中，是两个独立的随机变量，δ是一个参数，0≤δ≤1，am和bk的协方差函数为： 其中，dAPm,m′是第m个接入点和第m'个接入点之间的距离，dUEk,k'是第k个用户和第k'个用户间的距离，ddecorr是相关距离，ui,k的建模方式与um,k相同；通过信道条件gm,k和gi,k，得到第M个接入点在上行链路接收到用户K发送的导频信息和第I个发射机在上行链路接收到用户K发送的导频信息 为接入点和发射机分配不同的正交导频信息以消除耦合，其中，τp为上行链路导频传输持续时间，和为第K个用户发送给接入点和发射机时使用的导频序列，其中φk和ψk为用户K的随机变量，||φk||＝1，||ψk||＝1，表示在复数域τp×1维的向量，||·||是欧几里得范数，和分别是用户发送给接入点和发射机导频时的归一化信噪比，和是第M个接入点处和第I个发射机处的附加噪声；基于接收到的导频序列，第M个接入点和第I个发射机进行信道估计，在上的投影和在的投影为： 其中：和分别为φk和ψk的共轭转置，k'表示第k'个用户，这里的K和k'都包含在用户集合K中，φk'为用户k'的随机变量，||φk'||＝1，||ψk'||＝1；S12、依据最小均方误差准则，将信道系数gm,k和gi,k估计为： 其中，um,k'表示第M个接入点到第k'个用户间的大尺度衰落系数，ui,k'表示第I个发射机到第k'个用户间的大尺度衰落系数，表示均值，*表示共轭；所述对最大化下行链路通信和速率问题进行建模，采用一种基于图神经网络的用户通信模式选择算法进行求解，得到通信速率最高的用户通信模式，实现终端直通和无蜂窝异构网络接入模式选择具体为：S31、对用户的通信模式进行选择，最大化用户通信和速率，如下：对通信速率最大化的约束优化问题进行建模，如下所示： 其中，C1和C2为用户关联约束，即每个用户最多只能和一个发射机组成D2D通信；将用户，接入点和发射机作为异构图中的三类节点，其中用户与接入点之间是全连接的状态，用户与发射机之间是全连接的状态，图优化模型的图由G＝V,E,s,t表示，其中，V＝VUE∪VAP∪VTX表示节点集合，VUE，VAP和VTX分别表示用户，接入点和发射机节点；表示相邻节点构成边的集合，x和y表示集合V中的节点，s表示节点特征，s:t表示边特征,t:其中，表示为复数域，l1和l2表示为节点特征和边特征的维度大小；定义节点特征矩阵其中Zi,:＝sνi，表示为节点特征矩阵Z的第i行，即第i个节点的节点特征，νi表示为第i个节点，将节点特征设为全1的张量，邻接特征张量其中表示为节点i和节点j之间边的特征，其中i,j∈V，{i,j}表示为节点i和节点j之间构成的边，使用大尺度衰落系数um,k和ui,k作为边的特征；S32、将损失函数定义为目标函数的负值Loss： 图神经网络将卷积神经网络扩展到图中，在一个图神经网络层中，每个节点根据来自邻居节点的聚合信息更新自己的隐藏状态；S33、无蜂窝网络系统中使用的是异构神经网络，每一层神经网络包含两种消息传递的类型，分别是接入点向用户传递的消息，以及用户向接入点传递的消息，因此要使用不同的权重矩阵来参数化不同的消息传递过程；将节点m的特征初始化为空向量其中为实数域的空向量；对于一个T层的图神经网络，节点k在第t层的更新如下： 其中，表示第t层神经网络中节点k聚集信息，Nk表示节点k的相邻节点，PL·是池化函数，这里的池化函数选择的是平均，即对聚合的特征取平均，是第t层的聚合神经网络，W1t,是第t层神经网络中的可学权重，是在第T层神经中节点k的节点特征，CB·是组合函数，是组合神经网络，为节点k在第t-1层图神经网络的节点特征，MLP·是将最终隐藏状态映射到发射功率的多层感知机。

全文数据：

权利要求：

百度查询： 大连海事大学 一种终端直通和无蜂窝异构网络接入模式选择方法