【CN110113179A】一种基于深度学习的携能NOMA系统的资源分配方法【专利】
《SWIPT辅助的协作NOMA系统的资源分配研究》范文
《SWIPT辅助的协作NOMA系统的资源分配研究》篇一一、引言随着无线通信技术的飞速发展，多用户无线通信系统已经成为现代通信网络的重要组成部分。
在满足用户对高速、大容量通信服务需求的同时，有效管理和分配系统资源显得尤为重要。
正交多址（Orthogonal Multiple Access，OMA）和非正交多址（Non-Orthogonal Multiple Access，NOMA）是两种主要的无线资源分配技术。
其中，NOMA技术以其能够提高频谱效率和系统容量等优势受到了广泛关注。
本文着重研究SWIPT（Simultaneous Wireless Information and Power Transfer）辅助的协作NOMA系统的资源分配问题，以实现高效的信息传输和能源供给。
二、系统模型SWIPT辅助的协作NOMA系统由多个用户和基站组成。
系统中用户设备不仅可以接收信息，同时也能利用射频信号进行无线能量收集。
基站负责发送信息并作为能量传输的来源。
此外，为了提升系统性能，引入了协作通信的概念，即不同用户之间可以进行信息共享和能量互传。
三、资源分配问题在SWIPT辅助的协作NOMA系统中，资源分配是一个关键问题。
资源包括时间、频率和功率等。
合理的资源分配可以有效地提高系统的频谱效率和能量效率。
本文将重点研究以下两个方面的资源分配问题：1. 功率分配：在NOMA系统中，由于不同用户之间的距离和信道条件不同，需要进行功率分配以实现公平的信息传输和能量供给。
本文将探讨如何根据用户的实际需求和信道状态信息，制定合理的功率分配策略。
2. 频率和时间分配：除了功率分配外，频率和时间资源也是NOMA系统中的重要资源。
如何根据用户需求和系统容量目标，合理地分配频率和时间资源也是本文研究的重点。
四、算法设计针对上述资源分配问题，本文提出了一种基于SWIPT辅助的协作NOMA系统的资源分配算法。
该算法通过收集并分析用户的实际需求和信道状态信息，采用智能优化算法（如深度学习或强化学习）进行资源分配决策。
一种车辆编队模式下基于NOMA的分布式资源分配方法[发明专利]
![一种车辆编队模式下基于NOMA的分布式资源分配方法[发明专利]](https://img.taocdn.com/s3/m/8e3ba0a4f7ec4afe05a1dfe2.png)
专利名称：一种车辆编队模式下基于NOMA的分布式资源分配方法
专利类型：发明专利
发明人：郭彩丽,许世琳,冯春燕,王兆丰
申请号：CN201911214993.1
申请日：20191202
公开号：CN111132083A
公开日：
20200508
专利内容由知识产权出版社提供
摘要：本发明公开了一种车辆编队模式下基于NOMA的分布式资源分配方法，属于无线通信领域。
本发明提出的方法首先将该资源分配问题解耦为功率分配和子信道分配两部分，然后分别提出基于车队行驶状态的功率分配方案和基于分布式多智能体强化学习(RL，reinforcement learning)的频谱分配方案进行求解。
在功率分配部分，通过与固定功率分配方案进行对比，本发明提出的考虑安全距离的功率分配方案能够为不同车道上的车辆编队提供更加公平的通信性能；在频谱分配部分，本发明提出的方案可以充分利用强化学习强大的自主学习能力，通过在多智能体Q‑learning中考虑基于队列位置的邻域迭代顺序来获得较快的收敛速度。
本发明在保证V2I通信的前提下，通过利用基于NOMA的分布式资源分配，实现了最大化V2mV链路总吞吐量，提高了系统的通信性能。
申请人：北京邮电大学
地址：100876 北京市海淀区西土城路10号
国籍：CN
更多信息请下载全文后查看。
一种基于深度强化学习的无人机辅助资源分配方法[发明专利]
![一种基于深度强化学习的无人机辅助资源分配方法[发明专利]](https://img.taocdn.com/s3/m/01585b24876fb84ae45c3b3567ec102de2bddf30.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010644395.4(22)申请日 2020.07.07(71)申请人 广东工业大学地址 510060 广东省广州市越秀区东风东路729号(72)发明人 郑镐 蒋丽 陈彬 薛龙男 (74)专利代理机构 广州粤高专利商标代理有限公司 44102代理人 张金福(51)Int.Cl.G06Q 10/06(2012.01)G06N 3/04(2006.01)G06K 9/62(2006.01)(54)发明名称一种基于深度强化学习的无人机辅助资源分配方法(57)摘要本发明提供一种基于深度强化学习的无人机辅助资源分配方法，包括以下步骤：S1：构建深度强化学习模型，得到神经网络，并初始化神经网络参数；S2：获取智能设备产生的计算任务信息并整合成系统状态S t ；S3：输入系统状态S t 对神经网络进行训练，得到系统动作A t ；S4：根据系统动作A t 计算得到相应的总开销C total ；S5：根据总开销C total 训练神经网络，得到使总开销最小化的系统动作；S6：完成神经网络的训练，按照得到的使总开销最小化的系统动作进行资源分配。
本发明提供一种基于深度强化学习的无人机辅助资源分配方法，解决了目前工业物联网智能设备的计算任务时间延迟和能量消耗都比较高的问题。
权利要求书3页 说明书8页 附图2页CN 111915142 A 2020.11.10C N 111915142A1.一种基于深度强化学习的无人机辅助资源分配方法，其特征在于，包括以下步骤：S1：构建深度强化学习模型，得到神经网络，并初始化神经网络参数；S2：获取智能设备产生的计算任务信息并整合成系统状态S t；其中，t表示决策时隙；S3：输入系统状态S t对神经网络进行训练，得到系统动作A t；S4：根据系统动作A t计算得到相应的总开销C total；S5：根据总开销C total训练神经网络，得到使总开销最小化的系统动作；S6：完成神经网络的训练，按照得到的使总开销最小化的系统动作进行资源分配。
《2024年基于模仿学习和分支界定的NOMA-D2D资源分配算法研究》范文
《基于模仿学习和分支界定的NOMA-D2D资源分配算法研究》篇一一、引言在5G网络架构下，NOMA（非正交多址）技术和D2D（设备对设备）通信已经得到了广泛的应用和重视。
这两项技术的有效整合对于实现更高的频谱效率和提升网络整体性能至关重要。
资源分配是网络架构中的一个核心问题，决定了如何在多用户之间有效、合理地分配网络资源。
传统的资源分配方法如正交频分多路传输，可能面临系统频谱效率相对较低的问题。
为此，本研究引入模仿学习和分支界定的方法，旨在探索出一种新型的NOMA-D2D资源分配算法，来更好地应对上述挑战。
二、背景与相关研究NOMA技术通过非正交信号的叠加和干扰消除技术，实现了在相同频谱上同时服务多个用户的目标。
而D2D通信则允许设备之间直接进行通信，可以减轻网络核心的负担并提高系统容量。
二者相结合，可以实现更为灵活和高效的资源分配策略。
目前已有不少关于NOMA-D2D的资源分配算法的研究，然而这些算法往往面临着计算复杂度高、实时性差等问题。
因此，如何设计出一种既高效又低复杂度的资源分配算法成为了研究的重点。
三、模仿学习与分支界定方法模仿学习是一种通过学习专家行为来解决问题的机器学习方法。
它通过分析专家的决策过程，从而掌握解决问题的策略。
而分支界定法则是一种常用于优化问题的数学方法，通过分支界定法可以在众多可能的解中找出最优解或近似最优解。
在本研究中，我们将模仿学习用于理解专家在特定情况下的决策过程，再结合分支界定法进行高效的资源分配决策。
四、算法设计我们的算法主要分为两个阶段：模仿学习和基于分支界定的优化决策。
在模仿学习阶段，我们首先收集大量的专家决策数据，通过机器学习算法学习专家在不同网络环境和用户行为下的决策过程。
一旦学习了专家的决策行为模式，我们的算法就进入优化决策阶段。
在这一阶段，我们将运用分支界定法，基于学习的专家模型对各种可能发生的场景进行建模，并在给定时间内寻找出最佳的资源分配策略。
《基于模仿学习和分支界定的NOMA-D2D资源分配算法研究》范文
《基于模仿学习和分支界定的NOMA-D2D资源分配算法研究》篇一一、引言在5G网络架构下，NOMA（非正交多址）技术已成为一项重要的研究领域。
该技术以其独特的特性，如多用户混合接入和干扰抑制，被广泛应用于移动通信中。
在最近的技术革新中，将NOMA技术与D2D（设备到设备）通信结合形成NOMA-D2D网络已成一种新型发展趋势。
在这个架构中，有效的资源分配算法对系统性能至关重要。
本研究以模仿学习和分支界定为方法论，探讨NOMA-D2D资源分配算法的研究，以提高系统性能和效率。
二、NOMA-D2D系统的资源分配问题NOMA-D2D系统中资源分配的问题主要集中在两个方面：用户接入选择和功率分配。
传统的解决方案常常使用复杂的多用户资源分配策略，但这不仅增加了算法的复杂性，而且可能导致资源利用效率低下。
为了解决这些问题，我们提出了模仿学习和分支界定的方法。
三、模仿学习在资源分配中的应用模仿学习通过从历史数据或专家知识中学习行为模式来模拟系统决策过程。
在NOMA-D2D系统中，我们可以从已有的用户接入和功率分配的历史数据中学习并提炼出优秀的策略模式。
这可以帮助我们建立一套适应当前环境和需求的资源分配算法。
此外，模仿学习还具有减少模型开发时间、提高决策效率和避免陷入局部最优解等优点。
四、分支界定在资源分配中的应用分支界定是一种决策树搜索算法，它通过搜索所有可能的解决方案来找到最优解。
在NOMA-D2D的资源分配问题中，我们可以将问题建模为一个复杂的决策树，并使用分支界定来找到最佳的接入和功率分配策略。
通过设定适当的边界条件，我们可以缩小搜索空间，从而降低计算复杂度并提高效率。
五、基于模仿学习和分支界定的NOMA-D2D资源分配算法我们提出的算法结合了模仿学习和分支界定的优点。
首先，我们使用模仿学习从历史数据中学习到优秀的策略模式，这可以快速地为新问题提供初始的解决方案。
然后，我们使用分支界定来进一步优化这个解决方案，找到最优的接入和功率分配策略。
一种基于删除准则的NOMA资源联合优化算法
一种基于删除准则的NOMA资源联合优化算法随着无线通信技术的不断发展和用户需求的增长，NOMA（非正交多址）技术作为一种新型多用户通信技术得到了广泛的关注。
在NOMA系统中，多个用户共享一个频谱资源，通过多用户信号非正交传输技术，从而实现频率资源的高效利用。
但是NOMA系统中存在一些问题，如用户之间的信干噪比（SINR）差异大，用户体验质量（QoS）难以保证等。
因此，如何优化NOMA系统的资源利用，提高系统性能，成为当前研究的热点问题之一。
本文提出了一种基于删除准则的NOMA资源联合优化算法。
该算法主要包含三个步骤：首先，根据用户的SINR和QoS要求，建立带有约束条件的优化模型；其次，通过删除约束条件和变量，将优化模型简化为一个凸优化问题；最后，通过求解优化问题，得到最优的资源分配方案。
该算法主要适用于下行NOMA系统，其中基站向多个用户分配资源，每个用户有不同的SINR和QoS要求。
算法步骤如下：1.确定优化模型：根据用户的SINR和QoS要求，设置优化模型的目标函数和约束条件。
目标函数包括系统总能量消耗和QoS违规率，约束条件包括每个用户的SINR 要求和功率限制。
2.删除约束条件和变量：根据删除准则，删除一些不影响最优解的约束条件和变量，从而将优化模型简化为一个凸优化问题。
例如，可以删除SINR约束条件较小的用户、功率限制条件较严格的用户和不影响总能量消耗的变量等。
3.求解最优解：通过求解简化后的凸优化问题，得到最优的资源分配方案，包括每个用户的功率分配和比特分配。
该算法的优点在于，通过删除准则，减少了约束条件和变量的数量，从而大大降低了优化问题的复杂性；同时，考虑到用户的SINR和QoS要求，能够保证用户的服务质量；最后，优化结果可以用于NOMA系统的实际部署，提高系统性能和用户体验。
总之，本文提出的基于删除准则的NOMA资源联合优化算法，为NOMA系统的资源分配问题提供了一种解决方案，具有一定的理论和实际应用价值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910133936.4
(22)申请日 2019.02.22
(71)申请人 华南理工大学
地址 510640 广东省广州市天河区五山路
381号
(72)发明人 唐杰 罗静慈 冯婉媚 宋静茹
唐珩膑 苏智杰
(74)专利代理机构 广州市华学知识产权代理有
限公司 44245
代理人 裴磊磊
(51)Int.Cl.
H04L 12/24(2006.01)
(54)发明名称
一种基于深度学习的携能NOMA系统的资源
分配方法
(57)摘要
本发明公开了一种基于深度学习的携能
NOMA系统的资源分配方法，
包括以下步骤：(1)构建携能NOMA系统中基于发射功率最小化的联合
资源分配的数学优化问题；(2)设计基于深度学
习算法的联合资源分配策略。
本发明针对携能
NOMA系统，从节能的角度出发，构建了在满足用
户服务质量(Quality of Service ,QoS)需求和
发射功率约束的条件下，最小化系统发射功率的
数学优化问题，并设计了基于深度学习算法的联
合资源分配策略，实现了低功耗资源分配的同
时，
更加地符合了低时延的要求。
权利要求书4页 说明书6页 附图2页CN 110113179 A 2019.08.09
C N 110113179
A
1.一种基于深度学习的携能NOMA系统的资源分配方法，其特征在于，所述方法包括以下步骤：
步骤1：构建携能NOMA系统中基于发射功率最小化的联合资源分配的数学优化问题，包括优化变量、优化目标函数及约束条件；
步骤2：基于深度学习算法，建立携能NOMA系统基于发射功率最小化的联合资源分配策略。
2.根据权利要求1所述的一种基于深度学习的携能NOMA系统的资源分配方法，其特征在于，所述步骤1包括以下内容：
假设在携能NOMA系统中，基站BS通过带宽为的N个子载波发送K个用户的数据信
号，从而与随机分布在携能NOMA网络中的K个用户实现下行通信；采用图样分割多址技术实现多载波NOMA，每个子载波能够叠加多个用户的数据信号，在接收端通过串行干扰消除技术实现同个载波上的用户接收信号分离；每个用户采用基于时间切换的无线携能通信方案，在接收信息的同时采集射频信号携带的额外能量；
所述优化变量包括：
①K个用户和N个子载波之间的匹配
矩阵该矩阵中第n行、第k列的元
素
②基站发射功率矩阵P(N,K)，该矩阵中第n行、
第k列的元素表示基站通过第n个载波给第k个用户的发射功率；
③时间切换系数向量，α＝[α1,α2,…,αK]T，该向量中的第k个元素αk(0＜αk＜1)表示第k 个用户用于信息解调的时间比例，相应地，1-αk表示其用于能量采集的时间比例；
从节能的角度出发，所述优化目标为携能NOMA系统中基站发射的总功率，
表示为：
考虑用户对QoS的需求和系统功率受限的因素，所述约束条件包括：
①每个用户的数据率应大于最低数据率要求：
其中R n,k＝B c log2(1+γn,k)
(3)
式中，表示在考虑携能的情况下，第k个用户的数据率；R n,k表示在不考虑携能的情
权 利 要 求 书1/4页
2
CN 110113179 A。