【CN109698726A】一种基于机器学习的无线频谱资源分配方法【专利】

其中，i为约束因素编号，1≤i≤N，N为约束因素总数。
2/2 页
3
CN 109698726 A
说 明 书
1/6 页
一种基] 本发明属于人工智能与无线通信领域，更具体地，涉及一种基于机器学习的无线 频谱资源分配方法。
背景技术 [0002] 随着信息时代的到来，智能移动用户设备的数量呈爆炸式增长，用户的通信需求 也从最初的语音、文字信息交流转向现在的视频信息交流。尽管已经引入了许多高效的正 交或者非正交多址接入技术以 满足 用户的接入需求 ，但由于授权频段十分有限 ，频谱资源 短缺的问题仍然很严峻 ，给支持海量 用户设备的接入提出了巨 大的挑战。 [0003] 认知无线电技术通过对周围无线频谱资源进行实时感知和动态接入，能够显著提 高频谱资源利用率 ，有效缓解频谱资源短缺的问题。在进行无线频谱资源分配时 ，传统认知 无线电 技术对 用户进行优先级 划分 ，授权的 主 用户比 非 授权的次 级 用户拥有更高的 优先 级 ；授权频谱空闲 ，则允许次级 用户通信 ；而当主 用户接入频谱时 ，次级 用户则需要寻找并 切换至其他空闲频谱进行通信。此 种技术 ，能 够在优先保证主 用户通信需求的 前提下感知 频谱空洞用于为次级用户提供服务，很大程度上提高了授权频谱利用效率。但是，传统认知 无线电技术未能对同类用户加以区分。事实上不同时空条件下信道的频率选择性衰落情况 和干扰噪声情况不尽相同 ，导致不同 用户在同一频段进行通信产生的效果也不相同 ，相关 的调度开销也不相同。这使得系统总收益得不到保障。
以计算该分配方案所对应的系统开销为：
在所述分配方案S下，以各探测器所探测的全频段信道质量、各子系统接入用户数及接 入频段为输入，利用所述信道容量预测模型预测信道总容量U ′；
根据所述信道总容量U ′和所述系统开销C计算所述系统收益为：Q＝U '-C；
2
CN 109698726 A
权 利 要 求 书
法 ( 57 )摘要
本发明公开了一种基于机器学习的无线频 谱资源分配方法 ，包括 ：将无线通 信系统 划分为 多个子系统 ，并在每一个子系统中配置一个探测 器 ；在满足 调度条件时转入后续步骤 ；对无线频 谱资源进行划分，得到满足约束条件的所有分配 方案；若满足约束条件的分配方案数的数量级小 于预设的 分配阈值 ，则遍历各分配方案 ，并 利 用 神经网络模型预测各分配方案所对应的信道总 容量以计算系统收益，从而获得使得系统收益最 大的 最优分配方案 ；否则 ，利 用优化算法获得最 优分配方案；根据最优分配方案为各子系统分配 并部署无线频谱资源，以完成当前调度轮次的无 线频谱资源分配 ；重新 判断 是否满足 调度条件。 本发明能够提高频谱资源利用效率并最大化系 统收益。
权利要求书2页 说明书6页 附图3页
CN 109698726 A
CN 109698726 A
权 利 要 求 书
1/2 页
1 .一种基于机器学习的无线频谱资源分配方法，其特征在于，包括： (1) 将无线通信系统 划分为多个子系统 ，并在每一个子系统中配置一个探测器 ，分别用 于探测全频段的信道质量； (2)若满足调度条件 ，则转入步骤(3) ；否则，等待直至满足调度条件 ，并转入步骤(3) ； (3) 根据无线频谱资源总数及子 系统 划分结果对所述无线频谱资源进行 划分 ，得到满 足约束条件的所有分配方案； 所述分配方案为每一个子系统分配一个频谱集作为其内部用户的接入频段，从而将所 述无线频谱资源划分为互不相交的多个频谱集； (4)若满足约束条件的分配方案数的数量级小于预设的分配阈值，则遍历各分配方案， 并 利用已 训练好的 信道容量预测模型预测各分配方案所对应的 信道总容量以 计算各分配 方案所对应的 系统收 益 ，从而获得所有分配方案中使得 系统收 益最大的 最优分配方案 ；否 则，利用优化算法获得所有分配方案中使得所述系统收益最大的最优分配方案； 所述优化算法利用所述信道容量预测模型预测各分配方案所对应的信道总容量； (5) 根据所述最优分配方案为各子 系统分配并 部署无线频谱资源 ，以 完成当前 调度轮 次的无线频谱资源分配 ；转入步骤(2) ； 其中 ，所述信道容量预 测模型为包括一个输入层、一个或多个隐 藏层以 及一个输出层 的 神经网络模型 ，用于根据各探测器所探 测的 全频段信道 质量 、各子系统接入 用户数及接 入频段预测信道总容量。 2 .如权利要求1所述的基于机器学习的无线频谱资源分配方法，其特征在于，还包括： 每一个调度轮次的 无线频谱资源分配完成 后 ，根据所述最优分配方案下 ，各探 测器所探测 的 全频段信道 质量 、各子系统接入 用户数及接入频段 ，以 及实际的 信道总容量更新所述信 道容量预测模型。 3 .如权利要求1或2所述的基于机器学习的无线频谱资源分配方法，其特征在于，所述 信道容量预测模型的训练方法包括： 从历史数据中提取每一个调度轮次中 ，各探测器所探测的 全频段信道 质量、各子系统 的 接入 用户数及接入频段 ，以 及由 各接入 用户所检 测到的 信道总容量 ，并 将所提取的 信息 作为一条样本数据，从而得到由所有样本数据构成的样本集； 建立所述 信道容量预 测模型 ，用于根据各探 测器所探 测的 全频段 信道 质量 、各子 系统 接入用户数及接入频段预测信道总容量； 利用所述样本集训练所述信道容量预测模型，以得到训练好的信道容量预测模型。 4 .如权利要求1或2所述的基于机器学习的无线频谱资源分配方法，其特征在于，所述 步骤(4)中，所述系统收益的计算方法为： 分别获得在对应的分配方案S下各约束因素所带来的系统开销ci及对应的转化因子βi，
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910021291 .5
(22)申请日 2019 .01 .10
(71)申请人 华中科技大学 地址 430074 湖北省武汉市洪山区珞喻路 1037号
(72)发明人 葛晓虎 陈凯 胡沈奇 李强 肖泳 黄晓庆
(74)专利代理机构 华中科技大学专利中心 42201
代理人 曹葆青 李智
(51)Int .Cl . H04B 17/382(2015 .01) H04B 17/391(2015 .01) H04W 16/14(2009 .01)
(10)申请公布号 CN 109698726 A (43)申请公布日 2019.04.30
( 54 )发明 名称 一种基于机器学习的无线频谱资源分配方