申请/专利权人：大连海事大学

申请日：2024-01-11

公开（公告）日：2024-03-19

公开（公告）号：CN117560043B

主分类号：H04B7/0426

分类号：H04B7/0426;H04B7/0456;H04W52/14;H04W52/26;H04W52/42;G06N3/042;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：一种基于图神经网络的无蜂窝网络功率控制方法，包括如下步骤：采用时分双工操作模式，利用无蜂窝网络信道互易性，通过上行链路发送的导频信息进行无蜂窝网络信道估计；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技术向用户发送信号；对最大化下行链路最小用户通信速率进行建模，再通过将最大化下行链路最小用户通信速率的问题转化为图优化问题，采用一种基于图神经网络的功率控制算法进行求解，实现下行链路的通信速率的提高。

主权项：1.一种基于图神经网络的无蜂窝网络功率控制方法，其特征在于，包括如下步骤：S1、采用时分双工操作模式，利用无蜂窝网络信道互易性，通过上行链路发送的导频信息进行无蜂窝网络信道估计；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技术向用户发送信号；S3、对最大化下行链路最小用户通信速率问题进行建模，再通过将最大化下行链路最小用户通信速率的问题转化为相应的图优化问题，采用一种基于图神经网络的功率控制算法进行求解，实现下行链路的通信速率的提高；所述对最大化下行链路最小用户通信速率问题进行建模，再通过将最大化下行链路最小用户通信速率的问题转化为相应的图优化问题，采用一种基于图神经网络的功率控制算法进行求解，实现下行链路的通信速率的提高的过程如下：S31、优化接入点发射功率控制，最大化最小用户通信速率，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为发射功率约束；图优化模型的图由表示，其中表示节点集合，表示相邻节点构成边的集合，x和y表示集合中的节点，节点和边分别具有不同的特征，所以图的表示可以由表示，将节点映射到其特征，节点特征，将边映射到其特征，边特征，其中，表示为复数域，和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，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，表示为第i个节点，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，表示为节点i和节点j之间构成的边；S32、对建立的最大化下行链路最小用户通信速率问题模型进行求解，获得使最小用户通信速率最大的接入点发射功率控制方案：令M个接入点和K个用户作为节点，将无蜂窝系统模型构建为二部图；使用大尺度衰落系数作为神经网络的输入，优化变量表示为： 表示实数；定义大尺度衰落矩阵为，其中，二部图的邻接特征张量为，其中；通过将通信速率表达式中的替换为，以及大尺度衰落系数替换为，可将最大化下行链路最小用户通信速率优化问题转化为如下的图优化问题： S33、将损失函数定义为目标函数的负值： 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；假设节点v上的节点特征为，节点u上的节点特征为，节点v和u组成的边e上的特征为，表示复数，消息传递范式定义了以下逐节点和边上的计算： 其中，是在第t+1层神经网络中边上聚合后的消息，是在节点v在第t+1层神经网络的特征，t为所处神经网络的层数，为边的集合，是定义在每条边上的消息函数，通过将边上特征与其两端节点的特征相结合来生成消息，聚合函数会聚合节点接受到的消息，更新函数会结合聚合后的消息和节点本身的特征来更新节点的特征；S34、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m在第t层的更新为： 即在第t层网络中节点m的节点特征为；其中，是第t层神经网络中的可学权重，，是在第T层网络中节点m的节点特征，是激活函数，为节点m在第t-1层图神经网络的节点特征，为节点k在第t-1层图神经网络的节点特征，是将最终隐藏状态映射到发射功率的多层感知机，聚合函数选择的是求和；S35、根据图神经网络设计指南以及无蜂窝网络的下行数据传输模型的特点对图神经网络架构进行改进；仅在第一次迭代中运行从用户到接入点的消息传递： 即第一层神经网络中节点m的节点特征为；对于聚合函数选择平均聚合，是第一层神经网络中的可学权重，是激活函数，对于之后的消息传递过程，只考虑用户间的消息传递： 即在第t层网络中节点m的节点特征为； 其中，，是在第t层神经网络中可学参数，是一个将隐藏层映射到发射功率的可学习多层感知机；所述采用时分双工操作模式，利用无蜂窝网络信道互易性，通过上行链路发送的导频信息进行无蜂窝网络信道估计的过程如下：S11、在所考虑的无蜂窝网络系统中，共有M个单天线接入点和K个单天线用户，每个接入点都通过回程链路与中央处理器连接，M个接入点在相同的时间频率资源下为K个用户服务；在无蜂窝网络系统中采用时分双工操作模式，利用信道互易性，在上行链路训练阶段，所有用户向接入点发送导频序列，在每个接入点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表示： 其中，m=1,…,M，k=1,..,K，是接入点m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，是小尺度衰落系数，每一个小尺度衰落系数都是独立同分布的，表示均值为0和方差为1的复高斯随机变量；通过路径损耗和不相关的对数正态阴影对大尺度衰落系数进行建模： 其中：表示路径损失，为具有标准方差和阴影衰落系数的阴影衰落，其中路径损失可由如下表示： 其中：，是载波频率，是接入点的天线高度，是用户的天线高度，是第m个接入点到第k个用户间的距离，和为参考距离；阴影衰落是相互关联的，使用一个包含两个分量的模型来计算阴影衰落系数： 其中，，，是两个独立的随机变量，表示均值为0和方差为1的高斯随机变量，，是一个参数； 和的协方差函数为： 其中，是第个接入点和第个接入点之间的距离，是第个用户和第个用户间的距离，是相关距离；通过信道条件，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： 其中，为上行链路导频传输持续时间，为第k个用户使用的导频序列，其中为用户k的随机变量，，表示在复数域维的向量，.是欧几里得范数，是每个导频归一化信噪比，是第m个接入点处的附加噪声；基于接收到的导频序列，第m个接入点进行信道估计，在上的投影为: 其中：为的共轭转置，表示共轭转置，表示第个用户，这里的k和都包含在用户集合K中，为用户的随机变量，；S12、依据最小均方误差准则，可将信道系数估计为： 其中，表示第m个接入点到第个用户间的大尺度衰落系数，表示均值，表示共轭；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技术向用户发送信号的过程如下：S21、在下行链路数据传输阶段，接入点m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： 其中，是发送给第k个用户的符号，并且，是归一化下行链路信噪比，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；采用了共轭波束技术，在信号传输部分中，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的均方；在无蜂窝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、第k个用户接收到的信号为： 其中，是第k个用户的加性噪声，是发送给第k'个用户的符号,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，为第m个接入点到第k'个用户间的信道估计系数；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，表示第k个用户期望信号的强度，表示波束成形增益的不确定性，表示来自个用户的干扰；到第k个用户下行通信速率表达式为： 将公式展开，指的是第k个用户在下行链路的可达速率，可达速率表达式如下所示； 其中，表示为信道系数估计值的均方。

全文数据：

权利要求：

百度查询： 大连海事大学 一种基于图神经网络的无蜂窝网络功率控制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD