[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN118784023A - Ris辅助去蜂窝多天线系统联合相位优化与预编码方法 - Google Patents

Ris辅助去蜂窝多天线系统联合相位优化与预编码方法 Download PDF

Info

Publication number
CN118784023A
CN118784023A CN202410786498.2A CN202410786498A CN118784023A CN 118784023 A CN118784023 A CN 118784023A CN 202410786498 A CN202410786498 A CN 202410786498A CN 118784023 A CN118784023 A CN 118784023A
Authority
CN
China
Prior art keywords
ris
optimization
channel
user
precoding
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410786498.2A
Other languages
English (en)
Inventor
章嘉懿
史恩宇
朱一阳
柳子恒
艾渤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202410786498.2A priority Critical patent/CN118784023A/zh
Publication of CN118784023A publication Critical patent/CN118784023A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/04013—Intelligent reflective surfaces
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及RIS辅助去蜂窝多天线系统联合相位优化与预编码方法。该方法包括获取用户到接入点的信道信息，选择置信域，求解基于信道特性的接入点预编码和RIS反射系数联合优化问题，利用全分布式异构智能体强化学习进行导频的分配。本发明的方法可以提供一种低成本、节能的解决方案，合理设计接入点处预编码与RIS处反射系数，有效提升用户和平均频谱效率，提升系统的鲁棒性。

Description

RIS辅助去蜂窝多天线系统联合相位优化与预编码方法
技术领域
本发明涉及无线通信技术领域，尤其涉及一种RIS辅助去蜂窝多天线系统联合相位优化与预编码方法。
背景技术
去蜂窝(cell-free CF)大规模多输入多输出(multiple-input multiple-outputMIMO)通信系统由于能够避免在小区间大规模MIMO系统中出现的小区间干扰问题，实现了信道容量和频谱效率的大幅提升，从而引起了无线通信领域的广泛关注。
在RIS辅助去蜂窝多天线系统中，大量分布式接入点(AP)共同利用并发的时频资源为有限的用户群提供服务，而所有基站(BS)通过回程无线连接到中央处理单元(CPU)。不同于仅在AP处使用常规预编码，通过智能超表面辅助，使用联合预编码，联合优化AP处的波束赋形矩阵和RIS相位，可以提高信道容量，减少传输功率，增强可靠性，并扩展无线覆盖范围。
研究结果表明，获取即时全局信道状态信息(CSI)仍然需要大量的前端开销，这是可重构智能表面(Reconfigurable Intelligent Surfaces)RIS辅助网络实际部署中亟待解决的问题，特别是在计算密集型算法和联合学习在现实世界场景中的应用方面，计算复杂度成为智能超表面辅助大规模MIMO系统中影响通信质量的主要瓶颈。
目前，用于联合预编码设计的方案大都是交替优化，即先设计AP处波束赋形矩阵，再根据用户的实际信干噪声比SINR，采用交替方向乘子法，RIS处反射系数进行设计，提高系统的吞吐量，这样的方法往往需要较大的计算资源。本发明采用异构智能体强化学习，通过引入置信策略，联合与编码进行设计，极大的降低了所需的计算复杂度。
发明内容
本发明的实施例提供了一种RIS辅助去蜂窝多天线系统联合相位优化与预编码方法，用于解决现有技术中存在的技术问题。
为了实现上述目的，本发明采取了如下技术方案。
一种RIS辅助去蜂窝多天线系统联合相位优化与预编码方法，包括：
S1根据整数顺序依次对AP进行编号，获取每个AP到各用户的信道大尺度衰落系数；
S2根据整数顺序依次对RIS进行编号，获取AP到RIS之间以及RIS到用户之间的大尺度衰落信息，并根据已有的统计信息计算导频分配信息和信道估计信息；
S3根据最大化和速率建立优化模型和优化问题，并引入约束条件；根据步骤S2获得的导频分配信息和信道估计信息计算信噪比，将获得的信噪比代入到优化模型和优化问题的求解过程中，获得可行解；根据计算获得的可行解对系统进行AP选择和AP功率分配；
S4将执行了步骤S3选择的AP作为智能体，引入异构智能体矩阵对优化问题进行描述；
S5引入置信策略，结合双层网络结构，对AP预编码及RIS相位进行联合优化，获得步骤S4中描述的优化问题的优选解；计算每个智能体的奖励函数，重复执行本步骤至满足KL散度约束；双层网络结构中，第一层网络用于处理AP预编码的优化，第二层网络用于处理RIS相位设计的优化；
步骤S5获得的智能体的奖励函数用于RIS辅助去蜂窝多天线系统的信道分配，以提升RIS辅助去蜂窝多天线系统的频谱效率。
优选地，步骤S1包括：
通过式获取每个AP到各用户的信道大尺度衰落系数；式中，L是基站的个数，K是用户的个数，且M和K的取值范围是大于1的整数。
优选地，步骤S2包括：
通过式
计算获得RIS辅助去蜂窝多天线系统中的联合信道表示；式中，表示AP到用户的等效信道，l表示基站，k表示用户，表示第l个AP到第k个用户的直连信道，表示第r个RIS到第k个用户的信道，R表示RIS的数量，d表示直连信道，Gl,r表示第l个AP到第r个RIS的信道，表示第r个RIS的相位。
优选地，步骤S3中优化模型为最大化平均和速率模型，优化问题是以最大用户和速率为优化目标，约束条件为功率约束和RIS相位约束；
步骤S3还包括：
根据步骤S2获得的导频分配信息和信道估计信息，通过式
计算信噪比γk；式中，wl表示第l个AP的预编码，j为用户数，σ是加性高斯白噪声。
优选地，步骤S4包括：
将执行了步骤S3获得的AP作为智能体，引入异构智能体矩阵对优化问题进行描述；式中，分别表示系统在t时隙下的状态空间，动作空间与奖励函数。
优选地，步骤S5中，置信策略的执行过程包括：
判断单次执行步骤S5获得的模型参数是否与双层网络结构相匹配，若是则扩展该模型参数，否则，收缩该模型参数；
计算预设理想的模型参数与执行了上述过程获得的模型参数的比值，若该比值在预设阈值的范围内，则将该模型参数输入到双层网络结构中，并重复执行步骤S5。
由上述本发明的实施例提供的技术方案可以看出，本发明提供一种RIS辅助去蜂窝多天线系统联合相位优化与预编码方法。该方法包括获取用户到接入点的信道信息，选择置信域，求解基于信道特性的接入点预编码和RIS反射系数联合优化问题，利用全分布式异构智能体强化学习进行导频的分配。本发明的方法可以提供一种低成本、节能的解决方案，合理设计接入点处预编码与RIS处反射系数，有效提升用户和平均频谱效率，提升系统的鲁棒性。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的RIS辅助去蜂窝多天线系统联合相位优化与预编码方法的处理流程图；
图2为本发明提供的RIS辅助去蜂窝多天线系统联合相位优化与预编码方法的一种优选实施例的流程图；
图3为本发明提供的RIS辅助去蜂窝多天线系统联合相位优化与预编码方法的与MADDPG、MAPPO和HATRPO算法相比较的收敛时间的示意图；
图4为本发明提供的RIS辅助去蜂窝多天线系统联合相位优化与预编码方法的与MADDPG、MAPPO和HATRPO算法相比较的总和-SE的示意图；
图5为本发明提供的RIS辅助去蜂窝多天线系统联合相位优化与预编码方法的与MADDPG、MAPPO和HATRPO算法相比较的RIS辅助cell-free大规模MIMO性能的示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
参见图1，本发明提供一种RIS辅助去蜂窝多天线系统联合相位优化与预编码方法，包括如下步骤过程：
S1根据整数顺序依次对AP进行编号，获取每个AP到各用户的信道大尺度衰落系数；
S2根据整数顺序依次对RIS进行编号，获取AP到RIS之间以及RIS到用户之间的大尺度衰落信息，并根据该大尺度衰落信息计算获得联合信道信息；
S3根据最大化和速率建立优化模型和优化问题，并引入约束条件；根据步骤S2获得的导频分配信息和信道估计信息计算信噪比，将获得的信噪比代入到优化模型和优化问题的求解过程中，获得可行解；根据计算获得的可行解对系统进行AP选择，以及对所选择的AP进行功率分配；
S4将执行了步骤S3选择的AP作为智能体，引入异构智能体矩阵对优化问题进行描述；
S5引入置信策略，结合双层网络结构，对AP预编码及RIS相位进行联合优化，获得步骤S4中描述的优化问题的优选解；计算每个智能体的奖励函数，重复执行本步骤至满足KL散度约束。该双层网络结构中，第一层网络用于处理AP预编码问题，第二层网络用于处理RIS相位设计问题，从而实现对AP预编码及RIS相位进行联合优化。
步骤S5获得的智能体的奖励函数用于RIS辅助去蜂窝多天线系统的信道分配，以提升RIS辅助去蜂窝多天线系统的频谱效率。
在发明提供的优选实施例中，各步骤的具体执行过程如下。
步骤S1中，在50m×50m的范围内，L个基站将其均匀划分为L个矩形区域·，R个RIS随机分布在这些矩形区域的几何中心。K个用户随机分布在这些区域。采用最小均方误差对信道信息进行估计。按照整数顺序依次对AP进行编号，获取每个AP到各用户的信道大尺度衰落系数其中，L是基站的个数，K是用户的个数，且M和K的取值范围是大于1的整数。
步骤S2中，按照整数顺序依此对RIS进行编号，获取系统内AP到RIS,RIS到用户之间的大尺度衰落信息，并根据已有的统计信息计算导频分配、信道估计等信息。RIS辅助去蜂窝多天线系统中的联合信道表示为
式中，表示AP到用户的等效信道，l表示基站，k表示用户，表示第l个AP到第k个用户的直连信道，表示第r个RIS到第k个用户的信道，R表示RIS的数量，d表示直连信道，Gl,r表示第l个AP到第r个RIS的信道，表示第r个RIS的相位。
步骤S3中，根据最大化和速率建立优化模型和优化问题，引入约束条件，根据步骤S2得到的统计信息(即导频分配信息和信道估计信息)并通过下式计算信噪比
式中，wl表示第l个AP的预编码，j为用户数，σ是加性高斯白噪声。
在本步骤中，优化模型为最大化平均和速率模型，优化问题是以最大用户和速率为优化目标，约束条件为功率约束和RIS相位约束。
步骤S4中，选择AP为智能体，引入异构智能体矩阵对问题进行描述，其中，分别表示系统在t时隙下的状态空间，动作空间与奖励函数。本步骤优选采用异构智能体集中式训练，分布式执行的策略，能够降低消耗运算资源，提高通信性能。
步骤S5中，还设计了一个双层网络来联合解决AP预编码和RIS相移设计问题。每个AP只需要本地CSI进行预编码设计，从而减少了回程链路的负担和开销。此外，在本发明提供的优选实施例中还引入置信域策略来提高优化性能。
置信域策略优化算法是强化学习中的一种策略梯度算法，其通过限制KL散度来避免每次迭代中，策略参数过大的变化。
在数值优化邻域，置信域是使用模型函数(通常为二次函数)近似的目标函数域的一个子集。如果在置信域内找到了目标函数的适合模型，则扩展该域；反之，则收缩该域。评估域“拟合”效果的评估标准：比较通过模型近似得到的期望改善与在目标函数中观察到的实际改善的比值。通过给该比值简单设置一个阈值来作为扩展或收缩域的标准：只有当一个域提供了合理的近似时，该模型函数才会被信任。
KL散度是两个几率分布P和Q差别的非对称性的度量。KL散度是用来度量使用基于Q的分布来编码服从P的分布的样本所需的额外的平均比特数。典型情况下，P表示数据的真实分布，Q表示数据的理论分布、估计的模型分布、或P的近似分布。
在一个可行实施例中，置信域策略在本步骤的执行过程如下：
判断单次执行步骤S5获得的模型参数是否与所述双层网络结构相匹配，若是则扩展该模型参数，否则，收缩该模型参数。
计算预设理想的模型参数与执行了上述过程获得的模型参数的比值，若该比值在预设阈值的范围内，则将该模型参数输入到所述双层网络结构中，并重复执行步骤S5。否则，修改模型参数。
本发明还提供一个实施例，用于显示实施本发明提供的方法的效果。
场景参数设置：设有50m×50m的正方形区域，有4个基站，4个用户，4个RIS。大尺度衰落模型是Hata-COST231，阴影衰落的衰减因子是8Db，噪声功率-96dBm。随后的执行过程如图2所示。
在试验中，采用蒙特卡洛方法，随机产生100次独立的用户分布进行仿真，训练步长为100。
从图3中可以看出，横坐标表示收敛时间，纵坐标表示奖励函数。与MADDPG算法相比，MAPPO和HATRPO都表现出更稳定的收敛。此外，这些算法提供了优越的收敛效率。具体地说，虽然MAPPO的收敛速度略快于HATRPO，但后者获得了更高的平均奖励值，从而显示出优越的性能。
从图4中可以看出，横坐标表示AP天线数量，纵坐标表示平均和速率。随着AP天线数量的增加，所有情况下的总和-SE显著增加。值得注意的是，HATRPO的成绩与简易智力状态检查(MMSE)相当，这是一项接近理论值的重大成就。此外，HATRPO算法的性能比MADDPG算法高37.56倍，比MAPPO算法高14.26％，与其他MAIL算法相比，HATRPO算法有了显著的改进。
从图5中可以看出，横坐标表示RIS单元数量，纵坐标表示平均和速率。随着RIS单元数量的增加，RIS辅助cell-free大规模MIMO性能有显著提升。在不同的RIS单元数量下，和MADDPG及MAPPO方法相比，本发明实例中，用户的吞吐量都得到了显著的提高，且当RIS单元数量增加时，提高的幅度更大，优势更加明显。
本发明实例提供的基于异构智能体强化学习的智能超表面辅助cell-free大规模MIMO系统中联合与编码，采用置信策略，实现利用本地信道信息进行联合预编码，可以有效降低回程链路负载，减小计算复杂度。
综上所述，本发明提供一种RIS辅助去蜂窝多天线系统联合相位优化与预编码方法，包括：按照整数顺序依次对AP进行编号，获取每个AP到各用户的信道大尺度衰落系数；按照整数顺序依此对RIS进行编号，获取系统内AP到RIS,RIS到用户之间的大尺度衰落信息，并根据已有的统计信息计算导频分配、信道估计等信息；根据最大化和速率建立优化模型和优化问题，引入约束条件，根据得到的统计信息计算信噪比。根据得到的可行解对系统进行AP选择和功率分配；选择AP为智能体，引入异构智能体矩阵对问题进行描述；引入置信策略，对AP预编码及RIS相位进行联合优化，得到可行解。计算每个智能体的奖励函数，重复本步骤至满足KL散度约束。本发明提供的方法结合异构智能体强化学习，采用置信策略，实现利用本地信道信息进行联合预编码，可以有效降低回程链路负载，减小计算复杂度。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.RIS辅助去蜂窝多天线系统联合相位优化与预编码方法，其特征在于，包括：
S1根据整数顺序依次对AP进行编号，获取每个AP到各用户的信道大尺度衰落系数；
S2根据整数顺序依次对RIS进行编号，获取AP到RIS之间以及RIS到用户之间的大尺度衰落信息，并根据已有的统计信息计算导频分配信息和信道估计信息；
S3根据最大化和速率建立优化模型和优化问题，并引入约束条件；根据步骤S2获得的导频分配信息和信道估计信息计算信噪比，将获得的信噪比代入到优化模型和优化问题的求解过程中，获得可行解；根据计算获得的可行解对系统进行AP选择和AP功率分配；
S4将执行了步骤S3选择的AP作为智能体，引入异构智能体矩阵对优化问题进行描述；
S5引入置信策略，结合双层网络结构，对AP预编码及RIS相位进行联合优化，获得步骤S4中描述的优化问题的优选解；计算每个智能体的奖励函数，重复执行本步骤至满足KL散度约束；所述双层网络结构中，第一层网络用于处理AP预编码的优化，第二层网络用于处理RIS相位设计的优化；
步骤S5获得的智能体的奖励函数用于RIS辅助去蜂窝多天线系统的信道分配，以提升RIS辅助去蜂窝多天线系统的频谱效率。
2.根据权利要求1所述的方法，其特征在于，步骤S1包括：
通过式获取每个AP到各用户的信道大尺度衰落系数；式中，L是基站的个数，K是用户的个数，且M和K的取值范围是大于1的整数。
3.根据权利要求2所述的方法，其特征在于，步骤S2包括：
通过式
计算获得RIS辅助去蜂窝多天线系统中的联合信道表示；式中，表示AP到用户的等效信道，l表示基站，k表示用户，表示第l个AP到第k个用户的直连信道，表示第r个RIS到第k个用户的信道，R表示RIS的数量，d表示直连信道，Gl,r表示第l个AP到第r个RIS的信道，表示第r个RIS的相位。
4.根据权利要求3所述的方法，其特征在于，步骤S3中优化模型为最大化平均和速率模型，优化问题是以最大用户和速率为优化目标，约束条件为功率约束和RIS相位约束；
步骤S3还包括：
根据步骤S2获得的导频分配信息和信道估计信息，通过式
计算信噪比γk；式中，wl表示第l个AP的预编码，j为用户数，σ是加性高斯白噪声。
5.根据权利要求4所述的方法，其特征在于，步骤S4包括：
将执行了步骤S3获得的AP作为智能体，引入异构智能体矩阵对优化问题进行描述；式中，分别表示系统在t时隙下的状态空间，动作空间与奖励函数。
6.根据权利要求5所述的方法，其特征在于，步骤S5中，所述置信策略的执行过程包括：
判断单次执行步骤S5获得的模型参数是否与所述双层网络结构相匹配，若是则扩展该模型参数，否则，收缩该模型参数；
计算预设理想的模型参数与执行了上述过程获得的模型参数的比值，若该比值在预设阈值的范围内，则将该模型参数输入到所述双层网络结构中，并重复执行步骤S5。
CN202410786498.2A 2024-06-18 2024-06-18 Ris辅助去蜂窝多天线系统联合相位优化与预编码方法 Pending CN118784023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410786498.2A CN118784023A (zh) 2024-06-18 2024-06-18 Ris辅助去蜂窝多天线系统联合相位优化与预编码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410786498.2A CN118784023A (zh) 2024-06-18 2024-06-18 Ris辅助去蜂窝多天线系统联合相位优化与预编码方法

Publications (1)

Publication Number Publication Date
CN118784023A true CN118784023A (zh) 2024-10-15

Family

ID=92994850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410786498.2A Pending CN118784023A (zh) 2024-06-18 2024-06-18 Ris辅助去蜂窝多天线系统联合相位优化与预编码方法

Country Status (1)

Country Link
CN (1) CN118784023A (zh)

Similar Documents

Publication Publication Date Title
Zeng et al. Pilot assignment for cell free massive MIMO systems using a weighted graphic framework
JP2016521482A (ja) 疎なビーム形成設計のためのシステムおよび方法
CN109151864A (zh) 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法
CN115173900B (zh) 去蜂窝大规模mimo系统的ap选择和功率分配方法
JP7572754B2 (ja) セルフリー大規模ｍｉｍｏネットワークの低電力消費多接続方法
CN112105062A (zh) 时敏条件下移动边缘计算网络能耗最小化策略方法
JP2012134952A (ja) 反復リソース重みの更新を用いて通信システムにおいてノードにリソースを配分する装置及び方法
CN110167176A (zh) 一种基于分布式机器学习的无线网络资源分配方法
CN114337976B (zh) 一种联合ap选择与导频分配的传输方法
CN110166088A (zh) 以用户为中心的无小区mimo系统的功率控制算法
CN117715111A (zh) 一种基于noma-mec网络的计算任务卸载优化方法
Tung et al. Distributed graph neural network design for sum ergodic spectral efficiency maximization in cell-free massive MIMO
EP3188372B1 (en) Graph clustering for cooperation in telecommunications networks
CN114978268B (zh) 去蜂窝导频长度优化方法、装置、电子设备及存储介质
CN118784023A (zh) Ris辅助去蜂窝多天线系统联合相位优化与预编码方法
CN114826833B (zh) 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端
CN113242064B (zh) 基于用户空域特征和信道预测的多小区调度方法
Zhuang et al. When multi-access edge computing meets multi-area intelligent reflecting surface: A multi-agent reinforcement learning approach
Sun et al. Modified bipartite matching for multiobjective optimization: Application to antenna assignments in MIMO systems
CN104811947B (zh) 一种异构网络容量估计方法和系统
Thai et al. NOMA-Aided Cell-Free Massive MIMO with MEC: A Trade-Off Between Latency and Energy Consumption
CN114554494A (zh) 一种面向6g全解耦网络的上下行联合动态资源分配方法
CN113873525A (zh) 一种超密集边缘计算网络的任务卸载方法及终端
CN110621030A (zh) 多用户双向中继系统的机会信号空间对齐
CN114826532B (zh) 导频分配方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination