【技術實現步驟摘要】
本專利技術屬于無線通信，尤其涉及一種無蜂窩大規模mimo-noma系統的資源分配方法和系統、存儲介質。
技術介紹
1、移動通信是無線通信技術應用最為廣泛的領域之一。其背后蘊含著豐富的技術和社會背景，而對移動通信的研究也是隨著時代的進步不斷深化和拓展的。
2、隨著移動通信技術的不斷發展，大規模mimo作為一種重要的通信技術，被廣泛應用于現代通信系統中。大規模mimo系統相較于傳統的小規模mimo系統，在多個方面展現出了明顯的優勢。它具有更高的頻譜效率、更廣的覆蓋范圍以及更低的干擾水平。這使得大規模mimo系統能夠有效地滿足未來移動通信系統對于高速率、低延遲和海量連接數的需求。
3、而無蜂窩大規模mimo系統作為大規模mimo技術的一種重要形式，其優勢在于簡單、靈活、成本低等方面。在未來的5g及其后續通信網絡中有著廣闊的應用前景。
4、非正交多址(non-orthgonal?multiple?access，noma)作為提高頻譜效率的一項重要技術，在學術界和工業界備受關注。其核心思想是利用多用戶信道增益，在功率域中疊加多用戶數據信號，以在同一頻譜塊內為多個用戶提供服務。相較于正交多址，noma能夠在有限頻譜資源上支持更多用戶，但會引入簇內干擾。這種干擾可以通過接收端連續干擾消除來抵消。
5、最近的研究表明，將noma技術與無蜂窩大規模mimo系統相結合，充分利用兩者的優勢，滿足未來無線網絡對高頻譜效率、低延遲的海量連接、高可靠性和用戶公平的相互矛盾的需求是至關重要的。但是在相關技術中，
技術實現思路
1、本專利技術要解決的技術問題是，提供一種無蜂窩大規模mimo-noma系統的資源分配方法和系統、存儲介質，針對該系統下行鏈路中的用戶配對和功率分配問題，提出了能夠聯合優化這兩個問題的分層深度確定性策略梯度(hierarchical?deep?deterministicpolicy?gradient，h-ddpg)框架；該框架采用了在不同時間尺度上運行的兩層控制網絡，通過協同優化用戶配對和功率分配，在滿足相應的用戶配對約束和每個ap的最大發射功率約束下，提高系統速率；具體的，通過分層設計，在高層處理系統級問題，即用戶配對。而低層解決鏈路級問題，即功率分配；并分別訓練了兩個相應的ddpg智能體，讓它們從環境中學習并逐步改進策略，以最大化系統速率。
2、為實現上述目的，本專利技術采用如下的技術方案：
3、一種無蜂窩大規模系統的資源分配方法，包括：
4、構建基于非正交多址的無蜂窩大規模mimo系統模型；
5、確定無蜂窩大規模mimo-noma系統的下行鏈路數據傳輸速率模型；
6、基于下行鏈路數據傳輸速率模型確定優化問題模型，優化問題模型的目標是最大化無蜂窩大規模mimo-noma系統速率；
7、基于優化問題模型，得到分層深度確定性策略梯度框架；
8、根據分層深度確定性策略梯度框架，使網絡迭代地相互更新以獲得最優策略；
9、基于最優策略對無蜂窩大規模mimo-noma系統進行資源分配。
10、作為優選，分層深度確定性策略梯度框架包括：第一ddpg智能體和第二ddpg智能體，其中，第一ddpg智能體用于優化用戶配對，第二ddpg智能體用于優化功率分配。
11、作為優選，第一ddpg智能體和第二ddpg智能體利用具有最大獎勵的策略來進行用戶配對并為網絡中的每個用戶分配功率，在每次訓練結束時更新它們的策略。
12、本專利技術還提供一種無蜂窩大規模系統的資源分配系統，包括：
13、第一處理裝置，用于構建基于非正交多址的無蜂窩大規模mimo系統模型；
14、第二處理裝置，用于確定無蜂窩大規模mimo-noma系統的下行鏈路數據傳輸速率模型；
15、第三處理裝置，用于基于下行鏈路數據傳輸速率模型確定優化問題模型，優化問題模型的目標是最大化無蜂窩大規模mimo-noma系統速率；
16、第四處理裝置，用于基于優化問題模型，得到分層深度確定性策略梯度框架；
17、第五處理裝置，用于根據分層深度確定性策略梯度框架，使網絡迭代地相互更新以獲得最優策略；
18、第六處理裝置，用于基于最優策略對無蜂窩大規模mimo-noma系統進行資源分配。
19、作為優選，分層深度確定性策略梯度框架包括：第一ddpg智能體和第二ddpg智能體，其中，第一ddpg智能體用于優化用戶配對，第二ddpg智能體用于優化功率分配。
20、作為優選，第五處理裝置通過第一ddpg智能體和第二ddpg智能體利用具有最大獎勵的策略來進行用戶配對并為網絡中的每個用戶分配功率，在每次訓練結束時更新它們的策略。
21、本專利技術還提供一種存儲介質，所述存儲介質上存儲有計算機程序，所述計算機程序在運行時執行無蜂窩大規模系統的資源分配方法。
22、本專利技術針對無蜂窩大規模mimo-noma系統下行鏈路，提出了一個考慮用戶配對和功率分配的聯合優化問題。在滿足相應的用戶配對約束和每個ap的最大發射功率約束下，最大限度地減少不必要的干擾，從而最大化系統速率。為了解決所提出的聯合優化問題，提出了h-ddpg算法，創建了一個將用戶配對和功率分配相結合的協同優化框架，通過在不同時間尺度上運行兩層控制網絡，實現對系統級和鏈路級問題的分解與處理，目標是最大化系統速率。針對系統級問題，即用戶配對，在大時間尺度上利用ddpg，得到合適的用戶配對，有助于提高網絡的整體性能。針對鏈路級問題，即功率分配，在小時間尺度上利用ddpg，減少用戶間干擾并提高傳輸性能。
本文檔來自技高網...【技術保護點】
1.一種無蜂窩大規模系統的資源分配方法，其特征在于，包括：
2.如權利要求1所述的無蜂窩大規模系統的資源分配方法，其特征在于，分層深度確定性策略梯度框架包括：第一DDPG智能體和第二DDPG智能體，其中，第一DDPG智能體用于優化用戶配對，第二DDPG智能體用于優化功率分配。
3.如權利要求2所述的無蜂窩大規模系統的資源分配方法，其特征在于，第一DDPG智能體和第二DDPG智能體利用具有最大獎勵的策略來進行用戶配對并為網絡中的每個用戶分配功率，在每次訓練結束時更新它們的策略。
4.一種無蜂窩大規模系統的資源分配系統，其特征在于，包括：
5.如權利要求4所述的無蜂窩大規模系統的資源分配系統，其特征在于，分層深度確定性策略梯度框架包括：第一DDPG智能體和第二DDPG智能體，其中，第一DDPG智能體用于優化用戶配對，第二DDPG智能體用于優化功率分配。
6.如權利要求5所述的無蜂窩大規模系統的資源分配系統，其特征在于，第五處理裝置通過第一DDPG智能體和第二DDPG智能體利用具有最大獎勵的策略來進行用戶配對并為網絡中的每個用
7.一種存儲介質，其特征在于，所述存儲介質上存儲有計算機程序，所述計算機程序在運行時執行如權利要求1-3中的任一項所述的無蜂窩大規模系統的資源分配方法。
...【技術特征摘要】
1.一種無蜂窩大規模系統的資源分配方法，其特征在于，包括：
2.如權利要求1所述的無蜂窩大規模系統的資源分配方法，其特征在于，分層深度確定性策略梯度框架包括：第一ddpg智能體和第二ddpg智能體，其中，第一ddpg智能體用于優化用戶配對，第二ddpg智能體用于優化功率分配。
3.如權利要求2所述的無蜂窩大規模系統的資源分配方法，其特征在于，第一ddpg智能體和第二ddpg智能體利用具有最大獎勵的策略來進行用戶配對并為網絡中的每個用戶分配功率，在每次訓練結束時更新它們的策略。
4.一種無蜂窩大規模系統的資源分配系統，其特征在于，包括：
5.如權利要...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。