CN114826833A - 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端 - Google Patents
一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端 Download PDFInfo
- Publication number
- CN114826833A CN114826833A CN202210238773.8A CN202210238773A CN114826833A CN 114826833 A CN114826833 A CN 114826833A CN 202210238773 A CN202210238773 A CN 202210238773A CN 114826833 A CN114826833 A CN 114826833A
- Authority
- CN
- China
- Prior art keywords
- user
- optimal
- vector
- representing
- irs
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 85
- 238000004891 communication Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 174
- 230000005540 biological transmission Effects 0.000 claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000001699 lower leg Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种IRS辅助MEC中CF‑mMIMO的通信优化方法及终端,根据接收的信号使用卷积神经网络和条件循环单元进行信道估计,得到信道估计值;基于所述信道估计值建立信道模型,并定义学习误差性能指标;基于所述信道模型以及所述学习误差性能指标优化用户发射功率、波束成形向量和IRS相位向量,得到最优用户发射功率、最优波束成形向量和最优IRS相位向量;根据所述最优用户发射功率、最优波束成形向量和最优IRS相位向量进行通信传输,在用户服务质量和功率约束条件下,实现了更加全面的通信优化,利用卷积神经网络和条件循环单元进行信道估计,降低了估计过程的复杂度,便于后续最小化微网通信中边缘弱用户的学习误差,从而实现了学习误差最小化。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端。
背景技术
分布式能源的直接并网会对电网的安全稳定带来极大冲击,目前,我国多采用微网的手段来协调同一区域内分布式电源和负荷的运行。由于存在分布式能源,研究灵活、安全、可靠的通信技术对于实现多个微电网之间的信息传输以及能源管理有着重要的意义。在分布式能源***中,许多数据是由边缘设备实时生成的,由于大多数用户是计算能力有限的传感器,移动边缘计算(Mobile Edge Computing,MEC)作为一种有前途的技术可以有效地保证计算资源,降低资本成本并提供灵活性,同时也为微网的智能调度提供了一个有力的平台,因为它拥有丰富的计算资源来为上层的机器学习模型提供训练数据。在MEC中,无线设备将其计算密集型或延迟敏感任务卸载到无线电接入网边缘的附近基站或服务器,以节省电池功率和计算资源。
云计算将所有的计算能力放置在云端,终端不负责计算,只做输入输出功能。由于云计算存在高延迟且耗费网络带宽的特性,这增加了网络边缘用户的传输延迟,使得云计算对于这些边缘用户来说不太可行。因此,云计算不适用需要终端实时做出反馈,且采集数据量巨大的***。
传统的mMIMO(Massive Multiple-Input Multiple-Output,大规模多输入多输出)***中,所有用户主要由一个基站服务,因此小区边缘的用户通常遭受严重的小区间干扰,这是由来自相邻小区的信号引起的。此外,由于信道衰落的影响,在边缘的用户接收到的信号质量较差。而由于建筑物以及树木等障碍物的阻挡,信号会经历非常大的衰落,边缘用户信号传输将受到严重影响。
此外,在传统的通信***中,主要利用的是正交多址接入技术,使用正交多址接入技术可以在低复杂度的情况下轻松分离出不同用户信号所携带的信息。然而对于传统的正交多址接入技术,每个资源块仅由一个用户占用,当用户数量增多时,可用的正交资源数量不再满足要求。此外,尽管使用了正交的时频码资源,在信号经历信道时,由于时延、频偏和多普勒频移等影响,其正交性总是不可避免的遭到破坏。因此,如果仍然局限于使用正交多址接入技术,就无法在有限的资源内接入更多的用户,也就无法达到频谱效率和大规模连接需求。
为了在边缘计算场景中充分利用mMIMO的好处,考虑无小区大规模多输入多输出(Cell Free Massive Multiple-Input Multiple-Output,CF-mMIMO),在CF-mMIMO***中,单元之间的边界消失,所有AP(Access Point,接入点)合作为所有用户服务。分布式体系允许CF-mMIMO***充分利用宏多样性,并可以提供很高的覆盖范围,CF-mMIMO可以将mMIMO***和分布式***的优势结合在一起。由于微电网环境不同,特别是在建筑物密集、传输有阻碍的情况下,可重构智能反射表面(Intelligent Reconfigurable Surfaces,IRS)的引入可以改变无线通信传输方向,提高接入点的覆盖范围,可以改变MEC服务的通道条件并显着提高频谱空间效率。此外,由于发电方式不同以及网络内用户数量巨大,接入微电网的设备繁多,为了促进将IRS集成到未来的无线通信中,多路访问技术至关重要。目前,非正交多址(Non-Orthgonal Multiple Access,NOMA)被认为是一种很有前途的无线接入技术,因为它可以支持同一资源块中的多个用户。将非正交多址技术应用于电力线通信***,可更好地部署未来电力物联网,提升设备终端的通信服务质量。
然而针对微网中的学习误差最小化需求,需要一种引入IRS后的通信优化方案,以适应***最小化学习误差的要求。
发明内容
本发明所要解决的技术问题是:提供一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端,能够实现学习误差最小化。
为了解决上述技术问题,本发明采用的一种技术方案为:
一种IRS辅助MEC中CF-mMIMO的通信优化方法,包括步骤:
根据接收的信号使用卷积神经网络和条件循环单元进行信道估计,得到信道估计值;
基于所述信道估计值建立信道模型,并定义学习误差性能指标;
基于所述信道模型以及所述学习误差性能指标优化用户发射功率、波束成形向量和IRS相位向量,得到最优用户发射功率、最优波束成形向量和最优IRS相位向量;
根据所述最优用户发射功率、最优波束成形向量和最优IRS相位向量进行通信传输。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种IRS辅助MEC中CF-mMIMO的通信优化终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据接收的信号使用卷积神经网络和条件循环单元进行信道估计,得到信道估计值;
基于所述信道估计值建立信道模型,并定义学习误差性能指标;
基于所述信道模型以及所述学习误差性能指标优化用户发射功率、波束成形向量和IRS相位向量,得到最优用户发射功率、最优波束成形向量和最优IRS相位向量;
根据所述最优用户发射功率、最优波束成形向量和最优IRS相位向量进行通信传输。
本发明的有益效果在于:根据接收的信号使用卷积神经网络和条件循环单元进行信道估计,得到信道估计值,基于信道估计值建立信道模型,并定义学习误差性能指标,基于信道模型以及学习误差性能指标优化用户发射功率、波束成形向量和IRS相位向量,得到最优用户发射功率、最优波束成形向量和最优IRS相位向量,根据最优用户发射功率、最优波束成形向量和最优IRS相位向量进行通信传输,在用户服务质量和功率约束条件下,实现了更加全面的通信优化,包括用户发射功率、最优波束成形向量和最优IRS相位向量,进而提高了通信速率,利用卷积神经网络和条件循环单元进行信道估计,降低了估计过程的复杂度,保证了信道估计的可靠性,便于后续最小化微网通信中边缘弱用户的学习误差,从而实现了学习误差最小化。
附图说明
图1为本发明实施例的一种IRS辅助MEC中CF-mMIMO的通信优化方法的步骤流程图;
图2为本发明实施例的一种IRS辅助MEC中CF-mMIMO的通信优化终端的结构示意图;
图3为本发明实施例IRS辅助MEC中CF-mMIMO的通信优化方法中的优化的流程示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1,本发明实施例提供了一种IRS辅助MEC中CF-mMIMO的通信优化方法,包括步骤:
根据接收的信号使用卷积神经网络和条件循环单元进行信道估计,得到信道估计值;
基于所述信道估计值建立信道模型,并定义学习误差性能指标;
基于所述信道模型以及所述学习误差性能指标优化用户发射功率、波束成形向量和IRS相位向量,得到最优用户发射功率、最优波束成形向量和最优IRS相位向量;
根据所述最优用户发射功率、最优波束成形向量和最优IRS相位向量进行通信传输。
从上述描述可知,本发明的有益效果在于:根据接收的信号使用卷积神经网络和条件循环单元进行信道估计,得到信道估计值,基于信道估计值建立信道模型,并定义学习误差性能指标,基于信道模型以及学习误差性能指标优化用户发射功率、波束成形向量和IRS相位向量,得到最优用户发射功率、最优波束成形向量和最优IRS相位向量,根据最优用户发射功率、最优波束成形向量和最优IRS相位向量进行通信传输,在用户服务质量和功率约束条件下,实现了更加全面的通信优化,包括用户发射功率、最优波束成形向量和最优IRS相位向量,进而提高了通信速率,利用卷积神经网络和条件循环单元进行信道估计,降低了估计过程的复杂度,保证了信道估计的可靠性,便于后续最小化微网通信中边缘弱用户的学习误差,从而实现了学习误差最小化。
进一步地,所述根据接收的信号使用卷积神经网络和条件循环单元进行信道估计,得到信道估计值包括:
根据接收的信号使用最小二乘法进行信道估计,得到初始信道估计值;
提取所述初始信道估计值,得到所述初始信道估计值的实部和虚部;
将所述实部和虚部输入卷积神经网络,得到输出数据;
将所述输出数据使用条件循环单元进行时域状态预测,得到预测数据;
对所述预测数据使用全连接网络进行降维,得到信道估计值。
进一步地,所述初始信道估计值H为:
H=[H1,...,Ha,...,HA];
式中,A表示无线接入点的个数,Ha表示第a个无线接入点的初始信道估计值,D表示天线数,ha1表示强用户的第a个无线接入点的初始信道估计值,ha2表示弱用户的第a个无线接入点的初始信道估计值,表示复数矩阵集合;
所述初始信道估计值H的实部和虚部为:
H'=[H'1,...,H'a,...,H'A];
所述输出数据Lo为:
Lo=f(Wo*Lo-1+bo);
Lo-1=[l1 o-1,l2 o-1,…,lC o-1];
式中,Wo表示所述卷积神经网络的第o层的预设权重,bo为所述卷积神经网络的第o层的预设偏移向量,lC o-1表示第C个信道上的数据向量,f()表示第一预设函数;
所述将所述输出数据使用条件循环单元进行时域状态预测,得到预测数据包括:
将所述输出数据使用第一条件循环单元进行前向时域状态预测,得到前向预测数据;
将所述输出数据使用第二条件循环单元进行后向时域状态预测,得到后向预测数据,并根据所述前向预测数据和所述后向预测数据得到预测数据;
所述前向预测数据为:
HFW,t=CRU(HFW,t-1,cv,ΨFW).
式中,ΨFW表示所述第一条件循环单元的第一预设网络参数,cv表示编码向量,t表示时间;
所述后向预测数据为:
HBW,t=CRU(HBW,t-1,cv,ΨBW);
式中,ΨBW表示所述第二条件循环单元的第二预设网络参数;
所述预测数据为:
所述信道估计值为:
式中,WDR表示所述全连接网络的权重参数,fT()表示第二预设函数。
由上述描述可知,根据接收的信号使用最小二乘法进行信道估计,得到初始信道估计值,由于信道增益为复数,提取出初始信道估计值的实部和虚部,将实部和虚部输入卷积神经网络,得到输出数据,将输出数据使用条件循环单元进行双向时域状态预测,得到预测数据,由于使用双向预测,输出的预测数据为原始通道数据的两倍,所以对预测数据使用全连接网络进行降维,得到信道估计值,比起现有简单的使用最小二乘法进行信道估计,能够更加准确、有效地实现信道估计。
进一步地,所述基于所述信道估计值建立信道模型,并定义学习误差性能指标包括:
获取用户总数和用户传输信号,并根据所述信道估计值、所述用户总数和所述用户传输信号得到所述第a个无线接入点的第一接收信号;
根据所述第a个无线接入点的第一接收信号估计所述用户在所述第a个无线接入点的第二接收信号;
获取所述用户对应的信号功率,并根据所述信号功率对所述用户进行划分,得到强用户和弱用户;
消除所述强用户的串行干扰,消除后确定所述弱用户在所述第a个无线接入点的可实现速率;
根据所述第a个无线接入点的第一接收信号、所述用户在所述第a个无线接入点的第二接收信号和所述弱用户在所述第a个无线接入点的可实现速率建立通信模型;
从所述可实现速率中确定最大可实现速率,并确定所述最大可实现速率对应的无线接入点对应的MEC服务器,得到目标MEC服务器;
所述弱用户使用所述目标MEC服务器进行任务卸载,得到任务的数据样本总数;
根据所述任务的数据样本总数定义学习误差性能指标。
进一步地,所述第a个无线接入点的第一接收信号为:
式中,a表示第a个无线接入点,K表示用户总数,k表示第k个用户,hak表示第k个用户到第a个无线接入点的复合信道向量,xk表示用户传输信号,n表示噪声向量,gak表示第k个用户到第a个AP的直接链路信道,dark表示第k个用户到第a个无线接入点的间接链路信道,表示IRS相位矩阵,N表示IRS元素个数,R表示IRS数量;
所述用户在所述第a个无线接入点的第二接收信号为:
所述可实现速率为:
式中,pk表示第k个用户的用户发射功率,σ2表示高斯噪声;
所述任务的数据样本总数为:
式中,Dk表示每个数据样本的位数,B表示CF-mMIMO***的预设带宽,T表示总传输时间,Rakmax表示最大可实现速率;
所述学习误差性能指标为:
式中,ck表示第一参数,dk表示第二参数。
由上述描述可知,由于每个AP(Access Point,无线接入点)配备独立的MEC服务器,根据信道估计值、用户总数和用户传输信号可求得第a个AP的第一接收信号,根据第一接收信号得到用户在第a个AP的第二接收信号,边缘处的弱用户信号传输质量低,需要注重于优化其性能指标,因此,消除强用户的串行干扰后确定弱用户在第a个AP的可实现速率,弱用户将优先选择最大可实现速率对应的MEC服务器进行任务卸载,则可得到任务的数据样本总数,MEC有丰富的计算资源来为上层调度***提供训练数据,因此与主要标准是最大化吞吐量的传统通信***不同,根据任务的数据样本总数定义了新的学习误差性能指标,便于后续基于学习误差性能指标对用户发射功率、波束成形向量和IRS相位向量进行优化,提高了优化和学习误差最小化的有效性。
进一步地,所述基于所述信道模型以及所述学习误差性能指标优化用户发射功率、波束成形向量和IRS相位向量,得到最优用户发射功率、最优波束成形向量和最优IRS相位向量包括:
获取用户总数,并将预设总功率按照所述用户总数进行平均分配,得到分配后的用户发射功率;
根据所述分配后的用户发射功率和所述学习误差性能指标确定第一优化目标函数;
固定波束成形向量和IRS相位向量,基于所述信道模型以及所述第一优化目标函数使用连续凸逼近优化算法优化所述用户发射功率,得到最优用户发射功率;
固定所述IRS相位向量,基于所述最优用户发射功率和所述信道模型使用迭代算法优化所述波束成形向量,得到最优波束成形向量;
基于所述信道模型以及预设的第二优化目标函数使用交替方向乘子法优化所述IRS相位向量,得到最优IRS相位向量。
由上述描述可知,根据分配后的用户发射功率和学习误差性能指标确定第一优化目标函数,固定波束成形向量和IRS相位向量,从而在波束成形向量和IRS相位向量约束下,基于信道模型以及第一优化目标函数使用连续凸逼近优化算法优化得到最优用户发射功率,在最优用户发射功率和IRS相位向量的约束下,使用迭代算法优化波束成形向量,使用交替方向乘子法优化IRS相位向量,实现了更加全面的变量优化,优化过程复杂度低。
进一步地,所述固定波束成形向量和IRS相位向量,基于所述信道模型以及所述第一优化目标函数使用连续凸逼近优化算法优化所述用户发射功率,得到最优用户发射功率包括:
固定波束成形向量和IRS相位向量;
通过构造凸上边界将所述第一优化目标函数进行转化,得到近似目标函数;
根据所述近似目标函数使用凸优化建模***进行求解,得到最优用户发射功率。
由上述描述可知,通过构造凸上边界将第一优化目标函数进行转化,得到近似目标函数,在根据近似目标函数使用凸优化建模***进行求解,得到最优用户发射功率,能够简单、有效地实现用户发射功率优化。
进一步地,所述固定所述IRS相位向量,基于所述最优用户发射功率和所述信道模型使用迭代算法优化所述波束成形向量,得到最优波束成形向量包括:
固定所述IRS相位向量;
根据所述最优用户发射功率、所述信道模型以及波束成形的闭式表达式使用迭代算法得到最优波束成形向量;
所述波束成形的闭式表达式为:
式中,IN表示对角线为1的矩阵,pi表示第i个用户的用户发射功率。
由上述描述可知,根据最优用户发射功率、信道模型以及波束成形的闭式表达式使用迭代算法得到最优波束成形向量,在最优用户发射功率的约束下,实现了波束成形向量的优化,有利于最小化边缘弱用户的学习误差。
进一步地,所述基于所述信道模型以及预设的第二优化目标函数使用交替方向乘子法优化所述IRS相位向量,得到最优IRS相位向量包括:
初始化最大误差、最小误差、最大迭代次数和可行性指标;
根据所述最大误差和所述最小误差确定误差均值;
使用拉格朗日变换公式得到预设的第二优化目标函数;
基于所述预设的第二优化目标函数对IRS相位向量进行优化,得到最优IRS相位向量;
所述基于所述信道模型以及预设的第二优化目标函数使用交替方向乘子法优化所述IRS相位向量,得到最优IRS相位向量之后包括:
基于所述最优IRS相位向量、所述误差均值和所述可行性指标得到最终误差结果。
由上述描述可知,利用拉格朗日变换公式得到预设的第二优化目标函数,基于预设的第二优化目标函数对IRS相位向量进行优化,有效地实现了IRS相位向量的优化,最后基于最优IRS相位向量、误差均值和可行性指标得到最终误差结果,从而最小化弱用户的学习误差。
请参照图2,本发明另一实施例提供了一种IRS辅助MEC中CF-mMIMO的通信优化终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述IRS辅助MEC中CF-mMIMO的通信优化方法中的各个步骤。
本发明上述的IRS辅助MEC中CF-mMIMO的通信优化方法能够适用于在边缘计算场景的CF-mMIMO***中,以下通过具体实施方式进行说明:
实施例一
请参照图1和图3,本实施例的一种IRS辅助MEC中CF-mMIMO的通信优化方法,包括步骤:
S1、根据接收的信号使用卷积神经网络和条件循环单元进行信道估计,得到信道估计值,如图3所示,具体包括:
S11、根据接收的信号使用最小二乘法进行信道估计,得到初始信道估计值;所述初始信道估计值为:
H=[H1,...,Ha,...,HA];
式中,A表示无线接入点的个数,Ha表示第a个无线接入点的初始信道估计值,D表示天线数,ha1表示强用户的第a个无线接入点的初始信道估计值,ha2表示弱用户的第a个无线接入点的初始信道估计值,表示复数矩阵集合;
S12、提取所述初始信道估计值,得到所述初始信道估计值的实部和虚部;所述初始信道估计值H的实部和虚部为:
H'=[H'1,...,H'a,...,H'A];
S13、将所述实部和虚部输入卷积神经网络,得到输出数据;
所述输出数据为:
Lo=f(Wo*Lo-1+bo);
Lo-1=[l1 o-1,l2 o-1,…,lC o-1];
式中,Wo表示所述卷积神经网络的第o层的预设权重,bo为所述卷积神经网络的第o层的预设偏移向量,lC o-1表示第C个信道上的数据向量,f()表示第一预设函数;
其中,所述卷积神经网络(Convolutional Neural Network,CNN)由一个输入层、O-2个隐藏层和一个输出层组成,O表示卷积神经网络的总层数;
S14、将所述输出数据使用条件循环单元进行时域状态预测,得到预测数据,具体包括:
S141、将所述输出数据使用第一条件循环单元进行前向时域状态预测,得到前向预测数据;
所述前向预测数据为:
HFW,t=CRU(HFW,t-1,cv,ΨFW);
式中,ΨFW表示所述第一条件循环单元的第一预设网络参数,cv表示编码向量,t表示时间;
S142、将所述输出数据使用第二条件循环单元进行后向时域状态预测,得到后向预测数据,并根据所述前向预测数据和所述后向预测数据得到预测数据;
所述后向预测数据为:
HBW,t=CRU(HBW,t-1,cv,ΨBW);
式中,ΨBW表示所述第二条件循环单元的第二预设网络参数;
所述预测数据为:
其中,所述预测数据即为两个所述条件循环单元(Conditional Recurrent Unit,CRU)在时间t的输出;
S15、对所述预测数据使用全连接网络进行降维,得到信道估计值;
所述信道估计值为:
式中,WDR表示所述全连接网络的权重参数,fT()表示第二预设函数;
由于使用双向预测,输出的预测数据增加为原始通道数据的两倍,所以采用所述全连接网络(Fully Connected Network,FCN)进行降维;
S2、基于所述信道估计值建立信道模型,并定义学习误差性能指标,如图3所示,具体包括:
S21、获取用户总数和用户传输信号,并根据所述信道估计值、所述用户总数和所述用户传输信号得到所述第a个无线接入点的第一接收信号;
所述第a个无线接入点的第一接收信号为:
式中,a表示第a个无线接入点,K表示用户总数,k表示第k个用户,hak表示第k个用户到第a个无线接入点的复合信道向量,xk表示用户传输信号,n表示噪声向量,gak表示第k个用户到第a个AP的直接链路信道,dark表示第k个用户到第a个无线接入点的间接链路信道,表示IRS相位矩阵,N表示IRS元素个数,R表示IRS数量;
其中,所述噪声向量服从高斯分布,hak可看作ha1和ha1的具体指代;
每个AP(无线接入点)配备独立的MEC服务器,因此根据所述信道估计值、所述用户总数和所述用户传输信号可得到所述第a个AP的第一接收信号;
S22、根据所述第a个无线接入点的第一接收信号估计所述用户在所述第a个无线接入点的第二接收信号;
所述用户在所述第a个无线接入点的第二接收信号为:
S23、获取所述用户对应的信号功率,并根据所述信号功率对所述用户进行划分,得到强用户和弱用户;
由于边缘处的弱用户信号传输质量低,因此区分用户后需要注重于优化弱用户的性能指标;
S24、消除所述强用户的串行干扰,消除后确定所述弱用户在所述第a个无线接入点的可实现速率;
所述可实现速率Rak为:
式中,pk表示第k个用户的用户发射功率,σ2表示高斯噪声;
S25、根据所述第a个无线接入点的第一接收信号、所述用户在所述第a个无线接入点的第二接收信号和所述弱用户在所述第a个无线接入点的可实现速率建立通信模型;
S26、从所述可实现速率中确定最大可实现速率,并确定所述最大可实现速率对应的无线接入点对应的MEC服务器,得到目标MEC服务器;
弱用户会优先选择最大可实现速率Rakmax对应的MEC服务器进行任务卸载;
S27、所述弱用户使用所述目标MEC服务器进行任务卸载,得到任务的数据样本总数;
所述任务的数据样本总数为:
式中,Dk表示每个数据样本的位数,B表示CF-mMIMO***的预设带宽,T表示总传输时间,Rakmax表示最大可实现速率;
S28、根据所述任务的数据样本总数定义学习误差性能指标;
所述学习误差性能指标为:
式中,ck表示第一参数,dk表示第二参数;
由于MEC服务器有丰富的计算资源来为上层调度***提供训练数据,因此与主要标准是最大化吞吐量的传统通信***不同,需要定义新的学习误差性能指标,所述第一参数和第二参数是预设的,收到的数据提供给上层***优化设计与资源智能调度研究,目标是最小化整体学习误差,该学习误差性能指标的表达式包含速率,当用户发射功率、波束成形向量和IRS相位向量均为最优时,速率提高也意味着误差减小;
S3、基于所述信道模型以及所述学习误差性能指标优化用户发射功率、波束成形向量和IRS相位向量,得到最优用户发射功率、最优波束成形向量和最优IRS相位向量,如图3所示,具体包括:
S31、获取用户总数,并将预设总功率按照所述用户总数进行平均分配,得到分配后的用户发射功率;
所述分配后的用户发射功率为:
式中,P表示预设总功率,1K表示功率向量;
S32、根据所述分配后的用户发射功率和所述学习误差性能指标确定第一优化目标函数;
所述第一优化目标函数为:
S33、固定波束成形向量和IRS相位向量,基于所述信道模型以及所述第一优化目标函数使用连续凸逼近优化算法优化所述用户发射功率,得到最优用户发射功率,具体包括:
S331、固定波束成形向量和IRS相位向量;
后续在波束成形向量和IRS相位向量的约束下优化最优用户发射功率;
S332、通过构造凸上边界将所述第一优化目标函数进行转化,得到近似目标函数;
S333、根据所述近似目标函数使用凸优化建模***(CVX)进行求解,得到最优用户发射功率;
S34、固定所述IRS相位向量,基于所述最优用户发射功率和所述信道模型使用迭代算法优化所述波束成形向量,得到最优波束成形向量,具体包括:
S341、固定所述IRS相位向量;
在一种可选的实施方式中,固定所述IRS相位向量时,还随机初始化所述波束成形向量;
S343、根据所述最优用户发射功率、所述信道模型以及波束成形的闭式表达式使用迭代算法得到最优波束成形向量;
所述波束成形的闭式表达式为:
式中,IN表示对角线为1的矩阵,pi表示第i个用户的用户发射功率;
利用波束成形的闭式表达式可得到每一次的波束成形迭代值,实现波束成形向量的优化;
S35、基于所述信道模型以及预设的第二优化目标函数使用交替方向乘子法优化所述IRS相位向量,得到最优IRS相位向量,具体包括:
S350、固定所述最优用户发射功率以及所述最优波束成形向量,并初始化IRS相位向量;
S351、初始化最大误差、最小误差、最大迭代次数和可行性指标;
具体的,初始化最大误差δmax=1,初始化最小误差δmin=0,初始化最大迭代次数为1000,以及初始化可行性指标f为0;
S352、根据所述最大误差和所述最小误差确定误差均值;
将所述误差均值作为后续误差输入;
S353、使用拉格朗日变换公式得到预设的第二优化目标函数;
所述预设的第二优化目标函数为:
S354、基于所述预设的第二优化目标函数对IRS相位向量进行优化,得到最优IRS相位向量;
S355、基于所述最优IRS相位向量、所述误差均值和所述可行性指标得到最终误差结果;
其中,通过NOMA技术接入更多的用户,当最差用户(即弱用户)满足要求时,其他用户也满足要求;
步骤S30~S35相当于依次循环迭代,除正在优化的变量,其它变量都是上一步骤得出的,即初始变量或每一步迭代的最优变量;
S4、根据所述最优用户发射功率、最优波束成形向量和最优IRS相位向量进行通信传输;
本发明在用户服务质量、IRS物理限制和功率约束条件下,实现了波束成形向量、IRS相位向量和用户发射功率的优化,实现了更加全面的通信优化,从而实现了学习误差最小化,提高了通信质量。
实施例二
请参照图2,本实施例的一种IRS辅助MEC中CF-mMIMO的通信优化终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例一中的IRS辅助MEC中CF-mMIMO的通信优化方法中的各个步骤。
综上所述,本发明提供的一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端,根据接收的信号使用卷积神经网络和条件循环单元进行信道估计,得到信道估计值,利用卷积神经网络和条件循环单元进行信道估计,降低了估计过程的复杂度,保证了信道估计的可靠性,便于后续最小化微网通信中边缘弱用户的学习误差;基于信道估计值建立信道模型,并定义学习误差性能指标;根据分配后的用户发射功率和学习误差性能指标确定第一优化目标函数;固定波束成形向量和IRS相位向量,基于信道模型以及第一优化目标函数使用连续凸逼近优化算法优化用户发射功率,得到最优用户发射功率;固定IRS相位向量,基于最优用户发射功率和信道模型使用迭代算法优化所述波束成形向量,得到最优波束成形向量;基于信道模型以及预设的第二优化目标函数使用交替方向乘子法优化IRS相位向量,得到最优IRS相位向量;根据最优用户发射功率、最优波束成形向量和最优IRS相位向量进行通信传输,在用户服务质量和功率约束条件下,实现了更加全面的通信优化,包括用户发射功率、最优波束成形向量和最优IRS相位向量,进而提高了通信速率,从而实现了学习误差最小化。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种IRS辅助MEC中CF-mMIMO的通信优化方法,其特征在于,包括步骤:
根据接收的信号使用卷积神经网络和条件循环单元进行信道估计,得到信道估计值;
基于所述信道估计值建立信道模型,并定义学习误差性能指标;
基于所述信道模型以及所述学习误差性能指标优化用户发射功率、波束成形向量和IRS相位向量,得到最优用户发射功率、最优波束成形向量和最优IRS相位向量;
根据所述最优用户发射功率、最优波束成形向量和最优IRS相位向量进行通信传输。
2.根据权利要求1所述的一种IRS辅助MEC中CF-mMIMO的通信优化方法,其特征在于,所述根据接收的信号使用卷积神经网络和条件循环单元进行信道估计,得到信道估计值包括:
根据接收的信号使用最小二乘法进行信道估计,得到初始信道估计值;
提取所述初始信道估计值,得到所述初始信道估计值的实部和虚部;
将所述实部和虚部输入卷积神经网络,得到输出数据;
将所述输出数据使用条件循环单元进行时域状态预测,得到预测数据;
对所述预测数据使用全连接网络进行降维,得到信道估计值。
3.根据权利要求2所述的一种IRS辅助MEC中CF-mMIMO的通信优化方法,其特征在于,所述初始信道估计值H为:
H=[H1,...,Ha,...,HA];
式中,A表示无线接入点的个数,Ha表示第a个无线接入点的初始信道估计值,D表示天线数,ha1表示强用户的第a个无线接入点的初始信道估计值,ha2表示弱用户的第a个无线接入点的初始信道估计值,表示复数矩阵集合;
所述初始信道估计值H的实部和虚部为:
H'=[H'1,...,H'a,...,H'A];
所述输出数据Lo为:
Lo=f(Wo*Lo-1+bo);
Lo-1=[l1 o-1,l2 o-1,…,lC o-1];
式中,Wo表示所述卷积神经网络的第o层的预设权重,bo为所述卷积神经网络的第o层的预设偏移向量,lC o-1表示第C个信道上的数据向量,f()表示第一预设函数;
所述将所述输出数据使用条件循环单元进行时域状态预测,得到预测数据包括:
将所述输出数据使用第一条件循环单元进行前向时域状态预测,得到前向预测数据;
将所述输出数据使用第二条件循环单元进行后向时域状态预测,得到后向预测数据,并根据所述前向预测数据和所述后向预测数据得到预测数据;
所述前向预测数据为:
HFW,t=CRU(HFW,t-1,cv,ΨFW);
式中,ΨFW表示所述第一条件循环单元的第一预设网络参数,cv表示编码向量,t表示时间;
所述后向预测数据为:
HBW,t=CRU(HBW,t-1,cv,ΨBW);
式中,ΨBW表示所述第二条件循环单元的第二预设网络参数;
所述预测数据为:
所述信道估计值为:
式中,WDR表示所述全连接网络的权重参数,fT()表示第二预设函数。
4.根据权利要求1所述的一种IRS辅助MEC中CF-mMIMO的通信优化方法,其特征在于,所述基于所述信道估计值建立信道模型,并定义学习误差性能指标包括:
获取用户总数和用户传输信号,并根据所述信道估计值、所述用户总数和所述用户传输信号得到所述第a个无线接入点的第一接收信号;
根据所述第a个无线接入点的第一接收信号估计所述用户在所述第a个无线接入点的第二接收信号;
获取所述用户对应的信号功率,并根据所述信号功率对所述用户进行划分,得到强用户和弱用户;
消除所述强用户的串行干扰,消除后确定所述弱用户在所述第a个无线接入点的可实现速率;
根据所述第a个无线接入点的第一接收信号、所述用户在所述第a个无线接入点的第二接收信号和所述弱用户在所述第a个无线接入点的可实现速率建立通信模型;
从所述可实现速率中确定最大可实现速率,并确定所述最大可实现速率对应的无线接入点对应的MEC服务器,得到目标MEC服务器;
所述弱用户使用所述目标MEC服务器进行任务卸载,得到任务的数据样本总数;
根据所述任务的数据样本总数定义学习误差性能指标。
5.根据权利要求4所述的一种IRS辅助MEC中CF-mMIMO的通信优化方法,其特征在于,所述第a个无线接入点的第一接收信号为:
式中,a表示第a个无线接入点,K表示用户总数,k表示第k个用户,hak表示第k个用户到第a个无线接入点的复合信道向量,xk表示用户传输信号,n表示噪声向量,gak表示第k个用户到第a个AP的直接链路信道,dark表示第k个用户到第a个无线接入点的间接链路信道,表示IRS相位矩阵,N表示IRS元素个数,R表示IRS数量;
所述用户在所述第a个无线接入点的第二接收信号为:
所述可实现速率为:
式中,pk表示第k个用户的用户发射功率,σ2表示高斯噪声;
所述任务的数据样本总数为:
式中,Dk表示每个数据样本的位数,B表示CF-mMIMO***的预设带宽,T表示总传输时间,Rakmax表示最大可实现速率;
所述学习误差性能指标为:
式中,ck表示第一参数,dk表示第二参数。
6.根据权利要求4所述的一种IRS辅助MEC中CF-mMIMO的通信优化方法,其特征在于,所述基于所述信道模型以及所述学习误差性能指标优化用户发射功率、波束成形向量和IRS相位向量,得到最优用户发射功率、最优波束成形向量和最优IRS相位向量包括:
获取用户总数,并将预设总功率按照所述用户总数进行平均分配,得到分配后的用户发射功率;
根据所述分配后的用户发射功率和所述学习误差性能指标确定第一优化目标函数;
固定波束成形向量和IRS相位向量,基于所述信道模型以及所述第一优化目标函数使用连续凸逼近优化算法优化所述用户发射功率,得到最优用户发射功率;
固定所述IRS相位向量,基于所述最优用户发射功率和所述信道模型使用迭代算法优化所述波束成形向量,得到最优波束成形向量;
基于所述信道模型以及预设的第二优化目标函数使用交替方向乘子法优化所述IRS相位向量,得到最优IRS相位向量。
7.根据权利要求6所述的一种IRS辅助MEC中CF-mMIMO的通信优化方法,其特征在于,所述固定波束成形向量和IRS相位向量,基于所述信道模型以及所述第一优化目标函数使用连续凸逼近优化算法优化所述用户发射功率,得到最优用户发射功率包括:
固定波束成形向量和IRS相位向量;
通过构造凸上边界将所述第一优化目标函数进行转化,得到近似目标函数;
根据所述近似目标函数使用凸优化建模***进行求解,得到最优用户发射功率。
9.根据权利要求8所述的一种IRS辅助MEC中CF-mMIMO的通信优化方法,其特征在于,所述基于所述信道模型以及预设的第二优化目标函数使用交替方向乘子法优化所述IRS相位向量,得到最优IRS相位向量包括:
初始化最大误差、最小误差、最大迭代次数和可行性指标;
根据所述最大误差和所述最小误差确定误差均值;
使用拉格朗日变换公式得到预设的第二优化目标函数;
基于所述预设的第二优化目标函数对IRS相位向量进行优化,得到最优IRS相位向量;
所述基于所述信道模型以及预设的第二优化目标函数使用交替方向乘子法优化所述IRS相位向量,得到最优IRS相位向量之后包括:
基于所述最优IRS相位向量、所述误差均值和所述可行性指标得到最终误差结果。
10.一种IRS辅助MEC中CF-mMIMO的通信优化终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的一种IRS辅助MEC中CF-mMIMO的通信优化方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238773.8A CN114826833B (zh) | 2022-03-11 | 2022-03-11 | 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238773.8A CN114826833B (zh) | 2022-03-11 | 2022-03-11 | 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114826833A true CN114826833A (zh) | 2022-07-29 |
CN114826833B CN114826833B (zh) | 2024-01-26 |
Family
ID=82528358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210238773.8A Active CN114826833B (zh) | 2022-03-11 | 2022-03-11 | 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114826833B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117858168A (zh) * | 2024-03-07 | 2024-04-09 | 齐鲁工业大学(山东省科学院) | 基于智能反射面的毫米波移动边缘计算***时延优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109450830A (zh) * | 2018-12-26 | 2019-03-08 | 重庆大学 | 一种高速移动环境下基于深度学习的信道估计方法 |
CN112235023A (zh) * | 2020-10-09 | 2021-01-15 | 齐鲁工业大学 | 一种基于模型驱动深度学习的mimo-scfde自适应传输方法 |
CN113242066A (zh) * | 2021-05-10 | 2021-08-10 | 东南大学 | 一种多小区大规模mimo通信智能功率分配方法 |
CN113727371A (zh) * | 2021-08-06 | 2021-11-30 | 北京科技大学 | 一种irs辅助的mec网络无线与计算资源分配方法及装置 |
CN114143150A (zh) * | 2021-12-09 | 2022-03-04 | 中央民族大学 | 一种用户公平性通信传输方法 |
CN114143790A (zh) * | 2021-11-30 | 2022-03-04 | 中央民族大学 | 大规模天线Cell-free IRS物理层安全方法 |
-
2022
- 2022-03-11 CN CN202210238773.8A patent/CN114826833B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109450830A (zh) * | 2018-12-26 | 2019-03-08 | 重庆大学 | 一种高速移动环境下基于深度学习的信道估计方法 |
CN112235023A (zh) * | 2020-10-09 | 2021-01-15 | 齐鲁工业大学 | 一种基于模型驱动深度学习的mimo-scfde自适应传输方法 |
CN113242066A (zh) * | 2021-05-10 | 2021-08-10 | 东南大学 | 一种多小区大规模mimo通信智能功率分配方法 |
CN113727371A (zh) * | 2021-08-06 | 2021-11-30 | 北京科技大学 | 一种irs辅助的mec网络无线与计算资源分配方法及装置 |
CN114143790A (zh) * | 2021-11-30 | 2022-03-04 | 中央民族大学 | 大规模天线Cell-free IRS物理层安全方法 |
CN114143150A (zh) * | 2021-12-09 | 2022-03-04 | 中央民族大学 | 一种用户公平性通信传输方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117858168A (zh) * | 2024-03-07 | 2024-04-09 | 齐鲁工业大学(山东省科学院) | 基于智能反射面的毫米波移动边缘计算***时延优化方法 |
CN117858168B (zh) * | 2024-03-07 | 2024-05-10 | 齐鲁工业大学(山东省科学院) | 基于智能反射面的毫米波移动边缘计算***时延优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114826833B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maksymyuk et al. | Deep learning based massive MIMO beamforming for 5G mobile network | |
CN111901862B (zh) | 一种基于深度q网络的用户分簇与功率分配方法、设备和介质 | |
Lee et al. | Transmit power control using deep neural network for underlay device-to-device communication | |
CN111698045B (zh) | 一种基于非正交多址接入的毫米波通信***中能效功率分配方法 | |
CN113613273B (zh) | 一种智能超表面辅助无线供电网络的稳健能效优化方法 | |
Zhang | Joint waveform and phase shift design for RIS-assisted integrated sensing and communication based on mutual information | |
CN113839704B (zh) | 一种密集低轨卫星与陆地融合的移动边缘计算方法 | |
CN113949427B (zh) | 一种多用户无线网络安全能效优化设计方法和*** | |
CN113438002B (zh) | 基于lstm的模拟波束切换方法、装置、设备及介质 | |
Ji et al. | Reconfigurable intelligent surface enhanced device-to-device communications | |
Biswas et al. | An analysis on caching placement for millimeter–micro-wave hybrid networks | |
CN114389652A (zh) | 一种去蜂窝大规模mimo网络低功耗大连接方法 | |
CN113726395A (zh) | 一种智能反射面增强云接入网多天线用户上行传输方法 | |
CN114826833B (zh) | 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端 | |
CN107087279B (zh) | 一种基于稳定接入关系的基站激活和波束成形方法 | |
Liu et al. | Power allocation in ultra-dense networks through deep deterministic policy gradient | |
CN113038583A (zh) | 适用于超密集网络的小区间下行链路干扰控制方法、装置和*** | |
CN116684851A (zh) | 基于mappo的多ris辅助车联网吞吐量提升方法 | |
CN115379478B (zh) | 一种基于ris辅助数能同传网络鲁棒能耗优化方法 | |
CN114364034A (zh) | 基于drl的ris辅助用户中心化去蜂窝***中资源管理半并行方法 | |
Zhang et al. | Primal dual PPO learning resource allocation in indoor IRS-aided networks | |
Lyu et al. | Primary rate maximization in movable antennas empowered symbiotic radio communications | |
Wang et al. | New Environment Adaptation with Few Shots for OFDM Receiver and mmWave Beamforming | |
CN115941010B (zh) | 基于分支界定的irs辅助去蜂窝大规模mimo***波束赋形方法 | |
Tekgul et al. | Uplink-downlink joint antenna optimization in cellular systems with sample-efficient learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |