[发明专利]基于深度学习的多载波认知NOMA资源分配方法

说明书

本发明提出了一种基于深度学习的多载波认知非正交多址接入技术（Non‑Orthogonal Multiple Access,NOMA）资源分配方法，包括以下步骤：（1）多载波认知NOMA系统的场景模型建立；（2）用户调度和资源分配策略的数学描述；（3）基于联合分配的深度神经网络和深度学习算法设计。本发明在建立基于多载波认知NOMA的下行系统后，创新地提出符合该场景的频谱共享策略，并合理建立优化目标和约束条件的数学表达式，实现了基于深度学习的多载波认知NOMA用户调度和资源分配策略，满足了用户多方面传输需求的同时，更好地实现了多载波认知NOMA下行系统的低功耗资源分配。

技术领域

本发明提出基于深度学习的多载波认知NOMA资源分配机制，建立了多载波认知NOMA下行系统的传输模型，提出一个优化NOMA系统频谱效率和能量效率的用户配对及资源分配策略，设计了一个基于消息传递的全连接神经网络，并提出了最优的深度学习算法，实现了大规模NOMA用户公平且灵活地进行高质量，高速率，低功耗的数据传输。

背景技术

在过去的几十年中，随着移动通信技术的飞速发展，技术标准不断演进，第四代移动通信技术(4G)以正交频分多址为基础，其数据业务传输速率达到每秒百兆甚至千兆比特，能够在较大程度上满足一段时期内宽带移动通信应用需求。然而，随着智能终端普及应用、物联网(IoT)的快速发展、人工智能和大数据的爆发及移动新业务需求持续增长，无线传输速率需求也呈指数增长，无线通信的传输速率将仍然难以满足未来通信的应用需求。

为了满足飞速增长的移动业务需求，专家学者们已经开始在寻找既能满足用户体验需求又能提高频谱效率的新的移动通信技术。IMT-2020(5G)推进组在《5G愿景与需求白皮书》中提出，5G定位于频谱效率更高、速率更快、容量更大的无线网络，其中频谱效率相比4G需要提升5～15倍。5G需要支持用户和设备的大规模连接，并满足对低延迟、低成本设备和多种服务类型的需求。为了满足这些需求，增强型技术是必要的。到目前为止，专家学者们已经提出了一些潜在的候选方案来解决5G的挑战，例如非正交多址(NOMA)、大规模MIMO、毫米波通信和超密集网络。

第一到第四代移动通信系统所用的常规OMA技术(例如TDMA和OFDMA)，仅为每个正交资源块中的单个用户提供服务。考虑一个场景，一个用户信道状况很差，其具有高优先级数据或者长时间未提供服务。在这种情况下，使用OMA意味着不可避免的是，尽管信道条件不佳，但其中一个稀缺带宽资源完全由该用户占用。显然，这会对整个系统的频谱效率和吞吐量产生负面影响。在这种情况下，NOMA的使用不仅可以保证信道条件较差的用户得到服务，而且信道条件较好的用户可以同时利用与信道条件较弱用户相同的带宽资源。因此，如果需要保证用户的公平性，NOMA的系统吞吐量可能明显大于OMA。

然而，NOMA技术到目前为止还有很多重要的实施挑战，在将NOMA成功应用于实际无线系统之前必须解决这些挑战。典型的NOMA网络是一个复杂的系统，由于需要服务多个用户，而资源分配的自由度被耦合。即使集中式资源分配设计可以产生最佳性能，该方案也会带来令人望而却步的信令开销和复杂性。因此，NOMA网络中的分布式资源分配引起了极大的关注。

与码域NOMA系统相比，功率域NOMA通过引入可消除干扰的功率分配方式来实现多用户的频谱共享，避免了复杂的正交编解码和时间同步。功率域NOMA中为了满足用户公平有效的通信，防止较远用户无法满足正常传输的信干噪比，功率分配需要引起格外的关注。此外，将地理位置、信道状态以及通信需求不同的大量NOMA用户分配到不同的信道上的方式，也将会大大影响用户的通信质量和系统的频谱效率。由此可见，与其他网络相比功率域NOMA系统的用户调度和资源分配问题更加复杂也具有挑战性。因此，如何建立一个能够更好地满足用户及系统需求的功率域NOMA系统模型，并提出合理有效的调度分配策略，也是必须要解决的。