[发明专利]联合图信号与强化学习的超密集无线网络功率分配方法

权利要求书

1.一种联合图信号与强化学习的超密集无线网络功率分配方法，其特征在于，包括以下步骤：

S1，获取经过功率分配后的超密集无线网络的网络信息，并根据所述网络信息生成无向图，以及根据所述无向图构建邻接矩阵和权值矩阵；

S2，根据所述邻接矩阵、权值矩阵和所述无向图计算所述无向图中每个顶点所对应的干扰参数，并根据所述干扰参数计算所述无向图的网络平滑度，以及根据所述网络平滑度计算经过功率分配后的超密集无线网络所对应的网络环境参数；

S3，对超密集无线网络的功率进行再次分配，并通过执行步骤S1和步骤S2，以计算再次分配后的超密集无线网络所对应的网络环境参数，以及根据再次分配后的超密集无线网络所对应的网络环境参数计算该分配动作对应的回报函数值；

S4，根据该分配动作对应的回报函数值对超密集无线网络的功率进行再次分配，并通过执行步骤S1和步骤S2，以计算再次分配后的超密集无线网络所对应的网络环境参数，以及根据再次分配后的超密集无线网络所对应的网络环境参数计算该分配动作对应的回报函数值；

重复执行步骤S4，直至根据所述回报函数值计算得到的累积回报函数值为最大累积回报函数值，停止对超密集无线网络进行功率分配；

其中，所述方法还包括：

S21，根据所述邻接矩阵和所述权值矩阵计算所述无向图对应的拉普拉斯矩阵，并计算所述拉普拉斯矩阵对应的特征值和特征向量，以及根据所述特征值和所述特征向量计算傅里叶变换值；

S22，根据所述傅里叶变换值计算所述无向图中高频分量与频谱总能量之间的比值、低频分量与频谱总能量之间的比值，以便根据所述高频分量与频谱总能量之间的比值和所述低频分量与频谱总能量之间的比值判断网络的干扰程度；

其中，所述高频分量与频谱总能量之间的比值通过以下公式计算：

其中，表示高频分量与频谱总能量之间的比值，表示傅里叶变换值，λ_i表示特征值；

其中，所述低频分量与频谱总能量之间的比值通过以下公式计算：

其中，表示低频分量与频谱总能量之间的比值，表示傅里叶变换值，λ_i表示特征值。

2.如权利要求1所述的联合图信号与强化学习的超密集无线网络功率分配方法，其特征在于，所述网络平滑度通过以下公式计算：

其中，Sth(G,S)表示网络平滑度，i和j表示无向图中顶点的编号，V表示所有顶点集合，M_i表示与顶点v_i存在干扰关系的相邻顶点的集合，S＝{s₁,s₂,...,s_N}表示顶点对应的干扰参数的集合。

3.如权利要求1所述的联合图信号与强化学习的超密集无线网络功率分配方法，其特征在于，所述网络环境参数通过以下公式进行定义：

其中，表示网络环境参数，SINR_f,n表示微基站集合f在RB资源块n上对非服务用户产生的干扰之和，Sth_G,S表示网络平滑度。

4.如权利要求1所述的联合图信号与强化学习的超密集无线网络功率分配方法，其特征在于，所述回报函数值通过以下公式进行计算：

其中，r_f,n表示回报函数值，SINR_f,n表示微基站集合f在RB资源块n上对非服务用户产生的干扰之和，SINR_th,n表示微基站集合f在RB资源块n上对非服务用户的干扰阈值可行上限，Sth_G,S表示网络平滑度，C_n,f表示微基站的吞吐量，C_th,f表示微基站在满足用户最低速率时的吞吐量阈值，α表示根据SINR重要程度定义的比例参数，β表示根据Sth的重要程度定义的比例参数。

5.一种计算机可读存储介质，其特征在于，其上存储有联合图信号与强化学习的超密集无线网络功率分配程序，该联合图信号与强化学习的超密集无线网络功率分配程序被处理器执行时实现如权利要求1-4中任一项所述的联合图信号与强化学习的超密集无线网络功率分配方法。

6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时，实现如权利要求1-4中任一项所述的联合图信号与强化学习的超密集无线网络功率分配方法。