[发明专利]能量收集不可信中继网络中基于深度学习的功率分配方法

说明书

本发明提供了一种能量收集不可信中继网络中基于深度学习的功率分配方法，针对能量收集半双工不可信中继网络，在系统发射总功率一定、CSI已知的前提下，建立DNN模型寻求最佳功率分配因子，包括配置网络参数、建立数据预处理模型，进行网络训练和网络预测。本发明利用可处理大规模数据、拟合能力强的深度学习方法进行功率分配降低了计算复杂度，快速高效的实现了数据的处理，不需要复杂的遍历计算。已知能量收集不可信中继网络节点之间的信道增益时，可以通过训练好的网络以较低的复杂度直接得到最优功率分配因子，进而获得最大系统安全速率。

技术领域

本发明涉及无线通信技术领域，具体涉及一种不可信中继网络中的功率分配方法。

背景技术

在物理层安全研究中，为了提升能量效率，将能量收集引入不可信中继网络中，使中继节点具备能量收集功能，可以从周围的环境和基站收集能量以维持自身的长时间通信。此外，在不可信中继网络中，通过对各节点之间进行合理的功率分配可以最大化系统安全速率，提高无线通信网络的性能。然而，最优功率分配的理论研究方法往往是基于连续变量遍历算法，计算复杂度高，耗费大量计算资源和时间。尤其在时变信道中，信道状态信息(Channel State Information,CSI)快速变化，需要进行大量的复杂计算。

随着人工智能技术的兴起，采用深度学习进行最优功率分配可以解决由传统理论方法带来的运算复杂度高、耗费大量计算资源的问题，并能快速高效的找到最优功率分配因子使得系统安全速率最大化。因此为了降低计算复杂度、节约计算资源和时间，将深度学习应用在功率分配研究中具有重要意义。

文献1“R.El-Bardan,S.Brahma and P.K.Varshney.Strategic PowerAllocation With Incomplete Information in the Presence of a Jammer.[J].IEEETransactions on Wireless Communications,2016,64(8):3467-3479.”使用能量收集技术解决了在不可信中继网络中功率受限的问题，延长了中继节点的使用寿命并能够提供长时间的通信。然而，合理分配收集到的能量且满足通信要求成为一项挑战。

文献2“Y.Chen,X.Hu and Z.Tan.Power Allocation for OFDM-DF CooperativeCommunication.[C].IEEE Third International Conference on Communications andMobile Computing,2011,319-322”针对在正交频分复用(Orthogonal FrequencyDivision Multiplexing,OFDM)协作通信系统，在子载波功率受限时，提出解码和转发(Decode-and-Forward，DF)方法最小化分配给源节点和中继之间每个子载波传输功率，降低系统功率消耗，延长传输节点的使用寿命，达到最优功率分配。

文献3“R.Yao,F.Xu,T.Mekkawy and J.Xu.Optimised power allocation tomaximise secure rate in energy harvesting relay network.[J].ElectronicsLetters,2016,52(22): 1879-1881”针对能量收集不可信中继网络，采用基于目的节点干扰 (Destination-aided-jamming，DAJ)技术确保信息安全传输。使用遍历算法找到系统最优功率分配因子，合理分配传输节点之间的功率，进而最大化系统安全速率。该算法可以求得理论最优解，但计算过程复杂，耗费了大量的计算资源。