[发明专利]基于深度学习的认知无线电功率控制方法

说明书

本发明涉及一种基于深度学习的认知无线电功率控制方法，包括以下步骤：改进传统的WMMSE算法，得到满足主用户可容忍的干扰阈值并保证次用户通信质量的WMMSE算法；将改进的WMMSE算法的输入与输出作为训练集，利用深度学习模型得到主用户和次用户的功率分配。上述技术方案将传统的WMMSE算法引入到认知无线电功率分配中，并对传统WMMSE算法进行改进，在仅知信道特征的情况下，获得各次用户的功率分配，使得次用户的系统速率和最大；在此基础上，利用深度学习对次用户进行功率分配，通过训练后，将实际的信道信息作为网络模型的输入，得到次用户的功率分配，本发明能够保证主用户和次用户的通信质量的同时，还可以大大减少算法时间，提高系统的实时性。

技术领域

本发明涉及认知无线电技术领域，具体涉及基于深度学习的认知无线电功率控制方法。

背景技术

认知无线电自提出以来，一直是智能通信领域的重要研究内容，它的主要目的是为了满足无线频谱需求不断增长的需求，在保证主用户干扰处于可容忍的范围内，不影响其正常通信。传统的无线通信功率分配方法多数面临着计算复杂、迭代繁琐的问题，需要占用更多的计算资源，也使得系统的实时性较差。认知无线电技术通过频谱感知技术感知周围环境的变化，通过机会式频谱接入或重叠式频谱接入，使得次用户能够接入频谱的空闲频段，从而让主用户与次用户能够动态地共享频谱资源，从而为次用户提供更大的带宽，提高频谱使用效率。资源分配是认知无线电中的重要技术之一，它通过为次用户选择最佳信道、控制传输功率等方式以提高整个认知无线电系统的性能。机会式频谱接入方式必须在主用户未使用频谱时方可允许次用户使用此频谱；而重叠式频谱接入方式允许主用户与次用户同时在同一段频谱上发送数据，但是次用户对主用户的干扰不能够影响主用户的通信，即应小于主用户可容忍的干扰阈值。

目前，许多基于博弈论的方法和基于最优化的方法已经被用于解决认知无线电网络中的功率分配问题。但实际上大多都是采用将WMMSE算法用在一般无线通信网络中进行资源分配以实现最大化系统速率和，然而在认知无线电网络中需要考虑次用户和主用户的相互干扰以及次用户之间的干扰，所以传统的WMMSE算法并不适用。因此，亟需设计一种新的技术方案，以综合解决现有技术中存在的问题。

发明内容

本发明的目的是提供一种基于深度学习的认知无线电功率控制方法，能有效解决传统WMMSE算法并不适用认知无线网络，无法达到较协调的主次用户通信问题。

为解决上述技术问题，本发明采用了以下技术方案：

一种基于深度学习的认知无线电功率控制方法，包括以下步骤：

S1.改进传统的WMMSE算法，得到满足主用户可容忍的干扰阈值并保证次用户通信质量的WMMSE算法；

S2.将改进的WMMSE算法的输入与输出作为训练集，利用深度学习模型得到主用户和次用户的功率分配；

其中，步骤S1改进传统WMMSE算法具体包括以下步骤：

首先建立认知无线电网络重叠式通信模型，设通信模型中有1个主用户和M个次用户，主用户和次用户均包括发射器和接收器，次用户i接收器上接收的信号y_i为：

式中：i∈{1，2，3，...，M}，j∈{1，2，3，...，M}；h_ii表示次用户i发射器与次用户i接收器间的信道增益；s表示传输信号；υ表示用户用来传输信号s时对信号的增强；h_iiυ_is_i表示次用户i发射器上发射的有用信号；h_ij表示次用户j发射机到次用户i接收器的信道增益；表示其他非次用户i发射器上发射的信号；h_i0表示主用户对次用户i的干扰增益；h_i0υ₀s₀表示主用户对次用户i造成的干扰；n_i表示加性高斯白噪声；