[发明专利]基于深度神经网络的V2X资源分配方法

权利要求书

1.一种基于深度神经网络的V2X资源分配方法，其特征在于，根据V2X通信模型并构建资源分配问题，从而得到信道增益矩阵作为样本对一个神经网络进行训练，并在实时环境下采用训练后的神经网络进行频谱资源分配的多分类处理和发射功率分配的回归处理，实现吞吐量最大化的同时保证V2V直接通信的超低延时和高可靠性；

所述的V2X通信模型为一个V2I与V2V通信共存的场景，包括若干V2I通信设备(C-UE)和V2V通信设备(V-UE)，其中：M＝{1，2，...，M}代表进行V2I通信的车辆，S＝{1，2，...，S}代表进行V2V通信的发送端车辆，D＝{1，2，...，D}代表进行V2V通信的接收端车辆，C-UE的上行链路频谱资源是相互正交的，V2V通信复用V2I通信的上行链路资源，而且一对一复用；

所述的资源分配问题是指：通过得到最优的发射功率分配和频谱资源分配ρ_m，s来最大化V2X通信模型的总容量，并且保证V2V通信的延时和可靠性，因此需要满足：

s.t.ω₁，ω₂＞0；

为保证V2I链路的QoS：

C-UE和V-UE的发射功率不能超过最大发射功率：一个V2I链路的频谱资源只能被一个V-UE重用，并且一个V-UE只能复用一个V2I链路的频谱资源：其中：ρ_m，s∈{0，1}，s∈S，ω₁，ω₂是权重因子，是每个V2I链接所需的最小链路容量，和分别是V2I链路和V2V链路的最大发射功率；

所述的神经网络输出多分类问题的矩阵A的索引值以表示频谱复用情况、回归问题的V2I链路的发送功率以及V2V链路的发送功率，该神经网络，通过以下方式进行训练：

采用损失函数L最小来不断优化网络为：其中：α和β分别为C-UE和V-UE的发射功率相应的损失函数的权重值，分别为C-UE和V-UE的发射功率；

对于发射功率分配的回归子问题，其中：K为batch size的大小，为根据输入，P为网络的标签，即数据集中的C-UE(V-UE)的发射功率；

对于频谱资源分配的分类子问题，其中：为根据输入，CNN网络训练得到的频谱资源分配结果矩阵的索引，ρ_j为网络的标签，即数据集中的频谱资源分配的矩阵索引值。

2.根据权利要求1所述的方法，其特征是，所述的神经网络为卷积神经网络，包括：输入层、隐藏层和输出层，其中：隐藏层由三个卷积层和三个全连接层组成，激活函数为RelU，输出层分别输出：①多分类问题的矩阵A的索引值，表示频谱复用情况ρ_m，s，其采用softmax作为激活函数，②回归问题的V2I链路的发送功率和③V2V链路的发送功率其采用RelU作为激活函数。

3.根据权利要求1所述的方法，其特征是，所述的V2I通信的链路容量为：V2V直接通信的链路容量为：其中：分别为C-UE和V-UE的发射功率，N₀为噪声功率，ρ_m，s表示频谱复用关系，ρ_m，s＝1表示第s个V-UE通信时复用第m个C-UE的上行链路频谱资源，反之，ρ_m，s＝0；表示基站收到的来自第s个V-UE的干扰，表示第d个接收V-UE收到的来自第m个C-UE的干扰；

当B和L分别为平均包的大小和通信延时，则V-UE的传输速率为R＝B/L；

所述的延时和可靠性的要求ε＝P_L{C_ss(k)＞R}，k＝1，2，3，...，其中：C_ss为所有V2V链路中最小的链路容量。

4.根据权利要求3所述的方法，其特征是，所述的信道增益矩阵，通过配置V2X通信模型的参数，产生通信信道和干扰信道的信道增益矩阵在每个信道增益下根据遍历算法得到频谱资源分配结果和功率分配结果从而得到训练所需数据集其中：h_m，B为第m个C-E到基站的通信信道增益，h_m，B＝g_m，Bα_m，B，g_m，B为小规模快衰落，α_m，B为大规模衰落，h_s，d为V-UE发射和V-UE接收之间的通信信道增益，h_m，d为C-UE与V-UE接收之间的干扰信道增益，h_s，B为V-UE发射与基站之间的干扰信道增益，信道增益矩阵作为输入送入网络。