[发明专利]一种基于贝叶斯调参支持向量机的联合波束分配方法

权利要求书

1.一种基于贝叶斯调参支持向量机的联合波束分配方法，其特征在于，采用支持向量机模型和高斯核函数并且利用贝叶斯超参数优化方法优化超参数，具体包括以下步骤：

S1、根据当前蜂窝小区的分布和链路连接情况产生待选波束分配方案空间；

S2、在产生的待选方案空间里随机或依据相近的历史分配记录中挑选l个方案生成初始波束分配方案集合；

S3、将波束分配方案集合里的方案逐次应用于蜂窝移动通信系统，并得到系统对这l个方案的评价，然后根据这些评价对相应的方案打标签以生成训练样本；

S4、使用贝叶斯超参数优化方法结合交叉验证进行参数选优，然后利用支持向量机机器学习算法对“方案，标签”格式的训练样本进行学习，得出相应的约束条件；

S5、使用波束方案选优算法，结合得到的约束条件，在波束方案空间内筛选波束分配方案以生成下一个波束分配方案集合；

S6、重复S3-S5，直至达到预先设置的最大迭代数或波束分配方案选优算法不能挑出新的分配方案。

2.如权利要求1所述的基于贝叶斯调参支持向量机的联合波束分配方法，其特征在于，S1中根据当前蜂窝小区的分布和链路连接情况产生待选波束分配方案空间的具体方法如下：

S11识别并记录交通状况为矩阵S_t，包括车辆和基站的距离和角度信息；

S12根据S_t生成波束分配方案空间Ω_t，包含所有可能的波束分配方案矩阵B_t。

3.如权利要求1所述的基于贝叶斯调参支持向量机的联合波束分配方法，其特征在于，所述S2通过零补全和向量化后的交通模式矩阵的余弦相似度进行交通模式的相似度判断和相同交通模式的识别，其公式为：

其中S_t为时刻t时的交通模式矩阵，S_t′为t'时刻的交通状况矩阵；vec(S_t)表示零补全和矢量化的S_t，以便得到同形矩阵并向量化进行相似度的比较，识别类似的交通模式。

4.如权利要求1所述的基于贝叶斯调参支持向量机的联合波束分配方法，其特征在于，S3中对于那些性能高于分配方案集合平均性能的分配方案样本打标签为1反之则为-1。

5.如权利要求1所述的基于贝叶斯调参支持向量机的联合波束分配方法，其特征在于，S4中对波束分配方案矩阵进行补零和向量化其中I是样本数量，然后和相应的标签一起组成训练样本/输入SVM模型进行参数调优及交叉验证；

B_it是t时刻的第i个波束分配方案矩阵；然后对其向量化,用表征波束分配方案的样本；/是该方案的标签，表征性能。

6.如权利要求1或5所述的基于贝叶斯调参支持向量机的联合波束分配方法，其特征在于，S4通过采用高斯核函数的对偶形式的SVM分类器模型进行样本的训练。

7.如权利要求1所述的基于贝叶斯调参支持向量机的联合波束分配方法，其特征在于，S5采用波束方案选优算法和边界约束条件参考周期来提高波束空间的收缩；SVM模型学习完毕后输出边界约束条件波束方案选优算法依据/在波束分配方案空间里挑选新的l个样本，这l个样本具有最大化的到所有已标记样本的最小距离。/