[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

说明书

本发明提供了一种基于贝叶斯调参支持向量机的联合波束分配方法，首先产生待选波束分配方案空间，然后随机或依据相近的历史分配记录中挑选方案生成初始波束分配方案集合；应用于蜂窝移动通信系统，得到系统对方案的评价，打标签以生成训练样本；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；最后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。本发明解决了现有技术存在的波束分配匹配度低，分配效率低的技术问题，在保证准确率的同时还具有较高的实时性。

技术领域

本发明涉及无线通信技术领域，具体提出了一种多小区间干扰感知及联合波束分配方法，将支持向量机和移动通信结合起来，提供了一种日常交通场景下基于支持向量机的波束分配方法。

背景技术

近年来，随着机器学习研究的深入，机器学习算法被广泛应用于各种领域的问题解决，例如语音识别，图像识别等，这说明机器学习算法具有较强的普适性。在无线通信研究领域，也可使用机器学习算法解决传统通信问题，无论是波束成形还是信号检测都有许多成功的研究应用。

与其他的机器学习算法相比，支持向量机(SVM)在小样本训练集上通常能够得到较好的效果，而且具有优秀的泛化能力，这是因为其本身的优化目标是结构化风险最小，而不是经验风险最小，因此，通过margin的概念，得到对数据分布的结构化描述，因此减低了对数据规模和数据分布的要求，但是传统优化方法分配波束效率低，计算复杂度高，从而会影响到信息速率。

发明内容

为解决传统优化方法分配波束效率低计算复杂度高的问题，本发明提出了一种基于贝叶斯调参支持向量机的联合波束分配方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

一种基于贝叶斯调参支持向量机的联合波束分配方法，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；优选的，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；

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；

优选的，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。

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；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。同时，当学习的次数达到REC时，会参考以前的边界约束条件，和/一起约束波束分配方案空间，起到探索和利用的调节作用。

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。

进一步的，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。