[发明专利]一种基于监督机器学习的车载协作通信中继选择方法

权利要求书

1.一种基于监督机器学习的车载协作通信中继选择方法，其特征在于，包括如下步骤：

1)建立车载协作NOMA通信模型：所述通信模型包括一个源节点即基站、N个子信道、M个中继节点、J个车载用户，假设每个节点都配备有单根天线，能进行接收和发射数据，跳过停在障碍物中间、距离道路太远以及没有安装无线设备的车辆节点，将剩余停泊的车辆组成候选中继集M′，M′＝{1,2,...,m,...M′}，假设每个子信道内仅两个车载用户，忽略子信道间的干扰，且由于距离或者障碍物的影响，不考虑直传链路，中继节点采用半双工固定AF协议进行转发，假设U₁为远端车载用户，U₂为近端车载用户，在路径损耗模型中，分别表示源节点到第m个中继节点、第m个中继节点到远端车载用户以及第m个中继节点到近端车载用户的信道衰落系数，且都服从Nakagami-m分布，其中m为整数；

2)构建中断概率最小化的目标函数：中断概率最小化的目标函数如公式(1)所示：

其中P_out,m为第m个中继的中断概率，计算子信道内的中断概率闭式解，具体为：为方便计算，记λ_Δ＝|h_Δ|²，φ_Δ＝ρλ_Δ，其中，|h_Δ|²为信道增益，下标Δ∈{SR_m,R_mU₁,R_mU₂}，SR_m表示源节点到第m个中继节点段，R_mU₁表示第m个中继节点到远端用户节点段，R_mU₂表示第m个中继节点到近端用户节点段，ρ为发射信噪比，带有衰落指数m_Δ和传播控制参数Ω_Δ的Nakagami-m分布由G(m_Δ,Ω_Δ)表示，因此有λ_Δ～G(m_Δ,Ω_Δ)，φ_Δ～G(m_Δ,ρΩ_Δ)，从而得到φ_Δ的概率密度函数PDF如公式(2)所示：

其中，m_Δ为衰落指数，Ω_Δ为传播控制参数，ρ为发射信噪比，Γ(m_Δ)为伽玛函数，有Γ(m_Δ)＝(m_Δ-1)！，

则φ_Δ的累积分布函数CDF为公式(3)所示：

其中，有

根据φ_Δ的PDF及CDF得到公式(4)、公式(5)：

其中，x_i为X_i的上限，ω_Δ＝m_Δ/(ρΩ_Δ)，

引入新变量G如公式(6)所示：

信号s_i的SINR写为如公式(7)所示：

其中，α₁，α₂分别为远端用户和近端用户的功率分配系数，所以，子信道的中断概率写如公式(8)所示：

其中，为信干噪比最低阈值，变量G_i的CDF写成如公式(9)所示：

其中，g_i为G_i的上限，令将公式(2)和公式(4)代入公式(9)得公式(10)：

再根据二项式定理展开和得公式(11)：

其中，有：

在高信噪比下，当ρ_Δ→∞时，有公式(13)：

可以得到G_i′的CDF如公式(14)所示：

其中，为阶第二类修正贝塞尔函数，有：

令因此中继的中断概率闭式解写为公式(16)所示：

3)构建BP神经网络中断概率预测模型：所述BP神经网络中断概率预测模型采用三层网络，即一个输入层、一个隐含层及一个输出层，BP神经网络模型的隐含层节点个数如经验公式(17)所示：

其中，a₁为输入层的神经元节点数，a₂为输出层的神经元节点数，a₃是介于[1,10]之间的经验常数，将隐含层神经元个数设置为8；

4)构建输入矩阵：构建影响中断概率的关键参数组成输入矩阵，并根据理论上中断概率的闭式解生成用户样本集训练的期望输出向量，由公式(16)可知，中断概率受衰落因子m、传播控制参数Ω、发射信噪比ρ以及功率分配系数α_i的影响，又因为有ω_Δ＝m_Δ/(ρΩ_Δ)，将作为影响中断概率的关键参数集，构成输入矩阵；

5)对输入矩阵的元素进行归一化处理：依据公式(18)对各项参数集进行归一化处理：

其中，x为原始数据，x_max和x_min为相应数据x的最大值和最小值，x_i为归一化后的输入数据；

6)构建误差目标函数：误差目标函数如公式(19)所示：

其中，y_z为实际的网络输出向量元素，y_d,z为期望的网络输出向量元素，n为样本数目；

7)初始化权值阈值，并采用理论上的样本集数据对构建的BP神经网络预测模型进行训练；

8)采用LM算法对BP神经网络模型进行改进，通过不断优化参数提高模型精度，包括如下过程：

8-1)设W为各层之间的权值和阈值所组成的向量如公式(20)所示：

W＝[w_1,1,w_1,2,…,w_8,5,b_1,1,…b_1,8,v₁,…v₈,b₂] (20)，

其中，w_j,i为输入层第i个神经元节点与隐含层第j个神经元节点之间的权值，b_1,j为第j个神经元节点的阈值，v_j为隐含层第j个神经元节点与输出层之间的权值，b₂为输出层的阈值；

8-2)设置训练误差允许值ε、常数β₀以及系数θ，(0＜θ＜1)，并初始化权值和阈值向量W，令学习率β＝β₀，k＝0；

8-3)计算模型的输出向量与误差目标函数E(W_k)如公式(21)所示：

其中，为训练第k轮时实际的网络输出向量元素，为训练第k轮时期望的网络输出向量元素；

8-4)若E(W_k)＜ε，执行步骤8)，否则，继续步骤8-5)；

8-5)计算Jacobian矩阵J(ω_k)如公式(22)所示：

其中，e(W)为网络误差向量，即实际输出向量与期望输出向量之差；

8-6)更新权值和阈值向量，更新公式为公式(23)所示：

W_k+1＝W_k+ΔW (23)，

其中，ΔW为权值修正项，计算公式为公式(24)所示：

ΔW＝[J^T(W)J(W)+βI]^-1J(W)e(W) (24)，

其中，I为单位矩阵；

8-7)计算误差目标函数E(W_k+1)，若E(W_k+1)＜E(W_k)，则k＝k+1，β＝θ*β，返回执行步骤8-3)，否则，β＝β/θ，返回执行步骤8-6)；

8-8)保存数据，结束；

9)利用训练好的模型对候选中继节点的中断概率进行预测，输出一个元素与各候选中继节点中断概率值对应的向量；

10)根据预测结果，进行基于最小中断概率的中继选择。