[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

说明书

本发明公开了一种基于监督机器学习的车载协作通信中继选择方法，包括如下步骤：1）构建车协协作NOMA模型；2）构建中断概率最小化的目标函数；3）构建BP神经网络中断概率预测模型；4）构建影响中断概率的关键参数，组成输入矩阵；5）对输入矩阵的元素进行归一化处理；6）构建误差目标函数；7）初始化权值阈值对构建的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；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；10）根据预测结果，进行基于最小中断概率的中继选择。这种方法构建的BP神经网络预测模型具有较好的准确性，能够在候选中继集中有目标的选取中断概率最小的节点，优化了系统的中断性能。

技术领域

本发明涉及车载协作通信领域，具体是一种基于监督机器学习的车载协作通信中继选择方法。

背景技术

汽车的大规模普及，带来了一系列道路安全、道路建设等交通问题，同时也面临着基站覆盖不完善、连接性不稳定等通信问题。而车载协作通信技术不仅在道路安全、辅助驾驶、信息娱乐等方面发挥着至关重要的作用，而且也能增强通信链路的可靠性、连通性，扩大覆盖范围。但是，在中继链路中，如果发生链路中断，不仅无法改善其可靠性与连通性，而且还会影响道路安全，因此就需要通过中继选择技术来提高通信链路的连通性。

为了尽可能地发挥出路边未被利用的通信资源的价值，可以借助停泊车辆作为静态中继协作通信，而非正交多址接入(non-orthogonal multiple access，简称NOMA)技术不仅可以提高频谱效率，而且可以通过给远端用户分配较大的功率来提高连通性，因此将NOMA技术与中继结合具有更好的现实意义，此外，现有的许多基于机器学习中增强学习算法的中继选择方案需要不断地与环境进行交互、试错，才能搜寻出最佳策略，是一种较为耗费时间的学习，且基于增强学习中Q学习的中继选择方案使用Q表来存储Q值，存储容量有限，无法覆盖完整的状态空间，而基于监督学习的神经网络，具有感知获取能力，能够解决Q表不能覆盖整个状态空间的缺陷，且有“导师”指导，更适合基于最大化或最小化的中继选择。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于监督机器学习的车载协作通信中继选择方法。这种方法以路边停泊车辆为中继节点不需要依赖路边单元，能减小部署成本，能够减小中继链路的中断概率、优化系统中断性能。

实现本发明目的的技术方案是：

一种基于监督机器学习的车载协作通信中继选择方法，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，由于固定放大转发(amplify-and-forward，简称AF)协议可以在降低信道估计复杂度的同时兼顾分集性能，且硬件实现成本更低，因此，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，m大小由中继节点的位置以及中继节点周围的环境来确定；

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：