[发明专利]基于数据驱动的中继选择方法、系统、装置及介质

说明书

本发明公开了一种基于数据驱动的中继选择方法、系统、装置及介质，方法包括：建立多中继网络系统模型，并根据多中继网络系统模型确定目的地的第一接收信号和第一信噪比；根据第一接收信号和第一信噪比构建第一优化模型，第一优化模型的优化目标是多中继网络的可实现速率最大化；基于数据驱动构建第一分类模型，并根据第一分类模型和第一优化模型预测得到最优中继；根据最优中继输出多中继网络的中继选择结果。本发明采用基于数据驱动的多类分类技术来解决中继选择问题，从而预测出最优中继，一方面节省了计算时间，降低了对系统的算力要求，另一方面提高了信号的传输效率以及传输可靠性，可广泛应用于无线通信技术领域。

技术领域

本发明涉及无线通信技术领域，尤其是一种基于数据驱动的中继选择方法、系统、装置及介质。

背景技术

人工智能(AI)近年来在模式识别、图像处理和信号处理等领域取得了巨大的成功，人工智能的研究也正逐步向无线通信方向发展，智能通信被认为是继5G之后无线通信的研究热点。

中继通信在布局灵活、网络覆盖范围扩展和系统容量提高等方面的优势而成为一种前沿的无线传输技术。目前已有研究单向和双向非再生多天线中继网络中继波束成形的优化，但仅仅部署单个中继网络。与单中继网络相比，多中继网络由于分集阶数的增加，可以进一步提高系统容量。但是，多个中继也带来了能量高消耗和信令高复杂度。中继选择是在多中继网络中提高系统容量并同时降低能耗和信令成本的关键技术。

另一方面，数据驱动的方法适用于分类和决策。数据驱动方法在无线通信中的使用引起了极大的研究兴趣。目前，已经提出了诸如支持向量机(SVM)，深度神经网络(DNN)和k-近邻等数据驱动方法来解决天线选择问题。为了有效使用数据驱动的方法，相应地构建了多类分类训练系统。通过向训练系统中输入大量的样本数据，来对多类分类器的参数进行优化。

在联合波束成形和天线选择方案中，有研究已提出了一种基于神经网络的方法，旨在选择一组天线，以使接收器处的最小信噪比最大化。这个方法是要学习一个映射函数(由神经网络表示)，该函数将信道的实现过程映射到来自大量模拟数据的天线选择解决方案上。这样，天线选择的计算负担可以转移到离线神经网络训练上。在所有节点都装有单天线的多中继网络中，研究了一种基于Q学习的中继选择方案。显然，基于机器学习的单天线多中继网络的中继选择方案不适用于多天线多中继网络。

在多中继网络中，中继选择方案可以简化信令并节省能源成本。但是，中继选择通常是一个非常困难的优化问题，尤其是在多中继选择和中继波束成形的联合设计中，最优解决方案通常是通过穷举搜索法和半正定规划(SDP)来实现的，这些方法一方面计算复杂度高，对系统的算力要求高，另一方面中继选择的结果并不完全准确，影响了信号的传输效率。

发明内容

本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

为此，本发明实施例的一个目的在于提供一种基于数据驱动的中继选择方法，该方法将中继选择问题建模为多类分类问题，并采用基于数据驱动的多类分类技术来解决中继选择问题，从而预测出在发射功率约束下可以使多中继网络的可实现速率最大化的最优中继，一方面节省了计算时间，降低了对系统的算力要求，另一方面提高了信号的传输效率以及传输可靠性。

本发明实施例的另一个目的在于提供一种基于数据驱动的中继选择系统。

为了达到上述技术目的，本发明实施例所采取的技术方案包括：

第一方面，本发明实施例提供了一种基于数据驱动的中继选择方法，包括以下步骤：

建立多中继网络系统模型，并根据所述多中继网络系统模型确定目的地的第一接收信号和第一信噪比；

根据所述第一接收信号和所述第一信噪比构建第一优化模型，所述第一优化模型的优化目标是多中继网络的可实现速率最大化；