基于RIS辅助无线通信系统的双RBF神经网络联合优化方法
本发明涉及的是一种无线通信领域的技术,具体是一种基于ris辅助无线通信系统的双rbf神经网络联合优化方法。
背景技术:
1、现有第六代(6g)无线通信网络通过智能超表面(ris)技术动态调控无线信道相位响应,大幅度提升覆盖范围和频谱效率的同时,现有ris辅助通信系统存在两大瓶颈:其一,能效优化仍基于全流量负荷假设的ee指标,未考虑实际网络中时空流量不均衡性,导致静态网络容量与动态流量需求严重失配;其二,ris的部署与通信资源(如功率、频谱、波束)分配通常独立优化,未挖掘二者协同增益,且传统优化算法复杂度高,难以满足6g低时延需求。
技术实现思路
1、本发明针对现有技术采用的能效指标无法反映动态流量分布以及未充分考虑变量间的耦合性,传统算法难以满足6g低时延需求的不足,提出一种基于ris辅助无线通信系统的双rbf神经网络联合优化方法,将机器学习中的神经网络算法应用于ris辅助的无线通信系统,通过面向基站和ris的双rbf神经网络设计和dinkelbach算法,迭代求得iree的最优值和相应的网络部署与资源分配策略,实现无线通信系统能效优化。
2、本发明是通过以下技术方案实现的:
3、本发明涉及一种基于ris辅助无线通信系统的双rbf神经网络联合优化方法,通过建立ris辅助的频分无线通信系统的信道容量模型和总功耗模型后,构造iree的集成相对能效最大化问题并针对该问题依次构造并训练双rbf神经网络中面向基站的rbf神经网络以及面向ris的rbf神经网络;最后采用dinkelbach算法更新集成相对能效并得到最优值及其相应的基站与ris的部署和资源分配策略,实现联合优化。
4、技术效果
5、本发明针对ris辅助的无线通信系统设计了双rbf神经网络联合优化算法,在功率、带宽和服务质量的约束下实现了系统集成相对能效的优化,并输出此时的基站与ris的部署与资源分配策略。其次,本发明针对同时包含多个基站和多个ris的无线通信系统进行优化,与现有针对单个ris或者单个基站的优化技术相比,在实际系统中更具有普适性,更贴近实际系统的部署与规划。最后,本发明通过双rbf神经网络联合优化ris辅助无线通信系统的部署与资源分配,与单独优化部署位置或波束成形的传统方法不同,联合优化部署和资源分配能够解决部署与资源配置的耦合性问题,显著提升系统集成相对能效。
1.一种基于ris辅助无线通信系统的双层神经网络联合优化方法,其特征在于,通过建立ris辅助的频分无线通信系统的信道容量模型和总功耗模型后,构造iree的集成相对能效最大化问题并针对该问题依次构造并训练双rbf神经网络中面向基站的rbf神经网络以及面向ris的rbf神经网络;最后采用dinkelbach算法更新集成相对能效并得到最优值及其相应的基站与ris的部署和资源分配策略,实现联合优化。
2.根据权利要求1所述的基于ris辅助无线通信系统的双层神经网络联合优化方法,其特征是,所述的ris辅助的频分无线通信系统,包括nbs个基站和nr个ris,基站和ris分别配备了个天线和个元件,第n个基站与用户位置之间的混合信道其中:为第n个基站和第m个ris之间的信道参数,为第m个ris和用户位置之间的信道参数,为第n个基站和用户位置之间的信道参数,为第m个ris的被动波束成形矩阵,第n个基站的接收信号其中:sn,i为发射信号,为第n个基站的第i个天线的主动波束成形矩阵,nn为均值为0和方差为1的加性高斯白噪声,用户接收端的信噪比其中:bn为第n个基站的可用带宽;
3.根据权利要求2所述的基于ris辅助无线通信系统的双层神经网络联合优化方法,其特征是,所述的信道容量模型是指:对nbs个基站进行加和得到位置处的信道容量
4.根据权利要求1所述的基于ris辅助无线通信系统的双层神经网络联合优化方法,其特征是,所述的iree的集成相对能效最大化问题,具体为:其中:集成相对能效无线网络的总容量无线网络的总流量需求js散度
5.根据权利要求1所述的基于ris辅助无线通信系统的双层神经网络联合优化方法,其特征是,所述的双rbf神经网络,包括:面向基站进行rbf神经网络和面向ris的rbf神经网络,其中:
6.根据权利要求5所述的基于ris辅助无线通信系统的双层神经网络联合优化方法,其特征是,所述的面向基站进行rbf神经网络和面向ris的rbf神经网络中的输入层:由q个用户位置组成,每个用户位置的二维坐标为
7.根据权利要求1所述的基于ris辅助无线通信系统的双层神经网络联合优化方法,其特征是,所述的dinkelbach算法更新集成相对能效,具体为:其中:和通过面向基站和ris的rbf神经网络训练输出的优化参数和计算,通过迭代更新ηiree和{θm},{wn,i},{bn},得到ηiree的最优值和相应的基站与ris的部署和资源分配策略。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com