高速列车无蜂窝MIMO能效传输方法、装置及存储介质

摘要: 本技术涉及无线通信,具体涉及一种高速列车无蜂窝mimo能效传输方法、装置及存储介质。背景技术:1、无蜂窝(cell-free,cf)大规模多输入多输出(mult...
高速列车无蜂窝MIMO能效传输方法、装置及存储介质

本技术涉及无线通信,具体涉及一种高速列车无蜂窝mimo能效传输方法、装置及存储介质。

背景技术:

1、无蜂窝(cell-free,cf)大规模多输入多输出(multiple-input multiple-output,mimo)技术作为传统蜂窝架构的革新方案,通过部署大量分布式接入点(accesspoint,ap)并与中央处理器连接,实现用户设备的协同服务,兼具分布式架构的宏分集增益和大规模 mimo 的天线阵列增益,具有高吞吐量、低时延、高可靠性等优势。自2017年被提出以来,已成为第五代移动通信技术(5th generation mobile networks,5g)及beyond-5g(b5g)通信的关键技术之一。

2、高速列车通信(high-speed train communication,hst)作为铁路通信的核心场景,面临着高移动性带来的多普勒频偏(doppler frequency offset,dfo)、载波间干扰(inter-carrier interference,ici)、信道非平稳性等独特挑战。现有研究中,部分方案采用视距(line of sight,los)信道模型简化hst场景的信道表征,部分方案设计了分数功率控制、最大和频谱效率功率控制等算法优化资源分配,但大多假设静态场景或忽略非视距(non-line of sight,nlos)分量,难以适应hst复杂多变的传播环境(如隧道、平原复合场景)。

3、同时,随着通信设备数量的指数增长和无线流量的激增,能量效率已成为与频谱效率同等重要的性能指标。现有无蜂窝大规模mimo的资源分配方案多聚焦于频谱效率优化,或采用传统优化方法求解能量效率最大化问题,存在计算复杂度高、难以应对部分可观测和连续动作空间的缺陷,无法满足hst场景的实时性和动态性需求。

技术实现思路

1、本技术的至少一个实施例提供了一种高速列车无蜂窝mimo能效传输方法、装置及存储介质,用于解决现有资源分配和能效传输无法满足hst场景的实时性和动态性需求的问题。

2、为了解决上述技术问题,本技术是这样实现的:

3、本技术的一实施例提供了一种高速列车无蜂窝mimo能效传输方法,包括:

4、构建莱斯信道模型,所述莱斯信道模型包含视距分量和非视距分量,用于表征高速列车场景下的时变信道特性,所述时变信道特性包括多普勒频偏和载波间干扰;

5、基于发射天线中心的动态协作聚类机制,确定各发射天线对应的服务接入点子集,并形成动态协作聚类结果;

6、基于所述莱斯信道模型将所述动态协作聚类结果与功率分配的联合优化问题建模为多智能体马尔可夫决策过程,其中,优化目标为最大化系统能量效率,约束条件为各所述发射天线的最大发射功率限制;

7、根据多智能体深度确定性策略梯度(multi-agent deep deterministic policygradient,maddpg)算法求解所述多智能体马尔可夫决策过程,得到各发射天线的功率分配策略,并向各所述发射天线输出对应的发射功率,以使各所述发射天线根据对应的发射功率发射信号;

8、基于线性接收算法对接收到的各所述发射天线发射的天线信号进行干扰处理,得到处理后的接收信号。

9、优选地,如上所述的高速列车无蜂窝mimo能效传输方法,所述构建莱斯信道模型,包括:

10、根据场景参数确定所述视距分量和所述非视距分量;

11、根据所述视距分量和所述非视距分量,确定信道增益表达式;

12、根据载波频率、列车速度、正交频分复用(orthogonal frequency divisionmultiplexing,ofdm)符号时长、和各发射天线与目标接收点的到达角,确定多普勒频偏效应;

13、根据所述视距分量和所述非视距分量,确定载波间干扰表征,所述载波间干扰表征包括确定性载波间干扰和统计平均载波间干扰。

14、优选地,如上所述的高速列车无蜂窝mimo能效传输方法,所述基于发射天线中心的动态协作聚类机制,确定各发射天线对应的服务接入点子集,并形成动态协作聚类结果,包括:

15、基于大规模衰落系数以及预设阈值确定各所述服务接入点与各所述发射天线间的协作关系;

16、根据所述协作关系确定各所述发射天线对应的所述服务接入点子集,并形成动态协作聚类结果。

17、优选地,如上所述的高速列车无蜂窝mimo能效传输方法,在所述多智能体马尔可夫决策过程中,状态空间为各所述发射天线与对应服务接入点的聚合大规模衰落系数集合;动作空间为各所述发射天线的发射功率系数集合;奖励函数为系统能量效率。

18、优选地,如上所述的高速列车无蜂窝mimo能效传输方法,根据多智能体深度确定性策略梯度算法求解所述多智能体马尔可夫决策过程,得到各发射天线的功率分配策略,包括:

19、初始化各所述发射天线对应的策略-价值网络架构参数;

20、从经验回放池已存储的所述发射天线与环境的交互数据中,随机采样小批量训练样本;

21、基于所述小批量训练样本对所述策略-价值网络架构进行训练,并对所述策略-价值网络架构中的网络参数进行软更新;

22、获取训练结束后,所述策略-价值网络架构基于当前时刻的大规模衰落系数,得到各所述发射天线对应的功率分配策略。

23、优选地,如上所述的高速列车无蜂窝mimo能效传输方法,所述基于线性接收算法对接收到的各所述发射天线发射的所述天线信号进行干扰处理,得到处理后的所述接收信号,包括:

24、根据复杂度要求和/或频谱效率从多个所述线性接收算法中确定目标线性接收算法;

25、根据所述目标线性接收算法,获取各所述发射天线对应的合并向量;

26、根据所述合并向量对接收到的所述天线信号进行信号合并,得到处理后的所述接收信号。

27、本技术的另一实施例提供了一种高速列车无蜂窝mimo能效传输的控制装置,包括:

28、第一处理模块,用于构建莱斯信道模型,所述莱斯信道模型包含视距分量和非视距分量,用于表征高速列车场景下的时变信道特性,所述时变信道特性包括多普勒频偏和载波间干扰;

29、第二处理模块,用于基于发射天线中心的动态协作聚类机制,确定各发射天线对应的服务接入点子集,并形成动态协作聚类结果;

30、第三处理模块,用于基于所述莱斯信道模型将所述动态协作聚类结果与功率分配的联合优化问题建模为多智能体马尔可夫决策过程,其中,优化目标为最大化系统能量效率,约束条件为各所述发射天线的最大发射功率限制;

31、第四处理模块,用于根据多智能体深度确定性策略梯度算法求解所述多智能体马尔可夫决策过程,得到各发射天线的功率分配策略,并向各所述发射天线输出对应的发射功率,以使各所述发射天线根据对应的发射功率发射信号;

32、第五处理模块,用于基于线性接收算法对接收到的各所述发射天线发射的天线信号进行干扰处理,得到处理后的接收信号。

33、本技术的再一实施例提供了一种电子设备,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被所述处理器执行时实现如上所述的高速列车无蜂窝mimo能效传输方法的步骤。

34、本技术的又一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的高速列车无蜂窝mimo能效传输方法的步骤。

35、本技术的另一实施例提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现如上所述的高速列车无蜂窝mimo能效传输方法的步骤。

36、与现有技术相比,本技术实施例提供的一种高速列车无蜂窝mimo能效传输方法、装置及存储介质,通过精准的信道建模、动态的协作聚类、智能的资源分配和有效的干扰抑制,能够适应hst高移动性带来的信道时变特性,在降低天线功率方差的同时,实现能量效率与频谱效率的最优权衡,且算法运行时间随子载波数量线性增长,适用于大规模ofdm系统部署,为高速列车通信提供绿色、智能、可靠的传输解决方案。