一种基于机器学习的无线频谱资源分配方法与流程

本发明属于人工智能与无线通信领域，更具体地，涉及一种基于机器学习的无线频谱资源分配方法。

背景技术：

随着信息时代的到来，智能移动用户设备的数量呈爆炸式增长，用户的通信需求也从最初的语音、文字信息交流转向现在的视频信息交流。尽管已经引入了许多高效的正交或者非正交多址接入技术以满足用户的接入需求，但由于授权频段十分有限，频谱资源短缺的问题仍然很严峻，给支持海量用户设备的接入提出了巨大的挑战。

认知无线电技术通过对周围无线频谱资源进行实时感知和动态接入，能够显著提高频谱资源利用率，有效缓解频谱资源短缺的问题。在进行无线频谱资源分配时，传统认知无线电技术对用户进行优先级划分，授权的主用户比非授权的次级用户拥有更高的优先级；授权频谱空闲，则允许次级用户通信；而当主用户接入频谱时，次级用户则需要寻找并切换至其他空闲频谱进行通信。此种技术，能够在优先保证主用户通信需求的前提下感知频谱空洞用于为次级用户提供服务，很大程度上提高了授权频谱利用效率。但是，传统认知无线电技术未能对同类用户加以区分。事实上不同时空条件下信道的频率选择性衰落情况和干扰噪声情况不尽相同，导致不同用户在同一频段进行通信产生的效果也不相同，相关的调度开销也不相同。这使得系统总收益得不到保障。

技术实现要素：

针对现有技术的缺陷和改进需求，本发明提供了一种基于机器学习的无线频谱资源分配方法，其目的在于，提高无线频谱资源的利用效率，同时最大化系统收益。

为实现上述目的，本发明提供了一种基于机器学习的无线频谱资源分配方法，包括：

(1)将无线通信系统划分为多个子系统，并在每一个子系统中配置一个探测器，分别用于探测全频段的信道质量；

(2)若满足调度条件，则转入步骤(3)；否则，等待直至满足调度条件，并转入步骤(3)；

(3)根据无线频谱资源总数及子系统划分结果对无线频谱资源进行划分，得到满足约束条件的所有分配方案；

分配方案为每一个子系统分配一个频谱集作为其内部用户的接入频段，从而将无线频谱资源划分为互不相交的多个频谱集；

(4)若满足约束条件的分配方案数的数量级小于预设的分配阈值，则遍历各分配方案，并利用已训练好的信道容量预测模型预测各分配方案所对应的信道总容量以计算各分配方案所对应的系统收益，从而获得所有分配方案中使得系统收益最大的最优分配方案；否则，利用优化算法获得所有分配方案中使得系统收益最大的最优分配方案；

优化算法利用信道容量预测模型预测各分配方案所对应的信道总容量；

(5)根据最优分配方案为各子系统分配并部署无线频谱资源，以完成当前调度轮次的无线频谱资源分配；转入步骤(2)；

其中，信道容量预测模型为包括一个输入层、一个或多个隐藏层以及一个输出层的神经网络模型，用于根据各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段预测信道总容量。

本发明利用神经网络模型预测每一个满足约束条件的分配方案所对应的信道总容量，并综合考虑每一个分配方案所对应的调度开销以计算系统收益，将使得系统收益最大的分配方案作为最优分配方案并根据最优分配方案分配并部署无线频谱资源，提高了无线频谱资源利用率，同时使得系统收益最大化。

在实际频谱资源分配之前，接入用户无法独立感知各频段的信道质量，由于同一子系统中，探测器所探测的各频段信道质量与接入用户实际接入频段信道质量存在相关性，本发明通过子系统的划分并利用探测器获取各频段信道质量能够间接获取用户的信道状态信息，保证信道总容量预测的准确性。

当满足约束条件的分配方案总数处于不同的数量级时，具体采用不同的计算方法，能够保证计算的复杂度和计算开销都维持在较低的水平。

进一步地，本发明所提供的基于机器学习的无线频谱资源分配方法，还包括：每一个调度轮次的无线频谱资源分配完成后，根据最优分配方案下，各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段，以及实际的信道总容量更新信道容量预测模型，以提高信道容量预测模型的预测精度和可靠性。

进一步地，信道容量预测模型的训练方法包括：

从历史数据中提取每一个调度轮次中，各探测器所探测的全频段信道质量、各子系统的接入用户数及接入频段，以及由各接入用户所检测到的信道总容量，并将所提取的信息作为一条样本数据，从而得到由所有样本数据构成的样本集；

建立信道容量预测模型，用于根据各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段预测信道总容量；

利用样本集训练信道容量预测模型，以得到训练好的信道容量预测模型；

利用历史数据训练神经网络，能够更为准确地预测每一个分配方案下的系统信道总容量。

进一步地，步骤(4)中，系统收益的计算方法为：

分别获得在对应的分配方案s下各约束因素所带来的系统开销ci及对应的转化因子βi，以计算该分配方案所对应的系统开销为：

在分配方案s下，以各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段为输入，利用信道容量预测模型预测信道总容量u′；

根据信道总容量u′和系统开销c计算系统收益为：q＝u'-c；

其中，i为约束因素编号，1≤i≤n，n为约束因素总数。

综合考虑信道总容量以及各约束因素对系统开销的影响，以确定每一个分配方案所对应的系统收益，并通过系统收益确定最优分配方案，能够使得系统收益最大化。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

(1)本发明所提供的基于机器学习的无线频谱资源分配方法，利用神经网络模型预测每一个满足约束条件的分配方案所对应的信道总容量，并综合考虑每一个分配方案所对应的系统收益，将使得系统收益最大的分配方案作为最优分配方案并根据最优分配方案分配并部署无线频谱资源，提高了无线频谱资源利用率，同时使得系统收益最大化。

(2)本发明所提供的基于机器学习的无线频谱资源分配方法，通过子系统的划分并利用探测器获取各频段信道质量能够间接获取用户的信道状态信息，保证信道总容量预测的准确性。

(3)本发明所提供的基于机器学习的无线频谱资源分配方法，综合考虑信道总容量以及各约束因素对系统开销的影响，以确定每一个分配方案所对应的系统收益，并通过系统收益确定最优分配方案，能够使得系统收益最大化。

附图说明

图1为本发明实施例提供的无线通信系统示意图；

图2为本发明实施例提供的基于机器学习的无线频谱资源分配方法流程图；

图3为本发明实施例提供的信道容量预测模型示意图；

图4为本发明实施例提供的基于机器学习的无线频谱资源分配方法数据整合示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

图1所示为一个无线通信系统的示意图，其中基站为整体系统中心，拥有若干频谱资源，集中式为所有用户提供服务，系统中共包括10个接入用户，下面结合图1所示的无线通信系统对本发明所提供的基于机器学习的无线频谱资源分配方法进行详细介绍。

本发明所提供的基于机器学习的无线频谱资源分配方法，如图2所示，包括：

(1)将无线通信系统划分为多个子系统，并在每一个子系统中配置一个探测器，分别用于探测全频段的信道质量；

如图1所示，经过步骤(1)的划分后，系统被划分为4个子系统，各子系统中的接入用户数分别是3、1、2、3，每个子系统中配置有一个探测器；

在实际频谱资源分配之前，接入用户无法独立感知各频段的信道质量，由于同一子系统中，探测器所探测的各频段信道质量与用户实际接入的频段信道质量存在相关性，本发明通过子系统的划分并利用探测器获取各频段信道质量能够间接获取用户的信道状态信息，保证信道总容量预测的准确性；

在第j个子系统中，探测器所探测到的第k个频段的信道质量为：

其中，α为常数因子，snrj,k表示第个j子系统中第k个频段的信噪比，gj,k表示基站与第个j子系统中探测器之间在第k个频段的链路增益，ηj,k表示对应链路上的噪声功率，pj,k表示基站与第个j子系统中探测器在第k个频段的通信功率；

(2)若满足调度条件，则转入步骤(3)；否则，等待直至满足调度条件，并转入步骤(3)；

具体的调度条件可根据系统特性决定，对于用户动态性大的系统，可采用触发性调度，即在用户接系统或用户离线时，认为满足调度条件；对于信道质量动态性小的系统，可采用周期性调度，即在调度周期到达时，认为满足调度条件；在计算量不大时，可将两种调度相结合，以提高效率，即当其他用户接入系统或者接入用户离线时，可触发性启动调度方法；即使所有用户都保持状态不变，调度周期到达时仍会启动调度方法；每次调度方法启动，都需要重新收集当前信息；

(3)根据无线频谱资源总数及子系统划分结果对无线频谱资源进行划分，得到满足约束条件的所有分配方案；

分配方案为每一个子系统分配一个频谱集作为其内部用户的接入频段，从而将无线频谱资源划分为互不相交的多个频谱集；

对应地，各子系统所需分配的频谱集大小分别为3、1、2、3，设系统共有10个频段可用，则共有种不同分配方案；本实施例将会在上述方案中找出使得系统收益最大的最优分配方案；

在确定无线频谱资源分配方案时，系统收益是主要的优化指标，其他指标可视为约束条件，根据不同的应用，需要定义代价函数以确定其对频谱效益的影响；通常情况下，约束条件包括最大容忍度和单位影响量，其中，最大容忍度为系统允许同时切换频段的最大用户数，单位影响量为系统允许每个用户切换频段所带来的最大效益损失；

(4)若满足约束条件的分配方案数的数量级小于预设的分配阈值，则遍历各分配方案，并利用已训练好的信道容量预测模型预测各分配方案所对应的信道总容量以计算各分配方案所对应的系统收益，从而获得所有分配方案中使得系统收益最大的最优分配方案；否则，利用优化算法获得所有分配方案中使得系统收益最大的最优分配方案；

优化算法利用信道容量预测模型预测各分配方案所对应的信道总容量；

当满足约束条件的分配方案总数处于不同的数量级时，具体采用不同的计算方法，能够保证计算的复杂度和计算开销都维持在较低的水平；

其中，信道容量预测模型为包括一个输入层、一个或多个隐藏层以及一个输出层的神经网络模型；在本实施例中，信道容量预测模型具体包括3个隐藏层，如图3所示；

信道容量预测模型的训练方法包括：

从历史数据中提取每一个调度轮次中，各探测器所探测的全频段信道质量、各子系统的接入用户数及接入频段，以及由各接入用户所检测到的信道总容量，并将所提取的信息作为一条样本数据，从而得到由所有样本数据构成的样本集；

建立信道容量预测模型，用于根据各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段预测信道总容量；

利用样本集训练信道容量预测模型，以得到训练好的信道容量预测模型；

利用历史数据训练神经网络，能够更为准确地预测每一个分配方案下的系统信道总容量；

用户接入系统后，可计算出实际的信道容量；具体地，系统总信道容量可由所有占用频段的信道容量之和表示为：

其中，u表示信道总容量，uj表示第j个子系统的信道容量，m表示子系统总数，m(j)表示第j个子系统中的接入用户数，uj,l表示第j个子系统中第l个接入用户所计算的信道容量；uj,l的计算表达式为：

sj,l表示基站与第j个子系统中第l个接入用户的通信功率，g′j,l,k表示基站与第j个子系统中第l个接入用户在第k个频段的链路增益，ηj,l,k表示对应链路的噪声功率，b表示带宽；

以上表达式仅表示了某一分配方案下的系统总信道容量，但对于系统收益而言，往往还需要考虑其他约束因素，包括调度损失、频谱分布、用户体验质量和竞争公平性；调度前后，越少用户需要切换频谱，调度损失越小；在调度方案中，分配给同一子系统的频谱集，其中的频谱间隔越大，频谱分布性能越好；分配给不同子系统的频谱集，其频谱数目方差越小，频谱分布性能越好；根据分配方案调度后，接入频谱质量变低的用户数目越小，用户体验质量越好；接入频谱质量变低的幅度越小，用户体验质量越好；频谱资源不足时，根据分配方案调度会使某些已接入用户掉线，掉线率越小，竞争公平性越好；等待接入时间越久的用户接入几率越大，竞争公平性越好；

综合各方面的调度开销后，步骤(4)中，系统收益的计算方法为：

分别获得在对应的分配方案s下各约束因素所带来的系统开销ci及对应的转化因子βi，以计算该分配方案所对应的系统开销为：

在分配方案s下，以各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段为输入，利用信道容量预测模型预测信道总容量u′；

根据信道总容量u′和系统开销c计算系统收益为：q＝u'-c；

其中，i为约束因素编号，1≤i≤n，n为约束因素总数；

综合考虑信道总容量以及各约束因素对系统开销的影响，以确定每一个分配方案所对应的系统收益，并通过系统收益确定最优分配方案，能够使得系统收益最大化；

(5)根据最优分配方案为各子系统分配并部署无线频谱资源，以完成当前调度轮次的无线频谱资源分配；转入步骤(2)。

本发明利用神经网络模型预测每一个满足约束条件的分配方案所对应的信道总容量，并综合考虑每一个分配方案所对应的系统收益，将使得系统收益最大的分配方案作为最优分配方案并根据最优分配方案分配并部署无线频谱资源，提高了无线频谱资源利用率，同时使得系统收益最大化。

为进一步提高信道容量预测模型的预测精度和可靠性，本发明所提供的基于机器学习的无线频谱资源分配方法，还包括：每一个调度轮次的无线频谱资源分配完成后，根据最优分配方案下，各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段，以及实际的信道总容量更新信道容量预测模型，以提高信道容量预测模型的预测精度和可靠性。

总的来说，本发明所提供的基于机器学习的无线频谱资源分配方法，如图4所示，包括两个方面的数据整合：训练信息整合和输入信息整合；训练信息整合和输入信息整合的主体信息都是信道质量信息和用户接入信息(各子系统的接入用户数及接入频段)，但两者存在本质上的不同；训练信息整合是对历史数据的处理，所涉及的数据都是已知数据，系统总信道容量可由用户接入信息计算得出，训练神经网络也是为了得到从信道质量信息和用户接入信息到系统总信道容量的映射关系；输入信息整合是对当前信息的处理，所有信息都需要实时感知，需要遍历分配情况，是构建原像集的过程；

历史数据中的用户接入信息包含了各子系统的用户接入数和频谱占用信息(接入频段)，两者存在一致性；当前信息中的频谱占用信息(接入频段)却可能与接入用户数不一致，如其他用户的接入或者当前用户的断开的情况，但这并不影响此方法的执行效果；另外，此方法由于约束因素的存在，可以很好兼容遗留系统，实现平稳过渡。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。