一种基于机器学习的无线频谱资源分配方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109698726A(43)申请公布日2019.04.30(21)申请号201910021291.5(22)申请日2019.01.10(71)申请人华中科技大学地址430074湖北省武汉市洪山区珞喻路1037号(72)发明人葛晓虎陈凯胡沈奇李强肖泳黄晓庆(74)专利代理机构华中科技大学专利中心42201代理人曹葆青李智(51)Int.Cl.H04B17/382(2015.01)H04B17/391(2015.01)H04W16/14(2009.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于机器学习的无线频谱资源分配方法(57)摘要本发明公开了一种基于机器学习的无线频谱资源分配方法，包括：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；在满足调度条件时转入后续步骤；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；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，并利用神经网络模型预测各分配方案所对应的信道总容量以计算系统收益，从而获得使得系统收益最大的最优分配方案；否则，利用优化算法获得最优分配方案；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；重新判断是否满足调度条件。本发明能够提高频谱资源利用效率并最大化系统收益。CN109698726ACN109698726A权利要求书1/2页1.一种基于机器学习的无线频谱资源分配方法，其特征在于，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所述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；所述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，从而将所述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所述系统收益最大的最优分配方案；所述优化算法利用所述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)根据所述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，所述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。2.如权利要求1所述的基于机器学习的无线频谱资源分配方法，其特征在于，还包括：每一个调度轮次的无线频谱资源分配完成后，根据所述最优分配方案下，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所述信道容量预测模型。3.如权利要求1或2所述的基于机器学习的无线频谱资源分配方法，其特征在于，所述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；建立所述信道容量预测模型，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；利用所述样本集训练所述信道容量预测模型，以得到训练好的信道容量预测模型。4.如权利要求1或2所述的基于机器学习的无线频谱资源分配方法，其特征在于，所述步骤(4)中，所述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：在所述分配方案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，利用所述信道容量预测模型预测信道总容量U′；根据所述信道总容量U′和所述系统开销C计算所述系统收益为：Q＝U'-C；2CN109698726A权利要求书2/2页其中，i为约束因素编号，1≤i≤N，N为约束因素总数。3CN109698726A说明书1/6页一种基于机器学习的无线频谱资源分配方法技术领域[0001]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[0002]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