基于无线和电力线通信(power line communication,PLC)的双模通信可以实现二者优势互补,被广泛用于智能计量和电力物联网中。针对正交频分复用(orthogonal frequency division multiplexing,OFDM)双模通信系统在新能源低时延业务接入等...基于无线和电力线通信(power line communication,PLC)的双模通信可以实现二者优势互补,被广泛用于智能计量和电力物联网中。针对正交频分复用(orthogonal frequency division multiplexing,OFDM)双模通信系统在新能源低时延业务接入等应用,提出了一种计及非理想信道估计的OFDM子载波分集组合和功率自适应分配算法。首先建立了以业务数据量、传输功率等为约束,以总时延最小化为目标的功率自适应优化分配模型;接着在分集分组的基础上,利用鲸鱼优化算法和阈值回收进行功率优化分配,实现算法复杂度和性能的折中。仿真实验结果表明,提出的算法在满足速率等约束条件下,减小传输平均时延和稳定性,为台区设备状态监测等实时业务数据采集提供更高的性能保障。展开更多
本文给出了瑞利衰落信道感知通信一体化(Integrated sensing and communication,ISAC)系统模型,提出感知通信一体化概率融合(Probability fusion after integrated sensing and communication,PF‐ISAC)方法,推导出PF‐ISAC信道模型。...本文给出了瑞利衰落信道感知通信一体化(Integrated sensing and communication,ISAC)系统模型,提出感知通信一体化概率融合(Probability fusion after integrated sensing and communication,PF‐ISAC)方法,推导出PF‐ISAC信道模型。从理论上证明,当感知信噪比(Signal to noise ratio,SNR)趋于无穷时,ISAC模型将退化为理想信道状态信息(Channel state information,CSI)的场景;当感知SNR趋于零时,ISAC模型将退化为CSI未知的场景。给出了PF‐ISAC系统的互信息与SNR的变化关系,随着SNR的增加,互信息从CSI未知时的信道容量逐渐逼近于理想CSI的容量。本文提出最大后验概率融合(Probability fusion after maximum a posteriori,PF‐MAP)检测方法、最大似然概率融合(Probability fusion after maximum likelihood,PF‐ML)检测方法,并与最小均方误差(Minimum mean square error,MMSE)估计‐MMSE检测(MMSE‐MMSE)方法进行比较,结果表明PF‐MAP在中低SNR时与MMSE‐MMSE性能相当,而在高SNR时,PF‐MAP优于MMSE‐MMSE;用熵误差(Entropy error,EE)评价PF‐ISAC系统的误差性能,结果表明MMSE‐MMSE、PF‐MAP、PF‐ML与理论性能极限EE均有较大差距。最后,给出感知和通信两阶段功率分配方案,当总功率给定时,感知和通信两阶段等功率分配,性能接近最佳。展开更多
在资源受限的水声网络中,使用软频率复用技术和自适应资源分配技术可以提高网络容量和能量效率。然而,水声信道的长传播时延和时变特性导致用于自适应技术的反馈信道状态信息(Channel State Information, CSI)是时变且过时的。非理想的...在资源受限的水声网络中,使用软频率复用技术和自适应资源分配技术可以提高网络容量和能量效率。然而,水声信道的长传播时延和时变特性导致用于自适应技术的反馈信道状态信息(Channel State Information, CSI)是时变且过时的。非理想的反馈CSI会降低自适应系统的性能。针对该问题,提出了一种基于多智能体深度Q网络的资源分配(Multi-agent Deep Q Network Based Resource Allocation, MADQN-RA)方法。该方法将水声软频率复用网络视为多智能体系统,并使用过时的反馈CSI序列作为系统状态。通过建立有效的奖励表达式,智能体可以跟踪时变时延水声信道的变化特性并做出相应的资源分配决策。为了进一步提高智能体的决策准确度,同时避免状态空间维度增大时的部分学习成本,结合动态状态长度方法改进了MADQN-RA。仿真结果表明,所提方法实现的系统性能优于基于其他学习的方法和基于信道预测的方法,且更接近理论最优值。展开更多
针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型...针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure,V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。展开更多
非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术与设备到设备(Device-to-Device,D2D)通信技术相结合在实现高效频谱利用率和大规模接入上有着突出的优势。针对现有的NOMA-D2D系统存在的信道分配模式单一和D2D组内功率分配难...非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术与设备到设备(Device-to-Device,D2D)通信技术相结合在实现高效频谱利用率和大规模接入上有着突出的优势。针对现有的NOMA-D2D系统存在的信道分配模式单一和D2D组内功率分配难以获得最优解的问题,构建了以D2D组和速率为优化目标的联合资源分配算法的方案:首先,在子信道分配上,将问题转换为双边匹配问题,提出了一种基于多对一场景下的D2D组信道分配算法;然后运用基于逐次凸逼近的凸差分(Difference of two Convex functions,DC)编程方法求出接近最优的功率分配值。仿真结果表明,提出的多对一场景下信道匹配算法在和速率上明显优于一对一场景下的信道匹配算法,提出的功率分配算法相比起对偶迭代算法更接近最优功率分配。展开更多
文摘基于无线和电力线通信(power line communication,PLC)的双模通信可以实现二者优势互补,被广泛用于智能计量和电力物联网中。针对正交频分复用(orthogonal frequency division multiplexing,OFDM)双模通信系统在新能源低时延业务接入等应用,提出了一种计及非理想信道估计的OFDM子载波分集组合和功率自适应分配算法。首先建立了以业务数据量、传输功率等为约束,以总时延最小化为目标的功率自适应优化分配模型;接着在分集分组的基础上,利用鲸鱼优化算法和阈值回收进行功率优化分配,实现算法复杂度和性能的折中。仿真实验结果表明,提出的算法在满足速率等约束条件下,减小传输平均时延和稳定性,为台区设备状态监测等实时业务数据采集提供更高的性能保障。
文摘本文给出了瑞利衰落信道感知通信一体化(Integrated sensing and communication,ISAC)系统模型,提出感知通信一体化概率融合(Probability fusion after integrated sensing and communication,PF‐ISAC)方法,推导出PF‐ISAC信道模型。从理论上证明,当感知信噪比(Signal to noise ratio,SNR)趋于无穷时,ISAC模型将退化为理想信道状态信息(Channel state information,CSI)的场景;当感知SNR趋于零时,ISAC模型将退化为CSI未知的场景。给出了PF‐ISAC系统的互信息与SNR的变化关系,随着SNR的增加,互信息从CSI未知时的信道容量逐渐逼近于理想CSI的容量。本文提出最大后验概率融合(Probability fusion after maximum a posteriori,PF‐MAP)检测方法、最大似然概率融合(Probability fusion after maximum likelihood,PF‐ML)检测方法,并与最小均方误差(Minimum mean square error,MMSE)估计‐MMSE检测(MMSE‐MMSE)方法进行比较,结果表明PF‐MAP在中低SNR时与MMSE‐MMSE性能相当,而在高SNR时,PF‐MAP优于MMSE‐MMSE;用熵误差(Entropy error,EE)评价PF‐ISAC系统的误差性能,结果表明MMSE‐MMSE、PF‐MAP、PF‐ML与理论性能极限EE均有较大差距。最后,给出感知和通信两阶段功率分配方案,当总功率给定时,感知和通信两阶段等功率分配,性能接近最佳。
文摘在资源受限的水声网络中,使用软频率复用技术和自适应资源分配技术可以提高网络容量和能量效率。然而,水声信道的长传播时延和时变特性导致用于自适应技术的反馈信道状态信息(Channel State Information, CSI)是时变且过时的。非理想的反馈CSI会降低自适应系统的性能。针对该问题,提出了一种基于多智能体深度Q网络的资源分配(Multi-agent Deep Q Network Based Resource Allocation, MADQN-RA)方法。该方法将水声软频率复用网络视为多智能体系统,并使用过时的反馈CSI序列作为系统状态。通过建立有效的奖励表达式,智能体可以跟踪时变时延水声信道的变化特性并做出相应的资源分配决策。为了进一步提高智能体的决策准确度,同时避免状态空间维度增大时的部分学习成本,结合动态状态长度方法改进了MADQN-RA。仿真结果表明,所提方法实现的系统性能优于基于其他学习的方法和基于信道预测的方法,且更接近理论最优值。
文摘针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure,V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。
文摘非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术与设备到设备(Device-to-Device,D2D)通信技术相结合在实现高效频谱利用率和大规模接入上有着突出的优势。针对现有的NOMA-D2D系统存在的信道分配模式单一和D2D组内功率分配难以获得最优解的问题,构建了以D2D组和速率为优化目标的联合资源分配算法的方案:首先,在子信道分配上,将问题转换为双边匹配问题,提出了一种基于多对一场景下的D2D组信道分配算法;然后运用基于逐次凸逼近的凸差分(Difference of two Convex functions,DC)编程方法求出接近最优的功率分配值。仿真结果表明,提出的多对一场景下信道匹配算法在和速率上明显优于一对一场景下的信道匹配算法,提出的功率分配算法相比起对偶迭代算法更接近最优功率分配。
