1.一种去蜂窝大规模MIMO网络低功耗大连接方法,其特征在于,该方法具体包括以下步骤:
步骤一:选择被服务设备,确定其相干时间持续的符号数τc;
步骤二:根据被服务设备的数量K,确定τc中被参考信号RS用于信道估计的符号数τp,利用RS得到各被服务设备上行信道估计值步骤三:根据被服务设备的数量K,确定功率分配法则,并根据该法则确定被服务设备的发射功率;
步骤四:利用双重深度Q学习DDQL算法,以最大化系统容量为目标,对波束成形矩阵以及接入点AP的分簇方案进行联合优化。
2.根据权利要求1所述的去蜂窝大规模MIMO网络低功耗大连接方法,其特征在于,步骤‑1
三中的功率分配法则包括Ξ1以及Ξ2两种,其中,Ξ1为pk←ζNk,noise(Ik,MMSE) ,Ξ2为pk←ζNk,noise‑1
(Ik,MR) ,k={1,...,K},pk表示被服务设备k的发射功率,Ik,MMSE以及Ik,MR分别表示经过最小均方根误差MMSE处理以及最大比MR处理后设备k处的干扰情况,Nk,noise表示被服务设备k与噪声相关的参量,ζ为可调参量。
3.根据权利要求2所述的去蜂窝大规模MIMO网络低功耗大连接方法,其特征在于,若K≤L,则采用功率分配法则Ξ1;若K>L,则采用功率分配法则Ξ2;L表示系统中AP的数量。
4.根据权利要求1所述的去蜂窝大规模MIMO网络低功耗大连接方法,其特征在于,步骤四中的AP分簇与波束成形联合优化问题表示如下:s.t.0≤wnk≤1
2
||wk||≤1
其中,Cj表示AP分簇方案集合C中序号为j的分簇方案,C={C1,...,CS},j=1,2,…,S,S表示AP分簇方案数量;W为波束成形矩阵,其第k列元素构成的向量wk=[w1k,...,wNk],wnk表示被服务设备k与Cj中第n个AP簇之间的波束成形参量; 表示当采用分簇方案Cj时,被服务设备k与AP通信时的信干噪比SINR。
5.根据权利要求4所述的去蜂窝大规模MIMO网络低功耗大连接方法,其特征在于,AP分簇与波束成形联合优化问题的最优解是能够最大化上行链路传输速率的AP分簇方案 以*
及与之对应的波束成形矩阵W。
6.根据权利要求4所述的去蜂窝大规模MIMO网络低功耗大连接方法,其特征在于,其中, 表示被服务设备k与Cj中第n个AP簇内第mn个AP之间的信道增益, 表示被服务设备l与Cj中第n个AP簇内第mn个AP之间的信道增益, 表示被服务设备v与Cj中第n个AP簇内第mn个AP之间的信道增益, 表示被服务设备u与Cj中第n个AP簇内第mn个AP之间的信道增益,Dn表示Cj中第n个AP簇内包含的AP数量。
7.根据权利要求4所述的去蜂窝大规模MIMO网络低功耗大连接方法,其特征在于:步骤四中双重深度Q学习DDQL算法包括了对深度确定性策略梯度DDPG和双重深度Q学习DDQL两个子网络的训练;
状态空间s为被服务设备与AP通信时的SINR所构成的矩阵,s=[s1,...,sK],其中,动作空间a=(ω,Cj),其中,ω表示DDPG的连续动作;
DDQL算法中DDPG子网络训练的迭代步骤如下:步骤4‑1‑1.利用目标Q网络计算Q网络的时序差分TD目标;
步骤4‑1‑2.利用TD目标损失函数最小均方误差的梯度更新评论参数;
步骤4‑1‑3.利用梯度蒙特卡罗估计更新演员actor参数;
步骤4‑1‑4.每经过P次迭代,更新一次目标评论critic和目标策略policy网络;
DDQL算法中DDQL子网络训练的迭代步骤如下:*
步骤4‑2‑1.利用目标Q网络选择动作,即 其中,a 为最优动作, 为目标Q网络的参数;
步骤4‑2‑2.对DDQL的Q网络参数 进行更新;
步骤4‑2‑3.每经过P次迭代,更新一次目标Q网络Q′c。
8.根据权利要求1所述的去蜂窝大规模MIMO网络低功耗大连接方法,其特征在于:根据步骤四中联合优化得到分簇方案对AP进行分簇,并将每个AP簇作为一个虚拟AP,组成一个分布式天线系统DAS。
9.根据权利要求1所述的去蜂窝大规模MIMO网络低功耗大连接方法,其特征在于:被参考信号用于传输数据的符号数为τc‑τp。