[发明专利]基于深度神经网络的V2X资源分配方法

说明书

一种基于深度神经网络的V2X资源分配方法，根据V2X通信模型并构建资源分配问题，从而得到信道增益矩阵作为样本对一个神经网络进行训练，并在实时环境下采用训练后的神经网络进行频谱资源分配的多分类处理和发射功率分配的回归处理，本发明在模型建立时充分考虑了V2V通信的可靠性和延时，把资源分配问题转化为了深度学习中的多分配问题和回归问题，通过使用一个网络进行联合优化，同时解决分类问题和回归问题，在低复杂度情况下实时地进行频谱资源和发射功率分配，适用于实际的车辆通信系统。

技术领域

本发明涉及的是一种移动通信领域的技术，具体是一种基于深度神经网络的V2X资源分配方法。

背景技术

基于蜂窝网络的车辆到车辆(V2V)直接通信复用车辆到基础设施(V2I)通信的蜂窝上行链路频谱资源。但是这一方法在缓解频谱资源压力的同时也带来的严重的频带内干扰，即V2V通信会干扰使用同一频谱资源的V2I通信，同时V2I通信也会干扰V2V直接通信，这对V2X通信的资源分配问题研究上带来很大困难。关于V2X通信的资源分配问题的研究通常算法较为复杂，难以在低复杂度的情况下得到最优的分配。

现有技术虽然有通过将V2X车联网中的资源分配问题进行数学建模，将最大化网络中所有用户信息值的优化问。题分为多个子问题或优化函数进行处理。但现有技术的算法复杂度过高，无法满足V2V需求。

发明内容

本发明针对现有技术计算复杂度较高且没有充分考虑到V2V通信的各方面特性的不足，提出一种基于深度神经网络的V2X资源分配方法，在模型建立时充分考虑了V2V通信的可靠性和延时，把资源分配问题转化为了深度学习中的多分配问题和回归问题，通过使用一个网络进行联合优化，同时解决分类问题和回归问题，在低复杂度情况下实时地进行频谱资源和发射功率分配，适用于实际的车辆通信系统。

本发明是通过以下技术方案实现的：

本发明根据V2X通信模型并构建资源分配问题，从而得到信道增益矩阵作为样本对一个神经网络进行训练，并在实时环境下采用训练后的神经网络进行频谱资源分配的多分类处理和发射功率分配的回归处理，实现吞吐量最大化的同时保证V2V直接通信的超低延时和高可靠性。

所述的V2X通信模型为一个V2I与V2V通信共存的场景，包括若干V2I通信设备(C-UE)和V2V通信设备(V-UE)，其中：M＝{1,2,…,M}代表进行V2I通信的车辆，S＝{1,2,…,S}代表进行V2V通信的发送端车辆，D＝{1,2,…,D}代表进行V2V通信的接收端车辆，C-UE的上行链路频谱资源是相互正交的，V2V通信复用V2I通信的上行链路资源，而且一对一复用。

V2I通信的链路容量为：

V2V直接通信的链路容量为：其中：分别为C-UE和V-UE的发射功率，N₀为噪声功率，ρ_m,s表示频谱复用关系，ρ_m,s＝1表示第s个V-UE通信时复用第m个C-UE的上行链路频谱资源，反之，ρ_m,s＝0。表示基站收到的来自第s个V-UE的干扰，表示第d个接收V-UE收到的来自第m个C-UE的干扰。

由于V2V直接通信通常用来传递紧急信息，为了保证V2V通信的延时和可靠性，在本发明中，当B和L分别为平均包的大小和通信延时，则V-UE的传输速率为R＝B/L。

所述的延时和可靠性的要求ε＝P_L{C_ss(k)R},k＝1,2,3,…，其中：C_ss为所有V2V链路中最小的链路容量。