(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110330795.2 (22)申请日 2021.03.26 (65)同一申请的已公布的文献号 申请公布号 CN 113242557 A (43)申请公布日 2021.08.10 (73)专利权人 深圳大学 地址 518060 广东省深圳市南 山区南海大 道3688号 (72)发明人 王璐　黄瑞锋　伍楷舜　 (74)专利代理 机构 北京市诚辉律师事务所 11430 专利代理师 耿慧敏　朱伟军 (51)Int.Cl. H04W 16/14(2009.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 108712746 A,2018.10.26 CN 111935721 A,2020.1 1.13 WO 2019020 527 A1,2019.01.31 Lu Wang et al. .Piros: Pushi ng the Limits of Partial ly Concurrent Transmission in WiFi Netw orks. 《2015 IE EE 35th Internati onal Conference o n Distributed Computi ng System s》 .2015, Lu Wang et al. .Wireless Rate Adaptati on via Smart Pi lot. 《2014 IE EE 22nd Internati onal Conference o n Network Protocols》 .2014, 审查员 邹秋雯 (54)发明名称 一种部分重叠信道频谱共享的深度学习方 法及系统 (57)摘要 本发明公开了一种部分重叠信道频谱共享 的深度学习方法及系统。 该方法包括： 响应于接 收到的用户传输请求， 基站将多个历史 时间片的 信道状态信息CSI输入到 经训练的信道预测卷积 神经网络模 型， 输出预测的下一个时间片的信道 状态信息CSI； 将所述下一时间片的信道状态信 息CSI输入强化学习模型， 获得基站碰撞域中各 用户设备的信道分配策略， 以实现各用户设备同 时通信的最大化吞吐量， 该强化学习模 型以带宽 效率性能作为奖励经训练获得。 本发 明对于通信 网络具有高普适 性、 高带宽利用率和高吞吐量。 权利要求书2页 说明书7页 附图3页 CN 113242557 B 2022.12.20 CN 113242557 B 1.一种部分重 叠信道频谱 共享的深度学习方法， 包括以下步骤： 响应于接收到的用户传输请求， 基站将多个历史时间片的信道状态信息CSI输入到经 训练的信道预测卷积神经网络模型， 输出 预测的下一个时间片的信道状态信息 CSI； 将所述下一个时间片的信道状态信息CSI输入强化学习模型， 获得基站碰撞域中各用 户设备的信道分配策略， 以实现各用户设备同时通信的最大化吞吐量， 具体包括： 假设在一 个基站的碰撞域中有n个用户设备UE， Stotal表示通道内的块总数， CSIi是信道状态， si和Pi 表示分配给UEi的块和重叠部分， ri表示UEi在一定重叠部分Pi下的可达数据率， 目标是最大 化总体吞吐量 使用所述强化学习模型来寻找不同信道状态下的最优分配 策略， 其中， 每个用户设备的信道状态信息CSI被输入到所述强化学习模型作为输入， 代理 的动作是分配给每个用户设备的部 分重叠信道权重， 动作空间包括所有 可用的部分重叠信 道权重分配， 该强化学习模型以带宽效率 性能作为奖励经训练获得； 其中， 对于所述基站和所述用户设备， 信道交织过程包括以下步骤： 根据当前的信道状态信息 CSI， 获取重 叠信道带宽与完整信道带宽的比例； 根据重叠信道带宽与完整信道带宽的比例， 选择交织策略， 以将信道划分成n个子信 道； 根据所选择的交织策略对信号进行处理， 将信道重叠部分信号均匀的分布与n个子信 道， 利用纠错编码的冗余信息进行交织编码。 2.根据权利要求1所述的方法， 其中， 根据以下步骤训练所述信道预测卷积神经网络模 型： 采集目标用户设备的信道状态信息 CSI， 并以时间序列进行存 储； 以信道状态预测的相近性作为损失， 训练卷积神经网络， 在训练过程中， 使用大小为K 个时间片的滑动窗口作为输入， 输出下一个时间片的信道状态信息， 获得满足优化 目标的 卷积神经网络， 作为所述信道预测卷积神经网络模型， 其中K 是大于等于2的整数。 3.根据权利要求1所述的方法， 其中， 所述信道预测卷积神经网络模型包括多个卷积层 和多个全连接层， 所述多个卷积层用于提取信道状态信息CSI的高维特征， 并经过所述多个 全连接层， 输出 预测的下一个时间片的信道状态信息 。 4.根据权利要求1所述的方法， 其中， 根据以下步骤训练所述强化学习模型： 以所述信道预测卷积神经网络模型训练过程输出的信道状态信 息CSI作为强化学习 模 型的输入， 动作空间包含所有信道的分配概率， 并且该强化学习模型以最大化环境吞吐量 作为激励， 优化信道分配策略。 5.根据权利要求1所述的方法， 还包括： 所述强化学习模型将策略网络的输出作为信道 分配策略， 同时将反馈信息继续用于强化学习。 6.一种部分重 叠信道频谱 共享的深度学习 系统， 包括： 信道状态预测单元： 用于响应于接收到的用户传输请求， 将多个历史时间片的信道状 态信息CSI输入到经训练的信道预测卷积神经网络模型， 输出预测的下一个时间片的信道 状态信息 CSI； 信道分配单元： 用于将所述下一个时间片的信道状态信息CSI输入强化学习模型， 获得 基站碰撞域中各用户设备 的信道分配策略， 以实现各用户设备同时通信的最大化吞吐量，权　利　要　求　书 1/2 页 2 CN 113242557 B 2具体包括： 假设在一个基站的碰撞域中有n个用户设备UE， Stotal表示通道内的块总数， CSIi 是信道状态， si和Pi表示分配给UEi的块和重叠部分， ri表示UEi在一定重叠部分Pi下的可达 数据率， 目标是最大化总体吞吐量 使用所述强化学习模型来寻找不同信 道状态下的最优分配策略， 其中， 每个用户设备的信道状态信息CSI被输入到所述 强化学习 模型作为输入， 代理的动作是分配给每个用户设备 的部分重叠信道权重， 动作空间包括所 有可用的部分重 叠信道权 重分配， 该强化学习模型以带宽效率 性能作为奖励经训练获得； 其中， 对于所述基站和所述用户设备， 信道交织过程包括： 根据当前的信道状态信息 CSI， 获取重 叠信道带宽与完整信道带宽的比例； 根据重叠信道带宽与完整信道带宽的比例， 选择交织策略， 以将信道划分成n个子信 道； 根据所选择的交织策略对信号进行处理， 将信道重叠部分信号均匀的分布与n个子信 道， 利用纠错编码的冗余信息进行交织编码。 7.一种计算机可读存储介质， 其上存储有计算机程序， 其中， 该程序被处理器执行时实 现根据权利要求1至 5中任一项所述方法的步骤。 8.一种电子设备， 包括存储器和 处理器， 在所述存储器上存储有能够在处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述程序时实现权利要求1至5中任一项所述 的方法的步骤。权　利　要　求　书 2/2 页 3 CN 113242557 B 3