论文部分内容阅读
随着技术的革新,无线通信逐渐向更高的传输速率、更低的时延以及更大的系统容量迈进。自适应编码调制技术(Adaptive Modulation and Coding,AMC)作为第五代无线移动通信系统(5th Generation Mobile Communication System,5G)的关键技术之一,能够在保证传输准确性的同时尽可能提高传输速率。在5G下行链路中,AMC技术首先将用户(User Equipment,UE)在接收端测得的信噪比(Signal to Noise Ratio,SNR)映射为信道质量指示(Channel Quality Indicator,CQI)发送给基站(e Node B,e NB),然后e NB结合收到的CQI选择合适的调制编码方案(Modulation and Coding Scheme,MCS)进行下行链路的传输。在实际工程应用中,AMC存在CQI测量和MCS选择两个技术难点,为了解决这两个过程中存在的问题,主要研究内容如下:首先,为了进一步提高AMC的CQI测量流程中等效信噪比映射的准确度,以便更好得完成实际信道在高斯(Additive White Gaussian Noise,AWGN)信道下的等效信噪比映射,本文提出了一种改进调整因子优化过程的指数等效信噪比映射(Exponential Effective SNR Mapping,EESM)算法。该算法对EESM中调整因子优化过程进行改进,通过引入新的调整因子,并将求解调整因子的计算公式修改为先对误块率(Block Error Rate,BLER)取对数,随后将对数结果在多个信道实现上取平均后对均方误差(Mean Square Error,MSE)进行求解,从而减少映射误差。仿真结果证明,本文所提算法明显提升系统性能,在高阶调制方案(如256QAM)下均方误差比传统方案降低近0.2。其次,为了提高实际信道中MCS选择的准确性,提升系统吞吐量,本文提出一种基于深度强化学习(Deep Reinforcement Learning,DRL)的MCS选择算法。该算法在强化学习(Reinforcement Learning,RL)算法的基础上,状态空间由仅SNR扩展为SNR和通过信道估计得到的信道矩阵,将这两个指标进行训练,并且考虑到信道矩阵反馈到e NB的过程存在延迟,利用高斯-马尔科夫模型预测接收到的信道矩阵,然后分别设置目标深度Q网络(Deep Q Network,DQN)和训练DQN,推测本次传输的信道质量从而选取更准确的MCS,进而提升系统吞吐量。仿真结果证明,本文提出的基于DRL的MCS选择算法的吞吐量性能明显优于传统的基于查找表(Look Up Table,LUT)的MCS选择算法以及基于强化学习的MCS选择算法,在反馈延迟为4ms时,吞吐量性能提升明显,最高可达13Mbps左右。