论文部分内容阅读
随着无线通信技术的快速发展,第五代移动通信技术(5G)应运而生。ITU将5G典型应用场景归纳为:增强型移动宽带(Enhanced Mobile Broadband,eMBB)、海量机器类通信(Massive Machine Type Communications,mMTC)和超可靠低时延通信(Ultra-Reliable and Low-Latency Communication,uRLLC)。LTE-U(LTE in Unlicensed Spectrum)将工作在许可频段的长期演进技术(Long Term Evolution,LTE)扩展到频率资源更丰富的免许可频段中。其能够利用免许可频段做辅助载波进行流量卸载,从而弥补许可频段资源不足的问题,并有可能满足大容量多连接场景中的高速率、低延迟要求。由于当前流行的免许可频段主要为Wi-Fi系统使用,因此首先要解决的是LTE-U和Wi-Fi系统的共存问题。本文针对大容量多连接场景下频谱资源不足的问题开展研究,在优先保证Wi-Fi系统QoS(Quality of Service)的前提下,重点研究LTE-U和Wi-Fi系统间共存的基础理论和关键技术,主要研究内容包括:第一,基于深度学习理论,提出了一种Wi-Fi系统流量感知和预测方法。根据Wi-Fi流量具有的自相似性,采用马尔可夫调制伯努利过程(Markov Modulated Bernoulli Process,MMBP)对Wi-Fi数据包的到达过程进行建模分析,进一步提出了一种基于长短时神经网络(Long Short-Term Memory,LSTM)的流量感知和预测方法。通过LTE-U感知到的历史数据构建数据集,利用训练集完成对流量感知预测网络的训练。第二,针对LTE-U和Wi-Fi系统共存时用户接入选择和资源分配方法过于复杂的情况,提出了一种基于强化学习的动态空白子帧资源分配模型。在满足W-Fi系统QoS需求的前提下,该模型以最大化系统容量为目标,通过Q学习算法实现了对LTE-U/Wi-Fi共存系统状态的判断,从而根据系统状态选择最优子帧分配模式。第三,研究了密集场景下,多个Wi-Fi节点和LTE-U的共存问题。为了降低LTE-U对Wi-Fi的邻频干扰,提高系统容量,提出了一个基于干扰约束和效用函数值最大准则的动态频率选择算法。具体的,LTE-U基站将综合考虑干扰约束、信道空闲系数、业务优先级等指标,动态选择信道进行接入。论文对基于深度学习的LTE-U和Wi-Fi共存机制进行了仿真验证,验证结果表明,所提出的LTE-U自适应空白子帧机制及其与Wi-Fi系统间的共存控制机制能有效实现LTE-U系统与Wi-Fi系统的公平共存。