论文部分内容阅读
随着无线通信技术的迅猛发展和智能终端设备的大量出现,人们对无线高速通信的要求也变得越来越高。然而,传统的微波频谱资源已经拥挤稀缺,其难以满足高速无线传输的需求。为了解决这一问题,通信界将目光转向高频段的毫米波,因此在下一代无线局域网标准IEEE 802.11ay中将使用毫米波进行无线通信。此外,为了增大无线信号的传输范围和提高信号传输的鲁棒性,可使用多AP(Access Point)系统来进行信号传输,在多AP系统中,AP与控制器间通过有线或无线相连,控制器用来对整个系统进行集中控制。当多AP系统使用毫米波进行通信时,许多问题的解决将变得更加复杂和困难,比如毫米波多AP系统中的波束赋形问题,特别是当STA(Station)具有较强移动性时。另外,系统的无线资源管理问题也急需解决,为了描述方便,本文将毫米波多AP系统中的AP与STA的配对和AP功率分配统称为AP管理问题。由于AI(Artificial Intelligence)技术相比较于传统的方法有许多的优点,因此本论文将使用AI技术来对毫米波多AP系统中的波束赋形和AP管理展开研究。论文首先研究了毫米波多AP系统中波束赋形问题,基于IEEE 802.11ay波束赋形机制提出了一种改进的毫米波多AP波束赋形方案,仿真结果显示改进方案能节省较多的训练开销。针对毫米波多AP移动系统,文中采用协调传输方式来提高系统传输的鲁棒性,并为此设计了一种协调波束赋形方案。为了进一步减小协调波束赋形方案的训练开销和提高系统的性能,文中将深度学习与协调波束赋形方案相结合,提出了一种基于深度学习的毫米波协调波束赋形方案,通过设计的深度学习模型对各个AP的最佳波束赋形向量进行预测。仿真结果表明,基于深度学习的毫米波协调波束赋形方案能获得更高的系统有效可达速率,并且深度学习模型在LOS(Line-of-sight)环境和NLOS(Non Line-of-sight)环境下均有很好的性能表现,其能快速适应多变的无线通信环境。然后论文研究了毫米波多AP系统中的AP管理问题,以使得整个系统的总速率最大化。AP管理问题包括AP与STA的配对以及AP的功率分配,文中首先建立数学模型,将AP管理问题描述为一个最优化问题。由于该最优化问题是一个NP-hard问题且是非凸的,不能通过直接求解来获得最优解,因此设计了一个迭代算法将最优化问题分解为两个子问题,分别进行求解,以获得AP管理问题的一个次优解。最后提出基于深度学习的AP管理方案,使用设计的迭代算法来生成训练数据和测试数据,并将这些数据用于深度学习模型的训练和测试。仿真结果表明,基于深度学习的AP管理方案的性能接近于迭代算法,但是其计算时间远远低于迭代算法所需的时间。