移动协作通信系统中断概率性能智能预测

徐凌伟 权天祺

(1.青岛科技大学 信息科学技术学院，山东 青岛 266061； 2.兰州交通大学 光电技术与智能控制教育部重点实验室，甘肃 兰州 730070 )

0 引言

近年来，随着第五代移动通信技术的发展，多用户移动协作通信受到了广泛的关注[1].伴随着移动物联网业务的发展，移动用户的数量呈爆炸性增长[2].移动用户对无线传输的数据速率和服务质量的要求在不断提高，而移动通信在很多复杂多变的通信环境中(如室内、城市高楼周围),面临着信道状态快速变化、天线阵列波束成形目标定位困难等问题，这给研究人员带来了技术挑战.因此，在复杂多变的移动通信环境中，使得更多用户能够同时接入网络，进一步提升系统数据传输的容量，成为5G移动通信技术面临的关键问题[3].

大规模多发多收(multiple input multiple output,MIMO)技术和协作分集是提高通信系统性能的有效方法[4-6].北京航空航天大学刘文佳等人在Rayleigh信道下，提出一种工作在不同频段下行两层异构网中的高能量效率资源分配方法,考虑用户数据率需求和基站最大发射功率[7].在移动中继协助下的终端直通(Device-to-Device,D2D)中，由于同频干扰和终端设备功率受限，西安交通大学的曲桦教授等人提出一种联合功率控制、信道分配和移动中继选择方案最大化D2D链路总能量效率[8].Zhang L等人首次基于下行链路全双工中继多用户系统，考虑了中继转发信号时存在自干扰因素，对系统中断性能以及用户渐进速率进行了分析[9].在Nakagami信道下，澳大利亚墨尔本大学Saman Atapattu等人研究了全双工多中继系统的物理层安全问题，推导了系统安全中断概率的闭合表达式[10].在2-Rayleigh信道下，挪威科技大学Yun Ai等人研究了车联网通信系统的物理层安全，推导了系统安全容量的闭合表达式[11].印度信息技术研究所Anshul Pandey等人研究了移动协作中继通信网络的物理层安全性能，推导了系统安全容量和安全中断概率的闭合表达式[12].Nguyen B C等人在2-Rayleigh信道下，研究了车联网采用放大转发中继方案的物理层安全性能[13].

但是，上述的系统性能和资源分配研究都是针对Rayleigh、Nakagami、2-Rayleigh等传统信道建立了分析模型.复杂多变的通信环境给多用户通信带来了巨大挑战,Rayleigh、Nakagami、2-Rayleigh等传统信道不能有效表征复杂多变的移动通信环境.2-Nakagami信道能够更灵活地表征移动通信的衰落特征，也更符合实际的复杂多变移动通信环境[14-16].2-Nakagami信道包含了Rayleigh、Nakagami、2-Rayleigh等传统信道的通信环境，也更具有代表性.本文的主要贡献是:(1) 在2-Nakagami信道下，利用MIMO和混合译码放大转发(hybrid decode-amplify-forward ,HDAF)协作通信技术，建立了移动协作通信系统模型，研究了移动协作通信系统的中断概率(outage probability,OP)性能；(2) 针对两种发射天线选择(transmit antenna selection ,TAS)方案，分别推导了系统中断概率的闭合表达式；(3) 基于BP神经网络，提出了一种OP性能智能预测方法；(4) 最后在不同条件下，和极限学习机(extreme learning machine，ELM)，局部加权线性回归(locally weighted linear regression，LWLR)，支持向量机(support vector machine，SVM)，广义回归(generalized regression，GR)神经网络,径向基函数(radial basis function,RBF)网络等方法进行了比较，仿真结果表明：本文所提出的预测算法性能更好，理论分析的正确性得到了验证.

1 系统模型

图1给出了移动协作通信系统模型，该系统包括一个移动信源(MS)，多个移动中继(MR)，一个移动目的端(MD).系统工作在半双工模式下，它们的通信信道是N-Nakagami道.MS有Nt根发射天线，MD有Nr根接收天线，MR使用1根天线.

我们定义h=hg，g{SR,SD,RD}，表示 MS → MR，MS → MD，MR → MD链路的信道增益.MS和MR的发射总功率为E.为了表示MS，MR和MD的相对位置，我们分别用VSR,VSD,VRD表示 MS → MR,MS → MD，MR → MD 链路的位置增益.VSD=1.

γSCCij=max(γSDij,γSRDij),

(1)

(2)

但是(1)式很难推导闭合表达式，因此，我们可以得到一个上限值为γupij=min(γSRi,γRDj),接收信噪比可以表示为γSCCAij=max(γSDij,γupij).

2 最佳TAS方案的性能

=(Pr(γSR>γT,γSC<γth)+Pr(γSR<γT,γSCC<γth))Nt×Nr

=(Q1+Q2)Nt×Nr.

(3)

Q1计算如

Q1=Pr(γSR>γT,γSC<γth)=Pr(γSR>γT,max(γSD,γRD)<γth)=Pr(γSR>γT,γSD<γth,γRD<γth)

Q2计算如下

Q2=Pr(γSR<γT,γSCC<γth)=Pr(γSR<γT,max(γSD,γup)<γth)=Pr(γSR<γT,γSD<γth)

3 次最佳TAS方案的性能

(4)

QQ1计算如

QQ1=Pr(γSR<γT,max(γSD,γup)<γth)=Pr(γSR<γT,γSD<γth)

QQ2计算如

QQ2=Pr(γSR>γT,γSC<γth)=Pr(γSR>γT,max(γSD,γRD)<γth)=Pr(γSR>γT,γSD<γth,γRD<γth)

4 OP性能的智能预测

4.1 数据选择

通过公式(3)，(4)，我们就计算得到了OP的理论值，即输出y.我们选取了Q个训练样本(Xi，yi)，i=1,2,…,Q，来训练BP神经网络.

4.2 BP神经网络结构

BP 神经网络的结构如图2所示[17].对于双层隐含层，分别有q和r个神经元.对于输入层和第一个隐含层，wij是权重系数，bj是偏差；对于第一个隐含层和第二个隐含层，wwjk是权重系数，bbk是偏差；对于第二个隐含层和输出层，vk是权重系数，θ是偏差.

4.3 评价准则

我们使用均方误差(Mean Squared Error,MSE)来评价不同算法的预测性能. MSE可以表示为

其中PP是测试集的数目.

4.4 算法流程

算法流程如图3所示.

5 数值仿真

我们定义μ=VSR/VRD为相对位置增益，E=1，每次仿真参数设定为

10000次.在图4和图5中，我们针对不同的情况，研究了两种TAS方案的OP性能.我们在表1中给出了仿真系数.从图4和图5中可以看出，Monte-Carlo仿真值非常吻合理论值，这验证了推导的理论闭合表达式的正确性.Nt的增加可以不断改善OP性能，例如，当SNR=10 dB，Nt=1，系统的OP是6.6×10-2，Nt=2，系统的OP是5.5×10-3，Nt=3，系统的OP是3.0×10-4，增加SNR也可以不断减小OP.

表1 仿真系数

在图6-11中，我们比较了BP神经网络，LWLR[18]，SVM[19]，ELM[20]，GR神经网络[21]和RBF神经网络[22]六种算法的预测效果.我们使用了2500组数据用来训练，50组用来测试，仿真系数如表2所示.在图6-11中，我们得到了BP神经网络的MSE是0.0005036，比其他五种算法都要小.和LWLR，SVM，GR神经网络，RBF神经网络，ELM五种算法相比，本文使用的BP神经网络算法会获得更好的中断概率性能预测效果.

表2 仿真系数

表3比较了六种算法的运行时间和MSE，AE.我们主要使用了运行时间作为不同算法复杂度的比较，和GR相比，BP运行时间更长，但是MSE和AE更小，预测效果更好.和ELM，SVM，RBF和LWLR比较，BP运行时间更少，MSE和AE更小，预测效果更好.这是因为，本文的数据是复杂的非线性数据，且对中断概率进行预测是一个多类预测问题，BP神经网络具有对非线性映射的全局逼近能力，其预测效果也是最佳的.

表3 六种算法的性能比较

6 结论

本文在2-Nakagami信道下，建立了移动协作通信系统模型，设计了两种TAS方案，研究了系统的OP性能，推导了OP的闭合表达式.然后基于BP神经网络，实现了系统OP性能的智能预测.和ELM，GR，SVM，RBF和LWLR算法相比，本文提出的BP神经网络算法获得了更好的OP性能预测效果，下一步考虑基于群体智能理论提高本文方法的预测性能.