一种面向最大化分离的用户参数调度方法与流程

电子通信装置的制造及其应用技术access，pdma)、稀疏码多址接入(sparse code multiple access，scma)以及基于非稀疏扩频的多用户共享多址接入(multiple user sharing access，musa)；此外，还包括基于交织器的交织分割多址接入(interleaving division multiple access，idma)和基于扰码的资源扩展多址接入(resource spread multiple access，rsma)等。尽管不同的noma方案基于不同的设计原理，具有不同特性，但由于资源的非正交分配，noma 较传统的oma 具有更高的过载率，从而在不影响用户体验的前提下，增加了网络总体的吞吐量，满足5g 的海量连接及高频谱效率的需求。7.当然，noma技术的实现依然面临一些难题。首先是非正交传输的接收机相当复杂，要设计出符合要求的sic接收机还有赖于信号处理芯片技术的提高；其次，功率复用技术还不是很成熟，仍然较大的提升空间。例如，在天地一体化网络中，大并发量用户接入到系统中导致强碰撞，而强碰撞导致的用户大量冲突会使系统性能急剧下降。技术实现要素：8.针对现有天地一体化网络存在的大并发量用户接入到系统中引发强碰撞，进而导致用户大量冲突使得系统性能急剧下降的问题，本发明提供了一种面向最大化分离的用户参数调度方法，在满足不同用户qos需求的基础上，提升系统容量。9.一种面向最大化分离的用户参数调度方法，在用户接入系统发送信息时，对用户参数进行随机化调度，即对用户接入的参数进行随机化，参数包括但不限于时间、频率、功率。10.进一步的，对用户参数进行随机化调度包括以下步骤：步骤a，用户接入请求信息到达；步骤b，根据用户接入请求的类型及所需资源，检查随机化约束条件，随机化约束条件包括供给用户使用的时间、频率、功率的集合，以及用户接入的环境、系统约束条件；步骤c，初始化随机种子；步骤d，产生伪随机序列；步骤e，将伪随机序列进一步白化；步骤f，检查随机化结果，若符合要求则转至步骤g，否则转至步骤b；步骤g，根据伪随机序列，将时间、频率、功率集合中的原始参数分发给对应用户，完成用户参数的分配和调度。11.进一步的，步骤e包括以下步骤：步骤e1，对伪随机序列进行分段平稳化；步骤e2，辨识平稳化后的伪随机序列的ar模型，其中，表示第次辨识的结果，通过z变换获得模型；步骤e3，使用白化模型白化伪随机序列获得随机序列，其中，为补偿次数；步骤e4，判断是否达到白化性能要求，若未达到，则重复步骤e2-e4，直至白化性能满足要求。12.本发明利用消息在时间、频率等维度上的差异减小碰撞概率，利用信号功率域上的差异实现碰撞信号的可迭代分离，通过在时间、频率、功率等多维参数的白化，随机化减小用户信号间的相关性和互扰，使得每个用户的可解调性得到提高；不仅复杂度低，而且在不改变设备结构的同时，可以容忍更多用户同时接入，提高了系统容量。附图说明13.图1为用户参数随机化流程图；图2为非平稳伪随机序列平稳化过程示意图；图3为伪随机序列白化过程示意图；图4a为经平稳化和白化后的用户时隙分布；图4b为经平稳化和白化后的用户信道分布；图4c为经平稳化和白化后的用户功率分布；图5a为的用户参数分布仿真图；图5b为的用户参数分布仿真图；图5c为的用户参数分布仿真图；图6a为、、的碰撞概率仿真结果；图6b为、、的碰撞概率仿真结果。具体实施方式14.下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。15.实施例1经分析发现，在进行用户参数调度时，采用随机化的方法，对用户接入的时间、频率、功率等参数进行随机化，通过随机化减小相关性，使得用户信号之间的互扰最小，每个用户的可解调性最高，从而很大程度上降低用户的碰撞概率。16.因此，本发明公开一种面向最大化分离的用户参数调度方法，在用户接入系统发送信息时，对用户参数进行随机化调度，即对用户接入的参数进行随机化，参数包括但不限于时间、频率、功率。17.在本实施例中，对用户参数进行随机化调度如图1所示，包括以下步骤：步骤a，用户接入请求信息到达；步骤b，根据用户接入请求的类型及所需资源，检查随机化约束条件，随机化约束条件包括供给用户使用的时间、频率、功率的集合，以及用户接入的环境、系统约束条件；步骤c，初始化随机种子；步骤d，产生伪随机序列；步骤e，将伪随机序列进一步白化；步骤f，检查随机化结果，若符合要求则转至步骤g，否则转至步骤b；步骤g，根据伪随机序列，将时间、频率、功率集合中的原始参数分发给对应用户，完成用户参数的分配和调度。18.上述步骤中，最关键的是用户参数集的确定和随机序列的产生，其中用户参数集（如时间、频率、波束、功率等）由系统设计和资源使用情况决定；而随机序列是否具有很强的随机特性，产生的随机数之间相关性的高低，是用户在进行参数选择和调度时，能否在用户之间实现高效的随机参数分配和调度，降低用户参数之间相关性的重要因素，也是减小用户碰撞概率，增大用户并发数，提高系统容量的重要议题。19.通过伪随机序列发生器产生的伪随机序列，采用ar模型辨识伪随机序列，并采用白化补偿的方法对其进行白化，具体步骤如下：1、对伪随机序列进行分段平稳化；辨识伪随机系列的数学模型可以用ar模型或arma模型建立，由于arma模型辨识不仅计算量大，而且存在非线性和高阶项，实现复杂度高，因此本实施例使用ar模型来辨识伪随机系列。20.式中是一个理想的平稳白噪声，由于伪随机序列不仅是有色的随机信号，还具有一定的非平稳性，因而该噪声模型会随时间发生变化，其系数都是随着时间而变化的变量。21.通过大量实验发现，这些参数因具有一定的关系而变化得比较缓慢。在较短的时间段t内，由于变化量微小（小于小正数e），故可认为其恒定，即可近似为平稳随机噪声，则式简化为式。22.针对式，可采用分段平稳化方法对伪随机序列进行平稳化，平稳化过程如图2所示，具体过程：首先，将基本工作周期定为t，每次生成一段长度为t的伪随机序列；随后，辨识这段平稳化噪声的模型，并根据噪声模型的逆函数，对这段噪声进行白化补偿，获得一段长度一致的白色噪声；然后，生成并处理下一段伪随机序列；最后，将所有的白噪声拼接起来。从图2可以看出，产生的白噪声要滞后于伪随机序列t+t0，其中t0较t小很多。23.在经过平稳化后，伪随机序列的白化过程如图3所示，具体步骤如下：1、对伪随机序列进行第一次模型参数估计（第一次辨识）得到；2、计算的自相关函数；3、使用最大熵谱估计的levinsion-durbin递推和确定噪声模型，并进行z变换得到；4、获得第一次白化滤波器模型；5、对求z变换，再将其与相乘，得到的结果进行z反变换，从而获得第一次白化后的白噪声；6、计算的功率谱和各项离散功率谱的方差，若方差大于，则跳转步骤1，针对进行下一次模型参数估计和白化，直至协方差小于，得到近似理想的序列。24.采用上述方法对伪随机序列进行平稳化和白化，仿真后的结果如图4a-4c所示。由图4a-4c可以看出，经平稳化和白化后的用户时隙、信道和功率随机化地分布到各集合中。25.下面对系统碰撞概率进行探讨，设系统一个泊位内频域能够提供个子信道，功率域能够提供个功率台阶，码域能提供子信道，那么系统能够为用户提供个子信道，其中。当消息并发数为条，所有信息不发生碰撞的情况是每个用户都在个子信道中选择不同的信道发送信息，且，其概率为；因此，发生碰撞的概率为。为了对随机化参数调度进行评估，设、、，并对消息数目为100，300，500，用户参数随机化后的参数分布进行了仿真，仿真结果如图5a-5c所示，用户消息在100到500之间时，参数分布都比较分散，碰撞概率很小小，完全能够容纳。26.为了更加直观地对随机化用户参数调度性能进行评估，在以上频率、功率、码片数量参数下，对消息的碰撞概率进行了仿真，如图6a、6b所示。从图6a中可以看出，当用户分布相对均匀，一个泊位内用户数目大约为100时，碰撞概率为6.28%；当用户汇聚而导致分布不均匀，一个泊位内用户数目达到300时，碰撞概率大约为18.25%，可以满足需求。对比未经过用户参数随机化处理的，当一个泊位内用户数目达到200时，碰撞概率已经超过50%；当一个泊位内用户数目达到300时，碰撞概率已经超过80%；当一个泊位内用户数目达到400时，碰撞概率接近100%，远高于本发明。此外，从图6b中可以看出，当将码片数目提高一倍，达到256时，碰撞概率成倍降低。27.显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!