研究文章|据!-- -->开放获取据/p>
苏娜,朱琪,王颖据!-- -->那据!-- --> “据年代pan class="adjust-article-svg-size">基于能量收集的noma增强D2D通信资源分配算法据/年代pan>“,据!-- -->移动信息系统据/i>那据!-- --> 卷。据!-- -->2020据!-- -->那据!-- --> 文章ID.据!-- -->4062487据!-- -->那据!-- --> 11据!-- --> 页面据!-- -->那据!-- --> 2020据!-- -->.据!-- --> https://doi.org/10.1155/2020/4062487据/p>
基于能量收集的noma增强D2D通信资源分配算法据/h1>
抽象的据/h4.>
在这项工作中,我们提出了一种基于非正交多址(NOMA)的能量收集(EH)设备对设备(D2D)通信的信道分配和功率控制算法。该算法考虑用户服务质量(QoS)和能量因果约束,最大限度地提高D2D组的总容量。首先实现了信道和功率的离线最优分配。然后,将离线优化结果作为训练数据集,对神经网络进行训练,得到最优的传输功率模型。进一步提出了在线功率分配优化算法。仿真结果表明,离线算法可以提高D2D组的总容量,在线算法的性能接近离线算法。据/p>
1.介绍据/h4.>
设备到设备(D2D)通信可以在不通过基站(BS)或其他核心网络之间建立相邻用户之间的直接通信链路[据a href="#B1">1据/a>].可以降低BS的流量负荷和D2D用户的传输功率[据a href="#B2">2据/a>].非正交多址(NOMA)技术允许发送器在通过电源叠加在相同的频率,从而可以提高频谱效率发送多个信号。用相结合的技术NOMA D2D通信是未来网络部署更好,让更多的用户能够连接到网络。据/p>
基于NOMA的D2D通信近年来引起了研究者的关注。在 [据a href="#B3">3.据/a>[作者,作者分析了系统的ergodic容量,其中D2D用户在充当继电器以转发BS的信息时通信,并且在信息传输的两个阶段采用NOMA技术。在 [据a href="#B4">4.据/a>[BS通过NOMA技术向多个蜂窝用户发送信息。D2D用户的总速率在蜂窝用户的最小速率要求下最大化。作者[据a href="#B5">5.据/a>],分析了采用NOMA技术进行信息传输时D2D用户的速率,并提出了使系统总速率最大化的信道分配算法。一种noma增强的D2D通信系统在[据a href="#B6">6.据/a>],优化子信道和功率分配,使系统和速率最大化。以上文章没有考虑D2D用户的能量供应,隐含地假设D2D发射器(DT)的能量是无限的。然而,DTs的能量是有限的或需要充电。因此,无限能量的假设并不总是与现实相一致[据a href="#B7">7.据/a>].据/p>
能量收集(EH)技术可以解决低能耗用户的能源问题,实现绿色通信[据a href="#B8">8.据/a>].用户可以通过无线传输或从周围环境获取能量。作者[据a href="#B9">9.据/a>-据a href="#B13">13据/a>研究了D2D发射器通过无线功率传输获取能量时的资源分配问题。但是,当用户与电站之间的距离较远时,无线传输的方式会由于路径损耗而造成严重的能量浪费。据/p>
在 [据a href="#B14">14据/a>-据a href="#B17">17据/a>, D2D用户从周围环境中获取能量。作者[据a href="#B14">14据/a>]利用帕累托最优边界和子载波分配方法,在能量因果约束和电池溢出约束下为D2D用户分配功率和信道。蜂窝用户与D2D用户之间的多对多匹配问题[据a href="#B15">15据/a>[D2D用户的传输功率和传输时间在能量收集约束下进行了优化。在 [据a href="#B16">16据/a>,提出了一种低复杂度的能量感知空间匹配方法来解决信道和功率分配问题。在 [据a href="#B17">17据/a>],提出了一种基于Dinkelbach和Lagrangian约束优化的迭代算法,以最大限度地提高D2D用户的平均能效。然而,作者(据a href="#B14">14据/a>-据a href="#B17">17据/a>],假设在传输过程之前已经获得了完整的系统信息,并提出了离线算法。实际上,对采集到的能量和系统信息没有先验知识。作者[据a href="#B18">18据/a>假设收获的能量是因果性已知的并且提出了离线接头功率控制和信道分配算法,并且通过使用动态编程方法来分配在线传输功率。但是,由于在线算法中的高复杂性[据a href="#B18">18据/a>],当采集的能量发生变化时,在线传输的功率不能立即得到。据/p>
为了快速确定在线传输功率,本文使用神经网络进行在线功率分配。这是因为神经网络是由大量互连处理单元组成的非线性,自适应信息处理系统,其能够以高速找到最佳解决方案。假设DTS可以通过重用蜂窝用户的下行链路链路来从周围环境中收集来自周围环境的能量,并通过NOMA技术将叠加的信号发送到多个D2D接收器(DRS)。本文的主要贡献如下:据年代pan class="list">(1)据/年代pan>为了优化DTS的在线传输功率,首先,通过考虑用户和能量因果关系约束的QoS,基于Lagrange约束优化优化了离线传输功率,提出了离线信道分配和功率控制算法。据/年代pan>(2)据/年代pan>提出了一种具有因果系统信息的在线功率分配优化算法。离线功率分配算法的最佳传输功率和影响传输功率的系统参数被视为培训神经网络的训练数据。因此,通过神经网络模型可以获得最佳的在线传输功率。据/年代pan>(3)据/年代pan>仿真结果表明,本文提出的资源算法与[据a href="#B18">18据/a>].此外,在线功率分配优化算法的性能接近离线功率分配优化算法。据/年代pan>
本文的其余部分安排如下。系统模型和EH模型在一节中介绍据a href="#sec2">2据/a>.然后,在部分据a href="#sec3">3.据/a>,我们建立了优化问题模型并解决了优化问题。我们还提出了离线通道分配和功率控制算法,以及在线功率分配优化算法。在部分提供并分析模拟结果据a href="#sec4">4.据/a>显示所提出的算法的性能。最后,结论是在一节中绘制的据a href="#sec5">5.据/a>.据/p>
2.系统模型据/h4.>
我们考虑一个混合的单单元场景,如图所示据a href="//www.newsama.com/journals/misy/2020/4062487/fig1/" target="_blank">1据/a>,它包含一个位于细胞中心的BS,据i>m据/i>手机用户,据i>N据/i>D2D组。每个D2D组包括1个DT和2个dr,每个D2D组的接收机随机分布在半径为Rd的圆内,圆的圆心为对应的发射机。我们使用据年代pan class="inline_break">
和据年代pan class="inline_break">
表示蜂窝用户和D2D组的集合,其中CU据年代ub>米据/i>和据i>D.据/i>n据/i>代表蜂窝用户据i>米据/i>和D2D集团据i>n据/i>,分别。蜂窝用户使用正交下行信道与基站进行传统蜂窝通信。与传统的D2D通信不同,在每个D2D组中,DT可以使用NOMA传输机制同时向两个DRs发送消息。每个D2D组复用蜂窝用户的信道进行通信,每个信道最多可以被一个D2D组复用。据/p>
我们假设DTs可以从周围环境中获取能量据年代vg height="9.25202pt" id="M3" style="vertical-align:-3.29111pt" version="1.1" viewbox="-0.0498162 -5.96091 9.90673 9.25202" width="9.90673pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
为了区分同一D2D组中的两个接收器,我们假设据i>h据/i>n据/i>,1据/年代ub> < 据i>h据/i>n据/i>,2据/年代ub>, 在哪里据i>h据/i>n据/i>,1据/年代ub>(据i>h据/i>n据/i>,2据/年代ub>)是第1(第2)接收器和发射机之间的信道增益据i>D.据/i>n据/i>.根据NOMA协议,第一接收机的传输功率大于第二接收机的传输功率。接收机采用连续干扰消除(SIC)技术检测信号。SIC技术的基本原理是逐步消除最大信号功率对用户的影响。也就是说,第一个接收器直接解码它自己的信号据i>年代据/i>n据/i>,1据/年代ub>从所接收到的叠加信号中,第二接收机先对第一接收机的信号进行解码并将其取出,然后再对自己的信号进行解码据i>年代据/i>n,据/i>2据/年代ub>[据a href="#B19">19据/a>].据/p>
当据i>D.据/i>n据/i>复用CU的信道据年代ub>米据/i> 较弱接收器的SINR为1英寸据i>D.据/i>n据/i>在纪元据i>k据/i>如下:据年代pan class="equation_break" id="EEq2">
强接收机的SINR值为2据i>D.据/i>n据/i>在纪元据i>k据/i>如下:据年代pan class="equation_break" id="EEq3">
的能力据i>D.据/i>n据/i>在纪元据i>k据/i>是由据年代pan class="equation_break" id="EEq4">
在哪里据年代vg height="11.9453pt" id="M9" style="vertical-align:-3.309401pt" version="1.1" viewbox="-0.0498162 -8.6359 16.9791 11.9453" width="16.9791pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
在本节中,我们分析了蜂窝用户和D2D组之间的最佳信道匹配,DTS的最佳传输功率以及D2D组中更强和较弱的接收器的功率分配方案。考虑到DTS的QoS需求和DTS的有限传输力,以最大限度地提高D2D组的总容量,优化问题(据i>P.据/i>1)建立如下:据年代pan class="equation_break" id="EEq5">
在哪里据i>x据/i>纳米据/i>是D2D组的频道重用指示器,据i>x据/i>纳米据/i>= 1表示据i>D.据/i>n据/i>复用CU的通道据年代ub>米据/i> 优化的问题据i>P.据/i>图1是一个混合整数非线性规划问题,这是NP-hard问题[据a href="#B20">20.据/a>[以及查找此问题的确切解决方案的算法具有指数复杂性。因此,我们分解了优化问题据i>P.据/i>1分为三个子问题。第一个子问题优化DRS的功率分配因子。第二个子问题使用Kuhn-Munkres(KM)算法为D2D组分配通道,其目标是最大化D2D组的总容量。第三个子问题优化了在收获能量的限制下DTS的传输功率和最大传输功率。据/p>
由于D2D组之间不存在干扰,故单个D2D组的最大容量在据i>K.据/i>可以首先解决时代。当据i>D.据/i>n据/i>复用CU的通道据年代ub>米据/i>,当D2D用户的发射功率固定时,计算D2D组中两个接收机的最优功率分配系数,使容量最大化据i>D.据/i>n据/i>.当据i>D.据/i>n据/i>复用CU的信道据年代ub>米据/i>,总容量据i>D.据/i>n据/i>在据i>K.据/i>时间周期是据年代pan class="equation_break" id="EEq13">
在哪里据年代pan class="nowrap">
那据/年代pan>
那据/年代pan>
那据/年代pan>
那据/年代pan>和据年代pan class="nowrap">
.据/年代pan> 从等式(据a href="#EEq5">7.据/a>)和(据a href="#EEq5">8.据/a>),则可得下式:据年代pan class="equation_break" id="EEq14">
拉格朗日函数(据a href="#EEq13">13据/a>)与方程(据a href="#EEq14">14据/a>)和(据a href="#EEq14">15据/a>)的公式如下:据年代pan class="equation_break" id="EEq16">
在哪里据i>λ据/i>1据/年代ub>和据i>λ据/i>2据/年代ub>是与方程约束相关的拉格朗日乘数(据a href="#EEq14">14据/a>)和(据a href="#EEq14">15据/a>).式的Karush-Kuhn-Tucker条件据a href="#EEq16">16据/a>关于电力分配因子据年代vg height="16.5945pt" id="M25" style="vertical-align:-5.003099pt" version="1.1" viewbox="-0.0498162 -11.5914 25.4568 16.5945" width="25.4568pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
考虑目标函数(据a href="#EEq5">5.据/a>)及限制(据a href="#EEq5">6.据/a>)和(据a href="#EEq5">11据/a>)时,信道分配优化问题可视为两个加权二部图的最优匹配问题。如图所示据a href="//www.newsama.com/journals/misy/2020/4062487/fig2/" target="_blank">2据/a>,D2D组集合和蜂窝用户集,分别表示在二分图的两个相互不相交的顶点集。如果据i>D.据/i>n据/i>复用CU的信道据年代ub>米据/i>,顶点据i>n据/i>将与顶点连接据i>米据/i>一行。连接线上的重量值是据年代pan class="nowrap">
那据/年代pan>哪个代表的容量据i>D.据/i>n据/i>当它重用CU的通道时据年代ub>米据/i>.据/i> KM算法是一种有效的二进制匹配算法,通过给每个顶点一个标签,可以将最大权值匹配问题转化为完全匹配问题[据a href="#B21">21据/a>].因此,我们使用KM算法为D2D组分配通道。详细步骤如下所示:据年代pan class="list">(1)据/年代pan>初始化蜂窝用户集CU, D2D组集据i>D.据/i>,以及D2D组的候选蜂窝用户组据年代pan class="inline_break">
.据/年代pan>(2)据/年代pan>对于每个D2D组据年代vg height="11.927pt" id="M41" style="vertical-align:-3.291101pt" version="1.1" viewbox="-0.0498162 -8.6359 39.3533 11.927" width="39.3533pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
在前一节中,我们已经将通道分配给D2D组。假设据i>D.据/i>n据/i>CU多路复用信道据年代ub>米据/i>和优化问题的子问题据i>P.据/i>1关于的发送功率据i>D.据/i>n据/i>在据i>K.据/i>时代由下式给出据年代pan class="equation_break" id="EEq25">
方程的一阶偏导数(据a href="#EEq25">25据/a>) 和据年代vg height="17.2613pt" id="M53" style="vertical-align:-5.003099pt" version="1.1" viewbox="-0.0498162 -12.2582 26.1223 17.2613" width="26.1223pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
在方程式的所有参数(据a href="#EEq26">26据/a>)是正的,所以目标函数是在可行域的单调递增函数。为了最大限度地提高据年代pan class="nowrap">
那据/年代pan>所有的能量都聚集在据i>K.据/i>时代应该被用完。当获得的最大值,以下定理被应用。据/p>
定理1。据/年代pan>时的最大值据年代vg height="17.2613pt" id="M56" style="vertical-align:-5.003099pt" version="1.1" viewbox="-0.0498162 -12.2582 23.4435 17.2613" width="23.4435pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
证明见附件。据/p>
根据定理据a href="#thm1">1据/a>根据功率分配系数和信道分配的优化结果,提出了一种离线信道分配和功率控制算法。具体步骤在算法中进行了总结据a href="//www.newsama.com/journals/misy/2020/4062487/alg1/" target="_blank">1据/a>.据/p>
在部分据a href="#sec3.1">3.1据/a>,我们假设在信号传输之前已知所有时期的能量分布。获得DTS的离线最佳传输功率和D2D组中的两个接收器的离线功率分配因子。然而,在真实的场景中,只有在这一点中收获的能量并在该时期之前在时期是已知的据i>k据/i>,以及纪元后的能量分布据i>k据/i>是未知的。在本节中,提出了一种在线功率分配优化算法,即,神经网络用于优化DTS的传输功率。然后,获得D2D组中的两个接收器的功率分配因子。据/p>
神经网络模拟人脑,它具有较强的适应能力和学习能力的工作方法。监督神经网络要求训练数据集的大量已知的输入矢量和相应的输出向量组成。通过学习获得的输入矢量和输出矢量之间的非线性映射关系。神经网络学习完成后,相应的输出向量可以根据神经网络时输入的输入向量的数学模型来计算。由于时代后所收集的能量据i>k据/i>是未知的,无法确定是否存储能源以供以后的时期最大化D2D组在总传输时间中的容量据i>T.据/i>.通过学习离线优化算法的训练数据集,神经网络可以得到输入向量与传输功率之间的数学模型。然后,求出在线最优传输功率据年代vg height="17.9815pt" id="M71" style="vertical-align:-5.723301pt" version="1.1" viewbox="-0.0498162 -12.2582 31.0913 17.9815" width="31.0913pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
神经网络模型采用多层前馈网络。它是监督学习和由输入层,隐藏层和输出层组成。在培训过程中,计算神经网络生成的输出与实际输出之间的误差。同时,通过调整神经网络的权重向量来最小化误差[据a href="#B22">22据/a>].在本文中,均方误差(MSE)最小化:据年代pan class="equation_break" id="EEq27">
在哪里据i>问:据/i>代表时代,据i>y据/i>(据i>问据/i>)表示神经网络的输出,和据i>t据/i>(据i>问据/i>)是实际的输出。据/p>
当一些最小均方误差的参数时,最大迭代epoch,最小梯度和最大确认失败时间达到设定值,培训过程结束。据/p>
在本文中,考虑了双层前馈网络。也就是说,隐藏层的数量是一个,因为具有单个隐藏层的神经网络足以近似任何功能和任何给定精度[据a href="#B23">23据/a>].MATLAB神经网络工具箱中的培训神经网络有四个后传播(BP)算法,即弹性BP算法(TRAINRP),共轭梯度BP算法(TRATECGF),梯度下降BP算法(TRAINGD)和Levenberg-Marquardt BP算法(trainlm)。考虑到训练神经网络的收敛时代,收敛时间和MSE,选择TrainLM算法以在测试后训练神经网络。表中显示了不同训练算法的性能据a href="//www.newsama.com/journals/misy/2020/4062487/tab1/" target="_blank">1据/a>.据/p>
此外,考虑到神经网络结构的MSE和复杂性,采用TrainLM算法培训神经网络,在测试后将隐藏层神经元的数量设定为4。数字据a href="//www.newsama.com/journals/misy/2020/4062487/fig3/" target="_blank">3.据/a>显示了MSE随隐层神经元数量的变化。据/p>
神经网络的具体结构示于图据a href="//www.newsama.com/journals/misy/2020/4062487/fig4/" target="_blank">4.据/a>.输入向量由据i>h据/i>n据/i>,1据/年代ub>那据i>h据/i>n据/i>,2据/年代ub>那据i>h据/i>Bn据/i>,1据/年代ub>那据i>h据/i>Bn据/i>,2据/年代ub>那据年代pan class="nowrap">
那据/年代pan>
那据/年代pan>和据i>E.据/i>n据/i>那据i>k据/i>,输出为在线传输功率据年代pan class="nowrap">
那据/年代pan>在哪里据年代vg height="17.9138pt" id="M76" style="vertical-align:-5.003099pt" version="1.1" viewbox="-0.0498162 -12.9107 84.8208 17.9138" width="84.8208pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
离线时,通过算法进行功率分配据a href="//www.newsama.com/journals/misy/2020/4062487/alg1/" target="_blank">1据/a>,可以得到训练神经网络所需的输入向量和输出向量。通过训练神经网络,得到了使D2D群总容量最大化的优化模型。通过优化模型可以确定当前的在线传输功率。在线功率分配优化算法如算法所示据a href="//www.newsama.com/journals/misy/2020/4062487/alg2/" target="_blank">2据/a>.据/p>
根据算法据a href="//www.newsama.com/journals/misy/2020/4062487/alg2/" target="_blank">2据/a>,在线功率分配优化算法的复杂性为据i>O.据/i>(据i>LK.据/i>), 在哪里据i>L.据/i>= min (据i>N据/i>那据i>m据/i>)表示用于D2D通信的D2D组的数量和据i>K.据/i>表示历元的总数量。在 [据a href="#B18">18据/a>],功率分配算法采用二分法优化两个嵌套循环中的拉格朗日乘子。因此,复杂性是据i>O.据/i>(据i>LK.据/i>日志据i>n据/i>), 在哪里据i>n据/i>表示两种二分法间隔中元素数量的产物。据/p>
在本节中,我们介绍了所提出的离线和在线算法的仿真结果。DT和DR之间的距离Rd的影响,D2D组的数量据i>N据/i>时,能量到达分布的最大值据i>E.据/i>最大限度据/年代ub>,以及Cu的SINR阈值据年代vg height="16.2154pt" id="M92" style="vertical-align:-3.943501pt" version="1.1" viewbox="-0.0498162 -12.2719 13.8226 16.2154" width="13.8226pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
数字据a href="//www.newsama.com/journals/misy/2020/4062487/fig5/" target="_blank">5.据/a>显示DT和DR之间的不同距离对D2D组总容量的影响。在模拟中,假设细胞中有4个D2D组,能量到达分布的最大值据i>E.据/i>最大限度据/年代ub>为80 mJ, CU据年代vg height="16.2154pt" id="M98" style="vertical-align:-3.943501pt" version="1.1" viewbox="-0.0498162 -12.2719 13.8226 16.2154" width="13.8226pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
数字据a href="//www.newsama.com/journals/misy/2020/4062487/fig6/" target="_blank">6.据/a>表示随着D2D组数量的增加,D2D组的总容量。在模拟中,假设DT和DR之间的距离为20 m,即能量到达分布的最大值据i>E.据/i>最大限度据/年代ub>为80 mJ, CU据年代vg height="16.2154pt" id="M99" style="vertical-align:-3.943501pt" version="1.1" viewbox="-0.0498162 -12.2719 13.8226 16.2154" width="13.8226pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
数字据a href="//www.newsama.com/journals/misy/2020/4062487/fig7/" target="_blank">7.据/a>显示了在Cu的不同SINR阈值下,能量到达分布的最大值对D2D组总容量的影响。在模拟中,我们假设单元中有4个D2D组,并且DT和DR之间的距离为20米。可以观察到,对于某个SINR阈值,随着能量到达分布的最大值的增加,D2D组的总容量增加。这是因为当能量到达分布的最大值增加时,每个时代的平均收获能量将增加。然后,在每个时代中,DT的平均发射功率增加,这导致D2D组总容量的增加。另外,对于某个SINR阈值,随着能量到达分布的最大值的增加,每个时代的DT的传输功率更接近预设的最大传输功率据年代pan class="nowrap">
.据/年代pan>这使得离线算法和在线算法之间的性能差异逐渐减小。从图中还可以看出,蜂窝用户SINR阈值为2db的D2D群组的总容量大于8db。这是由于蜂窝用户的SINR阈值增加,D2D组的候选蜂窝用户数量减少,甚至没有候选蜂窝用户。由于D2D组重用信道较少,甚至无法通信,导致D2D组的总容量降低。据/p>
本文假设DTs从周围环境获取能量,并使用NOMA技术同时向两个DRs发送信息。我们研究了为D2D群分配最优传输功率、功率分配因子和信道的问题。在满足用户QoS要求和能量因果约束的前提下,最大限度地提高D2D组的总容量。首先,在采集能量信息已知的前提下,提出了离线信道分配和功率控制算法;然后,以离线算法的最优传输功率作为输出矢量,以影响传输功率的系统参数作为输入矢量,组成训练数据集对神经网络进行训练,得到传输功率的优化模型。神经网络可以根据某一时点的系统参数,得到当前时点的最优传输功率。提出了一种考虑最大传输功率限制的在线功率分配优化算法。仿真结果表明,所提出的离线算法能有效提高D2D群的总容量,在线功率分配优化算法能逼近离线功率分配算法提供的上界。据/p>
考虑到时代据i>k据/i>和时代据i>k据/i> + 1, the capacity sum of two epochs is据年代pan class="nowrap">
那据/年代pan>在哪里据年代vg height="17.2613pt" id="M102" style="vertical-align:-5.003099pt" version="1.1" viewbox="-0.0498162 -12.2582 23.4435 17.2613" width="23.4435pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
等式两边(据a href="#EEqA.1">A.1据/a>)除以据年代vg height="17.2613pt" id="M108" style="vertical-align:-5.003099pt" version="1.1" viewbox="-0.0498162 -12.2582 96.3141 17.2613" width="96.3141pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
二阶偏导据年代vg height="17.2613pt" id="M110" style="vertical-align:-5.003099pt" version="1.1" viewbox="-0.0498162 -12.2582 23.4435 17.2613" width="23.4435pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
的二阶导数据年代vg height="17.2613pt" id="M112" style="vertical-align:-5.003099pt" version="1.1" viewbox="-0.0498162 -12.2582 23.4435 17.2613" width="23.4435pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
当据年代pan class="nowrap">
那据/年代pan>如果时代的能量据i>k据/i>存储的时代据i>k据/i>+ 1导致据年代pan class="nowrap">
那据/年代pan>也可以得出两个时代的能力据年代vg height="17.2613pt" id="M121" style="vertical-align:-5.003099pt" version="1.1" viewbox="-0.0498162 -12.2582 168.913 17.2613" width="168.913pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
用于支持本研究结果的数据可根据要求可从相应的作者获得。据/p>
作者声明他们没有利益冲突。据/p>
国家自然科学基金资助项目(no . 61971239, no . 61631020)。关键词:岩石力学,有限元分析,数值模拟据/p>
版权所有©2020娜苏等人。这是分布下的开放式访问文章据a rel="license" href="http://creativecommons.org/licenses/by/4.0/">创意公共归因许可证据/a>如果正确引用了原始工作,则允许在任何媒体中的不受限制使用,分发和再现。据/p>
3.与eh的NOMA增强D2D通信资源分配算法据/h4.>
3.1.离线信道分配和功率控制算法据/h5.>
3.1.1。功率分配系数的优化据/h6.>
3.1.2。通道分配优化据/h6.>
3.1.3。优化DTS的力量据/h6.>
输入据/b>:历元的数目据i>K.据/i>,时代的长度据年代pan class="nowrap">
那据/年代pan>以及最大迭代次数据i>T.据/i>it据/年代ub>那据i>h据/i>n据/i>,1据/年代ub>那据i>h据/i>n据/i>,2据/年代ub>那据i>h据/i>Bn据/i>,1据/年代ub>那据i>h据/i>Bn据/i>,2据/年代ub>那据i>E.据/i>n据/i>那据i>k据/i>那据年代pan class="nowrap">
那据/年代pan>P.据/i>BS.据/年代ub>那据年代pan class="nowrap">
那据/年代pan>
那据/年代pan>和据年代pan class="nowrap">
.据/年代pan>
输出据/b>:通道分配矩阵据i>X据/i>,离线传输电源据年代pan class="nowrap">
那据/年代pan>以及功率分配系数据年代pan class="nowrap">
.据/年代pan>
(1)据/tD.>
初始化据/b>:据i>t据/i>纳米据/i>= 1,据年代pan class="nowrap">
.据/年代pan>
(2)据/tD.>
为D2D组分配通道,并获取通道分配矩阵据i>X据/i>.据/tD.>
(3)据/tD.>
为据/b>n据/i>= 1:据i>N据/i>
(4)据/tD.>
尽管据/b>t据/i>纳米据/i>据据/i>T.据/i>it据/年代ub>
(5)据/tD.>
为据/b>k据/i>= 1:据i>K.据/i>
(6)据/tD.>
如果据/b>
(7)据/tD.>
;据/年代pan>
(8)据/tD.>
;据/年代pan>
(9)据/tD.>
万一据/b>
(10)据/tD.>
结束了据/b>
(11)据/tD.>
t据/i>纳米据/i> = 据i>t据/i>纳米据/i>+ 1;据/tD.>
(12)据/tD.>
结束时据/b>
(13)据/tD.>
为据/b>k据/i>= 1:据i>K.据/i>
(14)据/tD.>
;据/年代pan>
(15)据/tD.>
结束了据/b>
(16)据/tD.>
Calculate据年代vg height="16.5945pt" id="M70" style="vertical-align:-5.003099pt" version="1.1" viewbox="-0.0498162 -11.5914 25.4568 16.5945" width="25.4568pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
(17)据/tD.>
结束了据/b>
3.2。在线功率分配优化算法据/h5.>
训练算法据/tD.>
时代据/tD.>
收敛时间(年代)据/tD.>
MSE据/tD.>
trainrp据/tD.>
271据/tD.>
17据/tD.>
0.000143据/tD.>
TrainCGF.据/tD.>
286据/tD.>
70据/tD.>
0.000135据/tD.>
traingd据/tD.>
1500据/tD.>
102据/tD.>
0.000819据/tD.>
trainlm据/tD.>
38据/tD.>
12据/tD.>
0.000134据/tD.>
输入据/b>:通道分配矩阵据i>X据/i>,纪元的数目据i>K.据/i>,时代的长度据年代pan class="nowrap">
那据/年代pan>h据/i>n据/i>,1据/年代ub>那据i>h据/i>n据/i>,2据/年代ub>那据i>h据/i>Bn据/i>,1据/年代ub>那据i>h据/i>Bn据/i>,2据/年代ub>,所收集的能量据i>E.据/i>n据/i>那据i>k据/i>那据年代pan class="nowrap">
那据/年代pan>P.据/i>BS.据/年代ub>那据年代pan class="nowrap">
那据/年代pan>和据年代pan class="nowrap">
.据/年代pan>
输出据/b>:在线传输功率据年代vg height="17.9815pt" id="M82" style="vertical-align:-5.723301pt" version="1.1" viewbox="-0.0498162 -12.2582 31.0913 17.9815" width="31.0913pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
(1)据/tD.>
初始化据/b>:据i>k据/i>= 1,据年代pan class="nowrap">
那据/年代pan>
那据/年代pan>
.据/年代pan>
(2)据/tD.>
为据/b>米据/i>= 1:据i>m据/i>
(3)据/tD.>
n据/i>=找到(据i>X据/i>(:,据i>米据/i>)== 1);据/tD.>
(4)据/tD.>
尽管据/b>k据/i>≤据/i>K.据/i>
(5)据/tD.>
Input the input vector to the neural network to obtain据年代pan class="nowrap">
;据/年代pan>
(6)据/tD.>
;据/年代pan>
(7)据/tD.>
Calculate据年代vg height="17.3147pt" id="M89" style="vertical-align:-5.723299pt" version="1.1" viewbox="-0.0498162 -11.5914 28.9395 17.3147" width="28.9395pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
(8)据/tD.>
k据/i> = 据i>k据/i>+ 1;据/tD.>
(9)据/tD.>
;据/年代pan>
(10)据/tD.>
;据/年代pan>
(11)据/tD.>
结束时据/b>
(12)据/tD.>
结束了据/b>
4.仿真结果与分析据/h4.>
参数据/tD.>
价值据/tD.>
细胞半径据i>R.据/i>(m)据/tD.>
500据/tD.>
蜂窝用户数量据i>m据/i>
4.据/tD.>
BS传输功率据i>P.据/i>BS.据/年代ub>(DBM)据/tD.>
24据/tD.>
DT的最大传输功率据年代vg height="16.2063pt" id="M95" style="vertical-align:-3.948101pt" version="1.1" viewbox="-0.0498162 -12.2582 23.373 16.2063" width="23.373pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
21据/tD.>
噪声功率据年代vg height="11.7978pt" id="M96" style="vertical-align:-0.2063999pt" version="1.1" viewbox="-0.0498162 -11.5914 12.4186 11.7978" width="12.4186pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
-114据/tD.>
时代的长度据年代vg height="9.25202pt" id="M97" style="vertical-align:-3.29111pt" version="1.1" viewbox="-0.0498162 -5.96091 9.90673 9.25202" width="9.90673pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
0.5据/tD.>
时间据i>T.据/i>(s)据/tD.>
10据/tD.>
路径损耗不变据i>β据/i>
0.01据/tD.>
路径损耗指数据i>α据/i>
3.据/tD.>
5.结论据/h4.>
附录据/h4.>
定理1的证明据/h4.>
数据可用性据/h4.>
的利益冲突据/h4.>
致谢据/h4.>
参考文献据/h4.>
版权据/h4.>