在城市轨道交通列车通信系统中,车车(Train-to-Train,T2T)通信是以列车为中心的新一代列控系统通信模式。与传统的以地面控制设备为中心的车地(Train-to-Ground,T2G)通信模式相比,T2T能降低系统的复杂度以及通信时延,提升列车运行效率。但为保障列车运行的安全性,当前的城市轨道交通列车通信系统中,车车通信与车地通信是并存的。为解决车车通信与车地通信并存场景下,通信链路资源复用引起的干扰问题,论文基于深度强化学习算法,提出了一种智能频谱共享方法。该方法以车车通信链路作为智能体,将频谱共享建模为多智能体深度强化学习(Multi-Agent Deep Reinforcement Learning,MADRL)模型。同时,由于传统深度强化学习对经验池的依赖,为提高经验池的稳定性,引入了能表征智能体行动轨迹的低维指纹信息。在该方法中,多个智能体采用分布式协作的方式与列车所处的通信环境进行交互,以此来迭代优化神经网络参数,使智能体获得的累计奖励不断提升直至收敛。最后,利用训练好的深度强化学习模型,智能体能够联合选择最佳的通信频谱和传输功率。在Python环境下的仿真结果表明:相较于传统的深度强化学习算法,论文提出的算法不但能够使系统信道容量接近最大信道容量,而且能使数据传输的成功率保持在90%以上,极大地提升了列车运行的安全性。
针对多中继协作通信带来的中断性能差与高能耗问题,在N个源节点的混合译码放大转发网络中,提出了一种基于多源-多中继协作通信的中继选择与功率分配方案.该方案将空闲时的N-1个源节点当作"中继节点","中继节点"根据信道统计特性值自适应地降序排列,选取M个"中继节点"组成最优中继集合.当中断概率一定时,根据信噪比门限判断被选择M个"中继节点"的协作方式,构造系统总功率Lagrange函数,通过Karush-KuhnTucker极值条件求得系统各节点的最小功率.数值分析结果表明,在传输速率为0.5~0.8 bit·s-1·Hz-1范围内,相比于放大转发方式下的多源-多中继协作通信的功率分配方案,该功率分配方案的总功率节省了9~22 d Bm,极大地减小了系统资源的消耗.
在车载通信系统中采用双向中继协作通信可以提升系统性能。然而,车辆移动造成的链路相关性会增大车载双向中继协作通信系统的中断概率。针对这个问题,建立了车载双向链路相关性系统模型,用相关系数描述车辆移动造成的双向链路特性,简化了系统中断性能分析。同时,在中继采用AF方式下得到系统中断性能的闭式解,且中断概率一定时,求得最优功率分配方案。数值分析表明,相关系数比功率分配系数对中断性能影响的幅度更大,相比传统单向AF中继协作通信系统的最优功率分配方案,最多可以节省4 d B的总功率。
暂无评论