买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北工业大学申请的专利一种智能反射面辅助的D2D通信优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116782273B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310779128.1，技术领域涉及：H04W24/02；该发明授权一种智能反射面辅助的D2D通信优化方法是由许茜;尤倩;王伶;杨欣;孙文彬;张兆林;粟嘉;宫延云设计研发完成，并于2023-06-29向国家知识产权局提交的专利申请。

本一种智能反射面辅助的D2D通信优化方法在说明书摘要公布了：本发明涉及一种智能反射面辅助的D2D通信优化方法，属于无线通信技术领域。首先提出了RIS辅助的D2D通信系统模型，其次通过训练深度神经网络解决无线通信系统中的优化问题，最后通过采用基于分布式DL的算法来寻找可行的解。本发明方法智能反射面的使用可以降低LOS链路引起的干扰，改善信道质量。

本发明授权一种智能反射面辅助的D2D通信优化方法在权利要求书中公布了：1.一种智能反射面辅助的D2D通信优化方法，其特征在于： 在无人机基站发送端处理步骤如下： 步骤1：发送端包括一个无人机基站，一个有M个反射元件的RIS、K个通道，每个通道包含一个蜂窝用户CUE，即有K个蜂窝用户、D个D2D用户，其中多个D2D用户重用蜂窝用户占用的频谱；此外，用表示第d个D2D用户是否使用第k个通道，即如果第d个D2D用户的发射机通过第k个信道传输数据，则，否则；假设每个D2D用户同时只能和一个蜂窝用户共享频谱，即；假设所有的收发器都使用单根天线，无人机基站位置为，RIS位置为，D2D用户对和蜂窝用户随机分布在半径为R的圆内，第l个蜂窝用户的位置为，第d个DT位置记为，DT与对应接收端DR的最大距离为，第d个DR位置记为； 此外，假定RIS上配备个反射元件，反射系数矩阵表示为，此对角矩阵的第个元素表示为，其中表示第个反射元件的相移，表示第个反射元件的幅度；实际中，每个元件的相移只能取有限数量的离散值，第个离散值表示为，其中，表示用于量化相移水平的位数；假设RIS进行理想反射，从而每个反射元件的信号功率是无损的，即振幅反射系数；同时假设DT的发射功率表示为，其最大值为，并量化为个离散步长，即； 步骤2：无人机基站产生Xbit信息； 步骤3：对步骤2产生的信息进行调制，调制后信号为,且满足； 步骤4：将步骤3产生的信号s送入信道； 无人机到用户信道构建处理步骤如下： 步骤5：无人机基站传输的信号在自由空间传播时没有高大建筑物遮挡，无人机可以直射信号，此时形成视距链路LOS，当信号继续传播时，无人机基站和地面用户之间存在遮挡，同时受电磁波反射和散射影响，形成非视距链路NLOS； 步骤6：信道增益中的LOS和NLOS按照概率出现，假设地面节点坐标为，UAV基站坐标为，无人机与节点之间的距离为，则节点的LOS分量概率为： 其中A、B为与环境有关的常数，；NLOS分量概率为：； 步骤7：无人机到用户d的信道增益为： 其中是用户与无人机链路之间的路径损耗系数，是与NLOS链路的相关系数； 步骤8：无人机与第l个CUE之间的距离为，将代入步骤6的和中，随机生成瑞利分布系数，为则信道增益为：； 步骤9：无人机与RIS之间的距离为，忽略RIS位置差异，将代入步骤6的和中，随机生成瑞利分布系数，则信道增益为：； 步骤10：无人机与第d个DR之间的距离为，将代入步骤6的和中，随机生成瑞利分布系数，则信道增益为：； 其他链路信道构建处理步骤如下： 步骤11：其他链路信道增益考虑随机瑞利分布与路径损耗，路径损耗为： 其中是节点间距离，分别表示1m处的路径损耗以及路径损耗系数； 步骤12：RIS与第l个CUE之间的距离为，将代入步骤11的loss中，随机生成瑞利分布系数，则信道增益为：； 步骤13：RIS与第d个DR之间的距离为，将代入步骤11的loss中，随机生成瑞利分布系数，则信道增益为：；第d个DT与RIS之间的距离为，将代入步骤11的loss中，随机生成瑞利分布系数，则信道增益为：； 步骤14：第l个CUE与第d个DR之间的距离为，将代入步骤11的loss中，随机生成瑞利分布系数，则信道增益为：； 步骤15：第d个DT与第个DR用户之间的距离为，将代入步骤11的loss中，随机生成瑞利分布系数，将DT与DR之间的loss矩阵记为，其中第d行第列元素记为，则信道增益为：，其中第d个DT与DR之间的信道增益记为，第d个DT与第个DR之间的信道增益记为； 在接收端处理步骤如下： 步骤16：第k个通道中CUE接收到的信干噪比SINR为： 其中表示UAV的发射功率，为第d个DT的发射功率，第个通道中CUE处的加性高斯白噪声服从：； 步骤17：第k个通道中第d个DR接收到的SINR为： 其中和分别表示来自第k个通道上其它D2D用户和CUE用户的干扰；第d个DR处的加性高斯白噪声服从：； 步骤18：因此，第k个通道的第d个DR的可达速率为： 步骤19：最后，计算第k个通道中所有DR的和速率为： 步骤20：将优化问题表述为如下非凸优化问题： 其中，表示第对D2D的通道使用指标向量，表示D个DT的发射功率；表示对CUE造成的最大干扰限制，表示CUE的最小SINR阈值，表示D2D用户的最小可达速率阈值； 步骤21：采用基于无监督学习的分布式DL算法求解上述优化问题；具体实现步骤如下： 步骤22：为防止信道增益过大或过小而影响训练结果，应通过函数对数据进行归一化，并将预处理的信道增益记为，即 步骤23：将第个D2D包含的全部CSI记为，对其进行数据预处理后，将预处理后的CSI馈送给DNN网络进行CSI反馈，将其压缩为比特，并与sigmoid层一起构成编码本地CSI的函数，确定发送给基站的CSI，记为，即且； 步骤24：BS将所有收集的本地CSI及其自身的预处理后的CSI，馈送给DNN网络进行CSI反馈，将其压缩为比特，并与sigmoid层一起构成编码本地CSI的函数，确定并将其广播到所有D2D对，即； 步骤25：通过最小化步骤22，步骤23所设计的神经网络的损失函数，得到D2D用户的最大和速率；自定义神经网络损失函数为： 其中，为消除二值化误差的函数： 其中，为网络超参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。