1、课题来源与背景： 缓解超密集网络的同频干扰并实现用户的速率比例公平，是保障5G高速通信和高服务质量的关键。现有研究对网络中密集部署的小基站进行分组，有利于同频干扰的解决，但在提高组内信道利用率上和克服组间边缘干扰上、基于速率比例公平的服务质量保障上仍存在不足，并且没有考虑智能优化算法的计算延迟对动态资源分配的不利影响。 2、研究目的与意义： 超密集网络是实现5G网络高速通信的关键技术之一。超密集网络通过在宏蜂窝小区中接入大量小蜂窝基站，形成了大量的小小区（small cell），可有效缓解宏基站的数据流量压力，并能减少网络覆盖盲区、扩展网络覆盖范围。动态资源分配是缓解同频干扰、保障服务质量的重要手段。与传统算法相比，智能优化算法由于其较强的优化性能，已被广泛地运用于求解无线网络的动态资源分配。本项目通过智能优化算法和深度学习技术，提高5G超密集网络动态资源分配中的公平性，满足5G绿色网络对高速率、低功耗和低延时要求。 3、主要论点与论据： 随着5G的迅猛发展，个人无线设备乃至小基站的数量均将迅速增长，频谱数据也将急剧增加，频谱大数据的存在已成事实；随着计算机硬件和计算能力的飞跃发展，以大数据为“燃料”的深度学习技术业已得到了长足的发展，在各行各业中利用深度学习对大数据进行分析以促进行业的发展已成为当前的研究热点。 4、创见与创新： 提出了子信道“合并-拆分”的子信道分配思想来实现5G宽带资源的分配，其中“拆分”有利于提高用户接入超密集网络的概率，而“合并”则有利于减少系统在分配子信道上的工作量，其实质体现了自适应的载波聚合原理；利用局部寻优和全局寻优相结合的方式，提高公平性问题的求解效率，在效率和效果上进行折中；运用深度强化学习和无监督学习联合的方式，满足5G系统对高速率、低功耗和低延时要求。 5、社会经济效益，存在的问题： 获得发明专利“一种面向多小区网络的基于无监督学习的无线资源分配方法”授权一项；但该发明专利与实用转化还存在一定差距。 6、历年获奖情况： 无 7、成果简介： 针对5G超密集网络动态资源分配中的公平性问题，本项目提出了一种基于蜜源更新量的人工蜂群资源分配算法，在对蜜源种群进行分组并为蜜源分组设置蜜源更新量的基础上，将基于速率比例公平的贪婪子载波分配方法有效地用于人工蜂群算法的蜜源初始化中，并利用蜜源更新量对蜜源的相应维度进行邻域搜索和更新，能够充分利用了贪婪算法在局部寻优和人工蜂群算法在全局寻优的优点，在使蜜源保持一定公平度水平的同时降低了待优化的蜜源的维度数量，有利于达到所要求的公平度阈值并提高子载波利用率和系统容量；为了满足5G绿色网络对高速率、低功耗和低延时要求，本项目开发出来一系列深度无监督学习技术、深度强化学习和无监督学习的联合技术，利用深度学习计算时延低、有较好大数据处理能力、泛华能力和扩展能力强等优点，实现了同时输出满足约束处理的信道分配方案和功率控制方案，并能够根据所构建的损失函数，实现能量效率期望的最大化。

齐齐哈尔大学

该项目为储备库项目资源，暂无效益分析内容。