摘要
随着5G的发展和普及，万物互联的时代已经到来。越来越多的智能设备出现在大众的视野，智能网联汽车、无人机、智能家居等正在快速的融入人们的生产和生活之中。智能设备给我们的生活带来巨大便利的同时，也使得适宜通信的频谱资源变得越来越紧张，如何提高频谱效率，是5G移动通信系统大规模成功商用的关键。作为可以显著提高系统频谱效率的两项技术，终端直通(D2D,Device-to-Device)和全双工(FD,FullDuplex)技术已经引起了学术界和工业界的研究兴趣。 将全双工技术与D2D技术结合，可以进一步实现提高系统的频谱效率的目的。然而，相对于半双工D2D技术，全双工D2D技术面临的干扰情况更加复杂，如何通过无线资源分配解决全双工D2D通信的干扰问题并获得频谱效率的提升，是一个亟待解决的问题。现有的研究大多将D2D通信资源分配建模为优化问题，一般复杂度很高，并且难以实时执行。 本文充分利用了深度学习解决复杂的非凸优化问题的优势，对全双工D2D通信资源分配技术展开研究，训练出可以实时对全双工D2D通信系统进行资源分配的神经网络模型，进一步解决了传统D2D通信技术资源分配策略中多次迭代耗时巨大的问题。本文具体做了以下研究工作： 首先，本文提出了一种基于监督学习的全双工D2D通信功率分配方案。本文通过模拟通信场景，随机初始化设备的位置，限定发射功率的范围，限定接收设备的干扰信号功率等方法，使用穷举搜索算法来计算训练数据，搭建并训练了一个多层的神经网络模型。使用训练好的网络模型，可大大节省部署时间。然而，在这一通信场景中，获取监督学习需要的大量训练数据是困难的，虽然通过穷举搜索算法可以得到训练数据，但是计算时间太长，而且需要消耗大量的计算资源。 然后，本文提出了一种基于无监督学习的全双工D2D通信功率分配方案。在方案中，以设备位置为基础计算得到的信道信息作为神经网络模型的输入数据，在损失函数的计算上参考了频谱效率和设备接收到的干扰信号功率，通过最大化频谱效率和最小化干扰信号功率的加权组合，确定损失函数的计算公式，在仿真结果中，取得了良好的性能。 最后，本文对比了采用全双工和半双工通信方式下D2D设备的最大频谱效率，在双工模式选择上做了一定的研究。在可以满足通信服务质量(QoS,QualityofService)要求时，为了获得更高的频谱效率优先采用全双工通信方式，不能使用全双工通信方式时，则可考虑半双工通信方式。 本论文在基于深度学习的全双工D2D通信资源分配方面的研究成果，可以为全双工D2D通信资源分配、双工模式选择等方面提供重要参考，对未来移动通信网的设计和优化具有现实指导意义。
NETL