5G自2020年商用以来已进入大规模部署阶段,各类5G智能物联网应用场景纷至沓来。但随着全球移动互联网用户的爆发式增长,5G将无法解决随之带来的巨流量、巨连接以及差异化需求的问题,针对6G移动通信系统的研究也已经成为十四五规划的重要内容之一。我国将超前布局6G科技和产业协同创新中心,覆盖医疗健康、智能工厂、深空卫星、智能汽车等众多典型场景及应用。6G作为下一代无线通信技术在覆盖范围、频谱利用率、通信安全性等诸多方面都优于5G,而且目前5G场景下的主流架构是蜂窝物联网,蜂窝小区面积的不断缩小会带来小区间干扰和越区切换等问题。作为未来6G潜在的核心变革技术之一,去蜂窝大规模MIMO引入“以用户为中心”的思想,有效克服了传统架构下存在的问题。随机分布的用户可以同时与多个接入点进行数据交互,所有的接入点通过回程链路将数据传递给一个统一的中央处理器,这种新型网络架构可以缩短用户和接入点之间的距离,大幅提高网络的抗阴影衰落能力和覆盖面积。去蜂窝大规模MIMO系统正凭借着这种全区域均匀覆盖、服务用户数量更多的优点成为新一代物联网的核心架构。在全球物联网设备数量急剧增长的背景下需要更多为之服务的接入点,这也意味着高能耗。节能降碳是目前工业发展的基本原则,是决定着能否在2030年实现碳达峰,并在2060年实现碳中和的关键进程,所以去蜂窝大规模MIMO系统的节能问题也是一道如何搞好的必答题。接入点在去蜂窝大规模MIMO系统中作为中继节点承担着数据采集和数据传输的功能,需要消耗大量的能量,而中央处理器作为数据处理中心往往连接着电源,所以接入点的可持续供电能力就决定了系统的运行寿命。在山区、沙漠、海洋等较偏远地区接入点只能通过电池供电,系统存在维护成本高和维护困难等问题,所以需要降低接入点的能量消耗从而延长电池的寿命;在城市中,接入点可以通过有线电源灵活得部署在电线杆、路灯或者工厂里,电池的寿命限制将不用考虑,但为了节约能源同样需要提高回程链路的能量效率。本文将这两种场景分别归纳为电池供电型接入点系统和有线电源供电型接入点系统。数据删失作为一种统计学的数据约简方法目前已被广泛得用于信号处理过程来降低计算量从而提升能效,它的主要思路是将接收到的数据分为高信息度信号和低信息度信号,然后根据删失规则滤除掉低信息度信号而仅将高信息度信号转发给中央处理器。本文针对第一种场景提出了基于门限的离线数据删失和融合算法来延长系统的寿命,并在中央处理器实现数据的高精度恢复。强化学习作为一种在线决策方案目前已经被广泛地应用于设备端的数据决策阶段,包括节点的中继选择策略和功率分配等。它可以通过智能体多次试错来实现最大的回报,从而指导智能体做出最优决策。考虑到数据删失事实上也是一个决策过程,于是本文提出基于强化学习的在线数据删失和融合算法来实现保持高精度数据恢复的同时尽可能提升系统的能效。本文的研究对象是适用于去蜂窝大规模MIMO系统的数据删失和融合算法。数据删失方法主要分为两类:随机删失和基于门限的删失。随机删失是接入点按照预设的概率而不是根据数据的特征进行删失,这种随机删失无法实现接入点对数据的甄别,只能笼统的降低整体的数据传输量。然而在去蜂窝大规模MIMO系统中接入点需要根据数据的重要程度进行选择性的传输,从而降低因传递相近数据而增加的数据冗余度,基于门限的删失便能实现这样的需求,实现更加精确的判断。基于门限的删失中的门限通常是一个预设的常数,当实测信号与估计信号之间的差值大于这个常数的时候,接入点将该实测信号判断为高信息度的数据转发给中央处理器,反之则删除。这种删失方式能够使得接入点根据系统的差异化需求进行数据预处理,降低传输量从而节约了宝贵的能量。本文通过接入点的初始能量、发射功率以及系统期望寿命推导出了离线最优门限,为电池供电型接入点系统设计出了对应的基于门限的数据删失策略,实现了系统寿命的大幅延长。然而,对于有线电源供电型接入点系统,接入点因获得不间断供电而打破寿命限制,我们无法再依靠系统期望寿命推导出适应于该场景下的最优门限,基于门限的数据删失在该场景下便不再适用。同时,研究目标也从延长寿命转换为提升能效效率。为此,本文借助了强化学习的实时决策能力,开发出了基于Q学习的数据删失策略。不同于离线删失需要接入点预先知道全局信息,在线删失只需要接入点根据之前学习到的经验在当前时刻做出决策,使得该在线策略相较于基于门限的数据删失策略实时性更强,灵活度更高,能够适应多种场景。本文的目的有两个:一是为电池供电型接入点去蜂窝大规模MIMO系统设计相应的数据删失和融合算法,在保持融合精度几乎不受数据删失影响的情况下尽可能延长系统的使用寿命;二是为有线电源供电型接入点去蜂窝大规模MIMO系统设计相应数据删失和融合算法,在保持融合精度几乎不受数据删失影响的情况下尽可能提升系统的能量效率。影响融合精度的因素除了中央处理器接收到的数据量,还跟融合算法有关。本文首先考虑的算法是最小均方算法,该算法是一阶最速梯度下降算法,优点是计算复杂度低,适配成本低,缺点是融合精度较低。其次考虑的是最小二乘算法,该算法是二阶牛顿算法,优点是融合精度高,收敛速度快,缺点是需计算矩阵二阶导数带来计算复杂度的升高。数据删失算法通过降低一部分数据传输量降低了能量消耗,而能量收集技术则可以为接入点进一步提供能量补充,二者结合,可谓开源节流。目前国内光伏技术发展迅速,能够为部署于荒漠、海洋、高原等地的接入点提供源源不断的能量,加之发达的变电储电技术,能量收集技术能够极大满足接入点的需求。本文在基于门限的数据删失策略中分别就接入点未配备能量收集器和配备能量收集器进行了分析,发现接入点在配备了能量收集器之后有更小的删失门限,这意味着系统不仅有更多可用能量,融合精度也将更高。在有线电源供电型接入点场景中,定义能量效率为吞吐量与发射功率的比值,引入数据删失,就是为了避免发送低信息度的数据而造成能量浪费,但这会不可避免地造成融合精度的降低,如何实现能量效率和融合精度的联合优化仍是一个需要继续探索的问题。针对电池供电型接入点去蜂窝大规模MIMO系统,本文通过接入点的初始能量,发射功率和期望寿命推导出了离线删失门限的闭合表达式,并利用此门限提出了基于门限的离线数据删失和融合算法。首先以最小化融合误差为目标函数,能量约束为限制条件进行了数学建模。融合误差是所有接入点在系统寿命内实测信号与估计信号的差值,误差越小,表示融合精度越高。能量约束表示接入点在系统寿命内完成数据发送所消耗的能量应该小于或者等于初始能量与收集到的能量之和。该优化问题的求解存在两个难点:一是当系统寿命长和接入点数目多的时候,整数规划求解计算复杂度高。二是目标函数是包含删失变量和估计数据的双线性函数,因此优化问题是非凸的,无法使用拉格朗日乘子法等解法。注意到该约束是一个与寿命时长相关的不等式,于是本文通过对寿命求期望的方式将该不等式进行转换,将期望系统寿命约束转化为传输概率约束,再利用传输概率约束导出离线删失门限。仿真结果表明,相比于未经删失直接传输,本文所提出的基于门限的在线数据删失和融合算法能够在几乎不降低数据融合精度的情况下实现寿命的大幅延长。与随机删失相比,所提出的算法能够实现更加快速收敛和更高的融合精度。针对有线电源供电型接入点去蜂窝大规模MIMO系统,本文提出了基于强化学习的在线数据删失和融合算法。以接入点当前时隙的行为和执行行为所获得的奖励为基准,将删失过程建模为了一个无状态的二元马尔科夫决策模型。奖励函数定义为融合精度和能量效率的折中,当系统追求更大的能量效率时,设置的折中因子更大,当系统追求更高的融合精度时,折中因子更小。这一灵活的设置能够满足差异化的需求。需要指出的是,该算法同样适用于电池供电型接入点去蜂窝大规模MIMO系统且在延长寿命方面表现更好,因为相比于接入点利用全局信息所得到的离线最优删失门限,利用强化学习进行在线删失有更强的实时性。最后仿真结果表明,所提出的基于强化学习的数据删失和融合算法在有线电源供电型接入点去蜂窝大规模MIMO系统能实现几乎不降低融合精度的情况大幅提升能量效率,在电池供电型接入点去蜂窝大规模MIMO系统中相比于离线删失算法能够实现融合精度接近的情况下有更长的系统寿命。