基于一维深度卷积神经网络的功率分配策略的制作方法

1.本发明属于通信系统领域，具体涉及基于一维深度卷积神经网络的功率分配策略。


背景技术：

2.随着互联网技术和基站密集化概念的推广和提升，不断增长的业务需求和对蜂窝网络的容量和速率的要求逐渐增加，通信系统中如何资源分配成为需要考虑的问题，更具体的，如何进行功率分配成为需要考虑的问题，传统的功率分配算法是迭代充水算法，其原理是在给定基站的关联用户中，信道质量好的用户分配更大功率，较差信道质量的用户分配小功率或者不分配功率，以此实现单个基站的效用函数最大化，然而该算法的收敛性能差，即收敛性低，而缓慢的收敛会导致较高的计算复杂度，这也限制了其应用范围，而深度学习技术可以帮助解决。
3.目前，深度学习技术被应用到不同的领域，包括图像分类、自然语言处理和语音识别，而近年来由于无线通信网络中信道样本采集的便利性和及时性，深度学习在无线通信中的应用也越来越有优势，深度学习中的神经网络可以对传统算法达到一个令人满意的非线性逼近，所以得到广泛的研究，目前神经网络包括深度神经网络(dnn)、卷积神经网络(cnn)、递归神经网络(rnn)。而在通信系统中许多利用神经网络通过参数控制实现目标函数最大最小化的研究受到关注，比如用深度神经网络通过逼近次梯度算法，实现频谱效率或能效目标的最大化，又或者是通过逼近ipm算法，实现系统和速率最大化的目标；卷积神经网络方面，利用卷积滤波器对局部特征进行提取，以监督学习的方式实现频谱效率、能效或和速率的最大化。
4.总的来说，神经网络优势在于对传统算法性能的非线性逼近，同时复杂度低，这对通信系统中的实时决策很有帮助，然而深度神经网络的特征学习能力有限，基于深度神经网络的资源分配策略的预测能力不足，因此，研究改进的神经网络通过提升预测能力对基于深度学习的通信资源分配具有重大的意义。


技术实现要素：

5.发明目的：本发明的目的在于提供基于一维深度卷积神经网络的功率分配策略，在通信系统中实现更加实时可靠的在线功率分配。
6.技术方案：为实现上述目的，本发明采用如下技术方案：基于一维深度卷积神经网络的功率分配策略，包括如下步骤：
7.步骤1，通信建模；
8.步骤2，收集数据集，收集包括基站与用户之间的信道状态信息h
k
和注水算法下的最优功率值p
*
作为一组数据集；
9.步骤3，构建一维深度卷积神经网络，初始化神经网络权重；
10.步骤4，训练神经网络，构造神经网络的预测功率值p和最优功率值p
*
之间的均方
误差作为损失函数，并确定训练时的优化算法；
11.步骤5，当损失函数小于预设值或满足训练的迭代次数时，完成训练并保存神经网络。
12.进一步地，所述的步骤1中，通信建模具体为：建立单小区多用户的通信环境，环境中基站与用户的位置均匀分布，基站与用户之间的下行信道为瑞利衰落信道。
13.进一步地，所述的步骤2中，重复多次收集10万组所述的数据集。
14.进一步地，所述的步骤1中，具体包括如下步骤：假设考虑到一个单小区蜂窝网络环境，小区中央部署一个基站，周围随机分布k个用户，用户集合：k＝{1,2,3
···
,k}，这些用户由中央位置的基站为其提供数据服务。
15.进一步地，所述的步骤1中，考虑到均值为1的瑞利衰落信道环境，其中，用户k到基站的信道状态信息为h
k
,k∈k，该信道状态信息是考虑瑞利衰落环境下用户到基站之间的路径损失，之间的传输功率用p
k
表示；则下行链路中，用户k处的sinr(信号干扰噪声比)表示为其中是背景噪声，h
k
是用户k与基站之间的信道状态信息，p
k
是用户基站到用户k的传输功率，则其可达速率表示为r
k
＝log2(1 sinr
k
)，系统和速率性能表示为
16.进一步地，所述的步骤3中，一维卷积神经网络负责学习输入信号信道增益到输出信号最优用户关联或功率分配之间的映射关系。
17.进一步地，所述的步骤3中，具体包括如下步骤：
18.步骤1)收集环境内用户与基站之间的信道状态信息，并运行注水算法得到相应的最优功率值p
*
，重复10万次得到数据集；
19.步骤2)确定训练数据和测试数据的分割比；
20.步骤3)设计并构建一维卷积神经网络的框架结构，同时初始化神经网络的权重参数w和偏置参数b。
21.进一步地，所述的步骤4中，构造神经网络具体为预测功率值p与最优功率值p
*
之间的均方误差作为损失函数确定adam优化器来优化训练神经网络。
22.进一步地，所述的步骤5具体为满足迭代次数epochs＝300或损失函数小于预设值loss≤0.1
×
10
‑3时保存网络。
23.本发明针对研究重点，也就是如何控制基站与用户的下行传输功率可以快速可靠使得整个系统的和速率最大化。研究了用一维卷积神经网络替代传统算法的资源分配策略，通过监督学习的方式，学习基于传统算法得到的功率分配效果，实现快速可靠的在线决策，与传统的基于深度学习的功率分配算法相比，克服了学习能力有限的缺点，其预测能力更高。
24.有益效果：与现有技术相比，本发明的基于一维深度卷积神经网络的功率分配策略，用于提升网络预测能力；针对目前的基于全连接形式的神经网络功率分配策略，提出基于一维卷积神经网络的功率分配策略，与传统方法相比，其计算时间短，复杂度低，与基于
全连接神经网络相比，其预测能力更强，在通信系统中实现更加实时可靠的在线功率分配。
附图说明
25.图1为一维卷积神经网络结构图；
26.图2为深度神经网络结构图；
27.图3为系统流程图。
具体实施方式
28.以下结合具体实施方式对本发明做进一步的说明。
29.基于深度卷积神经网络的资源分配策略同比基于全连接形式的深度神经网络的预测能力更好，在此结论的基础上，本发明针对一维数组，研究改进的基于一维深度卷积神经网络的功率分配策略。
30.假设考虑到一个单小区蜂窝网络环境，小区中央部署一个基站，周围随机分布k个用户，用户集合：k＝{1,2,3
…
,k}，这些用户由中央位置的基站为其提供数据服务，考虑到均值为1的瑞利衰落信道环境，其中，用户k到基站的信道状态信息为h
k
,k∈k，该信道状态信息是考虑瑞利衰落环境下用户到基站之间的路径损失，之间的传输功率用p
k
表示。则下行链路中，用户k处的sinr(信号干扰噪声比)表示为其中是背景噪声，其可达速率表示为r
k
：r
k
＝log2(1 s
k
)，系统和速率性能可表示为首先提出效用函数最大化问题，针对效用函数最大化问题，提出基于深度学习的功率分配策略，具体来说提出基于一维卷积神经网络的功率分配策略，其结构设计具体见附图及具体实施方式部分的细述。
31.如图3所示，本发明的训练过程如下步骤所示：
32.步骤1，通信建模，建立单小区多用户的通信场景；
33.步骤2，收集数据集，包括信道状态信息和注水算法下的最优功率分配标签；
34.步骤3，设计构建一维卷积神经网络，并初始化权重系数；
35.步骤4，构造损失函数以及确定优化算法训练神经网络；
36.步骤5，满足迭代次数或损失函数小于预设值时保存网络。
37.本发明所使用的的神经网络结构如图1所示，它们负责学习输入信号信道增益到输出信号最优用户关联或功率分配之间的映射关系，整个过程包括数据集的收集、神经网络的训练两个部分。其具体步骤如下：
38.步骤一收集环境内用户与基站之间的信道状态信息，并运行注水算法得到相应的最优功率分配标签p
*
，重复10万次得到数据集；
39.步骤二确定训练数据和测试数据的分割比；
40.步骤三构建一维深度卷积神经网络，初始化神经网络权重；
41.步骤四训练神经网络，构造网络预测值p和标签值p
*
之间的均方误差作为损失函数，并确定训练时的优化算法；
42.步骤五当损失函数小于预设值或满足训练的迭代次数时，完成训练并保存神经网
络。
43.下面以一具体实例来讲述神经网络进行最优资源分配的过程。假设在1km
×
1km的正方形区域中，环境中央部署一个基站，周围随机分布10个用户终端，用户与基站之间的信道状态信息是考虑瑞利衰落信道下的路径损失，其值为128.1 37.6log
10
(d)，其中d为用户到基站之间的欧式距离。针对和速率公式，提出系统和速率最大化问题：约束条件为表示各基站分配给其关联用户的功率之和不能大于基站的总功率，其中已知基站的总发射功率p
total
＝20dbm。确定目标问题后，提出基于一维卷积神经网络的功率分配策略，首先是数据集的收集，收集用户到基站之间的信道状态信息，运行注水功率分配算法，得到相应的最优功率分配标签，重复10万次，得到数据集，确定训练测试数据的分割比9：1，之后设计构建一维卷积神经网络，神经网络共有7层，包括输入层、3层一维卷积层、一层平坦层、一层全连接层和输出层，卷积层中卷积核的大小为3
×
1，每层核的个数分别为8、16、32，全连接层的神经元数为3000，输出层神经元数与用户数保持一致为10个。隐藏层中的激活函数为relu，输出层的激活函数为sigmoid函数，通过输出层输出预测的功率分配方案p，构建目标值与预测值之间的均方误差作为损失函数其中m＝25为小批次梯度下降算法中各批次的样本数，训练周期epochs＝300，优化算法选择adam算法。
44.为了验证所设计的一维卷积神经网络性能，需要测试和观察测试阶段神经网络的性能，测试数据集同训练数据集一样产生，通过输入信道增益观察输出的预测值与标签值之间的误差来判断所提方案的可靠性。同时作为比较，设计训练深度神经网络作为比较对象，其结构如图2所示，以验证所提网络结构在功率分配方面的预测能力优于深度神经网络方案。
45.基于一维卷积神经网络的功率控制策略的具体实施步骤如下：
46.步骤一通信建模，建立单小区多用户通信环境，场景中考虑到瑞利衰落信道下的用户与基站之间的路径损失作为信道状态信息。
47.步骤二数据集的收集，收集10万组数据集，包括用户到基站之间的信道状态信息以及相应注水算法下的最优功率分配标签。
48.步骤三确定训练数据集和测试数据集的分割比9：1。
49.步骤四设计一维卷积神经网络框架，初始化权重。
50.步骤五构造损失函数并确定优化算法训练神经网络。
51.步骤六训练时不断调整超参数，当满足迭代次数时保存网络。
52.步骤七将测试集输入至训练好的神经网络中，验证所提方案的可靠性。
53.以上所述仅是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以作出若干改进和变型，这些改进和变型也应该视为本发明保护范围。