基站发射功率的预测方法、装置、设备及存储介质与流程

1.本发明涉及无线通信技术领域，尤其涉及一种基站发射功率的预测方法、装置、设备及存储介质。


背景技术：

2.随着网络技术的快速发展，构建一个万物互联的网络成为可能，当基站天线数量大于用户设备数量时，无线网络结构将发生很大变化，原有蜂窝网络结构失效。在去蜂窝网络(cell-free)相关技术中，对天线的多进多出(mimo，multi-input multi-output)技术、信道估计、编解码研究的方案较多，但不涉及如何预测基站发射功率和进行基站天线选择的技术方案。


技术实现要素：

3.有鉴于此，本发明实施例期望提供一种基站发射功率的预测方法、装置、设备及存储介质，能够对基站的发射功率进行优化以实现下行网络容量最大化。
4.本发明实施例的技术方案是这样实现的：
5.本发明的至少一个实施例提供一种基站发射功率的预测方法，所述方法包括：
6.获取至少两个基站中每个基站的各天线对多个用户设备的发射功率；
7.将获取的各基站的各天线对多个用户设备的发射功率作为训练样本数据，对各基站分别进行发射功率的预测模型训练，得到对应各基站的发射功率的预测模型；
8.其中，所述预测模型用于预测目标基站的目标天线对多个用户设备的发射功率；所述发射功率用于确定是否选择所述目标基站为多个用户设备提供服务。
9.此外，根据本发明的至少一个实施例，对各基站分别进行发射功率的预测模型训练时，所述方法还包括：
10.确定在同一时刻内网络中的第一基站对多个用户设备的最大下行容量和第二基站的第一天线对第一用户设备的第一下行容量；所述第二基站为网络中除所述第一基站外的其他基站；
11.计算所述最大下行容量和所述第一下行容量的容量差；
12.确定所述预测模型的中间层输出至所述预测模型的输出层的第一发射功率和第二发射功率；所述第一发射功率是对所述预测模型的中间层输出的发射功率进行模糊化处理得到的发射功率；所述第二发射功率是对所述预测模型的中间层输出的发射功率未进行模糊化处理的发射功率；
13.基于所述容量差，以及所述第一发射功率和第二发射功率，对所述预测模型的输出层的权重参数进行更新。
14.此外，根据本发明的至少一个实施例，所述确定在同一时刻内网络中的第一基站对多个用户设备的最大下行容量和第二基站的第一天线对第一用户设备的第一下行容量，包括：
15.获取所述第一基站的各天线对应的各用户设备发送的第一信道质量参数；根据所述第一信道质量参数，计算所述第一基站的各天线对各个用户设备的下行容量；从所述第一基站的各天线对各个用户设备的下行容量中确定最大下行容量；
16.获取所述第二基站的第一天线对应的第一用户设备发送的第二信道质量参数；根据所述第二信道质量参数，计算所述第二基站的第一天线对第一用户设备的第一下行容量。
17.此外，根据本发明的至少一个实施例，所述基于所述容量差，以及所述第一发射功率和第二发射功率，对所述预测模型的输出层的权重参数进行更新，包括：
18.基于所述容量差，构建误差函数；
19.基于所述第一发射功率和所述第二发射功率，确定所述误差函数的梯度；
20.基于所述梯度和预设学习速率，对所述预测模型的输出层的权重参数进行更新。
21.此外，根据本发明的至少一个实施例，所述确定所述预测模型的中间层输出至所述预测模型的输出层的第一发射功率，包括：
22.确定模糊系数；
23.将所述预测模型的中间层输出的发射功率与所述模糊系数求积，得到数值；
24.将所述数值作为所述预测模型的中间层输出至所述预测模型的输出层的第一发射功率。
25.此外，根据本发明的至少一个实施例，所述确定模糊系数，包括：
26.基于强化学习的q学习算法，从多个模糊规则中搜索目标模糊规则；
27.利用所述目标模糊规则，确定模糊系数。
28.此外，根据本发明的至少一个实施例，所述方法还包括：
29.确定所述预测模型的第一中间层输出至所述预测模型的第二中间层的第三发射功率和第四发射功率；所述第三发射功率是对所述预测模型的第一中间层输出的发射功率进行模糊化处理得到的发射功率；所述第二发射功率是对所述预测模型的第一中间层输出的发射功率未进行模糊化处理的发射功率；
30.基于所述容量差，以及所述第三发射功率和第四发射功率，对所述预测模型的第一中间层的权重参数进行更新。
31.本发明的至少一个实施例提供一种基站发射功率的预测装置，包括：
32.获取单元，用于获取至少两个基站中每个基站的各天线对多个用户设备的发射功率；
33.处理单元，用于将获取的各基站的各天线对多个用户设备的发射功率作为训练样本数据，对各基站分别进行发射功率的预测模型训练，得到对应各基站的发射功率的预测模型；其中，所述预测模型用于预测目标基站的目标天线对用户设备的发射功率；所述发射功率用于确定是否选择所述目标基站为对应的至少一个用户设备提供服务。
34.此外，根据本发明的至少一个实施例，所述装置还包括：
35.更新单元，用于对各基站分别进行发射功率的预测模型训练时，确定在同一时刻内网络中的第一基站对多个用户设备的最大下行容量和第二基站的第一天线对第一用户设备的第一下行容量；所述第二基站为网络中除所述第一基站外的其他基站；计算所述最大下行容量和所述第一下行容量的容量差；确定所述预测模型的中间层输出至所述预测模
型的输出层的第一发射功率和第二发射功率；所述第一发射功率是对所述预测模型的中间层输出的发射功率进行模糊化处理得到的发射功率；所述第二发射功率是对所述预测模型的中间层输出的发射功率未进行模糊化处理的发射功率；基于所述容量差，以及所述第一发射功率和第二发射功率，对所述预测模型的输出层的权重参数进行更新。
36.此外，根据本发明的至少一个实施例，所述更新单元，具体用于：
37.获取所述第一基站的各天线对应的各用户设备发送的第一信道质量参数；根据所述第一信道质量参数，计算所述第一基站的各天线对各个用户设备的下行容量；从所述第一基站的各天线对各个用户设备的下行容量中确定最大下行容量；
38.获取所述第二基站的第一天线对应的第一用户设备发送的第二信道质量参数；根据所述第二信道质量参数，计算所述第二基站的第一天线对第一用户设备的第一下行容量。
39.此外，根据本发明的至少一个实施例，所述更新单元，具体用于：
40.基于所述容量差，构建误差函数；
41.基于所述第一发射功率和所述第二发射功率，确定所述误差函数的梯度；
42.基于所述梯度和预设学习速率，对所述预测模型的输出层的权重参数进行更新。
43.此外，根据本发明的至少一个实施例，所述更新单元，具体用于：
44.确定模糊系数；
45.将所述预测模型的中间层输出的发射功率与所述模糊系数求积，得到数值；
46.将所述数值作为所述预测模型的中间层输出至所述预测模型的输出层的第一发射功率。
47.此外，根据本发明的至少一个实施例，所述更新单元，具体用于：
48.基于强化学习的q学习算法，从多个模糊规则中搜索目标模糊规则；
49.利用所述目标模糊规则，确定模糊系数。
50.此外，根据本发明的至少一个实施例，所述更新单元，还用于：
51.确定所述预测模型的第一中间层输出至所述预测模型的第二中间层的第三发射功率和第四发射功率；所述第三发射功率是对所述预测模型的第一中间层输出的发射功率进行模糊化处理得到的发射功率；所述第二发射功率是对所述预测模型的第一中间层输出的发射功率未进行模糊化处理的发射功率；
52.基于所述容量差，以及所述第三发射功率和第四发射功率，对所述预测模型的第一中间层的权重参数进行更新。
53.本发明的至少一个实施例提供一种网络设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行上述任一方法的步骤。
54.本发明的至少一个实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法的步骤。
55.本发明实施例提供的基站发射功率的预测方法、装置、设备及存储介质，获取至少两个基站中每个基站的各天线对多个用户设备的发射功率；将获取的各基站的各天线对多个用户设备的发射功率作为训练样本数据，对各基站分别进行发射功率的预测模型训练，得到对应各基站的发射功率的预测模型；其中，所述预测模型用于预测目标基站的目标天
线对多个用户设备的发射功率；所述发射功率用于确定是否选择所述目标基站为多个用户设备提供服务。采用本发明实施例的技术方案，通过机器学习，对网络中各基站的发射功率进行建模分析，实现基站的天线发射功率最优，从而实现网络下行容量整体优化。
附图说明
56.图1是本发明实施例基站发射功率的预测方法的实现流程示意图；
57.图2是本发明实施例去蜂窝网络的结构示意图；
58.图3是本发明实施例模糊神经网络的结构示意图；
59.图4是本发明实施例网络管理系统实现基站的天线发射功率最优的实现流程示意图；
60.图5是本发明实施例确定多个用户设备分别对应的下行容量的实现流程示意图；
61.图6是本发明实施例基于容量差构建误差函数的实现流程示意图；
62.图7是本发明实施例对预测模型的输出层的权重参数进行更新的实现流程示意图；
63.图8是本发明实施例确定预测模型的中间层输出的模糊化处理后的第一发射功率的实现流程示意图；
64.图9是本发明实施例基站发射功率的预测装置的组成结构示意图；
65.图10是本发明实施例网络设备的组成结构示意图。
具体实施方式
66.在对本发明实施例的技术方案进行介绍之前，先对相关技术进行说明。
67.相关技术中，随着网络技术的快速发展，在第6代(6g，6th-generation)通信系统中，将构建一张无所不在、无所不连的网络，即，覆盖陆、海、空、天，实现人、机、物互连的网络，网络结构将发生很大变化，特别是当基站天线的数量接近或超过用户数量时，原有的蜂窝网络结构将失效，因此去蜂窝网络将是6g网络组网的候选技术之一。当前业界对于去蜂窝网络的大规模mimo技术研究较多，侧重于编解码方案和信道估计，但是对于以用户为中心的网络整体基站天线选择和功率最优化缺少方案。
68.基于此，本发明的各个实施例中，获取至少两个基站中每个基站的各天线对多个用户设备的发射功率；将获取的各基站的各天线对多个用户设备的发射功率作为训练样本数据，对各基站分别进行发射功率的预测模型训练，得到对应各基站的发射功率的预测模型；其中，所述预测模型用于预测目标基站的目标天线对多个用户设备的发射功率；所述发射功率用于确定是否选择所述目标基站为多个用户设备提供服务。
69.下面结合附图及实施例对本发明再作进一步详细的描述。
70.本发明实施例提供了一种基站发射功率的预测方法，如图1所示，所述方法包括：
71.步骤101：获取至少两个基站中每个基站的各天线对多个用户设备的发射功率；
72.步骤102：将获取的各基站的各天线对多个用户设备的发射功率作为训练样本数据，对各基站分别进行发射功率的预测模型训练，得到对应各基站的发射功率的预测模型；
73.这里，在步骤101中，每个基站可以设置有一个天线阵列，所述天线阵列可以包含多个天线，其中，每个天线可以服务于该基站覆盖的多个用户设备。例如，假设基站1覆盖4
个用户设备，用ue1、ue2、ue3和ue4表示，基站1的天线阵列包含4根天线，用天线a、天线b、天线c和天线d表示，则天线a对4个用户设备的发射功率，用p11、p12、p13和p14表示；天线b对4个用户设备的发射功率，用p21、p22、p23和p24表示；则天线c对4个用户设备的发射功率，用p31、p32、p33和p34表示；则天线d对4个用户设备的发射功率，用p41、p42、p43和p44表示。
74.这里，在步骤102中，实际应用时，可以针对去蜂窝网络中的目标基站，利用所述预测模型预测目标基站的目标天线对多个用户设备的发射功率；所述发射功率用于确定是否选择所述目标基站为多个用户设备提供服务。其中，所述去蜂窝网络可以是指网络中天线数量接近或超过用户设备的数量。
75.下面对如何得到各基站的发射功率的预测模型的过程进行详细说明。
76.这里，由于网络下行容量主要取决于用户分布、基站天线选择和功率控制，因此，本发明实施例中基于分布式机器学习算法，通过模糊神经网络，对以用户为中心的去蜂窝网络中各基站的发射功率进行建模分析，实现基站的天线发射功率最优，以解决去蜂窝网络下行容量整体优化的问题。
77.图2是去蜂窝网络的结构示意图，如图2所示，所述去蜂窝网络包括：多个用户设备(ue，user equipment)；多个基站，每个基站的天线阵列用ap表示；网络管理系统(nms，network management system)，用于通过模糊神经网络，对以用户为中心的去蜂窝网络中各基站的发射功率进行建模分析，实现基站的天线发射功率最优，以实现全网下行容量最优。
78.图3是模糊神经网络的结构示意图，如图3所示，所述模糊神经网络包括输入层、模糊化层、模糊规则层、模糊决策层、输出层；其中，
79.输入层，为模糊神经网络的第一层，用于将各基站的各天线对每个ue的发射功率和相应归一化差异容量作为输入变量；
80.模糊化层，为模糊神经网络的第二层，用于采用公式(1)所示的高斯模糊法，对输入信号进行模糊化。
[0081][0082]
其中，x表示第二层的输入信号，y和σ分别表示第二层的均值和方差；
[0083]
模糊规则层，为模糊神经网络的第三层；
[0084]
模糊决策层，为模糊神经网络的第四层；
[0085]
输出层，为模糊神经网络的第五层，用于输出各基站的发射功率，第五层的输入为：i
l(5)
＝(o
l1(4)
,o
l2(4)
,o
l3(4)
)，第五层的输出为：
[0086]
如图4所示，结合图2所示的去蜂窝网络的结构示意图和图3所示的模糊神经网络的结构示意图，描述nms实现基站的天线发射功率最优的过程，包括以下步骤：
[0087]
步骤401：nms采集去蜂窝网络中各个基站的各天线对多个用户设备的发射功率。
[0088]
这里，假设基站1包含m个天线，基站1覆盖k个用户设备，则基站1的各天线对多个用户设备的发射功率，用p
1,1
，....，p
1,k
，
…
，p
m,1
，
…
，p
m,k
表示。
[0089]
步骤402：nms确定所述多个用户设备分别对应的下行容量；针对多个用户设备中每个用户设备，确定与相应用户设备的下行容量对应的归一化差异容量；
[0090]
这里，所述下行容量可以是指每个基站的所有天线对某个用户设备的下行容量。所述归一化差异容量用于对各基站的发射功率进行模型训练时作为优化约束条件。
[0091]
这里，nms按照公式(2)，计算第n个基站的第m个天线对第k个用户设备的下行容量。按照公式(3)，计算第n个基站的所有天线对第k个ue的下行容量。
[0092]cn,m,k
＝b
×
log(1 sinrk)
ꢀꢀꢀ
(2)
[0093]
其中，c
n,m,k
表示第n个基站的第m个天线对第k个ue的下行容量，b表示带宽，sinrk表示第k个ue上报的信噪比。
[0094][0095]
其中，c
n,k
表示第n个基站的所有天线对第k个ue的下行容量。
[0096]
这里，nms按照公式(4)计算每个用户设备对应的归一化差异容量。
[0097][0098]
其中，δc
n,k
表示第n个基站的所有天线对第k个ue的下行容量相对于其他基站的所有天线对ue的下行容量的归一化差异容量；c
n,k
表示第n个基站的所有天线对第k个ue的下行容量，表示除第n个基站外其它基站对每个ue的下行容量的平均值，其它基站的各天线对每个ue的下行容量计算方法同c
n,k
，具体地，将其他基站的各天线对各ue的下行容量求和再除以ue的总数量，得到所述平均值。
[0099]
步骤403：nms将所述各个基站的各天线对多个用户设备的发射功率作为模糊神经网络的训练样本数据，在归一化差异容量的约束条件下，对所述各基站的发射功率分别进行模型训练，得到各基站的发射功率的预测模型。
[0100]
这里，预测模型可以输出各用户设备的最优的基站选择和基站天线发射功率，即，假设基站的天线对用户设备的发射功率为0，则不选择该基站为该用户设备服务。
[0101]
这里，nms实现基站的天线发射功率最优，具备以下优点：
[0102]
(1)考虑到ue的移动性，假设在相对较短时间(近似实时)内ue位置相对固定，则根据导频计算的信道衰落系数基本保持不变，利用分布式计算方式，通过模糊神经网络和机器学习方法，优化以用户为中心的天线选择和发射功率分配，从而实现全网容量最大化。
[0103]
(2)充分考虑了大规模去蜂窝网络下行容量整体优化，而不是针对单个ue的容量优化，具有更重要的实用价值。
[0104]
如图5所示，结合图2所示的去蜂窝网络的结构示意图，描述确定多个用户设备分别对应的下行容量的过程，包括：
[0105]
步骤501：nms采集每个基站的各天线对各个用户设备的信噪比。
[0106]
步骤502：nms基于所述信噪比，统计每个基站的所有天线对各个用户设备的下行容量。
[0107]
这里，假设去蜂窝网络中共有n个基站，每个基站设置的天线阵列有m个天线，每个基站覆盖k个ue，这样，第n个基站的第m个天线对k个ue的发射功率用公式(5)和公式(6)表
示。
[0108][0109][0110]
其中，qk表示第n个基站的第m个天线发送给第k个ue的符号，e(qk)2＝1；表示第n个基站的第m个天线对第k个ue的发射功率；表示第n个基站的第m个天线对第k个ue的mimo预编码向量。为上行导频信号估计值，用于当采用tdd双工模式时进行下行信道估计。
[0111]
这里，第k个ue接收到的信号用公式(7)表示；将公式(7)展开，得到第k个ue的信号和其它用户的干扰信号，用公式(8)所示：
[0112][0113][0114]
其中，为信道衰落的估计值，wk表示方差为σ2的白噪声。
[0115]
这里，在较为理想的解码情况下，第k个ue的信噪比用如下公式(9)表示。
[0116][0117]
其中，sinrk表示第n个基站的第m个天线对第k个ue的信噪比。
[0118]
下面对如何在进行预测模型训练时更新模型的权重参数进行详细说明。
[0119]
实际应用时，为了实现全网整体容量最优，可以在对各基站的发射功率进行预测模型训练时，在准实时情况下(信道衰落系数保持不变)，通过多次迭代减少每个基站天线信道容量与最大信道容量差异，最终得到基站天线选择和发射功率的优化结果，从而实现网络下行容量整体最优化。其中，可以通过对预测模型的权重参数进行更新以更快实现网络下行容量整体最优。
[0120]
基于此，在一实施例中，对各基站分别进行发射功率的预测模型训练时，所述方法还包括：
[0121]
确定在同一时刻内网络中的第一基站对多个用户设备的最大下行容量和第二基站的第一天线对第一用户设备的第一下行容量；所述第二基站为网络中除所述第一基站外的其他基站；
[0122]
计算所述最大下行容量和所述第一下行容量的容量差；
[0123]
确定所述预测模型的中间层输出至所述预测模型的输出层的第一发射功率和第二发射功率；所述第一发射功率是对所述预测模型的中间层输出的发射功率进行模糊化处理得到的发射功率；所述第二发射功率是对所述预测模型的中间层输出的发射功率未进行模糊化处理的发射功率；
[0124]
基于所述容量差，以及所述第一发射功率和第二发射功率，对所述预测模型的输出层的权重参数进行更新。
[0125]
这里，对所述预测模型的输出层的权重参数进行更新可以是指对所述输出层的均值和方差进行更新。
[0126]
举例来说，结合图3所示的模糊神经网络的结构示意图，所述预测模型的输出层用第五层表示，按照公式(10)对第五层的均值进行更新，按照公式(11)对第五层的方差进行更新。
[0127][0128]
其中，y
lh(5)
(t 1)表示更新后的第五层的均值，y
lh(5)
(t)表示更新前的第五层的均值，e(t)表示所述容量差，η表示学习速率，o
lh(4)
表示对第4层输出的发射功率进行模糊化处理得到的发射功率，o
li(4)
表示对第4层输出的发射功率进行模糊化处理前的发射功率。
[0129][0130]
其中，σ
lh(5)
(t 1)表示更新后的第五层的方差，σ
lh(5)
(t)表示更新前的第五层的方差，e(t)表示所述容量差，η表示学习速率，o
lh(4)
表示对第4层输出的发射功率进行模糊化处理得到的发射功率，o
li(4)
表示对第4层输出的发射功率进行模糊化处理前的发射功率。
[0131]
实际应用时，可以根据香农公式，结合用户设备上报的信道质量参数，例如信噪比，计算各个基站对多个用户设备的下行容量，如此，根据在同一时刻内网络中的第一基站对多个用户设备的最大下行容量和第二基站的第一天线对第一用户设备的第一下行容量，确定在预测模型的输出层引入的容量差。
[0132]
基于此，在一实施例中，所述确定在同一时刻内网络中的第一基站对多个用户设备的最大下行容量和第二基站的第一天线对第一用户设备的第一下行容量，包括：
[0133]
获取所述第一基站的各天线对应的各用户设备发送的第一信道质量参数；根据所述第一信道质量参数，计算所述第一基站的各天线对各个用户设备的下行容量；从所述第一基站的各天线对各个用户设备的下行容量中确定最大下行容量；
[0134]
获取所述第二基站的第一天线对应的第一用户设备发送的第二信道质量参数；根据所述第二信道质量参数，计算所述第二基站的第一天线对第一用户设备的第一下行容量。
[0135]
实际应用时，为了减少对预测模型进行训练的迭代次数，可以构建与容量差相关的误差函数，并利用构建的误差函数，对预测模型的各个层的权重参数进行更新，以加快预
测模型的训练速度。
[0136]
基于此，在一实施例中，所述基于所述容量差，以及所述第一发射功率和第二发射功率，对所述预测模型的输出层的权重参数进行更新，包括：
[0137]
基于所述容量差，构建误差函数；
[0138]
基于所述第一发射功率和所述第二发射功率，确定所述误差函数的梯度；
[0139]
基于所述梯度和预设学习速率，对所述预测模型的输出层的权重参数进行更新。
[0140]
在一示例中，如图6所示，描述如何基于容量差构建误差函数的过程，包括：
[0141]
步骤601：确定在同一时刻内网络中的第一基站对多个用户设备的最大下行容量和第二基站的第一天线对第一用户设备的第一下行容量的容量差。
[0142]
这里，按照公式(12)计算所述容量差。
[0143]
δc＝c
*-c(t)
ꢀꢀꢀ
(12)
[0144]
其中，δc表示容量差，c
*
表示在时刻t全网中某个基站天线的最大下行容量，c(t)表示在时刻t全网中其他基站天线的下行容量。
[0145]
这里，所述容量差即图3中的e
m,k
，e
m,k
表示c
m,k
容量值与c
i,j
中最大容量值的差值，其中，i∈[0,m],j∈[0,k]；c
i,j
是指网络中第一基站的i个天线对j个ue的下行容量中的最大容量；c
m,k
容量值是指网络中除第一基站外其它基站的第m个天线对第k个ue的下行容量。
[0146]
步骤602：基于所述容量差，构建误差函数。
[0147]
这里，按照公式(13)构建所述误差函数。
[0148][0149]
其中，e(t)表示构建的二次项误差函数，实际应用时，误差函数也可以是其他形式。
[0150]
这里，基于容量差构建误差函数，具备以下优点：
[0151]
基于每个基站天线信道容量与最大信道容量差异，构建误差函数，如此，后续可以基于该误差函数，沿最小化方向对模糊神经网络的权重参数进行更新，从而提高模糊神经网络迭代效率。
[0152]
在一示例中，如图7所示，描述如何对预测模型的输出层的权重参数进行更新的过程，包括：
[0153]
步骤701：确定预测模型的中间层输出的模糊化处理后的发射功率以及模糊化处理前的发射功率。
[0154]
这里，所述模糊化处理后的发射功率可以根据模糊化处理前的发射功率和模糊系数确定。
[0155]
步骤702：基于模糊化处理后的发射功率以及模糊化处理前的发射功率，确定误差函数的梯度；
[0156]
这里，按照公式(14)，利用求导方式确定公式(13)所示的误差函数的梯度。
[0157][0158]
其中，表示误差函数的梯度，由模糊化处理后的发射功率、模糊化处理前的发
射功率和容量差确定；所述容量差是指在同一时刻内网络中的第一基站对多个用户设备的最大下行容量和第二基站的第一天线对第一用户设备的第一下行容量的容量差；所述第二基站为网络中除所述第一基站外的其他基站。
[0159]
步骤703：基于所述梯度和预设学习速率，对所述预测模型的输出层的权重参数进行更新。
[0160]
这里，对所述预测模型的输出层的权重参数进行更新，具备以下优点：
[0161]
(1)实现ue下行容量与最佳容量差异沿最小化方向对模糊神经网络的权重参数进行更新，从而提高模糊神经网络迭代效率。
[0162]
(2)对所述预测模型的输出层的权重参数进行更新，在准实时即信道衰落系数保持不变的情况下，可以以最少的迭代次数来减少每个基站天线信道容量与最大信道容量差异，即接近整体容量最优，最终得到基站天线选择和发射功率的优化结果，从而实现网络下行容量整体最优化。
[0163]
实际应用时，可以强化学习的q学习算法确定模糊系数，并利用确定的模糊系数，确定预测模型的各层输出的模糊处理后的发射功率。
[0164]
基于此，在一实施例中，所述确定所述预测模型的中间层输出至所述预测模型的输出层的第一发射功率，包括：
[0165]
确定模糊系数；
[0166]
将所述预测模型的中间层输出的发射功率与所述模糊系数求积，得到数值；
[0167]
将所述数值作为所述预测模型的中间层输出至所述预测模型的输出层的第一发射功率。
[0168]
实际应用时，当通过模糊神经网络对各基站的发射功率进行模型预测时，为了更快地确定出对应的模糊系数，可以利用强化学习的q学习算法，从多个模糊规则中快速搜索到目标模糊规则，以根据所述目标模糊规则确定模糊系数。
[0169]
基于此，在一实施例中，所述确定模糊系数，包括：
[0170]
基于强化学习的q学习算法，从多个模糊规则中搜索目标模糊规则；
[0171]
利用所述目标模糊规则，确定模糊系数。
[0172]
这里，模糊神经网络中的模糊质量函数用公式(15)表示。
[0173][0174]
其中，s
t
和a
t
分别表示第t次迭代的状态和隶属情况，γ表示惩罚因子。
[0175]
这里，q学习算法用公式(16)、公式(17)、公式(18)、公式(19)表示。
[0176]qt 1
(s
t
,a
t
)＝q
t
(s
t
,a
t
) δq
t
＝q
t
(s
t
,a
t
) ξ(r
t 1
γv
t
(s
t 1
)-q
t
(s
t
,a
t
))
ꢀꢀꢀ
(16)
[0177]
δq
t
＝ξ(r
t 1
γv
t
(s
t 1
)-q
t
(s
t
,a
t
))
ꢀꢀꢀ
(17)
[0178]rt 1
＝c
t 1-c
t
ꢀꢀꢀ
(18)
[0179]vt
(s
t 1
)＝∑iq
i(3)
maxxjq
ij
ꢀꢀꢀ
(19)
[0180]
其中，ξ是q学习算法的学习速度；c表示当前容量值，r表示不同时刻的容量差值；γ表示惩罚因子；q
i(3)
表示第三层网络第i个节点的输出结果，q
ij
表示第i个节点输入来自模糊状态j的加权系数。
[0181]
这里，根据三种模糊状态：高，中，低；模糊规则具体如下：
[0182]
如果p1,1为高，
…
，pm,n为高，
…
，pm,n为高，则加权系数为qi,1；
[0183]
如果p1,1为高，
…
，pm,n为高，
…
，pm,n为中，则加权系数为qi,2；
[0184]
如果p1,1为高，
…
，pm,n为高，
…
，pm,n为低，则加权系数为qi,3；
[0185]
依次类推，本级节点q的数量为w＝3n
×
3m。
[0186]
这里，根据q学习算法，模糊规则按照公式(20)进行快速选择。
[0187][0188]
这里，初始化的误差函数(代价函数)用公式(21)表示。
[0189][0190]
在一示例中，如图8所示，描述确定预测模型的中间层输出的模糊化处理后的第一发射功率的示意图，包括：
[0191]
步骤801：基于强化学习的q学习算法，从多个模糊规则中搜索目标模糊规则；利用所述目标模糊规则，确定模糊系数。
[0192]
步骤802：将所述预测模型的中间层输出的发射功率与所述模糊系数求积，得到所述预测模型的中间层输出的模糊化处理后的第一发射功率。
[0193]
这里，确定预测模型的中间层输出的模糊化处理后的第一发射功率，具备以下优点：
[0194]
(1)能够避免模糊神经网络具有模糊规则导致迭代次数多、学习时间长问题的发生，利用强化学习的q-learning算法，能够加快迭代速度。
[0195]
(2)采用强化学习的q-learning算法确定模糊系数，后续可以结合ue下行容量与最佳容量差异，对模糊神经网络的均值和方差参数进行更新，从而提高模糊神经网络迭代效率。
[0196]
实际应用时，可以通过对预测模型的权重参数进行更新以更快实现网络下行容量整体最优。对预测模型的中间层的权重参数进行更新的过程与对预测模型的输出层的权重参数进行更新的过程大致相同。
[0197]
基于此，在一实施例中，所述方法还包括：
[0198]
确定所述预测模型的第一中间层输出至所述预测模型的第二中间层的第三发射功率和第四发射功率；所述第三发射功率是对所述预测模型的第一中间层输出的发射功率进行模糊化处理得到的发射功率；所述第二发射功率是对所述预测模型的第一中间层输出的发射功率未进行模糊化处理的发射功率；
[0199]
基于所述容量差，以及所述第三发射功率和第四发射功率，对所述预测模型的第一中间层的权重参数进行更新。
[0200]
举例来说，结合图3所示的模糊神经网络的结构示意图，以所述预测模型的第2层为例，按照公式(22)对第2层的均值进行更新，按照公式(23)对第2层的方差进行更新。
[0201]
[0202][0203]
其中，
[0204][0205][0206][0207]
其中，y
ij(2)
(t 1)表示更新后的第二层的均值，y
ij(2)
(t)表示更新前的第二层的均值，σ
ij(2)
(t 1)表示更新后的第二层的方差，σ
ij(2)
(t)表示更新前的第二层的方差。
[0208]
采用本发明实施例的技术方案，通过模糊神经网络和强化学习，对网络中各基站的发射功率进行建模分析，实现基站的天线发射功率最优，从而实现网络下行容量整体优化。
[0209]
为实现本发明实施例的基站发射功率的预测方法，本发明实施例还提供一种基站发射功率的预测装置，图9为本发明实施例基站发射功率的预测装置的组成结构示意图；如图9所示，所述装置包括：
[0210]
获取单元91，用于获取至少两个基站中每个基站的各天线对多个用户设备的发射功率；
[0211]
处理单元92，用于将获取的各基站的各天线对多个用户设备的发射功率作为训练样本数据，对各基站分别进行发射功率的预测模型训练，得到对应各基站的发射功率的预测模型；其中，所述预测模型用于预测目标基站的目标天线对用户设备的发射功率；所述发射功率用于确定是否选择所述目标基站为对应的至少一个用户设备提供服务。
[0212]
在一实施例中，所述装置还包括：
[0213]
更新单元，用于对各基站分别进行发射功率的预测模型训练时，确定在同一时刻内网络中的第一基站对多个用户设备的最大下行容量和第二基站的第一天线对第一用户设备的第一下行容量；所述第二基站为网络中除所述第一基站外的其他基站；计算所述最大下行容量和所述第一下行容量的容量差；确定所述预测模型的中间层输出至所述预测模型的输出层的第一发射功率和第二发射功率；所述第一发射功率是对所述预测模型的中间层输出的发射功率进行模糊化处理得到的发射功率；所述第二发射功率是对所述预测模型的中间层输出的发射功率未进行模糊化处理的发射功率；基于所述容量差，以及所述第一发射功率和第二发射功率，对所述预测模型的输出层的权重参数进行更新。
[0214]
此外，根据本发明的至少一个实施例，所述更新单元，具体用于：
[0215]
获取所述第一基站的各天线对应的各用户设备发送的第一信道质量参数；根据所述第一信道质量参数，计算所述第一基站的各天线对各个用户设备的下行容量；从所述第
一基站的各天线对各个用户设备的下行容量中确定最大下行容量；
[0216]
获取所述第二基站的第一天线对应的第一用户设备发送的第二信道质量参数；根据所述第二信道质量参数，计算所述第二基站的第一天线对第一用户设备的第一下行容量。
[0217]
在一实施例中，所述更新单元，具体用于：
[0218]
基于所述容量差，构建误差函数；
[0219]
基于所述第一发射功率和所述第二发射功率，确定所述误差函数的梯度；
[0220]
基于所述梯度和预设学习速率，对所述预测模型的输出层的权重参数进行更新。
[0221]
在一实施例中，所述更新单元，具体用于：
[0222]
确定模糊系数；
[0223]
将所述预测模型的中间层输出的发射功率与所述模糊系数求积，得到数值；
[0224]
将所述数值作为所述预测模型的中间层输出至所述预测模型的输出层的第一发射功率。
[0225]
在一实施例中，所述更新单元，具体用于：
[0226]
基于强化学习的q学习算法，从多个模糊规则中搜索目标模糊规则；
[0227]
利用所述目标模糊规则，确定模糊系数。
[0228]
在一实施例中，所述更新单元，还用于：
[0229]
确定所述预测模型的第一中间层输出至所述预测模型的第二中间层的第三发射功率和第四发射功率；所述第三发射功率是对所述预测模型的第一中间层输出的发射功率进行模糊化处理得到的发射功率；所述第二发射功率是对所述预测模型的第一中间层输出的发射功率未进行模糊化处理的发射功率；
[0230]
基于所述容量差，以及所述第三发射功率和第四发射功率，对所述预测模型的第一中间层的权重参数进行更新。
[0231]
实际应用时，所述获取单元91可以由基于发射功率的预测装置中的通信接口实现；所述处理单元92、更新单元可以由基于发射功率的预测装置中的处理器实现。
[0232]
需要说明的是：上述实施例提供的基于发射功率的预测装置在进行基于发射功率的预测时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的基于发射功率的预测装置与基于发射功率的预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0233]
本发明实施例还提供了一种网络设备，如图10所示，包括：
[0234]
通信接口101，能够与其它设备进行信息交互；
[0235]
处理器102，与所述通信接口101连接，用于运行计算机程序时，执行上述智能设备侧一个或多个技术方案提供的方法。而所述计算机程序存储在存储器103上。
[0236]
需要说明的是：所述处理器102和通信接口101的具体处理过程详见方法实施例，这里不再赘述。
[0237]
当然，实际应用时，网络设备100中的各个组件通过总线系统104耦合在一起。可理解，总线系统104用于实现这些组件之间的连接通信。总线系统104除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图10中将各种总线都
标为总线系统104。
[0238]
本技术实施例中的存储器103用于存储各种类型的数据以支持网络设备100的操作。这些数据的示例包括：用于在网络设备100上操作的任何计算机程序。
[0239]
上述本技术实施例揭示的方法可以应用于所述处理器102中，或者由所述处理器102实现。所述处理器102可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过所述处理器102中的硬件的集成逻辑电路或者软件形式的指令完成。上述的所述处理器102可以是通用处理器、数字数据处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。所述处理器102可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本技术实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器103，所述处理器102读取存储器103中的信息，结合其硬件完成前述方法的步骤。
[0240]
在示例性实施例中，网络设备100可以被一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、现场可编程门阵列(fpga，field-programmable gate array)、通用处理器、控制器、微控制器(mcu，micro controller unit)、微处理器(microprocessor)、或者其他电子元件实现，用于执行前述方法。
[0241]
可以理解，本技术实施例的存储器(存储器103)可以是易失性存储器或者非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本技术实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0242]
在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器103，上述计算机程序可由网
络设备100的处理器102执行，以完成前述控制服务器侧方法所述步骤。计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、flash memory、磁表面存储器、光盘、或cd-rom等存储器。
[0243]
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0244]
另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
[0245]
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。