[发明专利]一种基于交叉熵学习的异构网络用户接入方法

说明书

本发明提出一种基于交叉熵学习的异构网络用户接入方法，采用交叉熵准则，建立问题的概率学习模型，利用机器学习领域中的统计采样方法找到最优的概率分布，最后得到最优的用户接入方案，按如下步骤进行：首先，构建网络效用最大化的用户接入优化问题；然后，将接入矩阵建模为随机变量，建立原问题的概率学习模型，以最小化交叉熵为目标函数优化概率分布；最后，根据统计采样方法，利用表现较好的样本更新概率矩阵，迭代获得接近最优的概率分布，确定用户接入方案。本发明以较低的计算复杂度获得接近最优的用户接入性能，实现网络负载平衡，提高异构网络的传输性能。与现有方法相比，本发明方法不需要根据网络调整算法参数，在异构网络中更加鲁棒。

技术领域

本发明涉及一种基于交叉熵学习的异构网络用户接入技术，属于网络管理技术领域。

背景技术

异构网络是一种新型的网络拓扑结构，通过在宏基站周围配置大量发射功率较低的小基站，边缘用户的速率得到改善，整个网络的频谱效率也得到提升。用户接入是异构网络中的一个值得考虑的问题。由于小基站和宏基站之间存在功率差异，如果采用传统的基于路径损耗或者信号接收强度的用户接入方法，大部分用户将被接入宏基站，这就造成了基站负载不均匀。一方面，宏基站负载过重，无法很好地为用户提供服务，另一方面，小基站的资源也不能得到充分利用。如果考虑将部分宏基站的负载转移到小基站，就可以极大地改善系统性能。因此，异构网络中的负载平衡和用户接入一直是研究的热点。

用户接入的优化通常是一个组合优化问题，存在整数约束，使用穷举法可以找到理论上的最优解，但是需要指数级的计算量和复杂度。目前有关用户接入的研究主要是基于凸优化理论，先通过放缩等方法处理整数约束，然后利用凸优化方法，如拉格朗日对偶分析方法和次梯度方法来解决原来的非凸问题。然而这种方法不能保证解的最优性，而且对网络配置和参数选择很敏感，不适用于大规模的异构网络。因此，探索更加鲁棒和高效的用户接入优化方法是一个很有意义的研究方向。

机器学习是目前的一个热门研究方向，不少研究开始考虑利用机器学习来解决优化问题。其中，交叉熵最小化是一种有效的优化方法，首先基于概率模型对问题建模，然后利用统计采样和迭代来完成学习的过程。可以考虑应用交叉熵最小化方法来解决用户接入问题，降低计算复杂度，提高鲁棒性。

发明内容

为了更有效地解决异构网络中用户接入优化问题，本发明提出一种基于交叉熵学习的异构网络用户接入方法，通过建立优化问题的概率模型，以最小化交叉熵为目标函数，利用统计采样和迭代逐渐找到最优的概率分布，最后得到最优的用户接入方案，实现负载平衡，提高异构网络的传输性能。

为了实现上述目标，本发明提出一种基于交叉熵最小化的用户接入方法，适用场景是包含若干宏基站和小基站的异构网络。首先，构建网络效用最大化的用户接入优化问题；然后，建立优化问题的概率学习模型，以最小化交叉熵为目标函数优化概率分布；最后，根据统计采样方法，迭代获得接近最优的概率分布，确定用户接入方案，具体包括以下步骤：

1)根据当前信道状态信息，计算各基站到用户的信干噪比和频谱效率，具体如下：

其中，SINR_ij表示基站j到用户i的信干噪比，下标q表示基站集合中标号不为j的基站标号， P_j表示基站j的发射功率，P_q表示基站q的发射功率，h_ij表示基站j到用户i之间的信道增益， h_iq表示基站q到用户i的信道增益，信道增益仅考虑路径损耗，σ²表示噪声功率。和分别表示用户标号的集合和基站标号的集合，R_ij表示基站j到用户i的频谱效率，W是系统带宽，x_ij指示用户i是否接入基站j，如果用户i接入基站j，则x_ij＝1，反之x_ij＝0。log(·)表示取底为2的对数操作。