[发明专利]能量收集不可信中继网络中基于深度学习的功率分配方法

权利要求书

1.一种能量收集不可信中继网络中基于深度学习的功率分配方法，其特征在于包括下述步骤：

步骤一，数据集的生成；

在训练FC-DNN之前，首先产生一组训练集和一组测试集，每组样本包括信道特性的组合以及对应的最优功率分配因子α_opt；训练集和测试集由随机生成的CSI组成，服从标准正态分布；对应的标签通过遍历算法计算求得；

步骤二，DNN网络的构建；

DNN网络是一个五层的全连接网络，分别是输入层，3层隐藏层和输出层；网络的输入是CSI模值平方组成的向量，输出是最优功率分配因子，输入层和隐藏层的激活函数设置为ReLu，输出层的激活函数设置为tanh，损失函数选用均方误差函数；采用自适应矩估计作为损失函数的优化器，计算自适应性参数学习率，同时采用批训练分批将数据喂入DNN网络，加速网络的收敛，使网络更快的学习到输入到输出的映射关系；

步骤三，DNN网络的训练与测试；

a)训练阶段，将训练集输入DNN网络中进行训练，数据喂入后，数据进行正向传播，网络从信道增益与最优功率分配因子α_opt之间学习到函数关系，DNN从大数据中学习并拟合出函数关系，通过调整网络的激活函数、优化器、神经单元数目来优化网络，使DNN网络的预测值与真实值之间的误差最小，并保存网络的参数；

b)DNN网络训练完成后，在测试阶段，随机生成新的数据喂入已训练好的DNN网络，计算测试阶段网络的输出和理论值之间的误差，测试网络的泛化能力。