[发明专利]一种基于深度学习的毫米波通信系统中的功率控制方法

权利要求书

1.一种基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，包括以下步骤：

(1)收集环境内D2D设备和蜂窝设备的地理位置信息，构造两个大小为M×M的密度网格矩阵来表示链路收发机的位置；

(2)将相应用户位置的信道增益输入到WMMSE算法，得到相应样本下的最优功率分配标签p^*，收集训练数据集；

(3)确定训练集和测试集的分割比例；

(4)构建卷积神经网络模型，并初始化神经网络权重；所述卷积神经网络模型的目标函数为：

约束为：

0p_ip_M

I_CI_S

其中，W是通信带宽；h_ij是i链路的发射机到j链路的接收机之间的信道增益；p_i是i链路的传输功率；p_M是链路中允许的最大传输功率；是环境噪声；I_C是蜂窝用户受到的干扰；I_S是蜂窝用户可以忍受的最大干扰；由约束项分别对传输功率设定上下限以及限制蜂窝用户受到的干扰在I_S以下；

(5)将训练数据集输入至神经网络中，构建神经网络的输出和标签之间的MSE作为损失函数，并选择一个梯度下降算法优化神经网络的权重；

(6)当损失函数小于预设值或达到迭代次数时，完成训练并保存神经网络；

(7)测试阶段由测试集作为输入数据验证性能。

2.根据权利要求1所述的基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，步骤(2)所述的训练数据集包括收发机的密度网格矩阵和相应的最优功率分配标签数据。

3.根据权利要求1所述的基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，所述步骤(2)实现过程如下：

生成随机用户收发机之间的距离在[5,65]中均匀分布，以网格的形式将区域量化，构造两个大小为1000×1000的密度网格矩阵，神经网络卷积层中的卷积滤波器将直接作用于网格矩阵，由卷积滤波器提取收发机对附近收发机产生的以及受到的干扰特征以及链路的信道增益信息。

4.根据权利要求1所述的基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，步骤(4)所述的神经网络框架为1层卷积层、3层隐藏层、1层输出层；所述卷积层作为输入层接收输入数据并提取干扰特征，使用2个40×40的卷积核来生成特征图，从卷积核中提取链路的信道增益信息；联合干扰特征和增益信息输送至3层附带ReLU函数的隐藏层；由最终的输出层经sigmoid函数作激活后产生功率分配策略。

5.根据权利要求1所述的基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，步骤(5)所述的损失函数构造如下：

其中，p^*为最优功率分配标签，p_i是i链路的传输功率；采用小批次梯度下降算法，每批次包含A个样本，训练周期为λ＝500，选择adam优化器优化卷积核和神经网络的权重和偏置参数。