[发明专利]一种基于集成神经网络的终端设备传输功率的控制方法

说明书

本发明公开一种基于集成神经网络的终端设备传输功率的控制方法，收集D2D链路的信道功率增益样本；并输入到SPCA算法，得到相应样本下的最优功率分配策略；搭建深度神经网络和卷积神经网络，并初始化神经网络权重；将训练数据集输入至神经网络，构建神经网络的输出和标签之间的MSE作为损失函数，并对神经网络的权重进行更新；当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；构建选择器，选择并输出具有更高性能的分配策略。本发明克服了深度神经网络对大规模网络学习能力弱和卷积神经网络对小规模网络的局部特征提取的有限性，用集成学习的思想，将两个网络集成起来，使其能适应不同规模网络实时的功率分配需求。

技术领域

本发明属于通信系统物理层技术，具体的涉及无线通信系统资源分配技术，尤其涉及一种基于集成神经网络的终端设备传输功率的控制方法。

背景技术

物联网设备数量的激增导致激烈的带宽竞争。如果要达到令人满意的数据交付率，传统的方案是通过多个用户以非正交的方式共享多个子载波，但这也将导致多个用户之间的相互干扰，彼此成为对方的噪声源。这带来的结果是一个子载波中单个用户的数据交付率随该子载波中其它用户的传输功率的增加而减少。如何进行适当的功率分配以平衡干扰和数据速率成为研究的新方向。

另外，典型的功率分配算法是迭代-充水算法，它可以找到满足系统中所有用户和速率最大化性能的次优解，该算法的缺点是收敛性能差，包括收敛性低，而缓慢的收敛会导致比较高的计算复杂度，当面对大规模网络，尤其是有大量终端设备的通信网络时，迭代算法的收敛性很难得到保证，这也限制了其应用领域，即仅能在小规模网络中得到运用。

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)。

许多利用神经网络通过功率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，来实现系统频谱效率(SE)最大化或能效(EE)最大化，又或者是通过逼近IPM算法，实现系统和速率(SR)最大化的目标，卷积神经网络方面，通过利用卷积滤波器对局部特征进行提取，以监督的方式实现SE、EE或SR最大化的目标。通过研究对比发现，DNN更适合在小规模网络中进行特征提取，而在大规模网络中，CNN的学习能力优于DNN，具体来说就是同样迭代次数下，CNN比DNN有更小的均方误差(MSE)。结合以上结论，我们加入集成网络的思想。

发明内容

发明目的：本发明的目的是针对现有功率控制算法的不足，提供一种基于集成神经网络的终端设备传输功率的控制方法，实现在线决策，并能够对传统算法达到一个很好的性能逼近，可以适合不同规模的网络环境的在线决策，灵活性高。

技术方案：本发明所述的一种基于集成神经网络的终端设备传输功率的控制方法，具体包括以下步骤：

(1)收集D2D链路的信道功率增益样本；

(2)将收集到的信道功率增益样本输入到SPCA算法，并得到相应样本下的最优功率分配策略，收集训练数据集，包括信道增益样本和标签；

(3)搭建基于深度神经网络和卷积神经网络结合形成的集成神经网络，并初始化集成神经网络权；

(4)将训练数据集分别输入至深度神经网络和卷积神经网络，构建两神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对两神经网络的权重进行更新；

(5)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；

(6)测试阶段构建选择器，由选择器负责收集两个神经网络输出的功率分配；