[发明专利]基于深度学习的认知无线电功率控制方法

权利要求书

1.一种基于深度学习的认知无线电功率控制方法，其特征在于，包括以下步骤：

S1.改进传统的WMMSE算法，得到满足主用户可容忍的干扰阈值并保证次用户通信质量的WMMSE算法；

S2.将改进的WMMSE算法的输入与输出作为训练集，利用深度学习模型得到主用户和次用户的功率分配；

步骤Sl改进传统WMMSE算法具体包括以下步骤：

首先建立认知无线电网络重叠式通信模型，设通信模型中有1个主用户和M个次用户，主用户和次用户均包括发射器和接收器，次用户i接收器上接收的信号y_i为：

式中：i∈{1，2，3，...，M}，j∈{1，2，3，..，M}；h_ii表示次用户i发射器与次用户i接收器间的信道增益；s表示传输信号；v表示用户用来传输信号s时对信号的增强；h_iiv_is_i表示次用户i发射器上发射的有用信号；h_ij表示次用户j发射机到次用户i接收器的信道增益；表示其他非次用户i发射器上发射的信号；h_i0表示主用户对次用户i的干扰增益；h_i0v₀s₀表示主用户对次用户i造成的干扰；n_i表示加性高斯白噪声；

次用户i接收器上接收的信号为：其中u表示信号接收器上的信号放大器；

使次用户对主用户的干扰小于等于主用户的总干扰功率阈值：

式中：h_0i表示次用户i对主用户的干扰增益；p_i表示次用户i的发射功率，0≤p_i≤P_max，P_max为次用户信号发射器的最大发射功率，I_th为主用户的总干扰功率阈值；

次用户i接收器上的信号与干扰加噪声比SINR_i为：

式中：表示主用户发射器对于次用户i接收器的干扰，p_PU表示主用户发射器的实际发射功率；且保证SINR_i≥γ_i，γ_i表示次用户i接收器上的SINR的阈值；

此时，在保证主用户良好的通信质量和保证次用户一定的通信质量的情况下最大化次用户的速率和可以用数学模型表示为：

s.t.0≤p_i≤P_max

确认上述问题为NP-hard，接收器所接收到信号的均方差可以表示为：

WMMSE算法引入额外的算子将低维问题转换为高维度的空间，将最大化次用户速率和的问题转化为最小化均方差的问题，如下式：

求得次用户最佳的分配功率为：

功率分配的算法实现方法如下：

A)初始化且

B)根据初始化的的值计算和

C)将和这些初始值代入目标中，对和进行更新；

D)当满足下列条件：

即得当前环境下次用户的最优功率若不满足条件，则重复上一步继续进行；

深度学习方式为深度神经网络，则基于深度神经网络的认知无线电功率控制方法包括以下步骤：

将信道增益矩阵(N，M+1，M+1)重构为[N，(M+1)*(M+1)]的样本尺寸并作为输入送入深度神经网络中；其中N表示样本数量，M+1表示一个主用户和M个次用户；

将经过第一层隐藏层计算得到的数据节点作为下一层的输入，得到新的数据，并继续作为下一层的输入，以此类推，最终在输出层得到[N，M]个输出，即为M个次用户的预测功率；

之后通过三个全连接的隐藏层得到，最后的输出层的结果是预测在信道增益矩阵下每一个次用户应该分配的合适功率；

最后，分别使用MSE和Adam作为网络的代价函数和优化器，MSE如下所示：

式中：p_wmmse表示使用WMMSE算法所得的次用户的功率值，p_dnn表示使用DNN预测的次用户的功率值；

深度学习方式为卷积神经网络，则基于卷积神经网络的认知无线电功率控制方法包括以下步骤：

将信道增益矩阵作为输入数据，输出为次用户的预测传输功率；第一部分由两层卷积层组成，每个卷积层后使用激活函数对当层的输出作修正；

第二部分为全连接部分，通过三个全连接的隐藏层得到，最后的输出层的结果是预测在信道增益矩阵下每一个次用户应该分配的合适功率；

最后，分别使用MSE和Adam作为网络的代价函数和优化器，MSE如下所示：

式中：p_wmmse表示使用WMMSE算法所得的次用户的功率值，p_dnn表示使用DNN预测的次用户的功率值；

深度学习方式为图神经网络，则基于图神经网络的认知无线电功率控制方法包括以下步骤：

将认知无线电网络的重叠式共享信道模型转化为含有M+1个顶点的有向完全图，令h₀₀节点表示主用户的发射器与接收器对，其余每一个节点都表示一对次用户的信号发射器和接收器，两个顶点之间的有向边表示两个次用户之间的干扰增益；

设为在认知无线电网络的信道增益矩阵H下，满足主用户的干扰I_th和次用户i的信干噪比γ_i的情况下，次用户i的信号发射功率；其输入的图结构为：

G＝(V，E)

V＝{h_ii|1≤i≤M}

E＝{h_ij|1≤i≤M，1≤i≤M，i≠j}

其中V为图中各节点的集合，E为节点之间的边，即将原本完成的信道增益矩阵H分解为有益的信道增益h_ii和干扰增益h_ij；在使用神经聚合节点i的邻接节点的信息时，使用求平均值的方法，其公式如下：

其中，N(h)表示节点h的邻接信息的集合，W_k表示第k层神经网络的权重，B_k为偏置；表示在第k层中节点h的embedding，σ(·)为该层神经网络的激活函数；其将次用户的速率和的负值最小化以作为网络的损失函数，之后使用随机梯度下降法对其进行优化；

首先将原本的信道增益矩阵分解为三组向量，分别为对角线上各用户的信道增益{h_ii}，以及干扰增益{h_ij}和{h_ji}；{h_ii}即为节点，{h_ij}和{h_ji}是与该节点相连的边；将每个节点上的信息作为第一部分的输入，然后将各节点训练得到数据拼接到一起作为下一个神经网络的输出，最后通过训练得到次用户的功率。