[发明专利]基于一维深度卷积神经网络的功率分配策略

权利要求书

1.基于一维深度卷积神经网络的功率分配策略，其特征在于：包括如下步骤：

步骤1，通信建模；

步骤2，收集数据集，收集包括基站与用户之间的信道状态信息h_k和注水算法下的最优功率值p^*作为一组数据集；

步骤3，构建一维深度卷积神经网络，初始化神经网络权重；

步骤4，训练神经网络，构造神经网络的预测功率值p和最优功率值p^*之间的均方误差作为损失函数，并确定训练时的优化算法；

步骤5，当损失函数小于预设值或满足训练的迭代次数时，完成训练并保存神经网络。

2.根据权利要求1所述的基于一维深度卷积神经网络的功率分配策略，其特征在于：所述的步骤1中，通信建模具体为：建立单小区多用户的通信环境，环境中基站与用户的位置均匀分布，基站与用户之间的下行信道为瑞利衰落信道。

3.根据权利要求1所述的基于一维深度卷积神经网络的功率分配策略，其特征在于：所述的步骤2中，重复多次收集10万组所述的数据集。

4.根据权利要求1所述的基于一维深度卷积神经网络的功率分配策略，其特征在于：所述的步骤1中，具体包括如下步骤：假设一个单小区蜂窝网络环境，小区中央部署一个基站，周围随机分布k个用户，用户集合：K＝{1,2,3···,k}，这些用户由中央位置的基站为其提供数据服务。

5.根据权利要求4所述的基于一维深度卷积神经网络的功率分配策略，其特征在于：所述的步骤1中，考虑到均值为1的瑞利衰落信道环境，其中，用户k到基站的信道状态信息为h_k,k∈K，该信道状态信息是考虑瑞利衰落环境下用户到基站之间的路径损失，之间的传输功率用p_k表示；则下行链路中，用户k处的SINR表示为其中是背景噪声，h_k是用户k与基站之间的信道状态信息，p_k是用户基站到用户k的传输功率，则其可达速率表示为R_k＝log₂(1+SINR_k)，系统和速率性能表示为

6.根据权利要求1所述的基于一维深度卷积神经网络的功率分配策略，其特征在于：所述的步骤3中，一维卷积神经网络负责学习输入信号信道增益到输出信号最优用户关联或功率分配之间的映射关系。

7.根据权利要求1所述的基于一维深度卷积神经网络的功率分配策略，其特征在于：所述的步骤3中，具体包括如下步骤：

步骤1)收集环境内用户与基站之间的信道状态信息，并运行注水算法得到相应的最优功率值p^*，重复10万次得到数据集；

步骤2)确定训练数据和测试数据的分割比；

步骤3)设计并构建一维卷积神经网络的框架结构，同时初始化神经网络的权重参数w和偏置参数b。

8.根据权利要求7所述的基于一维深度卷积神经网络的功率分配策略，其特征在于：所述的步骤4中，构造神经网络具体为预测功率值p与最优功率值p^*之间的均方误差作为损失函数确定Adam优化器来优化训练神经网络。

9.根据权利要求8所述的基于一维深度卷积神经网络的功率分配策略，其特征在于：所述的步骤5具体为满足迭代次数epochs＝300或损失函数小于预设值loss≤0.1×10^-3时保存网络。