[发明专利]基于一维深度卷积神经网络的功率分配策略

说明书

本发明公开了基于一维深度卷积神经网络的功率分配策略，属于通信系统领域，针对现有基于深度神经网络的功率分配算法的不足，提供一种基于一维深度卷积神经网络的功率控制策略，既能实现在线决策，又能对传统算法达到一个很好的性能逼近，其网络预测能力要优于目前的基于全连接结构的深度神经网络。本发明研究了用一维卷积神经网络替代传统算法的资源分配策略，通过监督学习的方式，学习基于传统算法得到的功率分配效果，实现快速可靠的在线决策，与传统的基于深度学习的功率分配算法相比，克服了学习能力有限的缺点，其预测能力更高。

技术领域

本发明属于通信系统领域，具体涉及基于一维深度卷积神经网络的功率分配策略。

背景技术

随着互联网技术和基站密集化概念的推广和提升，不断增长的业务需求和对蜂窝网络的容量和速率的要求逐渐增加，通信系统中如何资源分配成为需要考虑的问题，更具体的，如何进行功率分配成为需要考虑的问题，传统的功率分配算法是迭代充水算法，其原理是在给定基站的关联用户中，信道质量好的用户分配更大功率，较差信道质量的用户分配小功率或者不分配功率，以此实现单个基站的效用函数最大化，然而该算法的收敛性能差，即收敛性低，而缓慢的收敛会导致较高的计算复杂度，这也限制了其应用范围，而深度学习技术可以帮助解决。

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)、递归神经网络(RNN)。而在通信系统中许多利用神经网络通过参数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，实现频谱效率或能效目标的最大化，又或者是通过逼近IPM算法，实现系统和速率最大化的目标；卷积神经网络方面，利用卷积滤波器对局部特征进行提取，以监督学习的方式实现频谱效率、能效或和速率的最大化。

总的来说，神经网络优势在于对传统算法性能的非线性逼近，同时复杂度低，这对通信系统中的实时决策很有帮助，然而深度神经网络的特征学习能力有限，基于深度神经网络的资源分配策略的预测能力不足，因此，研究改进的神经网络通过提升预测能力对基于深度学习的通信资源分配具有重大的意义。

发明内容

发明目的：本发明的目的在于提供基于一维深度卷积神经网络的功率分配策略，在通信系统中实现更加实时可靠的在线功率分配。

技术方案：为实现上述目的，本发明采用如下技术方案：基于一维深度卷积神经网络的功率分配策略，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。

进一步地，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。

进一步地，所述的步骤2中，重复多次收集10万组所述的数据集。

进一步地，所述的步骤1中，具体包括如下步骤：假设考虑到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。