[发明专利]一种深度学习的无蜂窝系统下行链路的功率分配方法

说明书

本发明公开一种深度学习的无蜂窝系统下行链路的功率分配方法，包括：S1，S2构建全连接神经网络结构模型，将功率分配变量集合与传统算法的解之间的问题转化为训练神经网络的权值W和偏置项b之间的问题，目的是将损失函数，最小化，S3。本发明使用M‑MMSE预编码在大规模MIMO网络的下行链路中分配功率，首先采用具有全连接层的前馈神经网络，并且由输入层，隐藏层和输出层组成，产生最优功率分配矢量的估计值，使神经网络学习所有用户的估计值，以便满足功率约束并提高估计精度，大大提高了收敛速度，降低了运算量。

技术领域

本发明涉及功率分配方法技术领域，具体为一种深度学习的无蜂窝系统下行链路的功率分配方法。

背景技术

传统的基于蒙特卡罗思想的算法涉及大量高维矩阵乘法运算，需要多项式或准多项式复杂度来求解，需要不断迭代更新，然而由于天线和用户数量非常大，在处理资源分配时，经典的二阶算法因计算复杂度高，难以应对，为此，我们提出一种深度学习的无蜂窝系统下行链路的功率分配方法。

发明内容

因此，本发明的目的是提供一种深度学习的无蜂窝系统下行链路的功率分配方法，使用M-MMSE预编码在大规模MIMO网络的下行链路中分配功率，首先采用具有全连接层的前馈神经网络，并且由输入层，隐藏层和输出层组成，产生最优功率分配矢量的估计值，使神经网络学习所有用户的估计值，以便满足功率约束并提高估计精度，大大提高了收敛速度，降低了运算量。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种深度学习的无蜂窝系统下行链路的功率分配方法，包括：

S1：考虑一个具有L个小区的大规模多输入多输出网络的下行链路，每个小区包括一个具有M个天线和K个用户的基站，采用具有全连接层的前馈神经网络，并且由2KL维输入层、N个隐藏层和K+1维输出层组成，用来拟合所有功率分配变量集合与传统算法的解的关系，并以训练的方式使其逐步迭代；

S2：构建全连接神经网络结构模型，将功率分配变量集合与传统算法的解之间的问题转化为训练神经网络的权值W和偏置项b之间的问题，目的是将损失函数，最小化；

S3：神经网络使用的数据集由DeepMIMO数据集计算产生，最优功率分配通过用传统优化方法计算获得，使用80％的样本用于训练，10％用于验证，另外10％样本组成测试集，独立于训练集。

作为本发明所述的一种深度学习的无蜂窝系统下行链路的功率分配方法的一种优选方案，其中，所述S3步骤中，具体操作方法为：

a.首先读取功率分配变量集合的数据与传统算法的对应解，并进行维度转换；

b.初始化神经网络中所需的参数；

c.分层定义网络结构以及每一层神经元数量和激活函数参数，在模型层面，设计6层全连接网络模型；

d.在合并模型阶段，使用Adam优化器并在函数内设置初始学习率为0.01，选择了相对均方误差作为训练指标，并且加入早停法指定patience参数为50，即50个epoch内loss函数无明显下降则终止训练；

e.在训练阶段，依据以上的方法和参数对数据进行拟合。换用不同的学习率和训练集与验证集的比例进行训练，查看和参数来将学习率、批样本量和训练轮数等超参数则进行调整，并使用一个数据量较小的测试集进行预测，逐步调整参数以得出符合要求的训练结果。

作为本发明所述的一种深度学习的无蜂窝系统下行链路的功率分配方法的一种优选方案，其中，6层全连接网络模型中，前五层之间选用elu激活函数，表达式如下：x＜0:ELU(x)＝e^x-1，x≥0:ELU(x)＝x。