CN108848519B - 一种基于交叉熵学习的异构网络用户接入方法 - Google Patents

Abstract

本发明提出一种基于交叉熵学习的异构网络用户接入方法，采用交叉熵准则，建立问题的概率学习模型，利用机器学习领域中的统计采样方法找到最优的概率分布，最后得到最优的用户接入方案，按如下步骤进行：首先，构建网络效用最大化的用户接入优化问题；然后，将接入矩阵建模为随机变量，建立原问题的概率学习模型，以最小化交叉熵为目标函数优化概率分布；最后，根据统计采样方法，利用表现较好的样本更新概率矩阵，迭代获得接近最优的概率分布，确定用户接入方案。本发明以较低的计算复杂度获得接近最优的用户接入性能，实现网络负载平衡，提高异构网络的传输性能。与现有方法相比，本发明方法不需要根据网络调整算法参数，在异构网络中更加鲁棒。

Description

一种基于交叉熵学习的异构网络用户接入方法

技术领域

本发明涉及一种基于交叉熵学习的异构网络用户接入技术，属于网络管理技术领域。

背景技术

异构网络是一种新型的网络拓扑结构，通过在宏基站周围配置大量发射功率较低的小基站，边缘用户的速率得到改善，整个网络的频谱效率也得到提升。用户接入是异构网络中的一个值得考虑的问题。由于小基站和宏基站之间存在功率差异，如果采用传统的基于路径损耗或者信号接收强度的用户接入方法，大部分用户将被接入宏基站，这就造成了基站负载不均匀。一方面，宏基站负载过重，无法很好地为用户提供服务，另一方面，小基站的资源也不能得到充分利用。如果考虑将部分宏基站的负载转移到小基站，就可以极大地改善系统性能。因此，异构网络中的负载平衡和用户接入一直是研究的热点。

用户接入的优化通常是一个组合优化问题，存在整数约束，使用穷举法可以找到理论上的最优解，但是需要指数级的计算量和复杂度。目前有关用户接入的研究主要是基于凸优化理论，先通过放缩等方法处理整数约束，然后利用凸优化方法，如拉格朗日对偶分析方法和次梯度方法来解决原来的非凸问题。然而这种方法不能保证解的最优性，而且对网络配置和参数选择很敏感，不适用于大规模的异构网络。因此，探索更加鲁棒和高效的用户接入优化方法是一个很有意义的研究方向。

机器学习是目前的一个热门研究方向，不少研究开始考虑利用机器学习来解决优化问题。其中，交叉熵最小化是一种有效的优化方法，首先基于概率模型对问题建模，然后利用统计采样和迭代来完成学习的过程。可以考虑应用交叉熵最小化方法来解决用户接入问题，降低计算复杂度，提高鲁棒性。

发明内容

为了更有效地解决异构网络中用户接入优化问题，本发明提出一种基于交叉熵学习的异构网络用户接入方法，通过建立优化问题的概率模型，以最小化交叉熵为目标函数，利用统计采样和迭代逐渐找到最优的概率分布，最后得到最优的用户接入方案，实现负载平衡，提高异构网络的传输性能。

为了实现上述目标，本发明提出一种基于交叉熵最小化的用户接入方法，适用场景是包含若干宏基站和小基站的异构网络。首先，构建网络效用最大化的用户接入优化问题；然后，建立优化问题的概率学习模型，以最小化交叉熵为目标函数优化概率分布；最后，根据统计采样方法，迭代获得接近最优的概率分布，确定用户接入方案，具体包括以下步骤：

1)根据当前信道状态信息，计算各基站到用户的信干噪比和频谱效率，具体如下：

其中，SINR_ij表示基站j到用户i的信干噪比，下标q表示基站集合中标号不为j的基站标号， P_j表示基站j的发射功率，P_q表示基站q的发射功率，h_ij表示基站j到用户i之间的信道增益， h_iq表示基站q到用户i的信道增益，信道增益仅考虑路径损耗，σ²表示噪声功率。

和

分别表示用户标号的集合和基站标号的集合，R_ij表示基站j到用户i的频谱效率，W是系统带宽，x_ij指示用户i是否接入基站j，如果用户i接入基站j，则x_ij＝1，反之x_ij＝0。log(·)表示取底为2的对数操作。

2)将最大化网络效用函数的用户接入问题建立为如下数学优化问题，具体建模如下：

其中，X＝(x₁₁，...，x_1J，...，x_IJ)^T是表示用户接入的矩阵，I是用户数目，J是基站数目，上标(·)^T表示向量和矩阵的转置操作，U_i(·)是效用函数，通常异构网络中考虑负载平衡采用的效用函数可以取为对数函数。

3)将用户接入矩阵X建模为随机变量x＝(x₁，...，x_n，...，x_N)^T，x_n代表x中第n个元素， N＝IJ。假设x服从某一概率分布模型，对于离散随机变量，通常可以假设x服从贝努利分布，即表示为x～Ber(u)，其中u＝(u₁，...，u_n，...，u_N)^T表示贝努利分布中定义的成功概率，即u_n对应 x_n取1的概率。由此，问题(3)转化为一个交叉熵最小化问题(4)，即寻找随机变量x最优概率分布中对应的参数u，具体建模如下：

其中，ln(·)是取底为自然数的对数操作，q(x)是观测到的样本概率分布，p(x；u)表示服从参数为u的贝努利分布的随机变量x的概率分布函数，具体表示如下：

4)利用统计采样方法进行迭代求解问题(4)，得到最优的用户接入矩阵X，此迭代算法具体按如下步骤进行：

步骤1：令迭代次数变量t＝0，初始化参数

其中，1表示元素全为1的向量，设置最大迭代次数T，通常可取T＝20；

步骤2：根据式(5)所示的概率分布函数，随机产生S个服从参数为u^(t)的贝努利分布的随机样本，产生获得的随机样本记为：

其中

表示第s个样本，其对应的用户接入矩阵表示为

通常取S＝cN，c为1到10之间的任意常数；

步骤3：计算各样本

对应的目标函数值，计算公式为：

步骤4：将S个目标函数值按降序排列，将对应目标函数值由大到小的样本分别记为x^max，1， x^max，2，...，x^max，S，即目标函数值满足：F(x^max，1)≥F(x^max，2)≥...≥F(x^max，S)，选择前S_elite个样本作为表现较好的矩阵，即x^max，1，x^max，2，...，

S_elite＝βS，其中0＜β≤1；

步骤5：根据下面式(7)更新概率参数u^(t+1)；

u^(t+1)＝αv+(1-α)u^(t) (7)

其中，α是权重因子，满足0≤α≤1，v＝(v₁，...，v_n，...，v_N)^T是中间变量，按照下面式(8)计算：

步骤6：判断若t＜T，t＝t+1，重复步骤2-6；若t＝T，停止迭代，输出X^max，1作为最优用户接入矩阵。

本发明的有益效果是：

(1)本发明方法采用效用函数最大化的优化模型，得到异构网络中最优的用户接入方案，实现了网络负载平衡，提高了系统整体速率；

(2)本发明方法提出一种基于机器学习和最小交叉熵的优化方法，将用户接入问题转化为求解最优概率分布，利用统计采样和迭代的方法，得到概率上接近最优的用户接入方案；

(3)与其他现有方法相比，本发明提出的优化算法更加鲁棒，不需要根据网络调整参数，可以实现以较低的复杂度达到接近最优的性能；

(4)本发明提出的优化算法具有一定的通用性，针对不同的目标函数都可以进行有效求解。

附图说明

图1是本发明的方法步骤流程图；

图2是不同接入方法下各基站用户接入量对比结果，可以看出，相比于最大信干噪比接入方法，本发明的接入算法可以实现负载平衡，将部分用户负载转移到小基站，实现近似最优的接入性能；

图3是用户速率的累积分布函数(CDF)比较图，可以看出，与最大信干噪比接入方法相比，本发明方法下用户速率大大提高，并且达到了近似最优的性能；

图4是不同接入算法下达到的网络效用函数值，可以看出，与最大信干噪比接入方法相比，本发明方法可以达到更好的性能，与最优(近似)算法之间性能差距很小；

图5是本发明与其他算法的计算复杂度对比结果，可以看出，相比于性能最优的穷举法，本发明方法复杂度较低。

具体实施方式

下面结合具体实施例进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等效变换均落于本申请所附权利要求所限定的范围。

以最大化效用函数为目标，基于交叉熵最小化方法优化异构网中用户接入，具体包括以下步骤：

1)根据当前信道状态信息，计算各基站到用户的信干噪比和频谱效率，具体如下：

其中，SINR_ij表示基站j到用户i的信干噪比，下标q表示基站集合中标号不为j的基站标号， P_j表示基站j的发射功率，P_q表示基站q的发射功率，h_ij表示基站j到用户i之间的信道增益， h_iq表示基站q到用户i的信道增益，信道增益仅考虑路径损耗，σ²表示噪声功率，

和

分别表示用户标号的集合和基站标号的集合，R_ij表示基站j到用户i的频谱效率，W是系统带宽，x_ij指示用户i是否接入基站j，如果用户i接入基站j，则x_ij＝1，反之x_ij＝0。log(·)表示取底为2的对数操作。

2)将最大化网络效用函数的用户接入问题建立为如下数学优化问题，具体建模如下：

其中，X＝(x₁₁，...，x_1J，...，x_IJ)^T是表示用户接入的矩阵，I是用户数目，J是基站数目。上标(·)^T表示向量和矩阵的转置操作，U_i(·)是效用函数，通常异构网络中考虑负载平衡采用的效用函数可以取为对数函数。

3)将用户接入矩阵X建模为随机变量x＝(x₁，...，x_n，...，x_N)^T，x_n代表x中第n个元素， N＝IJ。假设x服从某一概率分布模型，对于离散随机变量，通常可以假设x服从贝努利分布，即表示为x～Ber(u)，其中u＝(u₁，...，u_n，...，u_N)^T表示贝努利分布中定义的成功概率，即u_n对应 x_n取1的概率。由此，问题(3)转化为一个交叉熵最小化问题(4)，即寻找随机变量x最优概率分布中对应的参数u，具体建模如下：

其中，ln(·)是取底为自然数的对数操作，q(x)是观测到的样本概率分布，p(x；u)表示服从参数为u的贝努利分布的随机变量x的概率分布函数，具体表示如下：

4)利用统计采样方法进行迭代求解问题(4)，得到最优的用户接入矩阵X，此迭代算法具体按如下步骤进行：

步骤1：令迭代次数变量t＝0，初始化参数

其中，1表示元素全为1的向量，设置最大迭代次数T，通常可取T＝20；

步骤2：根据式(5)所示的概率分布函数，随机产生S个服从参数为u^(t)的贝努利分布的随机样本，产生获得的随机样本记为：

其中

表示第s个样本，其对应的用户接入矩阵表示为

通常取S＝cN，c为1到10之间的任意常数；

步骤3：计算各样本

对应的目标函数值，计算公式为：

步骤4：将S个目标函数值按降序排列，将对应目标函数值由大到小的样本分别记为x^max，1， x^max，2，...，x^max，S，即目标函数值满足：F(x^max，1)≥F(x^max，2)≥...≥F(x^max，S)，选择前S_elite个样本作为表现较好的矩阵，即x^max，1，x^max，2，...，

S_elite＝βS，其中0＜β≤1；

步骤5：根据下面式(7)更新概率参数u^(t+1)；

u^(t+1)＝αv+(1-α)u^(t) (7)

其中，α是权重因子，满足0≤α≤1，v＝(v₁，...，v_n，...，v_N)^T是中间变量，按照下面式(8)计算：

步骤6：判断若t＜T，t＝t+1，重复步骤2-6；若t＝T，停止迭代，输出X^max，1作为最优用户接入矩阵。

Claims (1)

1.一种基于交叉熵学习的异构网络用户接入方法，其特征在于，包括以下步骤：

1)根据当前信道状态信息，计算各基站到用户的信干噪比和频谱效率，其中，基站j到用户i的信干噪比和频谱效率分别按照如下公式计算：

SINR_ij表示基站j到用户i的信干噪比，下标q表示基站集合中标号不为j的基站标号，P_j表示基站j的发射功率，P_q表示基站q的发射功率，h_ij表示基站j到用户i之间的信道增益，h_iq表示基站q到用户i的信道增益，信道增益仅考虑路径损耗，σ²表示噪声功率，

和

分别表示用户标号的集合和基站标号的集合，R_ij表示基站j到用户i的频谱效率，W是系统带宽，x_ij指示用户i是否接入基站j，如果用户i接入基站j，则x_ij＝1，反之x_ij＝0，log(·)表示取底为2的对数操作；

2)将最大化网络效用函数的用户接入问题建立为如下数学优化问题：

X＝(x₁₁,...,x_1J,...,x_IJ)^T是表示用户接入的矩阵，I是用户数目，J是基站数目，上标(·)^T表示向量和矩阵的转置操作，U_i(·)是效用函数，异构网络中考虑负载平衡采用的效用函数可以取为对数函数；

3)将用户接入矩阵X建模为随机变量x，x服从贝努利分布，即表示为x～Ber(u)，其中u表示贝努利分布中定义的成功概率，由此，所述数学优化问题转化为一个交叉熵最小化问题，即寻找随机变量x最优概率分布中对应的参数u，所述交叉熵最小化问题具体建模如下：

ln(·)是取底为自然数的对数操作，q(x)是观测到的样本概率分布，x＝(x₁,...,x_n,...,x_N)^T，x_n代表x中第n个元素，N＝IJ，u＝(u₁,...,u_n,...,u_N)^T，u_n表示x_n取1的概率，p(x；u)表示服从参数为u的贝努利分布的随机变量x的概率分布函数，具体表示如下：

4)利用统计采样方法进行迭代求解所述交叉熵最小化问题，得到最优的用户接入矩阵X；

所述迭代求解算法具体按如下步骤进行：

步骤1：令迭代次数变量t＝0，初始化参数

其中，1表示元素全为1的向量，设置最大迭代次数T，取T＝20；

步骤2：根据所述随机变量x的概率分布函数，随机产生S个服从参数为u^(t)的贝努利分布的随机样本，产生获得的随机样本记为：

其中

表示第s个样本，其对应的用户接入矩阵表示为

取S＝cN，c为1到10之间的任意常数；

步骤3：计算各样本

对应的目标函数值，计算公式为：

步骤4：将S个目标函数值按降序排列，将对应目标函数值由大到小的样本分别记为x^{max ,1}，x^max,2，…，x^max,S，即目标函数值满足：F(x^max,1)≥F(x^max,2)≥...≥F(x^max,S)，选择前S_elite个样本作为表现较好的矩阵，即

S_elite＝βS，其中0<β≤1；

步骤5：根据下面公式更新概率参数u^(t+1)：

u^(t+1)＝αv+(1-α)u^(t)

其中，α是权重因子，满足0≤α≤1，v＝(v₁,...,v_n,...,v_N)^T是中间变量，按照下面公式计算：

步骤6：判断若t<T，t＝t+1，重复步骤2-6；若t＝T，停止迭代，输出X^max,1作为最优用户接入矩阵。

Images