CN109982328B - 一种基于深度神经网络的协作频谱共享智能契约设计方法 - Google Patents

一种基于深度神经网络的协作频谱共享智能契约设计方法 Download PDF

Info

Publication number
CN109982328B
CN109982328B CN201910097980.4A CN201910097980A CN109982328B CN 109982328 B CN109982328 B CN 109982328B CN 201910097980 A CN201910097980 A CN 201910097980A CN 109982328 B CN109982328 B CN 109982328B
Authority
CN
China
Prior art keywords
contract
dynamic
stage
information
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910097980.4A
Other languages
English (en)
Other versions
CN109982328A (zh
Inventor
赵楠
谭惠文
刘畅
裴一扬
刘聪
曾春艳
贺潇
刘泽华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201910097980.4A priority Critical patent/CN109982328B/zh
Publication of CN109982328A publication Critical patent/CN109982328A/zh
Application granted granted Critical
Publication of CN109982328B publication Critical patent/CN109982328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/14—Spectrum sharing arrangements between different networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于无线通信技术领域，具体涉及一种基于深度神经网络的协作频谱共享智能契约设计方法。针对契约签订前后信息和行为隐匿性双重非对称动态网络信息问题，在研究小型基站多阶段流量卸载能力类型和流量卸载服务行为的数学模型描述方法的基础上，通过探索多阶段私有信息甄别机制，以规避动态逆向选择问题；通过设计多阶段私有行为激励策略，以规避动态道德风险行为；针对双重非对称动态网络信息场景下多阶段动态契约模型的非凸优化求解问题，利用小型基站的私有信息和声誉信息，通过建立多层神经网络结构框架，探索基于深度学习的多阶段智能契约模型，研究双重信息非对称场景下多阶段动态契约优化设计策略，从而保证多阶段协作频谱共享实现。

Description

一种基于深度神经网络的协作频谱共享智能契约设计方法
技术领域
本发明属于无线协作通信技术领域，具体涉及一种动态非对称信息条件下多阶段协作频谱共享契约方法。
背景技术
由于认知无线网络环境的复杂性和网络信息的动态性，动态网络信息无法准确获知，小基站(Small Base Stations,SBSs)的信息和行为常常是无法核实的。因此，在协作频谱共享契约机制中，动态逆向选择和动态道德风险两类问题经常同时出现。比如，在每期签约之前，宏基站(Macro Base Stations,MBSs)不了解当前阶段SBSs的能力信息，即动态逆向选择问题；在每期签约之后，MBSs不知道SBSs在当前阶段是否积极参与流量卸载，即动态道德风险问题。现有工作集中在单期双重非对称信息条件下静态契约设计。
此外，协作频谱共享契约机制优化问题属于非凸优化问题。现有方法大多采用近似、限制求解域或简化为凸优化子问题等策略，这会导致部分性能损失。虽然一些启发式优化方法能够获得近似最优解，但由于自身的局限性，不能圆满解决大型、复杂、动态的非凸优化问题。同时，现有方法大多通过迭代策略解决上述优化问题，计算成本过高且无法满足动态环境对实时性要求。此外，传统基于机器学习的优化算法研究大多通过构建深度神经网络，以近似迭代优化算法，但这类方法只能解决较为简单的迭代问题。虽然研究人员已探索性地将深度神经网络应用于一些通信领域，但大多关注信号建模和检测而非优化算法方面。
基于此，本发明针对双重非对称动态网络信息特点，提出利用深度学习方法获得最优的协作频谱共享动态契约设计，通过建立多阶段协作频谱共享动态契约模型，以实现能力信息甄别和协作努力激励双目标。
发明内容
为了克服上述现有技术存在的不足，本发明的目的在于提出一种基于深度神经网络的协作频谱共享智能契约设计方法。
为了达到上述目的，本发明所采用的技术方案是：一种基于深度神经网络的协作频谱共享智能契约设计方法，其特征在于，针对契约签订前后信息和行为隐匿性双重非对称动态网络信息问题，在研究小基站(Small Base Stations,SBSs)多阶段流量卸载能力类型和流量卸载服务行为的数学模型描述方法的基础上，通过探索多阶段私有信息甄别机制，以规避动态逆向选择问题；通过设计多阶段私有行为激励策略，以规避动态道德风险行为。并且通过建立神经网络框架模型，研究实现双重信息非对称场景下多阶段动态契约优化，所述方法包括如下步骤：
步骤1，多阶段动态契约优化问题建模：在双重非对称动态网络信息场景下，建立多阶段动态契约优化问题模型；
步骤2，构建动态契约优化的神经网络模型，并训练动态契约优化的神经网络：针对双重非对称动态网络信息场景下多阶段动态契约模型的非凸优化求解问题，利用SBSs的私有信息和声誉信息，通过建立多层神经网络结构框架，研究双重信息非对称场景下多阶段动态契约优化设计策略，从而保证多阶段协作频谱共享实现。
进一步地，步骤1中，所述建立多阶段动态契约优化问题模型实现过程包括：
考虑由M个宏基站(Macro Base Stations,MBSs)、N个小型基站(Small BaseStations,SBSs)和若干个随机分布的移动用户组成的两层异构蜂窝网络。在每阶段t契约设计中，MBSs依据SBSs私有能力类型信息
Figure GDA0003691724280000021
和声誉信息
Figure GDA0003691724280000022
向SBSs提出当前期的契约
Figure GDA0003691724280000023
其中，
Figure GDA0003691724280000024
为固定收益，
Figure GDA0003691724280000025
为收益提成。
引入契约服务矩阵
Figure GDA0003691724280000026
以描述SBSi与MBSj签订频谱共享契约的方式，每一SBS最多只为一个MBS提供流量卸载服务，即
Figure GDA0003691724280000027
于是，当SBSi提供流量卸载服务
Figure GDA0003691724280000028
时，MBSj获得的期望效用为
Figure GDA0003691724280000029
SBSi获得的期望效用为
Figure GDA00036917242800000210
为了激励SBSs提供流量卸载服务，协作频谱共享契约需满足个人理性(individually rational，IR)约束条件，以确保SBSs参与协作所获得的效用
Figure GDA0003691724280000031
至少不低于其保留效用U0，即
Figure GDA0003691724280000032
为了激励SBSs忠实地向MBSs反馈其私有能力类型信息
Figure GDA0003691724280000033
协作频谱共享契约需满足激励相容(Incentive Compatibility,IC)约束条件，以确保私有能力类型信息为
Figure GDA0003691724280000034
的SBSs通过选择与自身能力类型相匹配的契约条款才能可实现期望效用最大，即
Figure GDA0003691724280000035
为了激励SBSs高效地参与流量卸载服务，协作频谱共享契约需满足IC2约束，以确保每个SBS获得最大的期望效用，即
Figure GDA0003691724280000036
由此，双重非对称动态网络信息场景下多阶段动态契约优化问题为在满足上述约束条件下，MBSs总期望效用的最大化：
Figure GDA0003691724280000037
进一步地，步骤2中，构建动态契约优化的神经网络模型,实现过程包括：
在建立多阶段动态契约优化问题基础上，研究基于深度神经网络的动态契约优化设计方法，以获得最优的多阶段协作频谱共享契约策略。
在基于深度学习的智能契约机制中，在给定神经网络模型参数ω的前提下，假设
Figure GDA0003691724280000038
服从先验分布
Figure GDA0003691724280000039
上述IR约束建模为预期违反IR约束条件，即
Figure GDA00036917242800000310
上述约束条件(3)可建模为预期事后regret，即
Figure GDA0003691724280000041
于是，从机器学习角度来看，多阶段动态契约优化问题可描述为在满足上述约束条件的前提下期望损失函数的最小化，即：
Figure GDA0003691724280000042
在如图1所示的基于深度神经网络契约设计框架中，网络结构由两个逻辑上不同的组件组成：服务网络
Figure GDA0003691724280000043
和支付网络
Figure GDA0003691724280000044
SBSs私有能力类型信息
Figure GDA0003691724280000045
和声誉信息
Figure GDA0003691724280000046
均作为输入数据进入网络的输入层；服务网络使用R个全连接的隐藏层建模(每个隐藏层采用sigmoidal激活函数)和1个全连接的输出层，通过softmax激活函数后，输出契约服务矩阵
Figure GDA0003691724280000047
支付网络使用T个全连接的隐藏层建模(每个隐藏层采用sigmoidal激活函数)和1个全连接的输出层，通过ReLU激活函数后输出固定收益
Figure GDA0003691724280000048
通过softmax激活函数后输出收益提成
Figure GDA0003691724280000049
进一步地，步骤2中，训练动态契约优化的神经网络，实现过程包括：
在网络结构训练阶段，优化问题中的预期损失函数、预期事后regret、预期IR惩罚等数据均由样本
Figure GDA00036917242800000410
以某种先验分布
Figure GDA00036917242800000411
产生，于是，预期损失函数用经验损失函数
Figure GDA00036917242800000412
代替，预期事后
Figure GDA00036917242800000413
被经验事后
Figure GDA00036917242800000414
代替，预期IR惩罚
Figure GDA00036917242800000415
被经验IR惩罚
Figure GDA00036917242800000416
代替，训练优化问题转化成：
Figure GDA0003691724280000051
进一步，采用增广拉格朗日乘子方法解决上述训练优化问题，通过在拉格朗日函数Cρ(ω；λirv'；λrgt')中增加违反约束条件的二次惩罚项：
Figure GDA0003691724280000052
其中，λirv',λrgt'∈Rn为拉格朗日乘子的向量，
在每次迭代中执行以下更新：
Figure GDA0003691724280000053
选取适当的惩罚参数，以保证增广拉格朗日方法能够收敛到优化问题的最优解，并利用Adam算法获得最小的损失函数，以优化神经网络的权重。
与现有技术相比，本发明的有益效果是：本发明针对契约签订前后信息和行为隐匿性双重非对称动态网络信息问题，在研究小基站(Small Base Stations,SBSs)多阶段流量卸载能力类型和流量卸载服务行为的数学模型描述方法的基础上，通过探索多阶段私有信息甄别机制，以规避动态逆向选择问题；通过设计多阶段私有行为激励策略，以规避动态道德风险行为；针对双重非对称动态网络信息场景下多阶段动态契约模型的非凸优化求解问题，利用SBSs的私有信息和声誉信息，通过建立多层神经网络结构框架，探索基于深度学的多阶段智能契约模型，研究双重信息非对称场景下多阶段动态契约优化设计策略，从而保证多阶段协作频谱共享实现。
附图说明
图1是本发明的多阶段协作频谱共享智能契约机制框架的示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明基于深度神经网络结构，深入探索双重非对称动态网络信息场景下多阶段协作频谱共享契约机制，实现小型基站能力信息甄别和流量卸载行为激励双目标。
具体实现过程如下：
针对双重非对称动态网络信息场景下多阶段动态契约模型的非凸优化求解问题，利用SBSs的私有信息和声誉信息，通过建立多层神经网络结构框架，探索基于深度学的多阶段智能契约模型，研究双重信息非对称场景下多阶段动态契约优化设计策略，从而保证多阶段协作频谱共享实现。
(1)多阶段动态契约优化问题建模
考虑由M个宏基站(Macro Base Stations,MBSs)、N个小型基站(Small BaseStations,SBSs)和若干个随机分布的移动用户组成的两层异构蜂窝网络。在每阶段t契约设计中，MBSs依据SBSs私有能力类型信息
Figure GDA0003691724280000061
和声誉信息
Figure GDA0003691724280000062
向SBSs提出当前期的契约
Figure GDA0003691724280000063
其中，
Figure GDA0003691724280000064
为固定收益，
Figure GDA0003691724280000065
为收益提成。
引入契约服务矩阵
Figure GDA0003691724280000066
以描述SBSi与MBSj签订频谱共享契约的方式，每一SBS最多只为一个MBS提供流量卸载服务，即
Figure GDA0003691724280000067
于是，当SBSi提供流量卸载服务
Figure GDA0003691724280000068
时，MBSj获得的期望效用为
Figure GDA0003691724280000069
SBSi获得的期望效用为
Figure GDA00036917242800000610
为了激励SBSs提供流量卸载服务，协作频谱共享契约需满足个人理性(individually rational，IR)约束条件，以确保SBSs参与协作所获得的效用
Figure GDA0003691724280000071
至少不低于其保留效用U0，即
Figure GDA0003691724280000072
为了激励SBSs忠实地向MBSs反馈其私有能力类型信息
Figure GDA0003691724280000073
协作频谱共享契约需满足激励相容(Incentive Compatibility,IC)约束条件，以确保私有能力类型信息为
Figure GDA0003691724280000074
的SBSs通过选择与自身能力类型相匹配的契约条款才能可实现期望效用最大，即
Figure GDA0003691724280000075
为了激励SBSs高效地参与流量卸载服务，协作频谱共享契约需满足激励相容约束，以确保每个SBS获得最大的期望效用，即
Figure GDA0003691724280000076
由此，双重非对称动态网络信息场景下多阶段动态契约优化问题为在满足上述约束条件下，MBSs总期望效用的最大化：
Figure GDA0003691724280000077
(2)构建动态契约优化的神经网络模型
在多阶段动态契约优化问题基础上，研究基于深度神经网络的动态契约优化设计方法，以获得最优的多阶段协作频谱共享契约策略。
在基于深度学习的智能契约机制中，在给定神经网络模型参数ω的前提下，上述IR约束建模为预期违反IR约束条件，即
Figure GDA0003691724280000078
上述IC1约束建模为预期事后regret，即
Figure GDA0003691724280000081
于是，从机器学习角度来看，多阶段动态契约优化问题可描述为在满足上述约束条件的前提下期望损失函数的最小化，即：
Figure GDA0003691724280000082
在如图1所示的基于深度神经网络契约设计框架中，网络结构由两个逻辑上不同的组件组成：服务网络
Figure GDA0003691724280000083
和支付网络
Figure GDA0003691724280000084
SBSs私有能力类型信息
Figure GDA0003691724280000085
和声誉信息
Figure GDA0003691724280000086
均作为输入数据进入网络的输入层；服全连接的隐藏层建模(每个隐藏层采用sigmoidal激活函数)和1个全连接的务网络使用R个全连接的隐藏层建模(每个隐藏层采用sigmoidal激活函数)和1个全连接的输出层，通过softmax激活函数后，输出契约服务矩阵
Figure GDA0003691724280000087
支付网络使用T个输出层，通过ReLU激活函数后输出固定收益
Figure GDA0003691724280000088
通过softmax激活函数后输出收益提成
Figure GDA0003691724280000089
(3)训练动态契约优化的神经网络
在网络结构训练阶段，优化问题中的预期损失函数、预期事后regret、预期IR惩罚等数据均由样本
Figure GDA00036917242800000810
以某种先验分布
Figure GDA00036917242800000811
产生，于是，预期损失函数用经验损失函数
Figure GDA00036917242800000812
代替，预期事后
Figure GDA00036917242800000813
被经验事后
Figure GDA00036917242800000814
代替，预期IR惩罚
Figure GDA00036917242800000815
被经验IR惩罚
Figure GDA00036917242800000816
代替，训练优化问题转化成：
Figure GDA0003691724280000091
Figure GDA0003691724280000092
Figure GDA0003691724280000093
进一步地,采用增广拉格朗日乘子方法解决上述训练优化问题。通过在拉格朗日函数Cρ(ω；λirv'；λrgt')中增加违反约束条件的二次惩罚项:
Figure GDA0003691724280000094
其中，λirv',λrgt'∈Rn为拉格朗日乘子的向量，ρ＞0为二次惩罚项的权重。
在每次迭代中执行以下更新：
Figure GDA0003691724280000095
选取适当的惩罚参数，以保证增广拉格朗日方法能够收敛到优化问题的最优解；利用Adam算法获得最小的损失函数，以优化神经网络的权重。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (2)

1.一种基于深度神经网络的协作频谱共享智能契约设计方法，其特征在于，针对契约签订前后信息和行为隐匿性双重非对称动态网络信息问题，在研究小基站SBSs多阶段流量卸载能力类型和流量卸载服务行为的数学模型描述方法的基础上，通过探索多阶段私有信息甄别机制，以规避动态逆向选择问题；通过设计多阶段私有行为激励策略，以规避动态道德风险行为；并且通过建立神经网络框架模型，研究实现双重信息非对称场景下多阶段动态契约优化，所述方法包括如下步骤：
步骤1，多阶段动态契约优化问题建模：在双重非对称动态网络信息场景下，建立多阶段动态契约优化问题模型；
步骤2，构建动态契约优化的神经网络模型，并训练动态契约优化的神经网络：针对双重非对称动态网络信息场景下多阶段动态契约模型的非凸优化求解问题，利用SBSs的私有信息和声誉信息，通过建立多层神经网络结构框架，研究双重信息非对称场景下多阶段动态契约优化设计策略，从而保证多阶段协作频谱共享实现；
步骤1中，所述建立多阶段动态契约优化问题模型实现过程包括：
考虑由M个宏基站MBSs、N个小型基站SBSs和若干个随机分布的移动用户组成的两层异构蜂窝网络，在每阶段t契约设计中，MBSs依据SBSs私有能力类型信息
Figure FDA0003691724270000011
和声誉信息
Figure FDA0003691724270000012
向SBSs提出当前期的契约
Figure FDA0003691724270000013
其中，
Figure FDA0003691724270000014
为固定收益，
Figure FDA0003691724270000015
为收益提成；
引入契约服务矩阵
Figure FDA0003691724270000016
以描述SBSi与MBSj签订频谱共享契约的方式，每一SBS最多只为一个MBS提供流量卸载服务，即
Figure FDA0003691724270000017
于是，当SBSi提供流量卸载服务
Figure FDA0003691724270000018
时，MBSj获得的期望效用为
Figure FDA0003691724270000019
SBSi获得的期望效用为
Figure FDA00036917242700000110
为了激励SBSs提供流量卸载服务，协作频谱共享契约需满足个人理性(individuallyrational，IR)约束条件，以确保SBSs参与协作所获得的效用
Figure FDA0003691724270000021
至少不低于其保留效用U0，即
Figure FDA0003691724270000022
为了激励SBSs忠实地向MBSs反馈其私有能力类型信息
Figure FDA0003691724270000023
协作频谱共享契约需满足激励相容IC约束条件，以确保私有能力类型信息为
Figure FDA0003691724270000024
的SBSs通过选择与自身能力类型相匹配的契约条款才能可实现期望效用最大，即
Figure FDA0003691724270000025
为了激励SBSs高效地参与流量卸载服务，协作频谱共享契约需满足激励相容约束，以确保每个SBS获得最大的期望效用，即
Figure FDA0003691724270000026
由此，双重非对称动态网络信息场景下多阶段动态契约优化问题为在满足上述约束条件下，MBSs总期望效用的最大化：
Figure FDA0003691724270000027
步骤2中，构建动态契约优化的神经网络模型，实现过程包括：
在建立多阶段动态契约优化问题基础上，研究基于深度神经网络的动态契约优化设计方法，以获得最优的多阶段协作频谱共享契约策略；
在基于深度学习的智能契约机制中，在给定神经网络模型参数ω的前提下，假设
Figure FDA0003691724270000028
服从先验分布
Figure FDA0003691724270000029
上述IR约束建模为预期违反IR约束条件，即
Figure FDA00036917242700000210
上述约束条件(3)建模为预期事后regret，即
Figure FDA0003691724270000031
于是，从机器学习角度来看，多阶段动态契约优化问题能够描述为在满足上述约束条件的前提下期望损失函数的最小化，即：
Figure FDA0003691724270000032
在基于深度神经网络契约设计框架中，网络结构由两个逻辑上不同的组件组成：服务网络
Figure FDA0003691724270000033
和支付网络
Figure FDA0003691724270000034
SBSs私有能力类型信息
Figure FDA0003691724270000035
和声誉信息
Figure FDA0003691724270000036
均作为输入数据进入网络的输入层；服务网络使用R个全连接的隐藏层建模和1个全连接的输出层，每个隐藏层采用sigmoidal激活函数，通过softmax激活函数后，输出契约服务矩阵
Figure FDA0003691724270000037
支付网络使用T个全连接的隐藏层建模和1个全连接的输出层，通过ReLU激活函数后输出固定收益
Figure FDA0003691724270000038
通过softmax激活函数后输出收益提成
Figure FDA0003691724270000039
2.根据权利要求1所述的基于深度神经网络的协作频谱共享智能契约设计方法，其特征在于：步骤2中，训练动态契约优化的神经网络，实现过程包括：
在网络结构训练阶段，优化问题(8)中的预期损失函数、预期事后regret、预期IR惩罚等数据均由样本
Figure FDA00036917242700000310
以某种先验分布
Figure FDA00036917242700000311
产生，于是，预期损失函数用经验损失函数
Figure FDA00036917242700000312
代替，预期事后
Figure FDA00036917242700000313
被经验事后
Figure FDA00036917242700000314
代替，预期IR惩罚
Figure FDA00036917242700000315
被经验IR惩罚
Figure FDA00036917242700000316
代替，训练优化问题转化成：
Figure FDA0003691724270000041
进一步，采用增广拉格朗日乘子方法解决上述训练优化问题，通过在拉格朗日函数Cρ(ω；λirv'；λrgt')中增加违反约束条件的二次惩罚项：
Figure FDA0003691724270000042
其中，λirv',λrgt'∈Rn为拉格朗日乘子的向量，ρ＞0为二次惩罚项的权重；
在每次迭代中执行以下更新：
Figure FDA0003691724270000043
选取适当的惩罚参数，以保证增广拉格朗日方法能够收敛到优化问题的最优解，并利用Adam算法获得最小的损失函数，以优化神经网络的权重。
CN201910097980.4A 2019-01-31 2019-01-31 一种基于深度神经网络的协作频谱共享智能契约设计方法 Active CN109982328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910097980.4A CN109982328B (zh) 2019-01-31 2019-01-31 一种基于深度神经网络的协作频谱共享智能契约设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910097980.4A CN109982328B (zh) 2019-01-31 2019-01-31 一种基于深度神经网络的协作频谱共享智能契约设计方法

Publications (2)

Publication Number Publication Date
CN109982328A CN109982328A (zh) 2019-07-05
CN109982328B true CN109982328B (zh) 2022-09-13

Family

ID=67076820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910097980.4A Active CN109982328B (zh) 2019-01-31 2019-01-31 一种基于深度神经网络的协作频谱共享智能契约设计方法

Country Status (1)

Country Link
CN (1) CN109982328B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110972160B (zh) * 2019-10-21 2022-06-28 湖北工业大学 一种异构蜂窝网络中无人机流量卸载契约机制设计方法
CN111294813B (zh) * 2020-02-01 2022-04-29 湖北工业大学 一种无人机流量卸载的多阶段逆向选择契约模型优化方法
US20230180016A1 (en) * 2021-12-08 2023-06-08 A10 Systems LLC Application-based incumbent informing capability for spectrum sharing
CN116095721B (zh) * 2023-04-07 2023-06-27 湖北工业大学 一种融合感知通信的移动群智网络契约激励方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014117135A2 (en) * 2013-01-28 2014-07-31 Interdigital Patent Holdings, Inc. Methods and apparatus for spectrum coordination
CN104618914A (zh) * 2015-01-04 2015-05-13 湖北工业大学 一种基于频谱合约的多用户协作频谱共享方法
CN106131857A (zh) * 2016-07-29 2016-11-16 浙江工业大学 一种基于契约的带宽和功率联合优化协作频谱共享方法
CN107509205A (zh) * 2017-08-17 2017-12-22 湖北工业大学 一种基于契约理论的协作频谱共享动态激励机制设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9262724B2 (en) * 2012-07-13 2016-02-16 International Business Machines Corporation Low-rank matrix factorization for deep belief network training with high-dimensional output targets

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014117135A2 (en) * 2013-01-28 2014-07-31 Interdigital Patent Holdings, Inc. Methods and apparatus for spectrum coordination
CN104618914A (zh) * 2015-01-04 2015-05-13 湖北工业大学 一种基于频谱合约的多用户协作频谱共享方法
CN106131857A (zh) * 2016-07-29 2016-11-16 浙江工业大学 一种基于契约的带宽和功率联合优化协作频谱共享方法
CN107509205A (zh) * 2017-08-17 2017-12-22 湖北工业大学 一种基于契约理论的协作频谱共享动态激励机制设计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Profit Incentive in Trading Nonexclusive Access on a Secondary Spectrum Market Through Contract Design;Shang-Pin Sheng et.al;《IEEE/ACM Transactions on Networking 》;20130716;全文 *
一种基于合约的认知网络协作频谱共享策略;穆晓敏等;《郑州大学学报(工学版)》;20160603(第03期);全文 *
基于契约理论的协作频谱共享动态激励机制设计;赵楠 等;《计算机工程与设计》;20180916;全文 *
基于契约理论的频谱共享和数据分流;周子龙;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715;全文 *

Also Published As

Publication number Publication date
CN109982328A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109982328B (zh) 一种基于深度神经网络的协作频谱共享智能契约设计方法
Jiang et al. A joint multi-criteria utility-based network selection approach for vehicle-to-infrastructure networking
Ding et al. A deep reinforcement learning for user association and power control in heterogeneous networks
Li et al. Joint resource allocation and trajectory optimization with QoS in UAV-based NOMA wireless networks
Wang et al. Computation offloading and resource allocation in wireless cellular networks with mobile edge computing
CN105050170B (zh) 一种异构网络中基于流量预测的基站休眠方法
Tsai et al. Metaheuristics for the deployment of 5G
Zhou et al. The partial computation offloading strategy based on game theory for multi-user in mobile edge computing environment
Yang et al. Distributed deep reinforcement learning-based spectrum and power allocation for heterogeneous networks
Chen et al. Optimal resource block assignment and power allocation for D2D-enabled NOMA communication
CN110351754A (zh) 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法
Chen et al. Code caching-assisted computation offloading and resource allocation for multi-user mobile edge computing
Cheng et al. Joint user association and resource allocation in HetNets based on user mobility prediction
CN107018552A (zh) 一种选择异构网络接入的方法
CN104640185B (zh) 一种基于基站协作的小区休眠节能方法
Zhang et al. Energy efficiency of small cell networks: Metrics, methods and market
Zhong et al. Stable user association and resource allocation based on stackelberg game in backhaul-constrained HetNets
Yang et al. Green-oriented offloading and resource allocation by reinforcement learning in MEC
CN103582105B (zh) 一种大规模异构蜂窝网络中最大化系统效益的优化方法
CN103249062A (zh) 一种基于重复博弈的融合泛在网多终端协同信任机制
Dai et al. Decoupled uplink-downlink association in full-duplex cellular networks: A contract-theory approach
Ge et al. Applications of artificial intelligence in wireless communications
Zhang et al. Contracts for joint downlink and uplink traffic offloading with asymmetric information
CN108430082A (zh) 一种异构车联网环境下的车载网络切换方法
Zheng et al. eICIC configuration of downlink and uplink decoupling with SWIPT in 5G dense IoT HetNets

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant