CN110113179A - 一种基于深度学习的携能noma系统的资源分配方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的携能NOMA系统的资源分配方法，包括以下步骤：(1)构建携能NOMA系统中基于发射功率最小化的联合资源分配的数学优化问题；(2)设计基于深度学习算法的联合资源分配策略。本发明针对携能NOMA系统，从节能的角度出发，构建了在满足用户服务质量(Quality of Service,QoS)需求和发射功率约束的条件下，最小化系统发射功率的数学优化问题，并设计了基于深度学习算法的联合资源分配策略，实现了低功耗资源分配的同时，更加地符合了低时延的要求。

Description

一种基于深度学习的携能NOMA系统的资源分配方法

技术领域

本发明涉及无线通信技术领域，具体涉及一种基于深度学习的携能NOMA系统的资源分配方法。

背景技术

近些年来，无线通信技术的不断发展，给人类社会生产生活的各个方面都带来了深刻的变革，但是也面临着两方面的问题。一方面，无线频谱资源的短缺与通信网络越来越拥挤之间的矛盾日益突出，因此，研究新型的技术以提升频谱效率是一个关键的问题；另一方面，能源短缺的全球性问题与无线通信系统的发展所带来的巨大能源消耗之间的矛盾也不断凸显，绿色通信成为未来移动通信发展的核心理念，因此，如何提高通信系统的能量效率也引起了学术界乃至工业界的广泛关注。

由于无线携能通信技术(Simultaneous Wireless Information and PowerTransfer,SWIPT)和多载波非正交多址接入技术(Non-Orthogonal Multiple Access,NOMA)分别在提高系统能量效率和频谱效率方面发挥着重要的作用，因此也成为未来第五代(Five Generation,5G)以及更后的移动通信网络中的具有前景的技术。

现有的将SWIPT技术应用到NOMA方案中的研究大多数是针对单载波系统，包括基于系统吞吐量、安全速率、中断概率或者功率采集等方面的研究，而SWIPT技术应用到多载波NOMA方案的研究，特别是从绿色通信的角度出发，基于最小化系统发射功率的研究，还是一个开放性问题。

然而，对于这种耦合的针对携能多载波NOMA系统，最小化系统发射功率的资源分配问题，传统方法几乎都是基于循环迭代机制，需要消耗相当长的时间才可以收敛，不符合通信系统对于低时延的要求。近几年，深度学习方法已经被应用于解决通信系统中一些基本的高复杂度的资源分配问题，比如链路估计、网络流量分配、移动性预测、资源分配等。

发明内容

本发明的目的是针对现有技术的不足，构建了携能多载波NOMA系统基于最小化系统发射功率的数学优化问题，并设计了一个基于深度学习的资源分配优化算法，实现了低功耗资源分配的同时，更加地符合了低时延的要求。所要解决的技术问题包括：

问题1：构建了携能多载波NOMA系统基于最小化系统发射功率的数学优化问题；

问题2：设计一个基于深度学习的资源分配优化算法，并训练一组深度置信网络来实现更好的资源分配。

本发明的目的可以通过如下技术方案实现：

一种基于深度学习的携能NOMA系统的资源分配方法，所述方法包括以下步骤：

步骤1：构建携能NOMA系统中基于发射功率最小化的联合资源分配的数学优化问题，包括优化变量、优化目标函数及约束条件；

步骤2：基于深度学习算法，建立携能NOMA系统基于发射功率最小化的联合资源分配策略。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明构建了携能NOMA系统中发射功率最小化的优化问题，在满足用户QoS需求和发射功率约束的条件下，更加符合了绿色通信的理念。

2、本发明设计了基于深度学习算法的联合资源分配策略，实现了低功耗资源分配的同时，更加地符合了低时延的要求。

附图说明

图1为本发明实施例基于深度学习的携能NOMA系统的资源分配方法流程图；

图2为本发明实施例基于深度置信网络(DBN)的深度学习模型；

图3为本发明实施例基于深度学习的资源分配策略的有效性分析图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

如图1所示，本实施例提供了一种基于深度学习的携能NOMA系统的资源分配方法，所述方法包括以下步骤：

步骤1：构建携能NOMA系统中基于发射功率最小化的联合资源分配的数学优化问题，包括优化变量、优化目标函数及约束条件；具体包括以下内容：

假设在携能NOMA系统中，基站BS通过带宽为的N个子载波发送K个用户的数据信号，从而与随机分布在携能NOMA网络中的K个用户实现下行通信；采用图样分割多址(Pattern Division Multiple Access,PDMA)技术实现多载波NOMA，每个子载波能够叠加多个用户的数据信号，在接收端通过串行干扰消除技术(Successive InterferenceCancellation,SIC)实现同个载波上的用户接收信号分离；每个用户采用基于时间切换(Time Switching)无线携能通信(Simultaneous Wireless Information and PowerTransfer,SWIPT)方案，在接收信息的同时采集射频(Radio Frequency,RF)信号携带的额外能量；

所述优化变量包括：

①K个用户和N个子载波之间的匹配矩阵该矩阵中第n行、第k列的元素

②基站发射功率矩阵P^(N,K)，该矩阵中第n行、第k列的元素表示基站通过第n个载波给第k个用户的发射功率；

③时间切换系数向量，α＝[α₁,α₂,…,α_K]^T，该向量中的第k个元素α_k(0＜α_k＜1)表示第k个用户用于信息解调的时间比例，相应地，1_k表示其用于能量采集的时间比例；

从节能的角度出发，所述优化目标为携能NOMA系统中基站发射的总功率，表示为：

考虑用户对QoS的需求和系统功率受限的因素，所述约束条件包括：

①每个用户的数据率应大于最低数据率要求：其中

R_n,k＝B_clog₂(1+γ_n,k) (3)

式中，表示在考虑携能的情况下，第k个用户的数据率；R_n,k表示在不考虑携能的情况下，第k个用户在第n个子载波上的数据率；γ_n,k表示第k个用户在第n个子载波上的信干噪比；表示第k个用户在第n个载波上的信道噪声比；h_n,k、分别表示第k个用户在第n个载波上的信道系数与噪声功率；_n,k表示第k个用户在第n个载波上的归一化干扰；表示数据在第n个子载波上传递的用户集合，即

②每个用户的采集能量应大于最低采集能量要求：其中，

式中，表示在考虑携能的情况下，第k个用户的采集能量；E_n,k表示在不考虑携能的情况下，第k个用户在第n个载波上能够采集到的能量；表示能量采集电路的功率转化系数；

③发射功率约束：

④用户与载波匹配约束：

⑤时间切换系数约束：

携能NOMA系统发射功率最小化的资源分配的数学优化问题能够描述为：

上述基于发射功率最小化的资源分配问题是一个非凸的、耦合的、部分整数规划的复杂优化问题，一般采用基于迭代的算法寻找问题的最优解，但是需要消耗很长的时间才能收敛，不符合无线通信系统对于低时延的要求。

步骤2：基于深度学习算法，建立携能NOMA系统基于发射功率最小化的联合资源分配策略。具体包括以下内容：

数据预处理阶段：首先，获取大量的数据样本{x,y}，其中，样本的输入x为随机产生的信道系数的集合，x＝(h_1,1,…,h_1,K,…,h_N,1,…,h_N,K)^T；样本的输出y则由上述优化问题采用遗传算法得到的最优解所有元素的集合，表示为：

深度网络模型训练阶段：采用深度置信网络(Deep Belief Network,DBN)这一常见的深度学习模型来获取数据样本输入和输出之间的潜在信息，根据式(9)能够看出，每个样本的输出包含2NK+K个分量，对每个分量y_l，需要训练一个深度置信网络DBN_l，因此，一共需要训练2NK+K个DBN；

求解运行阶段：首先，随机产生信道系数然后，导出已经训练好的输出信道系数并求得每个DBN的输出最后，根据所有DBN的输出形成基于发射功率最小化的资源分配问题的近似最优解，表示如下：

①载波和用户之间的匹配矩阵：

②功率分配矩阵：

③时间切换系数向量：

进一步地，所述深度网络模型训练阶段的具体过程包括：

DBN模型架构：如图2所示，每个DBN模型由一个输出层、一组隐藏层、以及一个输出层组成，也能够看成由多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)构成；每个RBM由一个可视层v和一个隐藏层h组成，每个RBM的隐藏层为下一个RBM的可视层；相邻的两个层之间节点全连接，每个层内的节点无连接；DBN的输入层为第一个RBM的可视层，DBN的输出层为最后一个RBM的隐藏层；每个DBN模型的训练包括无监督学习和有监督学习两个阶段；

无监督学习阶段：首先初始化第一个RBM的相关参数，包括可视层和隐藏层之间的连接权重w，可视层的偏差b_v和隐藏层的偏差b_h，令Φ＝{w,b_v,b_h}，根据以下式子更新第一个RBM参数：

其中，ε为无监督学习阶段的学习率；Pr(v_t)表示可视层的概率密度函数，能够根据以下式子求得：

表示RBM的能量函数；

根据式子(13)更新第一个RBM的参数，直到‖Φ_t+1-Φ_t‖²≤∈₁；接着采用同样的方式初始化并更新下一个RBM的参数；

监督学习阶段：对于DBN_l，假设表示第i个训练样本的输出，表示以第i个训练样本的输入x_i作为DBN_l的输入层得到的输出结果，通过监督学习微调DBN网络参数的过程能够在数学上看成最小化交叉熵函数，表示为：

其中，D表示训练样本的数量；采用反向传播算法微调参数Φ，直到‖Φ_t+1-Φ_t‖²≤∈₂，表示如下：

ζ表示监督学习阶段的学习率。

此外，本实施例在Python 3.6.0平台上使用现有的编程工具Tensorflow r1.8以构建、训练并运行DBN网络。为了验证基于深度学习的资源分配策略的有效性，本实施例以4个用户、两个子载波的情况作为例子。首先产生10000个数据样本来训练DBN网络；每个DBN由一个输入层、三个隐藏层及一个输出层组成，每一层的节点数分别为8,64，128,128,1；无监督学习阶段和监督学习阶段的学习率都为0.0001；每次训练的数量设置为3000。如图3所示，采用基于深度学习的资源分配策略的系统发射功率与采用穷举法以及遗传算法的系统发射功率接近，但是可以明显地减少资源分配所用的时间。因此，本发明一种基于深度学习的携能NOMA系统的资源分配方法的有效性及性能优势也得到了体现。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (4)

1.一种基于深度学习的携能NOMA系统的资源分配方法，其特征在于，所述方法包括以下步骤：

步骤1：构建携能NOMA系统中基于发射功率最小化的联合资源分配的数学优化问题，包括优化变量、优化目标函数及约束条件；

步骤2：基于深度学习算法，建立携能NOMA系统基于发射功率最小化的联合资源分配策略。

2.根据权利要求1所述的一种基于深度学习的携能NOMA系统的资源分配方法，其特征在于，所述步骤1包括以下内容：

假设在携能NOMA系统中，基站BS通过带宽为的N个子载波发送K个用户的数据信号，从而与随机分布在携能NOMA网络中的K个用户实现下行通信；采用图样分割多址技术实现多载波NOMA，每个子载波能够叠加多个用户的数据信号，在接收端通过串行干扰消除技术实现同个载波上的用户接收信号分离；每个用户采用基于时间切换的无线携能通信方案，在接收信息的同时采集射频信号携带的额外能量；

所述优化变量包括：

①K个用户和N个子载波之间的匹配矩阵该矩阵中第n行、第k列的元素

②基站发射功率矩阵P^(N,K)，该矩阵中第n行、第k列的元素表示基站通过第n个载波给第k个用户的发射功率；

③时间切换系数向量，α＝[α₁,α₂,…,α_K]^T，该向量中的第k个元素α_k(0＜α_k＜1)表示第k个用户用于信息解调的时间比例，相应地，1-α_k表示其用于能量采集的时间比例；

从节能的角度出发，所述优化目标为携能NOMA系统中基站发射的总功率，表示为：

考虑用户对QoS的需求和系统功率受限的因素，所述约束条件包括：

①每个用户的数据率应大于最低数据率要求：其中

R_n,k＝B_clog₂(1+γ_n,k) (3)

式中，表示在考虑携能的情况下，第k个用户的数据率；R_n,k表示在不考虑携能的情况下，第k个用户在第n个子载波上的数据率；γ_n,k表示第k个用户在第n个子载波上的信干噪比；表示第k个用户在第n个载波上的信道噪声比；h_n,k、分别表示第k个用户在第n个载波上的信道系数与噪声功率；I_n,k表示第k个用户在第n个载波上的归一化干扰；表示数据在第n个子载波上传递的用户集合，即

②每个用户的采集能量应大于最低采集能量要求：其中，

式中，表示在考虑携能的情况下，第k个用户的采集能量；E_n,k表示在不考虑携能的情况下，第k个用户在第n个载波上能够采集到的能量；η表示能量采集电路的功率转化系数；

③发射功率约束：

④用户与载波匹配约束：

⑤时间切换系数约束：

携能NOMA系统发射功率最小化的资源分配的数学优化问题能够描述为：

3.根据权利要求1所述的一种基于深度学习的携能NOMA系统的资源分配方法，其特征在于，所述步骤2包括以下内容：

数据预处理阶段：首先，获取大量的数据样本{x,y}，其中，样本的输入x为随机产生的信道系数的集合，x＝(h_1,1,…,h_1,K,…,h_N,1,…,h_N,K)^T；样本的输出y则由上述优化问题采用遗传算法得到的最优解所有元素的集合，表示为：

深度网络模型训练阶段：采用深度置信网络获取数据样本输入和输出之间的潜在信息，根据式(9)能够看出，每个样本的输出包含2NK+K个分量，对每个分量y_l，需要训练一个深度置信网络DBN_l，因此，一共需要训练2NK+K个DBN；

求解运行阶段：首先，随机产生信道系数然后，导出已经训练好的输出信道系数并求得每个DBN的输出最后，根据所有DBN的输出形成基于发射功率最小化的资源分配问题的近似最优解，表示如下：

①载波和用户之间的匹配矩阵：

②功率分配矩阵：

③时间切换系数向量：

4.根据权利要求3所述的一种基于深度学习的携能NOMA系统的资源分配方法，其特征在于：所述深度网络模型训练阶段的具体过程包括：

DBN模型架构：每个DBN模型由一个输出层、一组隐藏层、以及一个输出层组成，也能够看成由多个受限玻尔兹曼机构成；每个RBM由一个可视层v和一个隐藏层h组成，每个RBM的隐藏层为下一个RBM的可视层；相邻的两个层之间节点全连接，每个层内的节点无连接；DBN的输入层为第一个RBM的可视层，DBN的输出层为最后一个RBM的隐藏层；每个DBN模型的训练包括无监督学习和有监督学习两个阶段；

无监督学习阶段：首先初始化第一个RBM的相关参数，包括可视层和隐藏层之间的连接权重w，可视层的偏差b_v和隐藏层的偏差b_h，令Φ＝{w,b_v,b_h}，根据以下式子更新第一个RBM参数：

其中，ε为无监督学习阶段的学习率；Pr(v_t)表示可视层的概率密度函数，能够根据以下式子求得：

表示RBM的能量函数；

根据式子(13)更新第一个RBM的参数，直到‖Φ_t+1-Φ_t‖²≤∈₁；接着采用同样的方式初始化并更新下一个RBM的参数；

监督学习阶段：对于DBN_l，假设表示第i个训练样本的输出，表示以第i个训练样本的输入x_i作为DBN_l的输入层得到的输出结果，通过监督学习微调DBN网络参数的过程能够在数学上看成最小化交叉熵函数，表示为：

其中，D表示训练样本的数量；采用反向传播算法微调参数Φ，直到‖Φ_t+1-Φ_t‖²≤∈₂，表示如下：

ξ表示监督学习阶段的学习率。