CN111328087A - 基于深度学习的高能效异构网络子信道分配与功率分配方法 - Google Patents

基于深度学习的高能效异构网络子信道分配与功率分配方法 Download PDF

Info

Publication number
CN111328087A
CN111328087A CN201811540071.5A CN201811540071A CN111328087A CN 111328087 A CN111328087 A CN 111328087A CN 201811540071 A CN201811540071 A CN 201811540071A CN 111328087 A CN111328087 A CN 111328087A
Authority
CN
China
Prior art keywords
channel
power
allocation
neural network
sub
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.)
Granted
Application number
CN201811540071.5A
Other languages
English (en)
Other versions
CN111328087B (zh
Inventor
许頔
陈小静
吴昌昊
张舜卿
徐树公
曹姗
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.)
Suzhou Yunxiangge Intelligent Technology Co ltd
Original Assignee
Beijing Transpacific Technology Development Ltd
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 Beijing Transpacific Technology Development Ltd filed Critical Beijing Transpacific Technology Development Ltd
Priority to CN201811540071.5A priority Critical patent/CN111328087B/zh
Publication of CN111328087A publication Critical patent/CN111328087A/zh
Application granted granted Critical
Publication of CN111328087B publication Critical patent/CN111328087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于深度学习的高能效异构网络子信道分配与功率分配方法，以异构网络的信道增益矩阵作为深度神经网络的输入训练集、信道分配和功率分配作为标签以训练输入卷积神经网络，然后将训练得到的卷积神经网络子信道分配分类和优化功率分配拟合。本发明能使用深度学习对异构网络中子信道分配和功率分配进行联合优化，得到能效最优的情况。通过对原始数据添加标签，利用深度学习的特性学习能效优化过程。以达到在较小的时间和空间复杂度的情况下得到最优解。

Description

基于深度学习的高能效异构网络子信道分配与功率分配方法
技术领域
本发明涉及的是一种通信网络领域的技术，具体是一种基于深度学习的高能效异构网络子信道分配与功率分配方法。
背景技术
通信领域中的异构网络的方案可以作为一种增加覆盖范围，提高网络利用率的方法，随着5G即将到来的超密集网络(Ultra-Dense Networks，UDN)所带来的电力消耗将是十分巨大的，就此如何节能减排、绿色通信也是一个重要的研究方向。
现有的异构网络用户接入和功率控制方法包括通过变量代换和拉格朗日对偶的分析方法，联合优化用户接入和基站发射功率，或通过将构建异构网络场景，分别建立宏蜂窝网络和微蜂窝网络的能效公式并且通过博弈论的方法进行优化，但这些现有技术均没有涉及对用户子信道分配方面的显著改进。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于深度学习的高能效异构网络子信道分配与功率分配方法，能使用深度学习对异构网络中子信道分配和功率分配进行联合优化，得到能效最优的情况。通过对原始数据添加标签，利用深度学习的特性学习能效优化过程。以达到在较小的时间和空间复杂度的情况下得到最优解。
本发明是通过以下技术方案实现的：
本发明以异构网络的信道增益矩阵作为深度神经网络的输入训练集、信道分配和功率分配作为标签以训练输入卷积神经网络，然后将训练得到的卷积神经网络子信道分配分类和优化功率分配拟合。
所述的输入训练集，即信道增益矩阵为：
Figure BDA0001907840100000011
其中
Figure BDA0001907840100000012
为总基站数，
Figure BDA0001907840100000013
为总用户数
Figure BDA0001907840100000014
为子信道数。
所述的标签，即信道分配和功率分配为：
Figure BDA0001907840100000015
Figure BDA0001907840100000016
p为
Figure BDA0001907840100000017
的集合，l为
Figure BDA0001907840100000018
的集合，其中：
Figure BDA0001907840100000019
为总基站数，
Figure BDA00019078401000000110
为总用户数
Figure BDA00019078401000000111
为子信道数。
所述的深度神经网络，采用卷积神经网络(CNN)，为包括输入层、隐藏层、输出层，其中隐藏层由四个卷积层和三个全连接层组成，激活函数为Rectified Linear Unit(RelU)。
所述的训练，神经网络的输入为
Figure BDA00019078401000000112
是一个三维的信道矩阵，输出则为功率分配结果
Figure BDA00019078401000000113
和子信道分配结果
Figure BDA00019078401000000114
其隐藏层的激活函数采用ReLU，输出层的激活函数采用softmax和linear，分别作为子信道分配的分类结果和功率分配的拟合结果，损失函数分别选用交叉熵(Categorical Crossentropy)和最小均方误差(Mean Square Error)。
所述的损失函数，针对子信道分配分类采用交叉熵作为损失函数进行神经网络的训练，针对优化功率分配拟合采用MSE作为损失函数进行神经网络的训练；优选地，本发明针对CNN的训练过程中保证总的损失函数最小不断优化网络性能，总的损失函数
Figure BDA0001907840100000021
Figure BDA0001907840100000022
其中：加权参数α和β的值均为1，交叉熵
Figure BDA0001907840100000023
Figure BDA0001907840100000024
Figure BDA0001907840100000025
和
Figure BDA0001907840100000026
分别神经网络输出的功率分配集合和子信道分配集合，p和l分别为步骤1)生成的功率标签和信道标签。
所述的异构网络中子信道分配索引满足：
Figure BDA0001907840100000027
其中：
Figure BDA0001907840100000028
为所有基站(Base Station，BS)的集合(包括宏站和微站)、基站覆盖范围下用户集合为
Figure BDA0001907840100000029
Figure BDA00019078401000000210
为与基站n通信的用户的集合，宏站为
Figure BDA00019078401000000211
微站为
Figure BDA00019078401000000212
每个BS都有
Figure BDA00019078401000000213
个子信道，当子信道k被BS n分配给用户u则值为1。
所述的异构网络中基站n在子信道k上的发射功率满足：
Figure BDA00019078401000000214
Figure BDA00019078401000000215
Figure BDA00019078401000000216
其中：
Figure BDA00019078401000000217
和
Figure BDA00019078401000000218
分别为宏站和微站的最大发射功率，并且宏站的最大发射功率大于微站的最发射功率。
所述的异构网络的吞吐量
Figure BDA00019078401000000219
其中
Figure BDA00019078401000000220
为用户连接基站n的用户u在子信道k上的传输速率其表达式
Figure BDA00019078401000000221
其中：B为信道带宽，
Figure BDA00019078401000000222
为此用户收到其他用户的干扰，σ2为高斯白噪声，
Figure BDA00019078401000000223
为子信道k上的基站n与用户u之间的信道增益。系统总功率消耗
Figure BDA00019078401000000224
其中：ρ为放大器放大系数，
Figure BDA00019078401000000225
和
Figure BDA00019078401000000226
宏站和微站的恒定消耗功率，
所述的异构网络的系统能效
Figure BDA00019078401000000227
频谱效率
Figure BDA00019078401000000228
其中：KB为系统总带宽，频谱效率大于一定的阈值ε，同时最大化系统的能效。
技术效果
与现有技术相比，本发明通过CNN网络的分类和拟合实现子信道分配和功率分配的联合能效优化，可以用同一种神经网络进行子信道分配和功率分配，不需要分开独立优化。同时本发明采用窄带CQI作为子信道分配的依据，无需使用宽带CQI。
附图说明
图1为实施例异构网络系统基本结构示意图；
图2为实施例神经网络架构示意图；
图3描述不同方法得到的能效CDF图
图中：1)Benchmark 2)RandomPower 3)MaxPower 4)DNN with 20K trainingdata 5)CNN with 20K training data；
图4描述不同方法得到误差率CDF图。
具体实施方式
本实施例具体包括以下步骤：
步骤1)预设网络场景：本实施例设置带宽2MHz，用户数U为6，基站总数N为3，宏站M为2，微站S为1，子信道K为2，则宏站路径损耗为128.1+37.6log10(Rmacro)，微站路径损耗为140.7+36.7log10(Rmicro)，其中：R为距离参数单位Km，ρ为0.3，用户在基站内在0～0.12Km均匀分布，基站间距离0.2Km，噪声功率为-128.1dBm。
Figure BDA0001907840100000031
和
Figure BDA0001907840100000032
分别为12W和1.2W。
步骤2)训练神经网络：根据步骤1设置，通过暴力解得到能效最大化条件下的功率分配和子信道分配的标签
Figure BDA0001907840100000033
同时将每一组数据的信道矩阵
Figure BDA0001907840100000034
一起作为神经网络的输入，总共生成20000组数据作为一个epoch。
本实施例中神经网络采用包含4层卷积层(6x6x16，6x6x16，6x6x32，6x6x32)和3层全连接层(256,256,128)的CNN网络。同时采用4层激活函数为ReLU的全接连神经网络(256,256,128,128)作为对照例。
所述的训练，设置epoch数量为300次。
这样训练得到的网络模型用于测试，由于本实施例需要的使能效信息的比较，根据上节提到的能效公式需要在进行一步计算操作，复杂度不高。之后测试时本实施例输入不同的信道矩阵信息，将基准(Benchmark)和本实施例提出的卷积神经网络框架的输出数据进行对比。
步骤3)测试结果：本实施例将20K训练数据训练得到CNN和DNN网络结果与基准，即最大功率和随机功率进行对比，结果如图4所示，本实施例运用的卷积神经网络框架，得到的结果十分接近如暴力解得到的基准，此外相对比DNN，CNN能更好的提取到信道之间的相关信息，所以比DNN网络的性能好。
错误率
Figure BDA0001907840100000035
其中：EENN表示神经网络所得到的功率分配和子信道分配通过计算得到的能效值；EEo是通过遍历得到的系统最大能效的值，其为最优解。
就是将神经网络得到的EE和暴力解得到的EE做差再比上暴力解得到的EE值。本实施例可以从图中明显的看到CNN方法的误差比DNN的要小。由于暴力解需要较高时间复杂度得到最优解，本实施例运用神经网络代替可以明显的显现出神经网络的优势所在，可以根据下表的结论得到：神经网络得到的结果所花费的CPU运行时间只需要暴力破解(基准时间)的6.85％。换言之，神经网络的方法只需要较短的运行时间就可以得到近似的最优解。
表3CPU运行时间比较
方法 基准 CNN-20K CNN-10K DNN-20K DNN-10K
时间(秒) 2.41 0.165 0.163 0.106 0.095
CNN(DNN)与基准时间比值 - 6.85％ 6.76％ 4.4％ 3.94％
综上，与现有技术相比，本发明基于OFDM的异构网络系统，对子信道分配和功率分配进行了建模，目标是在一定的频谱效率的条件下最大化能效的问题；通过CNN的方法，同时进行了分类和拟合的操作，解决子信道分配和功率分配的联合优化问题；本发明所带来的能效接近于暴力穷举法得到的解。从时间复杂度方面来看，本发明所需要的运行时间则是暴力穷举法得到解的6.85％。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (4)

1.一种基于深度学习的高能效异构网络子信道分配与功率分配方法，其特征在于，以异构网络的信道增益矩阵作为深度神经网络的输入训练集、信道分配和功率分配作为标签以训练输入卷积神经网络，然后将训练得到的卷积神经网络子信道分配分类和优化功率分配拟合；
所述的输入训练集，即信道增益矩阵为：
Figure FDA0001907840090000011
其中
Figure FDA0001907840090000012
为总基站数，
Figure FDA0001907840090000013
为总用户数
Figure FDA0001907840090000014
为子信道数；
所述的标签，即信道分配和功率分配为：
Figure FDA0001907840090000015
Figure FDA0001907840090000016
p为
Figure FDA0001907840090000017
的集合，l为
Figure FDA0001907840090000018
的集合，其中其中
Figure FDA0001907840090000019
为总基站数，
Figure FDA00019078400900000110
为总用户数K为子信道数。
2.根据权利要求1所述的方法，其特征是，所述的深度神经网络，采用卷积神经网络，为包括输入层、隐藏层、输出层，其中隐藏层由四个卷积层和三个全连接层组成，激活函数为RelU；
所述的训练，神经网络的输入为
Figure FDA00019078400900000111
是一个三维的信道矩阵，输出则为功率分配结果
Figure FDA00019078400900000112
和子信道分配结果
Figure FDA00019078400900000113
其隐藏层的激活函数采用ReLU，输出层的激活函数采用softmax和linear，分别作为子信道分配的分类结果和功率分配的拟合结果，损失函数分别选用交叉熵和最小均方误差。
3.根据权利要求2所述的方法，其特征是，所述的损失函数，针对子信道分配分类采用交叉熵作为损失函数进行神经网络的训练，针对优化功率分配拟合采用MSE作为损失函数进行神经网络的训练；优选地，本发明针对CNN的训练过程中保证总的损失函数最小不断优化网络性能，总的损失函数
Figure FDA00019078400900000114
其中：加权参数α和β的值均为1，交叉熵
Figure FDA00019078400900000115
Figure FDA00019078400900000116
和
Figure FDA00019078400900000117
分别神经网络输出的功率分配集合和子信道分配集合，p和l分别为功率标签和信道标签
4.根据上述任一权利要求所述的方法，其特征是，所述的异构网络中子信道分配索引满足：
Figure FDA00019078400900000118
其中：
Figure FDA00019078400900000119
为所有基站(Base Station，BS)的集合(包括宏站和微站)、基站覆盖范围下用户集合为
Figure FDA00019078400900000120
Figure FDA00019078400900000121
Figure FDA00019078400900000122
为与基站n通信的用户的集合，宏站为
Figure FDA00019078400900000123
微站为
Figure FDA00019078400900000124
每个BS都有
Figure FDA00019078400900000125
个子信道，当子信道k被BS n分配给用户u则值为1；
所述的异构网络中基站n在子信道k上的发射功率满足：
Figure FDA00019078400900000126
Figure FDA0001907840090000021
其中：
Figure FDA0001907840090000022
和
Figure FDA0001907840090000023
分别为宏站和微站的最大发射功率，并且宏站的最大发射功率大于微站的最发射功率；
所述的异构网络的吞吐量
Figure FDA0001907840090000024
其中
Figure FDA0001907840090000025
为用户连接基站n的用户u在子信道k上的传输速率其表达式
Figure FDA0001907840090000026
其中：B为信道带宽，
Figure FDA0001907840090000027
为此用户收到其他用户的干扰，σ2为高斯白噪声，
Figure FDA0001907840090000028
为子信道k上的基站n与用户u之间的信道增益。系统总功率消耗
Figure FDA0001907840090000029
其中：ρ为放大器放大系数，
Figure FDA00019078400900000210
和
Figure FDA00019078400900000211
宏站和微站的恒定消耗功率；
所述的异构网络的系统能效
Figure FDA00019078400900000212
频谱效率
Figure FDA00019078400900000213
其中：KB为系统总带宽，频谱效率大于阈值ε，同时最大化系统的能效。
CN201811540071.5A 2018-12-17 2018-12-17 基于深度学习的高能效异构网络子信道分配与功率分配方法 Active CN111328087B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811540071.5A CN111328087B (zh) 2018-12-17 2018-12-17 基于深度学习的高能效异构网络子信道分配与功率分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811540071.5A CN111328087B (zh) 2018-12-17 2018-12-17 基于深度学习的高能效异构网络子信道分配与功率分配方法

Publications (2)

Publication Number Publication Date
CN111328087A true CN111328087A (zh) 2020-06-23
CN111328087B CN111328087B (zh) 2021-09-14

Family

ID=71172431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811540071.5A Active CN111328087B (zh) 2018-12-17 2018-12-17 基于深度学习的高能效异构网络子信道分配与功率分配方法

Country Status (1)

Country Link
CN (1) CN111328087B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111970718A (zh) * 2020-07-22 2020-11-20 西北工业大学 能量收集不可信中继网络中基于深度学习的功率分配方法
CN112153617A (zh) * 2020-09-15 2020-12-29 南京信息工程大学滨江学院 一种基于集成神经网络的终端设备传输功率的控制方法
CN112512077A (zh) * 2020-12-15 2021-03-16 中国联合网络通信集团有限公司 一种上行速率的评估方法及装置
CN112600772A (zh) * 2020-12-09 2021-04-02 齐鲁工业大学 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法
CN112770398A (zh) * 2020-12-18 2021-05-07 北京科技大学 一种基于卷积神经网络的远端射频端功率控制方法
CN114189891A (zh) * 2021-12-14 2022-03-15 沈阳航空航天大学 一种基于深度强化学习的无人机异构网络能效优化方法
CN116113039A (zh) * 2023-04-07 2023-05-12 国网四川省电力公司信息通信公司 一种电力混合业务资源优化方法、装置、设备及介质
CN116761237A (zh) * 2023-05-30 2023-09-15 浙江知多多网络科技有限公司 基于无线ap的节能方法及其系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140113644A1 (en) * 2012-10-18 2014-04-24 Ntt Docomo, Inc. Method for controlling operation within a cell of a wireless cellular network, base station and wireless cellular network
CN105722205A (zh) * 2016-02-01 2016-06-29 东南大学 一种超密集异构网络能量有效资源分配方法
CN105898851A (zh) * 2015-11-25 2016-08-24 北京邮电大学 超密集网络中考虑能量收集的高能效功率控制方法
CN106937295A (zh) * 2017-02-22 2017-07-07 沈阳航空航天大学 基于博弈论的异构网络高能效功率分配方法
CN107708197A (zh) * 2017-10-19 2018-02-16 东南大学 一种高能效的异构网络用户接入和功率控制方法
CN108282822A (zh) * 2018-01-22 2018-07-13 重庆邮电大学 用户关联与功率控制在异构蜂窝网络中的协同优化算法
CN108737057A (zh) * 2018-04-27 2018-11-02 南京邮电大学 基于深度学习的多载波认知noma资源分配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140113644A1 (en) * 2012-10-18 2014-04-24 Ntt Docomo, Inc. Method for controlling operation within a cell of a wireless cellular network, base station and wireless cellular network
CN105898851A (zh) * 2015-11-25 2016-08-24 北京邮电大学 超密集网络中考虑能量收集的高能效功率控制方法
CN105722205A (zh) * 2016-02-01 2016-06-29 东南大学 一种超密集异构网络能量有效资源分配方法
CN106937295A (zh) * 2017-02-22 2017-07-07 沈阳航空航天大学 基于博弈论的异构网络高能效功率分配方法
CN107708197A (zh) * 2017-10-19 2018-02-16 东南大学 一种高能效的异构网络用户接入和功率控制方法
CN108282822A (zh) * 2018-01-22 2018-07-13 重庆邮电大学 用户关联与功率控制在异构蜂窝网络中的协同优化算法
CN108737057A (zh) * 2018-04-27 2018-11-02 南京邮电大学 基于深度学习的多载波认知noma资源分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FANG FANG: "Joint Energy Efficient Subchannel and Power Optimization for a Downlink NOMA Heterogeneous Network", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *
RONG CHAI 等: "Poster: An energy-efficient subchannel and power allocation scheme for OFDMA cellular heterogeneous networks", 《9TH INTERNATIONAL CONFERENCE ON COMMUNICATIONS AND NETWORKING IN CHINA》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111970718B (zh) * 2020-07-22 2022-03-11 西北工业大学 能量收集不可信中继网络中基于深度学习的功率分配方法
CN111970718A (zh) * 2020-07-22 2020-11-20 西北工业大学 能量收集不可信中继网络中基于深度学习的功率分配方法
CN112153617A (zh) * 2020-09-15 2020-12-29 南京信息工程大学滨江学院 一种基于集成神经网络的终端设备传输功率的控制方法
CN112153617B (zh) * 2020-09-15 2022-07-12 南京信息工程大学滨江学院 一种基于集成神经网络的终端设备传输功率的控制方法
CN112600772A (zh) * 2020-12-09 2021-04-02 齐鲁工业大学 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法
CN112600772B (zh) * 2020-12-09 2022-05-17 齐鲁工业大学 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法
CN112512077B (zh) * 2020-12-15 2023-08-11 中国联合网络通信集团有限公司 一种上行速率的评估方法及装置
CN112512077A (zh) * 2020-12-15 2021-03-16 中国联合网络通信集团有限公司 一种上行速率的评估方法及装置
CN112770398A (zh) * 2020-12-18 2021-05-07 北京科技大学 一种基于卷积神经网络的远端射频端功率控制方法
CN114189891A (zh) * 2021-12-14 2022-03-15 沈阳航空航天大学 一种基于深度强化学习的无人机异构网络能效优化方法
CN114189891B (zh) * 2021-12-14 2023-10-27 沈阳航空航天大学 一种基于深度强化学习的无人机异构网络能效优化方法
CN116113039A (zh) * 2023-04-07 2023-05-12 国网四川省电力公司信息通信公司 一种电力混合业务资源优化方法、装置、设备及介质
CN116761237A (zh) * 2023-05-30 2023-09-15 浙江知多多网络科技有限公司 基于无线ap的节能方法及其系统

Also Published As

Publication number Publication date
CN111328087B (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN111328087B (zh) 基于深度学习的高能效异构网络子信道分配与功率分配方法
CN110430613B (zh) 多载波非正交多址接入系统基于能效的资源分配方法
Xu et al. Resource allocation based on quantum particle swarm optimization and RBF neural network for overlay cognitive OFDM System
CN108737057A (zh) 基于深度学习的多载波认知noma资源分配方法
CN107026684B (zh) 一种基于人工噪声的认知通信物理层安全能效优化方法
CN109861728B (zh) 大规模mimo系统的联合多中继选择与时隙资源配置方法
CN104993889A (zh) 一种基于人工蜂群算法的多频带协作频谱感知优化方法
CN113596785B (zh) 基于深度q网络的d2d-noma通信系统资源分配方法
CN113038612A (zh) 基于深度学习的认知无线电功率控制方法
Adam et al. Deep convolutional self-attention network for energy-efficient power control in NOMA networks
Liu et al. Age of information-based scheduling for wireless device-to-device communications using deep learning
CN113242066B (zh) 一种多小区大规模mimo通信智能功率分配方法
Das et al. Reinforcement learning-based resource allocation for M2M communications over cellular networks
CN110061826B (zh) 一种最大化多载波分布式天线系统能效的资源分配方法
Fu et al. Optimal power allocation for the downlink of cache-aided NOMA systems
Zeng et al. Optimal base stations planning for coordinated multi-point system
Li et al. Efficient resource allocation algorithms for energy efficiency maximization in ultra-dense network
CN107613565B (zh) 一种全双工超密集网络中的无线资源管理方法
Sun et al. Energy-efficient resource allocation in c-ran with fronthaul rate constraints
CN112243283B (zh) 基于成功传输概率的Cell-Free Massive MIMO网络分簇计算方法
CN104618291A (zh) 基于余量自适应准则的资源分配方法及装置
Okpara et al. Comparative analysis of the features of a 5G network production dataset: The machine learning approach
Besser et al. Deep learning based resource allocation: How much training data is needed?
CN107733488A (zh) 一种大规模mimo系统中注水功率分配改进方法及系统
CN108173580B (zh) 一种基于量子社会情感优化的Massive MIMO上行系统功率分配方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220303

Address after: 200444 zone B, floor 5, building 1, No. 668, SHANGDA Road, Baoshan District, Shanghai

Patentee after: Shanghai yuwenbo Information Technology Co.,Ltd.

Address before: 200444 No. 99, upper road, Shanghai, Baoshan District

Patentee before: Shanghai University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221114

Address after: 215300 Station D33, Room 601, Dong'an Building, No. 258, Chunxu Road, Kunshan Development Zone, Suzhou, Jiangsu

Patentee after: Suzhou yunxiangge Intelligent Technology Co.,Ltd.

Address before: 200444 zone B, floor 5, building 1, No. 668, SHANGDA Road, Baoshan District, Shanghai

Patentee before: Shanghai yuwenbo Information Technology Co.,Ltd.