CN111698188A - 基于级联人工神经网络的多载波单无线转发站分配方法 - Google Patents

基于级联人工神经网络的多载波单无线转发站分配方法 Download PDF

Info

Publication number
CN111698188A
CN111698188A CN202010441499.5A CN202010441499A CN111698188A CN 111698188 A CN111698188 A CN 111698188A CN 202010441499 A CN202010441499 A CN 202010441499A CN 111698188 A CN111698188 A CN 111698188A
Authority
CN
China
Prior art keywords
artificial neural
neural network
forwarding station
wireless forwarding
wireless
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.)
Pending
Application number
CN202010441499.5A
Other languages
English (en)
Inventor
党舒平
傅天豪
黎成中
韦林昌
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.)
Guangxi Huanan Communication Co ltd
Original Assignee
Guangxi Huanan Communication Co 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 Guangxi Huanan Communication Co ltd filed Critical Guangxi Huanan Communication Co ltd
Priority to CN202010441499.5A priority Critical patent/CN111698188A/zh
Publication of CN111698188A publication Critical patent/CN111698188A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/022—Site diversity; Macro-diversity
    • H04B7/026—Co-operative diversity, e.g. using fixed or mobile stations as relays
    • 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)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及通信网络技术，具体涉及基于级联人工神经网络的多载波单无线转发站分配方法，具体步骤包括S1：根据多载波单无线转发站分配标准设计级联人工神经网络的结构；S2：采用监督型机器学习的方法对人工神经网络进行训练；S3：采用训练好的级联人工神经网络分配协作无线转发站网络中最合适的无线转发站。本发明的级联人工神经网络框架可以降低传统多载波单无线转发站分配方案的系统复杂度，和处理时延，本发明所提出的级联人工神经网络采用并行的思想，同时使用多个级联结构进行运算，提高了传统人工神经网络的训练效率。本发明的数值实验结果说明应用级联人工神经网络实现多载波单无线转发站分配方案是可行的，并有望实现快速部署。

Description

基于级联人工神经网络的多载波单无线转发站分配方法
技术领域
本发明涉及通信网络技术，具体涉及基于级联人工神经网络的多载波单无线转发站分配方法。
背景技术
近几十年来，直接链接信源和信宿的传统点对点通信无法满足各种通信服务的要求，它仅仅适用于某些近场传输。现代通信服务要求提高数据速率，提高能效，扩大信号覆盖范围，提高通信可靠性。因此，协作无线转发站和无线转发站辅助通信技术开始被大力发展。为进一步提高协作无线转发站的频谱效率，并利用第四代(4G)无线通信网络中现有基础结构，多载波传输已被纳入协作无线转发站的研究领域，从而形成多载波协作系统。据信，多载波传输和多载波协作系统的概念在第六代(6G)网络中也发挥着关键作用。
对于由多个无线转发站辅助的多载波协作系统，多载波无线转发站分配技术是协调空间资源和频谱资源，并提供分集增益的最佳技术。通过多载波无线转发站分配，通信系统形成了二维空间频率网格，同时基于该网格来分配无线转发站，从而优化相关性能指标。以上述方法，在某些子载波上的发射信号将仅由优化过的无线转发站进行接收处理，从而获得一种特殊的空间分集增益，称为空间分集增益。多载波无线转发站分配的主要工作是2007年提出的，多载波单无线转发站分配是多载波无线转发站分配的两大基本分配标准之一(另一基本标准是逐子载波无线转发站分配)。
继2007年的开创性工作之后，后续研究对多载波无线转发站分配进行了更加详细的分析，考虑使用本地信道状态信息(CSI)来执行多载波无线转发站分配。多载波无线转发站转发信号的方式有两种：放大转发策略(AF)和解码转发策略(DF)。AF模式是无线转发站节点只对信号进行简单的放大和转发，这种转发方式的优点是时延较低，缺点是在放大信号的同时也放大了噪声，达不到良好的信噪比。DF模式是无线转发站节点对接收到的信号进行解码分析，若无差错，则重新编码发送，这种转发方式的优点是可以去除干扰信号，缺点是时延较长。
多载波无线转发站分配对于提高通信系统性能发挥着不可替代的作用，然而，由于无线转发站节点实际上是在空间上分布的，因此如何在多载波环境中协调多个无线转发站，实现特定无线转发站分配标准，并非易事。传统上，多载波无线转发站分配可以通过集中式方案或分布式方案来实现。
集中式方案：假定有一个集中式且功能强大的中心控制器，该控制器通过前馈信道做出决策，为每个子载波分配好相应的转发无线转发站。这样的中心处理器可以存在于基站(BS)或接入点(AP)处。但是，集中式方案要求中心处理器执行过于复杂的计算，导致过高的系统复杂度。
分布式方案：基于计时器来实现分布式方案，系统不需要在某个节点上收集全局地信道状态信息(CSI)，但是过多的计时器会导致更高的处理延迟。尽管分布式方案能降低系统计算复杂度，但过高时延是否能应用于实际应用仍然值得商榷。
许多研究工作发现，使用所有可用的无线转发站将信号从信源转发到信宿并不是实际的最佳策略，因为会大大降低能耗效率，并行可能会导致更高的信令开销来协调多个无线转发站，信宿也需要先进的组合技术来处理多个无线转发站转发的子载波副本，这无疑会极大增加系统的复杂性和延迟。进一步的研究还表明，通过精心设计的策略分配单个无线转发站也可以为协作通信系统带来选分集。因此，在有多个可用的无线转发站可供使用的协作通信系统中，无线转发站分配技术已成为用于协作通信系统的通用资源优化技术。
多载波单无线转发站分配技术是多载波多无线转发站协作系统的一种基本无线转发站分配方案，能够产生全分集，仅分配一个无线转发站转发所有子载波。随着“智能时代”的到来，大多数通信节点都或多或少具有智能功能，使得人工智能(AI)相关技术能应用于多载波无线转发站分配技术当中。此外，由于在信道估计方面的最新研究，通常将网络优化的信道统计信息和相关估计状态标记为数据(data)，这使得在某些情况下依赖于标记数据的监督式机器学习更加适合于实现多载波无线转发站分配。而目前还未有采用人工智能的方法来实现多载波单无线转发站分配。
发明内容
本发明针对的行业痛点是：协作无线转发站是用来提高信号能源效率和信号覆盖方位的重要技术，而多载波无线转发站分配是一种在协作无线转发站网络中有效分配空间资源和频谱资源并提供分集顺序的方法。然而，多载波无线转发站分配的直接实现的，对于集中式的无线转发站分配方案，可能导致高系统复杂度；对于分布式的实现方案，可能导致极高的处理时延。这些问题在实际中阻碍了多载波无线转发站分配的推广和实施。为了解决上述问题，本发明提供了基于级联人工神经网络的多载波单无线转发站分配方法，具体技术方案如下：
基于级联人工神经网络的多载波单无线转发站分配方法，包括以下步骤：
S1：根据多载波单无线转发站分配标准设计级联人工神经网络的结构；
S2：采用监督型机器学习的方法对人工神经网络进行训练；
S3：采用训练好的级联人工神经网络分配协作无线转发站网络中最合适的无线转发站分配。
优选地，所述步骤S1中多载波单无线转发站分配标准为：
Figure BDA0002504165690000031
其中，
Figure BDA0002504165690000032
表示所有K个子载波的集合，即
Figure BDA0002504165690000033
表示所有M个无线转发站的集合，即
Figure BDA0002504165690000034
G(m,k)表示第k个子载波被第m个无线转发站转发的等效的端到端信道功率增益；
Figure BDA0002504165690000035
是所有K个载波的单无线转发站索引，
Figure BDA0002504165690000036
表示分配给第k个子载波的无线转发站；
Figure BDA0002504165690000037
为可分配无线转发站的集合。
优选地，所述步骤S1中设计级联人工神经网络的结构的具体步骤如下：
S11：构造M个主级人工神经网络，M个主级人工神经网络用于搜索被第m个无线转发站所转发的所有K个子载波上的最小信道功率增益；每个主级人工神经网络有K个输入；
S12：构造一个次级人工神经网络，M个主级人工神经网络分别与一个次级人工神经网络连接；次级人工神经网络用于把所有M个无线转发站各自的最小信道功率增益遍历后，取出当中最大的对应信道功率增益，相应的无线转发站记为
Figure BDA00025041656900000320
S13：M个主级人工神经网络输出的M个最小信道功率增益作为次级人工神经网络的输入，输出M个最小信道功率增益中最大的那个信道功率增益和其相对应的无线转发站索引。4、根据权利要求3所述的基于级联人工神经网络的多载波单无线转发站分配方法，其特征在于：所述步骤S2中采用监督型机器学习的方法对人工神经网络进行训练的具体步骤如下：
S21：构造带有标签的训练数据集：采用暴力搜索算法确定转发所有K个子载波的无线转发站的最佳集合
Figure BDA0002504165690000038
对应于给定{G(m,k)}的标签，将训练数据集和标签成对存储，其中{G(m,k)}表示由第m个无线转发站转发的K个子载波的等效的端到端信道功率增益的集合；
S22：训练人工神经网络：初始化参数
Figure BDA0002504165690000039
将训练数据集作为M个主级人工神经网络的输入，M个主级人工神经网络的输出作为次级人工神经网络的输入，次级人工神经网络的输出检索到的一组选定的无线转发站，命名为
Figure BDA00025041656900000310
将
Figure BDA00025041656900000311
与根据暴力搜索算法所产生的标签
Figure BDA00025041656900000312
进行比较，从而产生误差矢量和误差梯度矢量，再通过反向传播机制逐层调整链接权重和神经元激活阈值；其中，
Figure BDA00025041656900000313
表示主级人工神经网络的层数；
Figure BDA00025041656900000314
表示主级人工神经网络第l层中神经元的数目；
Figure BDA00025041656900000315
表示主级人工神经网络的学习速率；
Figure BDA00025041656900000316
表示主级人工神经网络的范围扩展系数；
Figure BDA00025041656900000317
表示次级人工神经网络的层数；
Figure BDA00025041656900000318
表示次级人工神经网络第l层中神经元的数目；
Figure BDA00025041656900000319
表示次级人工神经网络的学习速率；
Figure BDA0002504165690000041
表示次级人工神经网络的范围扩展系数；
S23：重复步骤S22，训练过程以迭代的方式进行，每次迭代更新链路权重和神经元激活阈值，从而使得级联人工神经网络所给出的输出与标签接近；当所有训练数据集全部被使用完之后，迭代过程停止，训练结束。
优选地，所述步骤S21中包括先将{G(m,k)}归一化，具体如下：
Figure BDA0002504165690000042
优选地，所述步骤S22中采用量化函数将次级人工神经网络的输出逐项量化，具体是将最大项转换为1，其他项转换为0。
本发明的有益效果为：本发明所提出一种基于级联人工神经网络的多载波单无线转发站分配方案，级联人工神经网络框架可以降低传统多载波单无线转发站分配方案的系统复杂度，级联人工神经网络框架可以降低传统多载波单无线转发站分配方案的处理时延，本发明所提出的级联人工神经网络采用并行的思想，同时使用多个级联结构进行运算，提高了传统人工神经网络的训练效率。本发明的数值实验结果说明应用级联人工神经网络实现多载波单无线转发站分配方案是可行的，并有望实现快速部署。
附图说明
图1为多载波单无线转发站分配的多载波协作系统的实现示例图；
图2为经典人工神经网络的结构示意图；
图3为本发明的级联人工神经网络的结构示意图；
图4(a)-(d)为实施例中多载波单无线转发站分配的级联人工神经网络各个训练指标的曲线图。
具体实施方式
为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：
本发明考虑了一个经典的多载波多无线转发站协作通信网络，该网络包括一个信源，一个信宿，以及由半双工协议操作的M个无线转发站。所有M个无线转发站都在分布在一个群集区域内，并准备把来自信源的信号转发给信宿。本发明将所有M个无线转发站的集合表示为
Figure BDA0002504165690000043
同时假定有K个子载波相互独立地并行传输信号，所有K个子载波的集合表示为
Figure BDA0002504165690000044
载波单无线转发站分配的多载波协作系统的实现示例图如图1所示，图中有8个子载波，1个信源，1个信宿，若干个无线转发站，方框中的数字表示子载波指示数。
对于经典的多载波协作通信网络，本发明具有以下共同的假设：
(1)瞬时CSI在信源和信宿处都是已知的，即信源和信宿实时监控掌握着瞬时CSI；
(2)在所有通信节点之间，时域和频域分别都是完美同步的；
(3)网络拓扑在整个传输帧上没有变化，所有M个无线转发站都位于一个群集内，与信源和信宿之间的距离相比，该无线转发站群集的尺寸相对较小；
(4)信源与信宿之间由于超长距离、深度衰落等原因而被阻塞，因此，从信源到信宿的端到端传输必须由一个或多个无线转发站转发；
(5)将信息流功率平均分给所有具有发射功率Pt的信号发射器和子载波，即所有信号发射器和子载波的传输速率和发射功率是一样的；
(6)K个子载波、M个无线转发站上的每条信道的衰落相互都是独立同分布的(即i.i.d.)，且没有任何干扰和相关性，信道衰弱模型和相关分布都不变；
(7)所有通信节点的接收机处的噪声也是互相独立同分布的(即i.i.d.)，其平均噪声功率为N0，都是加性高斯白噪声(AWGN)。
基于以上假设，本发明用等效端到端信道功率增益G(m,k)来体现第k个子载波被第m个无线转发站转发的端到端传输可靠性：
G(m,k)＝min{G1(m,k),G2(m,k)}； (1)
和
Figure BDA0002504165690000051
(1)式和(2)式分别用于DF和AF无线转发站辅助网络，其中Gi(m,k)表示第i跳的信道功率增益。在实际应用中，等效的端到端信道功率增益{G(m,k)}是多载波无线转发站分配的主要参考之一，在多载波单无线转发站分配方案中被用作性能度量。为了便于信息处理，本发明按矩阵形式组织等效的端到端信道功率增益{G(m,k)}，如下所示：
Figure BDA0002504165690000052
其中g(k)＝[G(1,k),G(2,k),…,G(M,k)]T，h(m)＝[G(m,1),G(m,2),…,G(M,K)]。
监督式机器学习是最近的机器学习技术之一，对于模型驱动的学习非常有效。为了执行监督式机器学习，需要带有标签的训练数据集。相关研究表明，预计在下一代网络中，大多数通信节点都能够配备信道估计功能，所以本发明假设系统的各个节点都能完全知晓由{G(m,k)}所表示的CSI。同样，根据(4)中给出的无线转发站分配标准，本发明还可以采用暴力搜索算法来确定无线转发站的最佳集合
Figure BDA0002504165690000061
对应于给定{G(m,k)}的标签。通过将训练数据集和标签成对，可以实现使用监督式机器学习的前提条件。同时，要实现监督式机器学习，还需要构造具有反向传播机制的人工神经网络。典型的全连接人工神经网络由L层组成，其中每层具有Nl个神经元，
Figure BDA0002504165690000062
如图2所示，其中包括1个输入层，1个输出层，L-2个隐藏层。
在原则上，人工神经网络的输入是给定某种形式的训练数据，然后人工神经网络把输入的训练数据通过多层神经元计算处理，得到某种形式的输出。本发明中的人工神经网络输出可以用于检索一组选定的无线转发站，命名为
Figure BDA0002504165690000063
该输出将与根据(4)式的暴力搜索算法所产生的预期输出(即标签)进行比较，从而产生误差矢量和误差梯度矢量，再通过反向传播机制逐层调整链接权重和神经元激活阈值。如果可以使用一大组带有标签的训练数据集，然后以迭代的方式训练人工神经网络，则这些由人工神经网络给出的无线转发站组方案与暴力搜索算法给出的无线转发站组方案性能接近甚至相同。因此，可以离线训练人工神经网络，然后在线使用人工神经网络处理瞬时CSI，从而快速产生多载波无线转发站分配策略。使用人工神经网络实施监督式机器学习的可行性取决于所输入训练数据集的统计分布不变。本发明中的人工神经网络的网络深度和神经元数量是给定的，即人工神经网络架构不变，则人工神经网络的训练结果是一组链接权重和一组激活阈值。链接权重连接着相邻层的神经元，链接权重的个数是
Figure BDA0002504165690000064
所有神经元与激活阈值都有关，激活阈值的个数是
Figure BDA0002504165690000065
然而，最近的研究证实，人工神经网络可以很好地解决简单的优化问题，但是解决复杂的优化问题的能力不强，特别是当优化维度大于1时。无论设计多少训练轮次数，人工神经网络产生的解决方案都不会收敛到最优解，也不能通过增加人工神经网络深度或每一层神经元的数量来克服这种能力缺陷。因此，传统的人工神经网络不能够很好地解决空间和频率两个维度的多载波无线转发站分配问题。
为了使用监督式机器学习来进行多载波无线转发站分配，本发明使用级联人工神经网络。具体而言，与仅一次尝试实现多载波无线转发站分配标准的方法相反，本发明将多载波无线转发站分配的计算分为两个步骤。随后，本发明通过分别执行第一步计算和第二步计算来构造人工神经网络的主级和次级。训练数据集作为主级人工神经网络的输入，主级人工神经网络的输出作为次级人工神经网络的输入。次级人工神经网络的输出则作为级联人工神经网络所产生的最终优化方案。通过这种级联结构，可以提高监督式机器学习的训练效率，尤其是当优化维度大于1或者优化问题为非线性时。
本发明提供的基于级联人工神经网络的多载波单无线转发站分配方法，包括以下步骤：S1：经典人工神经网络没有级联结构，适用于大对数优化问题，而级联人工神经网络与人工神经网络相反，需要针对每个特定的优化问题设计级联人工神经网络。级联人工神经网络的设计准则是优化模型和目标。对于多载波单无线转发站分配，需要根据多载波单无线转发站分配标准设计级联人工神经网络的结构；其中多载波单无线转发站分配标准为：
Figure BDA0002504165690000071
其中，
Figure BDA0002504165690000072
表示所有K个子载波的集合，即
Figure BDA0002504165690000073
表示所有M个无线转发站的集合，即
Figure BDA0002504165690000074
G(m,k)表示第k个子载波被第m个无线转发站转发的等效的端到端信道功率增益；
Figure BDA0002504165690000075
是所有K个载波的单无线转发站索引，
Figure BDA0002504165690000076
表示分配给第k个子载波的无线转发站；
Figure BDA0002504165690000077
为可分配无线转发站的集合。
设计级联人工神经网络的结构的具体步骤如下：
S11：构造M个主级人工神经网络，M个主级人工神经网络用于搜索被第m个无线转发站所转发的所有K个子载波上的最小信道功率增益；每个主级人工神经网络有K个输入；
S12：构造一个次级人工神经网络，M个主级人工神经网络分别与一个次级人工神经网络连接；次级人工神经网络用于把所有M个无线转发站各自的最小信道功率增益遍历后，取出当中最大的对应信道功率增益，相应的无线转发站记为
Figure BDA0002504165690000079
S13：M个主级人工神经网络输出的M个最小信道功率增益作为次级人工神经网络的输入，输出M个最小信道功率增益中最大的那个信道功率增益和其相对应的无线转发站索引。对于多载波单无线转发站分配，本发明进一步规定，为简单起见，M个无线转发站对应的M个主级人工神经网络在结构上都是同质的，即所有M个主级人工神经网络共享相同的网络深度且每一层中的神经元数量也相同。
S2：采用监督型机器学习的方法对人工神经网络进行训练；具体步骤如下：
S21：构造带有标签的训练数据集：根据多载波单无线转发站分配标准，采用暴力搜索算法确定转发所有K个子载波的无线转发站的最佳集合
Figure BDA0002504165690000078
对应于给定{G(m,k)}的标签，将训练数据集和标签成对存储，可以实现使用监督式机器学习的前提条件，{G(m,k)}表示由第m个无线转发站转发的K个子载波的等效的端到端信道功率增益的集合。{G(m,k)}通常呈指数分布或者呈从0到无穷大的伽马分布，因此在将输入数据传递的级联人工神经网络之前，需要将{G(m,k)}归一化以避免人工神经网络参数饱和，同时也可以提高训练效率，具体如下：
Figure BDA0002504165690000081
S22：训练人工神经网络：初始化参数
Figure BDA0002504165690000082
将训练数据集作为M个主级人工神经网络的输入，M个主级人工神经网络的输出作为次级人工神经网络的输入，次级人工神经网络的输出检索到的一组选定的无线转发站，命名为
Figure BDA0002504165690000083
将
Figure BDA0002504165690000084
与根据暴力搜索算法所产生的标签
Figure BDA0002504165690000085
进行比较，从而产生误差矢量和误差梯度矢量，再通过反向传播机制逐层调整链接权重和神经元激活阈值；其中，
Figure BDA0002504165690000086
表示主级人工神经网络的层数；
Figure BDA0002504165690000087
表示主级人工神经网络第l层中神经元的数目；
Figure BDA0002504165690000088
表示主级人工神经网络的学习速率；
Figure BDA0002504165690000089
表示主级人工神经网络的范围扩展系数；
Figure BDA00025041656900000810
表示次级人工神经网络的层数；
Figure BDA00025041656900000811
表示次级人工神经网络第l层中神经元的数目；
Figure BDA00025041656900000812
表示次级人工神经网络的学习速率；
Figure BDA00025041656900000813
表示次级人工神经网络的范围扩展系数；
S23：重复步骤S22，训练过程以迭代的方式进行，每次迭代更新链路权重和神经元激活阈值，从而使得级联人工神经网络所给出的输出与标签接近；当所有训练数据集全部被使用完之后，迭代过程停止，训练结束。注意：为了避免过度拟合，本发明不允许使用相同的数据集进行重复训练。
用于执行多载波单无线转发站分配的主级人工神经网络和次级人工神经网络的技术规范如下表1和表2所示。
表1用于执行多载波单无线转发站分配的第m个主级人工神经网络的技术规范，
Figure BDA00025041656900000814
Figure BDA00025041656900000815
Figure BDA0002504165690000091
表2.用于执行多载波单无线转发站分配的次级人工神经网络的技术规范
Figure BDA0002504165690000092
S3：采用训练好的级联人工神经网络分配协作无线转发站网络中最合适的无线转发站。由于次级人工神经网络的输出向量
Figure BDA0002504165690000093
的值通常是十进制的，因此需要对其进行量化以明确输出值对应分配哪个无线转发站。对应多载波单无线转发站分配，只有一个选定的无线转发站，因此可以将量化的输出向量
Figure BDA0002504165690000094
定义为
Figure BDA0002504165690000095
其中Ξbulk{·}是一个逐项量化函数，具体是将最大项转换为1，其他项转换为0。
协作网络配置于静态空间中，设有4个无线转发站可供分配，即M＝4，2个子载波可用于传输信息，即K＝2。
针对第1个无线转发站的主级人工神经网络的训练过程如下：
S1：构造训练数据集：利用MATLAB随机指数分布函数和{G1(m,k)}{G2(m,k)}～exprnd(1)生成105个{G(m,k)}训练数据集，根据(4)式的暴力搜索来标注它们的标签。为了减轻信道实现的随机性，并能体现基于级联人工神经网络的多载波单无线转发站分配技术的统计性质，本发明在相同模拟配置下对所有先前实验的模拟结果取平均值。
S2：输入：根据{G(m,k)}，由第1个无线转发站转发的2个子载波输入，记为h(1)。
S3：初始化：设范围扩展系数
Figure BDA0002504165690000101
用
Figure BDA0002504165690000102
来随机初始化链接权重和激活阈值。
S4：处理过程：第l层中神经元的数目表示为
Figure BDA0002504165690000103
设主级人工神经网络的层数为设主级人工神经网络的架构为
Figure BDA0002504165690000105
使用逻辑函数
Figure BDA0002504165690000106
作为激活函数，设学习速率为
Figure BDA0002504165690000107
使用梯度下降算法来实现反向传播和动态链接权重以及激活阈值调整。循环迭代人工神经网络直到训练数据集中的105个带标签的{G(m,k)}全部被使用完为止。
S5：输出：输入参数的估计最小值
Figure BDA0002504165690000108
针对第2个无线转发站的主级人工神经网络的训练过程如下：
S1：构造训练数据集：利用{G1(m,k)}{G2(m,k)}～exprnd(1)生成105个带标签的{G(m,k)}的训练数据集。
S2：输入：根据{G(m,k)}，由第2个无线转发站转发的2个子载波输入，记为h(2)。
S3：初始化：设范围扩展系数
Figure BDA0002504165690000109
用
Figure BDA00025041656900001010
来随机初始化链接权重和激活阈值。
S4：处理过程：第l层中神经元的数目表示为
Figure BDA00025041656900001011
设主级人工神经网络的层数为
Figure BDA00025041656900001012
设主级人工神经网络的架构为
Figure BDA00025041656900001013
使用逻辑函数
Figure BDA00025041656900001014
作为激活函数，设学习速率为
Figure BDA00025041656900001015
使用梯度下降算法来实现反向传播和动态链接权重以及激活阈值调整。循环迭代人工神经网络直到训练数据集中的105个带标签的{G(m,k)}全部被使用完为止。
S5：输出：输入参数的估计最小值
Figure BDA0002504165690000111
针对第3个无线转发站的主级人工神经网络的训练过程如下：
S1：构造训练数据集：利用{G1(m,k)}{G2(m,k)}～exprnd(1)生成107个带标签的{G(m,k)}的训练数据集。
S2：输入：根据{G(m,k)}，由第3个无线转发站转发的2个子载波输入，记为h(3)。
S3：初始化：设范围扩展系数
Figure BDA0002504165690000112
用
Figure BDA0002504165690000113
来随机初始化链接权重和激活阈值。
S4：处理过程：第l层中神经元的数目表示为
Figure BDA0002504165690000114
设主级人工神经网络的层数为
Figure BDA0002504165690000115
设主级人工神经网络的架构为
Figure BDA0002504165690000116
使用逻辑函数
Figure BDA0002504165690000117
作为激活函数，设学习速率为
Figure BDA0002504165690000118
使用梯度下降算法来实现反向传播和动态链接权重以及激活阈值调整。循环迭代人工神经网络直到训练数据集中的105个带标签的{G(m,k)}全部被使用完为止。
S5：输出：输入参数的估计最小值
Figure BDA0002504165690000119
针对第4个无线转发站的主级人工神经网络的训练过程如下：
S1：构造训练数据集：利用{G1(m,k)}{G2(m,k)}～exprnd(1)生成105个带标签的{G(m,k)}的训练数据集。
S2：输入：根据{G(m,k)}，由第4个无线转发站转发的2个子载波输入，记为h(4)
S3：初始化：设范围扩展系数
Figure BDA00025041656900001110
用
Figure BDA00025041656900001111
来随机初始化链接权重和激活阈值。
S4：处理过程：第l层中神经元的数目表示为
Figure BDA00025041656900001112
设主级人工神经网络的层数为
Figure BDA00025041656900001113
设主级人工神经网络的架构为
Figure BDA00025041656900001114
使用逻辑函数
Figure BDA00025041656900001115
作为激活函数，设学习速率为
Figure BDA00025041656900001116
使用梯度下降算法来实现反向传播和动态链接权重以及激活阈值调整。循环迭代人工神经网络直到训练数据集中的105个带标签的{G(m,k)}全部被使用完为止。
S5：输出：输入参数的估计最小值
Figure BDA0002504165690000121
针对次级人工神经网络的训练过程如下：
S1：构造训练集集：利用{G1(m,k)}{G2(m,k)}～exprnd(1)生成105个带标签的{G(m,k)}的训练数据集。
S2：输入：次级人工神经网络的输入是M个主级人工神经网络的输出
Figure BDA0002504165690000122
即
Figure BDA0002504165690000123
S3：初始化：设范围扩展系数
Figure BDA0002504165690000124
用
Figure BDA0002504165690000125
来随机初始化链接权重和激活阈值。
S4：处理过程：本发明针对次级人工神经网络采用相对简单的体系结构，甚至没有次级人工神经网络的隐藏层，这是因为次级人工神经网络的功能只是分类，其预期输出用二进制表示。第l层中神经元的数目表示为
Figure BDA0002504165690000126
设次级人工神经网络的层数为
Figure BDA0002504165690000127
设次级人工神经网络的架构为
Figure BDA0002504165690000128
使用逻辑函数
Figure BDA0002504165690000129
作为激活函数，设学习速率为
Figure BDA00025041656900001210
使用梯度下降算法来实现反向传播和动态链接权重以及激活阈值调整。循环迭代人工神经网络直到训练数据集中的105个带标签的{G(m,k)}全部被使用完为止。
S5：输出：输出是所估计的向量
Figure BDA00025041656900001211
即选出输入值中的最大值所对应的无线转发站索引。
为了测量多载波单无线转发站分配的级联人工神经网络的训练性能，本发明采用以下性能指标。
首先，本发明将主级人工神经网络均方误差(PMSE)定义为：
Figure BDA00025041656900001212
PMSE用来衡量主级人工神经网络的训练性能，之中
Figure BDA00025041656900001213
表示括号内矩阵/矢量的期望值，||·||
F表示括号内矩阵/矢量的Frobenius范数。
同理，本发明将次级人工神经网络的MSE(SMSE)定义为：
Figure BDA00025041656900001214
用来测量次级人工神经网络的训练性能m，其中m是由(4)式的暴力搜索算法产生的M×1向量，其中与所选无线转发站对应的条目为1，其余不选则的无线转发站所对应的条目为0。
通过多载波单无线转发站分配的后处理方法，本发明采用均方量化误差(MSQE)和相对误差(RE)来衡量级联人工神经网络的整体性能，MESE和RE定义为：
Figure BDA0002504165690000131
和
Figure BDA0002504165690000132
其中
Figure BDA0002504165690000133
是从m提取出来的，表示所选出的用于转发第k个子载波的最佳无线转发站。
本发明在图4(a)-(d)中给出，在不同数量的无线转发站和不同数目的子载波的DF和AF协作无线转发站网络中，多载波单无线转发站分配有关的仿真结果。从该图中观察训练性能评估指标，可以得到以下结论：
第一：生成带标签的训练数据集后，开始进行迭代训练，所有这些参数经过前100个迭代周期的初始震荡后，参数值都会下降，从而验证本发明所提出的级联人工神经网络技术对多载波单无线转发站分配策略是有效果的。
第二：尽管PMSE、SMSE、MSQE、RE这四个训练性能评估指标随着训练迭代周期次数的增加，都会收敛到较小的值，但它们在任何情况下都不会接近无穷小，这是由级联人工神经网络和监督式机器学习的内在性质引起的，几乎无法消除。
第三：本发明探究了不同无线转发站数目、不同子载波数目和不同无线转发站协议对训练性能的影响。本发明发现，无论是无线转发站数目，还是子载波数目，任意一个项增加，都会给数据集和标签之间带来更加复杂的隐式模式，都会导致其训练性能下降。对于AF和DF无线转发站协议带来的影响，本发明由于输入G(m,k)是一个紧密联系的整体，发现无线转发站协议不同给训练性能带来的影响并不大。
本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于级联人工神经网络的多载波单无线转发站分配方法，其特征在于：包括以下步骤：
S1：根据多载波单无线转发站分配标准设计级联人工神经网络的结构；
S2：采用监督型机器学习的方法对人工神经网络进行训练；
S3：采用训练好的级联人工神经网络分配协作无线转发站网络中最合适的无线转发站分配。
2.根据权利要求1所述的基于级联人工神经网络的多载波单无线转发站分配方法，其特征在于：所述步骤S1中多载波单无线转发站分配标准为：
Figure FDA0002504165680000011
其中，
Figure FDA0002504165680000012
表示所有K个子载波的集合，即
Figure FDA0002504165680000013
Figure FDA0002504165680000014
表示所有M个无线转发站的集合，即
Figure FDA0002504165680000015
G(m,k)表示第k个子载波被第m个无线转发站转发的等效的端到端信道功率增益；
Figure FDA0002504165680000016
是所有K个载波的单无线转发站索引，
Figure FDA0002504165680000017
表示分配给第k个子载波的无线转发站；
Figure FDA0002504165680000018
为可分配无线转发站的集合。
3.根据权利要求2所述的基于级联人工神经网络的多载波单无线转发站分配方法，其特征在于：所述步骤S1中设计级联人工神经网络的结构的具体步骤如下：
S11：构造M个主级人工神经网络，M个主级人工神经网络用于搜索被第m个无线转发站所转发的所有K个子载波上的最小信道功率增益；每个主级人工神经网络有K个输入；
S12：构造一个次级人工神经网络，M个主级人工神经网络分别与一个次级人工神经网络连接；次级人工神经网络用于把所有M个无线转发站各自的最小信道功率增益遍历后，取出当中最大的对应信道功率增益，相应的无线转发站记为
Figure FDA0002504165680000019
S13：M个主级人工神经网络输出的M个最小信道功率增益作为次级人工神经网络的输入，输出M个最小信道功率增益中最大的那个信道功率增益和其相对应的无线转发站索引。
4.根据权利要求3所述的基于级联人工神经网络的多载波单无线转发站分配方法，其特征在于：所述步骤S2中采用监督型机器学习的方法对人工神经网络进行训练的具体步骤如下：
S21：构造带有标签的训练数据集：采用暴力搜索算法确定转发所有K个子载波的无线转发站的最佳集合
Figure FDA00025041656800000110
对应于给定{G(m,k)}的标签，将训练数据集和标签成对存储，其中{G(m,k)}表示由第m个无线转发站转发的K个子载波的等效的端到端信道功率增益的集合；
S22：训练人工神经网络：初始化参数
Figure FDA00025041656800000111
将训练数据集作为M个主级人工神经网络的输入，M个主级人工神经网络的输出作为次级人工神经网络的输入，次级人工神经网络的输出检索到的一组选定的无线转发站，命名为
Figure FDA0002504165680000021
将
Figure FDA0002504165680000022
与根据暴力搜索算法所产生的标签
Figure FDA0002504165680000023
进行比较，从而产生误差矢量和误差梯度矢量，再通过反向传播机制逐层调整链接权重和神经元激活阈值；其中，
Figure FDA0002504165680000024
表示主级人工神经网络的层数；
Figure FDA0002504165680000025
表示主级人工神经网络第l层中神经元的数目；
Figure FDA0002504165680000026
表示主级人工神经网络的学习速率；
Figure FDA0002504165680000027
表示主级人工神经网络的范围扩展系数；
Figure FDA0002504165680000028
表示次级人工神经网络的层数；
Figure FDA0002504165680000029
表示次级人工神经网络第l层中神经元的数目；
Figure FDA00025041656800000210
表示次级人工神经网络的学习速率；
Figure FDA00025041656800000211
表示次级人工神经网络的范围扩展系数；
S23：重复步骤S22，训练过程以迭代的方式进行，每次迭代更新链路权重和神经元激活阈值，从而使得级联人工神经网络所给出的输出与标签接近；当所有训练数据集全部被使用完之后，迭代过程停止，训练结束。
5.根据权利要求4所述的基于级联人工神经网络的多载波单无线转发站分配方法，其特征在于：所述步骤S21中包括先将{G(m,k)}归一化，具体如下：
Figure FDA00025041656800000212
6.根据权利要求4所述的基于级联人工神经网络的多载波单无线转发站分配方法，其特征在于：所述步骤S22中采用量化函数将次级人工神经网络的输出逐项量化，具体是将最大项转换为1，其他项转换为0。
CN202010441499.5A 2020-05-22 2020-05-22 基于级联人工神经网络的多载波单无线转发站分配方法 Pending CN111698188A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010441499.5A CN111698188A (zh) 2020-05-22 2020-05-22 基于级联人工神经网络的多载波单无线转发站分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010441499.5A CN111698188A (zh) 2020-05-22 2020-05-22 基于级联人工神经网络的多载波单无线转发站分配方法

Publications (1)

Publication Number Publication Date
CN111698188A true CN111698188A (zh) 2020-09-22

Family

ID=72477183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010441499.5A Pending CN111698188A (zh) 2020-05-22 2020-05-22 基于级联人工神经网络的多载波单无线转发站分配方法

Country Status (1)

Country Link
CN (1) CN111698188A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101841360A (zh) * 2010-05-14 2010-09-22 南昌市瑞捷信达科技技术有限公司 基于多载波功放技术的矿井无线通信组网
US20100265913A1 (en) * 2009-04-17 2010-10-21 Qualcomm Incorporated Inter-frequency indication of association data for multi-carrier wireless deployments
CN106161327A (zh) * 2016-06-21 2016-11-23 浪潮(北京)电子信息产业有限公司 一种多载波单中继系统的信号传输处理方法及装置
CN109671424A (zh) * 2017-10-16 2019-04-23 通用汽车环球科技运作有限责任公司 车辆特征的响应激活
CN111132189A (zh) * 2019-10-31 2020-05-08 广西华南通信股份有限公司 一种三步式的多载波无线转发站资源优化配置策略

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100265913A1 (en) * 2009-04-17 2010-10-21 Qualcomm Incorporated Inter-frequency indication of association data for multi-carrier wireless deployments
CN101841360A (zh) * 2010-05-14 2010-09-22 南昌市瑞捷信达科技技术有限公司 基于多载波功放技术的矿井无线通信组网
CN106161327A (zh) * 2016-06-21 2016-11-23 浪潮(北京)电子信息产业有限公司 一种多载波单中继系统的信号传输处理方法及装置
CN109671424A (zh) * 2017-10-16 2019-04-23 通用汽车环球科技运作有限责任公司 车辆特征的响应激活
CN111132189A (zh) * 2019-10-31 2020-05-08 广西华南通信股份有限公司 一种三步式的多载波无线转发站资源优化配置策略

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHUPING DANG等: ""Enabling Multicarrier Relay Selection by Sensing Fusion and Cascaded ANN for Intelligent Vehicular Communications"", 《IEEE SENSORS JOURNAL》 *

Similar Documents

Publication Publication Date Title
Lee et al. Deep power control: Transmit power control scheme based on convolutional neural network
CN109104225B (zh) 一种能效最优的大规模mimo波束域多播传输方法
Chakraborty et al. Centralized and distributed power allocation for max-min fairness in cell-free massive MIMO
Lee et al. Deep learning based transmit power control in underlaid device-to-device communication
Ashikhmin et al. Interference reduction in multi-cell massive MIMO systems I: Large-scale fading precoding and decoding
Wijaya et al. Intercell-interference cancellation and neural network transmit power optimization for MIMO channels
CN110012547B (zh) 一种共生网络中用户关联的方法
Chege et al. Energy efficient resource allocation for uplink hybrid power domain sparse code nonorthogonal multiple access heterogeneous networks with statistical channel estimation
CN102739383B (zh) 基于有限反馈的ofdm-af系统联合资源分配方法
Lee et al. Learning-based joint optimization of transmit power and harvesting time in wireless-powered networks with co-channel interference
Sery et al. COTAF: Convergent over-the-air federated learning
Fredj et al. Distributed uplink beamforming in cell-free networks using deep reinforcement learning
Nguyen et al. Short-packet communications in multi-hop WPINs: Performance analysis and deep learning design
Annauth et al. OFDM systems resource allocation using multi-objective particle swarm optimization
CN111698754A (zh) 基于级联人工神经网络的逐子载波无线转发站分配方法
Wijaya et al. Neural network based transmit power control and interference cancellation for MIMO small cell networks
CN111698188A (zh) 基于级联人工神经网络的多载波单无线转发站分配方法
Zhang et al. A convolutional neural network based resource management algorithm for NOMA enhanced D2D and cellular hybrid networks
Cheraghy et al. Resource allocation to maximize the average sum rate of the uplink SCMA networks
Lee et al. Wireless link scheduling for D2D communications with graph embedding technique
Orhan et al. Graph Neural Networks to Enable Scalable MAC for Massive MIMO Wireless Infrastructure
Sanjana et al. Deep learning approaches used in downlink MIMO-NOMA system: a survey
Cheng et al. Distributive power control algorithm for multicarrier interference network over time-varying fading channels—Tracking performance analysis and optimization
Gong et al. Minimize BER without CSI for dynamic RIS-assisted wireless broadcast communication systems
Lin et al. Deep learning based resource allocation in NOMA wireless power transfer networks

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200922