CN111787624A - D2d辅助的蜂窝网络中的一种基于深度学习的可变维度资源分配算法 - Google Patents

D2d辅助的蜂窝网络中的一种基于深度学习的可变维度资源分配算法 Download PDF

Info

Publication number
CN111787624A
CN111787624A CN202010598328.3A CN202010598328A CN111787624A CN 111787624 A CN111787624 A CN 111787624A CN 202010598328 A CN202010598328 A CN 202010598328A CN 111787624 A CN111787624 A CN 111787624A
Authority
CN
China
Prior art keywords
data
power distribution
dimension
neural network
link
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
CN202010598328.3A
Other languages
English (en)
Other versions
CN111787624B (zh
Inventor
裴二荣
杨光财
朱冰冰
王振民
张茹
周礼能
荆玉琪
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.)
Shenzhen Hongyue Information Technology Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010598328.3A priority Critical patent/CN111787624B/zh
Publication of CN111787624A publication Critical patent/CN111787624A/zh
Application granted granted Critical
Publication of CN111787624B publication Critical patent/CN111787624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及D2D辅助的蜂窝网络中的一种基于深度学习的可变维度资源分配算法，属于D2D链路通信领域。本发明包括以下步骤：S1：收集数据，构建多个基于蜂窝网的D2D链路数不同的通信模型，使用传统算法对D2D链路进行功率分配，并导出信道状态矩阵和功率分配矩阵数据以作预训练集；S2：对收集到的多个D2D链路通信下的进行功率分配的数据进行维度预处理，通过低维数据补零的方式提升低维数据的维度，最终所有数据的维度都与最大维度相同；S3：使用混合了多对D2D链路通信场景下的功率分配数据训练一个高纬度的神经网络；S4：使用训练好的神经网络模型对最高维度以下所有维度的数据进行功率分配，即一个DNN模型可以对多个D2D链路数不同的场景下进行功率分配(需要对输入数据通过补零的形式提升其维度与DNN模型输入数据维度一致)。本发明能够使用一个神经网络模型对多个不同D2D链路数场景进行功率分配。

Description

D2D辅助的蜂窝网络中的一种基于深度学习的可变维度资源 分配算法
技术领域
本发明属于D2D链路通信领域，涉及D2D辅助的蜂窝网络中的一种基于深度学习的可变维度资源分配算法。
背景技术
D2D(Device to Device)通信是指两个通信设备之间的直接链路通信。任何频段上能够直接通信的链路都可以理解为D2D通信链路。这些频段包括授权频段和非授权频段。例如，蓝牙和点对点的Wi-Fi技术就是典型的工作在非授权频段上的D2D通信。本发明主要关注工作在蜂窝网络授权频段上的D2D通信的发射功率分配方法。
Device-to-device(D2D)通信被认为是一种很有前途的技术，它可以大大提高5G网络的容量和频谱效率。蜂窝网络中的D2D通信指当两个用户设备想要彼此通信时，它们可以绕过基站并通过一条直接连路交换信息。在蜂窝网络中，一旦建立了D2D通信链路，D2D通信就不需要基站的干预，从而减少了对蜂窝网络的压力。通常，进行直接通信的D2D设备之间距离比较近，因此D2D通信可以实现低功率的传输。D2D通信模式不仅可以节约能源，而且可以提高系统的频谱效率。
尽管在蜂窝系统中引入D2D链路带来了很多好处，但同时也会对蜂窝系统造成严重的干扰，这是引入D2D链路所带来的主要问题之一。尤其是当D2D链路与蜂窝链路共享无线资源时，干扰问题将更加严重。信道重用会导致DUE之间以及CUE与DUE之间的严重相互干扰[1]。由于D2D通信给蜂窝系统造成了严重干扰，而且干扰的大小与D2D用户的发射功率密切相关，因此功率控制对D2D通信显得格外重要。此外，通过功率控制技术调整D2D用户设备的发射功率，可以在保证蜂窝用户的通信质量的前提下实现系统的吞吐量最大化。因此，分析和研究D2D链路的功率控制具有重要意义。
当一个蜂窝用户信道被多个D2D链路复用时，系统总吞吐量最大化成为非凸优化问题。尽管通过大量的数值模拟和理论分析观察到基于算法的优化理论的出色表现，其实现在实际情况下仍然面临许多严重的障碍。其中，这些算法的高计算复杂度是最具挑战性的问题之一。例如，流行的WMMSE类型算法在每次迭代中都需要复杂的操作，例如矩阵求逆和二等分。它们具有很高的计算复杂度，使得实时实现成为不可能。
“学习优化”方法因其具有替代传统优化算法的潜力而备受关注。基于机器学习的算法不仅可以逼近传统的优化算法，而且可以大大降低计算量。但是，这些算法没有考虑动态可变数量的D2D对，这导致泛化能力非常弱。已有相关文献中训练好的DNN模型只能应用于具有固定数量的D2D对的场景，一旦D2D用户数发生变化，难以使用DNN模型进行预测。使用机器学习算法逼近传统优化算法时，存在一个问题：当神经网络包含全连接层时，需要固定维度的输入。换句话说，不同维度的数据输入不能直接输入同一个全连接神经网络。据我们所知，到目前为止还没有文献研究使用DNN对可变数量的D2D对进行资源分配的问题。
发明内容
有鉴于此，本发明提供了D2D辅助的蜂窝网络中的一种基于深度学习的可变维度资源分配算法，以解决以解决D2D链路数随时发生变化时，能很好的使用DNN模型对多种D2D链路通信进行功率分配的问题。
为达到上述目的，本发明提供如下技术方案：
D2D辅助的蜂窝网络中的一种基于深度学习的可变维度资源分配算法，包括以下步骤：
S1：收集数据，构建多个基于蜂窝网的D2D链路数不同的通信模型，使用传统算法对D2D链路进行功率分配，并导出信道状态矩阵和功率分配矩阵数据以作预训练集；
S2：对收集到的多个D2D链路通信下的进行功率分配的数据进行维度预处理，通过低维数据补零的方式提升低维数据的维度，最终所有数据的维度都与最大维度相同；
S3：使用混合了多对D2D链路通信场景下的功率分配数据训练一个高纬度的神经网络；
S4：使用训练好的神经网络模型对最高维度以下所有维度的数据进行功率分配，即一个DNN模型可以对多个D2D链路数不同的场景下进行功率分配(需要对输入数据通过补零的形式提升其维度与DNN模型输入数据维度一致)。
进一步，在步骤S1中，构建多种D2D链路通信场景，D2D链路数不同其信道状态矩阵和对应的功率分配矩阵的维度也不同，收集不同维度的数据作为预训练集。
进一步，在步骤S2中，在步骤S2中，因为收集到的预训练集中包含多种维度的数据，我们知道神经网络中包含全连接层时输入数据的维度是固定的，这样的神经网络要想学习不同维度的数据的特征，需要数据的维度进行统一处理，可以使用低维数据补零处理提升维度。
进一步，在步骤S3中，在步骤S2中，因为收集到的预训练集中包含多种维度的数据，我们知道神经网络中包含全连接层时输入数据的维度是固定的，这样的神经网络要想学习不同维度的数据的特征，需要数据的维度进行统一处理，可以使用低维数据补零处理提升维度。
进一步，在步骤S4中，训练集包含多种维度的数据，这样训练出来的神经网络模型可以同时学习到多种维度的输入和输出之间的非线性关系，使用该模型可以很好的对低于神经网络模型输入数据维度以下的D2D链路数进行功率分配。
本发明的有益效果在于：本发明弥补了单一维度数据训练神经网络模型的局限性，与传统训练方式不同的是这里DNN学习到的不是某一维度的输入和输出之间的非线性关系，而是多个维度的输入输出之间的共同的非线性关系，这种模型可以很好的对其他维度的数据进行处理。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明实施例的流程示意图；
图2模拟D2D链路复用蜂窝用户信道资源进行通信的场景，场景1表示有一对D2D链路复用蜂窝用户的信道资源进行通信，场景2表示两对D2D链路复用蜂窝用户的信道资源进行通信,场景3表示三对D2D链路复用蜂窝用户的信道资源进行通信；
图3、图4为在构建训练集前，将低维信道状态信息数据通过补领提升维度；
图5为在构建训练集前，将低维功率分配数据通过补领提升维度；
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
本发明针对D2D链路复用蜂窝用户信道资源进行通信时由于D2D链路数不同，导致其输入和输出数据维度不同，难以使用包含全连接层的神经网络进行学习输入和输出之间的非线性关系以及单一维度训练的神经网络模型难以对其他维度的数进行处理的问题，提出D2D辅助的蜂窝网络中的一种基于深度学习的可变维度资源分配算法。与传统使用单一维度数据训练神经相比，该训练方法可以使得神经网络同时学习多种维度的输入和输出数据之间的复杂关系，学习好的模型可以很好的处理复用蜂窝用户信道资源的D2D链路数动态变化的场景。
与传统单一维度数据训练神经网络不同，如图2所示，假设某一场景中复用蜂窝用户信道资源进行通信的D2D链路数是动态变化的，在场景1、场景2等场景中随时切换。通过数学建模在保证蜂窝用户通信质量的前提下最大化D2D链路吞吐量，使用传统优化算法求解相应的功率分配。假设神经网络的输入层神经元的个数是16个，按照图3、图4的方法对低维的信道状态信息矩阵通过补零的方式提升其维度为4x4矩阵，再转换成16x1的向量和对应的功率分配向量构成一组训练数据；假设神经网络的输出层神经元个数为4，需要提升低维的功率分配向量的维度到4x1，如图5所示。使用传统优化算法导出大量信道状态信息和功率分配信息，通过以上方法对其维度进行处理。最后，使用维度处理后的包含多种维度的数据训练神经网络。
如图1所示，D2D的蜂窝网络中基于深度学习的可变维度资源分配算法，该方法包括以下步骤：
S1：收集数据，构建多个基于蜂窝网的D2D链路数不同的通信模型，使用传统算法对D2D链路进行功率分配，并导出信道状态矩阵和功率分配矩阵数据以作预训练集；
S2：对收集到的多个D2D链路通信下的进行功率分配的数据进行维度预处理，通过低维数据补零的方式提升低维数据的维度，最终所有数据的维度都与最大维度相同；
S3：使用混合了多对D2D链路通信场景下的功率分配数据训练一个高纬度的神经网络；
S4：使用训练好的神经网络模型对最高维度以下所有维度的数据进行功率分配，即一个DNN模型可以对多个D2D链路数不同的场景下进行功率分配(需要对输入数据通过补零的形式提升其维度与DNN模型输入数据维度一致)。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.D2D辅助的蜂窝网络中的一种基于深度学习的可变维度资源分配算法的具体步骤如下：
S1：收集数据，构建多个基于蜂窝网的D2D链路数不同的通信模型，使用传统算法对D2D链路进行功率分配，并导出信道状态矩阵和功率分配矩阵数据以作预训练集；
S2：对收集到的多个D2D链路通信下的进行功率分配的数据进行维度预处理，通过低维数据补零的方式提升低维数据的维度，最终所有数据的维度都与最大维度相同；
S3：使用混合了多对D2D链路通信场景下的功率分配数据训练一个高纬度的神经网络；
S4：使用训练好的神经网络模型对最高维度以下所有维度的数据进行功率分配，即一个DNN模型可以对多个D2D链路数不同的场景下进行功率分配(需要对输入数据通过补零的形式提升其维度与DNN模型输入数据维度一致)。
2.根据权利要求1所述的D2D的蜂窝网络中基于深度学习的可变维度资源分配算法，其特征在于：构建多种D2D链路通信场景，D2D链路数不同其信道状态矩阵和对应的功率分配矩阵的维度也不同，收集不同维度的数据作为预训练集。
3.根据权利要求2所述的D2D的蜂窝网络中基于深度学习的可变维度资源分配算法，其特征在于：在步骤S2中，因为收集到的预训练集中包含多种维度的数据，我们知道神经网络中包含全连接层时输入数据的维度是固定的，这样的神经网络要想学习不同维度的数据的特征，需要数据的维度进行统一处理，可以使用低维数据补零处理提升维度。
4.根据权利要求3所述的D2D的蜂窝网络中基于深度学习的可变维度资源分配算法，其特征在于：在步骤S3中，使用包含全连接层的神经网络学习初始维度不同的输入数据和输出数据之间的非线性关系，之所可以学习到输入和输出数据之间的关系，是因为通过补领对数据进行维度处理时并不会引入新的干扰特征。
5.根据权利要求4所述的D2D的蜂窝网络中基于深度学习的可变维度资源分配算法，其特征在于：训练集包含多种维度的数据，这样训练出来的神经网络模型可以同时学习到多种维度的输入和输出之间的非线性关系，使用该模型可以很好的对低于神经网络模型输入数据维度以下的D2D链路数进行功率分配。
CN202010598328.3A 2020-06-28 2020-06-28 一种基于深度学习的可变维度资源分配方法 Active CN111787624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010598328.3A CN111787624B (zh) 2020-06-28 2020-06-28 一种基于深度学习的可变维度资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010598328.3A CN111787624B (zh) 2020-06-28 2020-06-28 一种基于深度学习的可变维度资源分配方法

Publications (2)

Publication Number Publication Date
CN111787624A true CN111787624A (zh) 2020-10-16
CN111787624B CN111787624B (zh) 2022-04-26

Family

ID=72760634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010598328.3A Active CN111787624B (zh) 2020-06-28 2020-06-28 一种基于深度学习的可变维度资源分配方法

Country Status (1)

Country Link
CN (1) CN111787624B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114142908A (zh) * 2021-09-17 2022-03-04 北京航空航天大学 一种面向覆盖侦察任务的多无人机通信资源分配方法
CN115474276A (zh) * 2021-06-10 2022-12-13 山东大学 基于深度学习的多小区蜂窝网络下行链路资源分配方法
CN115483964A (zh) * 2022-09-30 2022-12-16 中国人民解放军陆军工程大学 一种空天地一体化物联网通信资源联合分配方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109729528A (zh) * 2018-12-21 2019-05-07 北京邮电大学 一种基于多智能体深度强化学习的d2d资源分配方法
US20190163530A1 (en) * 2017-11-24 2019-05-30 Industrial Technology Research Institute Computation apparatus, resource allocation method thereof, and communication system
CN110139282A (zh) * 2019-05-13 2019-08-16 南京邮电大学 一种基于神经网络的能量采集d2d通信资源分配方法
CN110213814A (zh) * 2019-07-04 2019-09-06 电子科技大学 一种基于深度神经网络的分布式功率分配方法
EP3561645A1 (en) * 2018-04-25 2019-10-30 Fujitsu Limited Deep neural network training for application program generation
CN110401964A (zh) * 2019-08-06 2019-11-01 北京邮电大学 一种面向用户为中心网络基于深度学习的功率控制方法
CN110808824A (zh) * 2019-11-12 2020-02-18 哈尔滨工业大学 低轨卫星星地链路的高谱效稀疏码多址接入方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190163530A1 (en) * 2017-11-24 2019-05-30 Industrial Technology Research Institute Computation apparatus, resource allocation method thereof, and communication system
EP3561645A1 (en) * 2018-04-25 2019-10-30 Fujitsu Limited Deep neural network training for application program generation
CN109729528A (zh) * 2018-12-21 2019-05-07 北京邮电大学 一种基于多智能体深度强化学习的d2d资源分配方法
CN110139282A (zh) * 2019-05-13 2019-08-16 南京邮电大学 一种基于神经网络的能量采集d2d通信资源分配方法
CN110213814A (zh) * 2019-07-04 2019-09-06 电子科技大学 一种基于深度神经网络的分布式功率分配方法
CN110401964A (zh) * 2019-08-06 2019-11-01 北京邮电大学 一种面向用户为中心网络基于深度学习的功率控制方法
CN110808824A (zh) * 2019-11-12 2020-02-18 哈尔滨工业大学 低轨卫星星地链路的高谱效稀疏码多址接入方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAORAN SUN: "Learning to Optimize: Training Deep Neural Networks for Interference Management", 《 IEEE TRANSACTIONS ON SIGNAL PROCESSING》 *
廖晓闽: "基于深度强化学习的蜂窝网资源分配算法", 《通信学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115474276A (zh) * 2021-06-10 2022-12-13 山东大学 基于深度学习的多小区蜂窝网络下行链路资源分配方法
CN115474276B (zh) * 2021-06-10 2024-03-19 山东大学 基于深度学习的多小区蜂窝网络下行链路资源分配方法
CN114142908A (zh) * 2021-09-17 2022-03-04 北京航空航天大学 一种面向覆盖侦察任务的多无人机通信资源分配方法
CN115483964A (zh) * 2022-09-30 2022-12-16 中国人民解放军陆军工程大学 一种空天地一体化物联网通信资源联合分配方法
CN115483964B (zh) * 2022-09-30 2024-03-08 中国人民解放军陆军工程大学 一种空天地一体化物联网通信资源联合分配方法

Also Published As

Publication number Publication date
CN111787624B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN111787624B (zh) 一种基于深度学习的可变维度资源分配方法
CN109639377B (zh) 基于深度强化学习的频谱资源管理方法
Pan et al. Joint 3D UAV placement and resource allocation in software-defined cellular networks with wireless backhaul
Zhu et al. Foundation study on wireless big data: Concept, mining, learning and practices
Wen et al. Joint parameter-and-bandwidth allocation for improving the efficiency of partitioned edge learning
Xu et al. Resource allocation based on quantum particle swarm optimization and RBF neural network for overlay cognitive OFDM System
CN102186174A (zh) 认知无线电系统中的协作频谱共享博弈方法
CN101359941A (zh) 认知无线电技术中基于归一化博弈模型的功率控制方法
CN106993298A (zh) 一种基于QoS的智能电力通信业务差分调度方法
CN102238555A (zh) 认知无线电中基于协作学习的多用户动态频谱接入方法
CN107613556A (zh) 一种基于功率控制的全双工d2d干扰管理方法
CN111328087A (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
CN113316154A (zh) 一种授权和免授权d2d通信资源联合智能分配方法
CN108600999A (zh) Fd-d2d基于信道分配与功率控制联合优化方法
Chen et al. Hybrid fog/cloud computing resource allocation: Joint consideration of limited communication resources and user credibility
Tian et al. Optimization-oriented RAW modeling of IEEE 802.11 ah heterogeneous networks
CN113596785A (zh) 基于深度q网络的d2d-noma通信系统资源分配方法
Lin et al. A unified framework for integrating semantic communication and ai-generated content in metaverse
CN115866787A (zh) 融合终端直传通信和多接入边缘计算的网络资源分配方法
CN111787543A (zh) 一种基于改进灰狼优化算法的5g通信系统资源分配方法
CN108282888B (zh) 一种基于改进模糊聚类的d2d资源分配方法
Zhang et al. Learning-based resource allocation in heterogeneous ultradense network
US11742901B2 (en) Deep learning based beamforming method and apparatus
Das et al. Reinforcement learning-based resource allocation for M2M communications over cellular networks
CN109981340A (zh) 雾计算网络系统中联合资源优化的方法

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

Effective date of registration: 20240715

Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Hongyue Information Technology Co.,Ltd.

Country or region after: China

Address before: 400065 No. 2, Chongwen Road, Nan'an District, Chongqing

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China