CN111970718B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111970718B
CN111970718B CN202010708187.6A CN202010708187A CN111970718B CN 111970718 B CN111970718 B CN 111970718B CN 202010708187 A CN202010708187 A CN 202010708187A CN 111970718 B CN111970718 B CN 111970718B
Authority
CN
China
Prior art keywords
network
dnn
training
power distribution
data
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
CN202010708187.6A
Other languages
English (en)
Other versions
CN111970718A (zh
Inventor
姚如贵
秦倩楠
张雨欣
左晓亚
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010708187.6A priority Critical patent/CN111970718B/zh
Publication of CN111970718A publication Critical patent/CN111970718A/zh
Application granted granted Critical
Publication of CN111970718B publication Critical patent/CN111970718B/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
    • 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
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
    • H04W52/223—TPC being performed according to specific parameters taking into account previous information or commands predicting future states of the transmission
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
    • H04W52/225—Calculation of statistics, e.g. average, variance
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种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，针对能量收集半双工不可信中继网络，在系统发射总功率一定、CSI已知的前提下，建立DNN模型寻求最佳功率分配因子，包括配置网络参数、建立数据预处理模型，进行网络训练和网络预测。本发明利用可处理大规模数据、拟合能力强的深度学习方法进行功率分配降低了计算复杂度，快速高效的实现了数据的处理，不需要复杂的遍历计算。已知能量收集不可信中继网络节点之间的信道增益时，可以通过训练好的网络以较低的复杂度直接得到最优功率分配因子，进而获得最大系统安全速率。

Description

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
技术领域
本发明涉及无线通信技术领域，具体涉及一种不可信中继网络中的功率分配方法。
背景技术
在物理层安全研究中，为了提升能量效率，将能量收集引入不可信中继网络中，使中继节点具备能量收集功能，可以从周围的环境和基站收集能量以维持自身的长时间通信。此外，在不可信中继网络中，通过对各节点之间进行合理的功率分配可以最大化系统安全速率，提高无线通信网络的性能。然而，最优功率分配的理论研究方法往往是基于连续变量遍历算法，计算复杂度高，耗费大量计算资源和时间。尤其在时变信道中，信道状态信息(Channel State Information,CSI)快速变化，需要进行大量的复杂计算。
随着人工智能技术的兴起，采用深度学习进行最优功率分配可以解决由传统理论方法带来的运算复杂度高、耗费大量计算资源的问题，并能快速高效的找到最优功率分配因子使得系统安全速率最大化。因此为了降低计算复杂度、节约计算资源和时间，将深度学习应用在功率分配研究中具有重要意义。
文献1“R.El-Bardan,S.Brahma and P.K.Varshney.Strategic PowerAllocation With Incomplete Information in the Presence of a Jammer.[J].IEEETransactions on Wireless Communications,2016,64(8):3467-3479.”使用能量收集技术解决了在不可信中继网络中功率受限的问题，延长了中继节点的使用寿命并能够提供长时间的通信。然而，合理分配收集到的能量且满足通信要求成为一项挑战。
文献2“Y.Chen,X.Hu and Z.Tan.Power Allocation for OFDM-DF CooperativeCommunication.[C].IEEE Third International Conference on Communications andMobile Computing,2011,319-322”针对在正交频分复用(Orthogonal FrequencyDivision Multiplexing,OFDM)协作通信系统，在子载波功率受限时，提出解码和转发(Decode-and-Forward，DF)方法最小化分配给源节点和中继之间每个子载波传输功率，降低系统功率消耗，延长传输节点的使用寿命，达到最优功率分配。
文献3“R.Yao,F.Xu,T.Mekkawy and J.Xu.Optimised power allocation tomaximise secure rate in energy harvesting relay network.[J].ElectronicsLetters,2016,52(22): 1879-1881”针对能量收集不可信中继网络，采用基于目的节点干扰 (Destination-aided-jamming，DAJ)技术确保信息安全传输。使用遍历算法找到系统最优功率分配因子，合理分配传输节点之间的功率，进而最大化系统安全速率。该算法可以求得理论最优解，但计算过程复杂，耗费了大量的计算资源。
文献4“J.Gao,M.R.A.Khandaker,F.Tariq,et al.Deep Neural Network BasedResource Allocation for V2X Communications.[C].2019IEEE 90th VehicularTechnology Conference(VTC2019-Fall),2019,1-5”针对车用无线通信(Vehicle toEverything，V2X) 系统，使用深度神经网络(Deep Neural Networks,DNN)优化功率分配，最大化系统吞吐量。仿真结果表明了基于DNN方法几乎达到了和理论迭代方法同样的性能，同时有效的解决了计算资源开销大的问题。
在能量收集不可信中继网络中，现有的理论研究方法在解决功率分配问题时通常需要反复迭代，遍历所有的可行解，耗费大量的计算资源和计算时间，而深度学习擅长处理连续变量问题，有很强的数据拟合能力。
发明内容
为了克服现有技术的不足，本发明提供一种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。针对能量收集不可信中继网络，本发明提出一种基于深度学习的功率分配方案，在CSI已知，使用DNN模型寻求最优功率分配因子，最大化系统安全速率，降低系统运算复杂度。针对能量收集半双工不可信中继网络，文献3采用遍历方法寻找最优功率分配因子使得系统安全速率最大化，为了解决传统遍历方法存在的计算复杂高的问题，本发明针对能量收集半双工不可信中继网络，在系统发射总功率一定、CSI已知的前提下，建立DNN模型寻求最佳功率分配因子，包括配置网络参数、建立数据预处理模型，网络训练、网络预测。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤一，数据集的生成；
在训练FC-DNN之前，首先产生一组训练集和一组测试集，每组样本包括信道特性的组合以及对应的最优功率分配因子αopt；训练集和测试集由随机生成的CSI组成，服从标准正态分布；对应的标签由文献3中的理论方法通过遍历算法计算求得；
步骤二，DNN网络的构建；
DNN网络是一个五层的全连接网络，分别是输入层，3层隐藏层和输出层；网络的输入是CSI模值平方组成的向量，输出是最优功率分配因子，输入层和隐藏层的激活函数设置为ReLu(Rectified Linear Units)，输出层的激活函数设置为tanh，损失函数选用均方误差(Mean Squared Error,MSE)函数；采用自适应矩估计(Adaptive Moment Estimation，Adam)作为损失函数的优化器，计算自适应性参数学习率，同时采用批训练(batchtraining)分批将数据喂入DNN网络，加速网络的收敛，使网络更快的学习到输入到输出的映射关系；
步骤三，DNN网络的训练与测试；
a)训练阶段，将训练集输入DNN网络中进行训练，数据喂入后，数据进行正向传播，网络从信道增益与最优功率分配因子αopt之间学习到函数关系，DNN从大数据中学习并拟合出函数关系，经过多次试验，通过调整网络的激活函数、优化器、神经单元数目来优化网络，使DNN网络的预测值与真实值之间的误差最小，并保存网络的参数；
b)DNN网络训练完成后，在测试阶段，随机生成新的数据喂入已训练好的DNN 网络，计算测试阶段网络的输出和理论值之间的误差，测试网络的(学习效果)泛化能力。
本发明的有益效果在于利用可处理大规模数据、拟合能力强的深度学习方法进行功率分配降低了计算复杂度，快速高效的实现了数据的处理，不需要复杂的遍历计算。已知能量收集不可信中继网络节点之间的信道增益时，可以通过训练好的网络以较低的复杂度直接得到最优功率分配因子，进而获得最大系统安全速率。
附图说明
图1为本发明能量收集不可信中继系统模型。
图2为本发明R(α)随S到R链路等效信噪比γSR的变化趋势。
图3为本发明R(α)随D到R链路等效信噪比γDR的变化趋势。
图4为本发明DNN网络均方根误差与α的比值随D到R链路等效信噪比γDR的变化趋势。
图5为本发明R(α)随能量转换效率η和D到R链路等效信噪比γSR的变化趋势。
图6为本发明MSE随不同学习率的变化趋势。
图7为本发明MSE随不同批大小的变化趋势。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明基于文献3中寻找最优功率分配因子来增大系统安全速率的思想，将深度学习应用于功率分配可以解决传统遍历方法存在的计算复杂的不足。为了更加清楚的描述本发明提出的方案，先简单介绍文献3中的系统模型。
考虑的系统模型中，包括源节点S、不可信中继R和目的节点D。由于源节点S 和目的节点D的距离较远或者存在由障碍物阻隔产生的阴影效应，S和D之间没有可用的直传链路，所以S和D必须借助R实现通信。考虑到设备尺寸和复杂度的限制，假设所有节点均配置单天线。在此网络中，中继R是能量受限节点，为了维持长时间通信，R采用射频能量收集技术，并遵循放大转发(Amplify and Forward,AF)协议。由于R是不可信的，所以采取基于目的节点干扰(Destination-aided-jamming，DAJ) 传输方式，信息的传输分为两个时隙完成。
在第一个时隙中，S发送信号xS给R，同时D在同一频段内传输协作干扰信号xD给R，中继R收到的信号yR表示为：
Figure RE-GDA0002691067730000041
其中，PS和PD分别是S和D的传输功率，假设S和D发射的总功率为P,α∈[0,1] 是功率分配因子，则PS＝αP，PD＝(1-α)P；h和g分别代表S到R、D到R的信道增益；nR是R接收的高斯白噪声，服从均值为0，方差为N0的分布。令η∈[0,1]为能量转换效率，表示R在第一时隙内将收集到的能量转化为可用能量的比例，那么R在第一时隙收集到的能量为η||yR||2，这里||·||2是模值的平方计算。此时R处瞬时信干噪比为
Figure RE-GDA0002691067730000042
第二个时隙中，中继R把接收到的信号放大β倍后转发给D，D处接收到的信号表示为：
Figure RE-GDA0002691067730000043
其中，nD是在D接收的高斯白噪声，服从均值为0，方差为N0的分布。为了保证通信的可持续性，R发送的信号能量不能大于它接收的信号总能量，即||βyR||2≤η||yR||2，化简为β2≤η，为简化系统模型令β2＝η。采用自干扰消除技术后，此时R处接收的瞬时信干噪比为
Figure RE-GDA0002691067730000051
在不可信中继系统中，最后系统的可实现安全速率R(α)表示为：
Figure RE-GDA0002691067730000052
其中，[·]+＝max(·,0)。由上式可知，系统安全速率R(α)与α之间具有复杂的函数关系。为了最大化系统安全速率，需要优化功率分配因子。通信系统的优化问题可以表述为：
Figure RE-GDA0002691067730000053
Figure RE-GDA0002691067730000054
其中，η和α的取值范围为约束条件。
理论方法在求解上述系统模型中的最优功率分配因子αopt时十分复杂，需要遍历所有计算结果，复杂度高，耗费大量的计算资源，不易求解。考虑到功率分配因子的寻求问题是一个连续型变量问题，而深度学习在处理回归问题时具有很大优势，因此尝试引入深度学习实现能量收集不可信中继网络节点间的功率分配，寻求使系统安全速率最大化的最优功率分配因子。DNN是深度学习的基本网络结构之一，采用全连接 DNN(fullyconnected-DNN，FC-DNN)网络来预测最优功率分配因子。
本发明研究的能量收集半双工不可信中继网络如图1所示，包括源节点S、不可信中继R和目的节点D。中继R是能量受限节点，采用射频能量收集技术维持长时间通信，并遵循AF协议。由于R是不可信的，所以采取基于DAJ传输方式，信息的传输分为两个时隙完成。
在第一个时隙中，S发送信号xS给R，同时D在同一频段内传输协作干扰信号xD给R，中继R收到的信号yR可以表示为：
Figure RE-GDA0002691067730000061
其中，PS和PD分别是S和D的传输功率，假设S和D传输的总功率为P,α∈[0,1] 是功率分配因子，则PS＝αP，PD＝(1-α)P；h和g分别代表S到R、D到R的信道增益；nR是R接收的高斯白噪声，服从均值为0，方差为N0的分布。令η∈[0,1]为能量转换效率，表示R在第一时隙将收集到的能量转化为可用能量的比例，那么R在第一时隙收集到的能量为η||yR||2。此时R处瞬时信干噪比为
Figure RE-GDA0002691067730000062
第二个时隙中，中继R把接收到的信号放大β倍后转发给D，D处接收到的信号表示为：
Figure RE-GDA0002691067730000063
其中，nD是在D接收的高斯白噪声，服从均值为0，方差为N0的分布。为了保证通信的可持续性，R发送的信号能量不能大于它接收的信号总能量，即||βyR||2≤η||yR||2，化简为β2≤η，为简化系统模型令β2＝η。采用自干扰消除技术，此时R处接收的瞬时信干噪比为
Figure RE-GDA0002691067730000064
在不可信中继系统中，系统的可实现安全速率R(α)表示为：
Figure RE-GDA0002691067730000065
其中，[·]+＝max(·,0)。
由公式(3)可知，系统安全速率R(α)与α之间具有复杂的函数关系。为了最大化系统安全速率，需要优化功率分配因子。通信系统的优化问题表述为：
Figure RE-GDA0002691067730000066
其中，η和α的取值范围为约束条件。
本发明利用深度学习强大的非线性拟合能力，使用DNN学习信道增益和最优功率分配因子αopt之间的复杂函数关系，训练好的网络可以准确的预测出最优功率分配因子，然后由式(3)计算得到系统最大安全速率。本发明分三部分进行描述：数据集的生成、DNN网络的构建和DNN网络的训练与测试。
I.数据集的生成
在DNN网络训练之前，产生一组训练集和一组测试集，它们都具有1000个样本。每组样本包括信道特性的组合以及对应的最优功率分配因子。训练集和测试集由随机生成的信道增益组成，他们对应的标签由理论方法得到。由公式(3)可知，CSI模值的平方决定系统最大安全速率，因此为了避免由平方计算带来的误差，将CSI模值平方作为网络的输入，网络的输出是最优功率分配因子，因此DNN输入层和输出层的神经单元数目分别是2和1。为了更清楚的表达，将训练集与测试集表示如下，上标p 和q分别对应训练集和测试集。
训练集表示为
Figure RE-GDA0002691067730000071
和对应的标签
Figure RE-GDA0002691067730000072
测试集表示为
Figure RE-GDA0002691067730000073
和对应的标签
Figure RE-GDA0002691067730000074
训练集生成服从[0,1]的正态分布。本发明中先生成M组S到R之间的信道增益h，再生成M组D到R之前的信道增益g，分别将h和g模值的平方组合作为网络的输入向量。同样的，测试集也生成M组信道增益，并计算其模值的平方，本发明取 M＝10000。
II.DNN网络的构建
由于深度神经网络需要不断地调试优化来获得最优的参数配置。经过多次尝试之后参数配置如下：
DNN网络是一个五层的全连接网络，分别是输入层，3层隐藏层和输出层。输入层的神经元数目是2，对应信道增益组成的向量；三层隐藏层的神经元数目是16、8、 8；输出层的神经元数目是1，对应最优功率分配因子。输入层和隐藏层的激活函数设置为ReLu，加速网络收敛；输出层设置为tanh，输入大于0时将输出映射到[0,1]范围内；损失函数选用MSE函数，即
Figure RE-GDA0002691067730000081
其中αopt表示理论最优值，
Figure RE-GDA0002691067730000082
表示神经网络输出值，这里没有平均操作是因为网络的输出只有最优功率分配因子，不需要进行平均计算。观察损失函数的值，值越小则说明模型学习的精度越高，拟合的越好。采用Adam优化器优化损失函数，Adam算法优势是通过计算梯度的一阶矩估计和二阶矩估计，可以计算自适应性参数学习率，适用于大数据和高维空间，具有内存需求低等优点。同时采用批训练(batch training)加速网络的收敛，常用的批大小 (batch size)是512、256、128、64，调整批大小取最优参数为256；调整学习率取最优参数为0.001；网络的训练次数为1000次。
III.DNN网络的训练与测试
1.训练阶段
将训练集输入模型进行网络训练，当数据喂入后，数据进行正向传播，期望网络从信道增益与最优功率分配因子αopt之间学习到某种复杂的函数关系。DNN可以从大数据中学习并拟合出这种关系，产生一个可以产生逼近真实值的网络模型，并保存网络的参数。训练时，网络会在输出层选取样本点计算损失函数，使用优化器反向传播，自动更新神经元参数最小化损失函数的值，从而使网络收敛。网络训练完成后，会保存神经元参数。
2.测试阶段，
将随机生成的测试集喂入网络，预测最优功率分配因子，观察网络的输出和理论值之间的误差，即MSE的值，测试网络性能。在实际应用场景中，将数据限制在特定的范围内，输入到训练好的网络中即可预测出最优功率分配因子。
本发明的效果可通过以下仿真进一步说明。所有的仿真均使用衰落信道模型进行试验，对传统遍历方法和基于深度学习方法同时仿真进行比较。
仿真的软件配置为编程语言Python 3.0。使用的深度学习平台为Google支持的Tensorflow 1.0。硬件配置上：CPU为Inter Xeon Gold 5118。设置总功率P＝1，噪声方差为N0＝0.025。
图2、图3表示在能量收集不可信中继网络中，传统遍历功率分配和基于DNN功率分配方案，系统速率随γSR和γDR的变化趋势。从图2和图3可以看出，最大安全速率随着γSR和γDR的增大而上升。另外，当γSR和γDR接近时，DNN功率分配方案与传统遍历功率分配方案的差距最小，几乎重合，这是因为此时α处在[0,1]的中间值，DNN 模型的学习能力最好。然而，可以观察到图3中，当γDR小于20dB时，基于DNN方法与传统遍历方法所达系统安全速率相差过大，这是因为此时的α过小，网络的均方根误差与α数值量级相等，此时网络预测性能较差，对网络学习精确的α影响过大，直观详细的解释可以参考图4。
图4是DNN的均方根误差与α的比值。可以观察到，当γDR＜20时，DNN的均方根误差与α的比值较大，此时DNN网络对α输出数值的影响较大，不能精确的学习到α的值，导致图3中当γDR＜20时，基于DNN方法求得的结果性能较差。
图5是R(α)随能量转换效率η和γSR的变化趋势。从图中可以看出，当γDR给定时，系统的安全速率R(α)随着η的增加而增加。因为随着能量转换效率η的增大，R将射频信号转换为自身的电能就越多，使不可信中继R发射功率增大。而S和D的发射总功率一定，使R处的速率近似不变，D处的速率随着R发射功率增大而变大。根据物理层安全速率计算公式(3)可得随着能量转换效率η的增大，系统的安全速率R(α)就越大。同时，可以看到随着γSR的增大，安全速率R(α)也随之增大，这是因为γSR的增大代表S和R之间的信道质量越来越好，这时中继R收集到更多的足以把信号转发到 D的能量，γD越大，安全速率R(α)就会随之增大。
图6是当批大小固定为256时，观察不同学习率对DNN网络均方误差MSE的影响，这里学习率分别取0.1,0.01,0.001,0.0001，从图中可以看出，当学习率取0.001时网络的MSE有最小值。
图7是当学习率固定为0.001，观察不同批大小对DNN网络均方误差MSE的影响，批大小分别取512、256、128、64，从图中可以看出，当批大小等于256时网络的MSE有最小值。因此，我们得到结论并不是更小的学习率和更大的批大小就能获得更小的均方误差，要根据不同的场景调整其参数大小。
结论：本发明针对能量收集不可信中继网络，提出了一种基于深度学习的功率分配方案，最大化系统安全速率。在系统CSI已知的前提下，利用DNN从CSI与最优功率分配因子αopt之间学习到某种复杂的函数关系，解决了传统方法复杂度高、不易于处理大规模数据、耗费大量计算资源的问题，具备学习精度高，预测精度高，收敛快的特点，通过仿真结果验证了所提方案的正确性和可行性。

Claims (1)

1.一种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，其特征在于包括下述步骤：
步骤一，数据集的生成；
在训练FC-DNN之前，首先产生一组训练集和一组测试集，每组样本包括信道特性的组合以及对应的最优功率分配因子αopt；训练集和测试集由随机生成的CSI组成，服从标准正态分布；对应的标签通过遍历算法计算求得；
步骤二，DNN网络的构建；
DNN网络是一个五层的全连接网络，分别是输入层，3层隐藏层和输出层；网络的输入是CSI模值平方组成的向量，输出是最优功率分配因子，输入层和隐藏层的激活函数设置为ReLu，输出层的激活函数设置为tanh，损失函数选用均方误差函数；采用自适应矩估计作为损失函数的优化器，计算自适应性参数学习率，同时采用批训练分批将数据喂入DNN网络，加速网络的收敛，使网络更快的学习到输入到输出的映射关系；
步骤三，DNN网络的训练与测试；
a)训练阶段，将训练集输入DNN网络中进行训练，数据喂入后，数据进行正向传播，网络从信道增益与最优功率分配因子αopt之间学习到函数关系，DNN从大数据中学习并拟合出函数关系，通过调整网络的激活函数、优化器、神经单元数目来优化网络，使DNN网络的预测值与真实值之间的误差最小，并保存网络的参数；
b)DNN网络训练完成后，在测试阶段，随机生成新的数据喂入已训练好的DNN网络，计算测试阶段网络的输出和理论值之间的误差，测试网络的泛化能力。
CN202010708187.6A 2020-07-22 2020-07-22 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 Active CN111970718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010708187.6A CN111970718B (zh) 2020-07-22 2020-07-22 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010708187.6A CN111970718B (zh) 2020-07-22 2020-07-22 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

Publications (2)

Publication Number Publication Date
CN111970718A CN111970718A (zh) 2020-11-20
CN111970718B true CN111970718B (zh) 2022-03-11

Family

ID=73364152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010708187.6A Active CN111970718B (zh) 2020-07-22 2020-07-22 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

Country Status (1)

Country Link
CN (1) CN111970718B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112929977B (zh) * 2021-02-10 2022-05-31 山西大学 一种深度学习的放大转发协作网络能效性资源分配方法
CN113411808A (zh) * 2021-06-16 2021-09-17 西北工业大学 一种基于斯塔克伯格博弈的不可信中继功率分配方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107071886A (zh) * 2016-10-13 2017-08-18 西北工业大学 一种有界csi下不可信中继网络的最优功率分配方法
CN108462605A (zh) * 2018-02-06 2018-08-28 国家电网公司 一种数据的预测方法和装置
CN108848561A (zh) * 2018-04-11 2018-11-20 湖北工业大学 一种基于深度强化学习的异构蜂窝网络联合优化方法
CN109547135A (zh) * 2019-01-08 2019-03-29 南京邮电大学 毫米波系统中基于保密概率的功率分配方法
CN109936399A (zh) * 2019-03-07 2019-06-25 西北工业大学 一种基于深度神经网络的不可信中继网络天线选择方法
CN110036673A (zh) * 2016-10-07 2019-07-19 高通股份有限公司 针对上行链路传输的功率分配
CN110167176A (zh) * 2019-04-25 2019-08-23 北京科技大学 一种基于分布式机器学习的无线网络资源分配方法
WO2019193075A1 (en) * 2018-04-04 2019-10-10 Nokia Technologies Oy Coordinated heterogeneous processing of training data for deep neural networks
CN110336593A (zh) * 2019-06-03 2019-10-15 金华航大北斗应用技术有限公司 基于深度神经网络的mimo-noma信号检测系统、方法及终端装置
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
CN110493826A (zh) * 2019-08-28 2019-11-22 重庆邮电大学 一种基于深度强化学习的异构云无线接入网资源分配方法
CN110521234A (zh) * 2017-02-16 2019-11-29 阿尔卡特朗讯爱尔兰有限公司 使用深度学习进行网络自优化的方法和系统
CN110635833A (zh) * 2019-09-25 2019-12-31 北京邮电大学 一种基于深度学习的功率分配方法及分配装置
CN110770761A (zh) * 2017-07-06 2020-02-07 华为技术有限公司 深度学习系统和方法以及使用深度学习的无线网络优化
CN110798849A (zh) * 2019-10-10 2020-02-14 西北工业大学 一种超密网边缘计算的计算资源分配与任务卸载方法
WO2020092625A1 (en) * 2018-11-02 2020-05-07 Micron Technology, Inc. Data link between volatile memory and non-volatile memory
CN111162888A (zh) * 2019-12-20 2020-05-15 深圳大学 分布式天线系统、远程接入单元、功率分配方法和介质
CN111328087A (zh) * 2018-12-17 2020-06-23 上海大学 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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9883511B1 (en) * 2012-12-05 2018-01-30 Origin Wireless, Inc. Waveform design for time-reversal systems
CN102724678B (zh) * 2012-07-04 2014-07-23 西安电子科技大学 中心式认知无线网络中基于信誉值的资源分配方法
CN106376073B (zh) * 2016-10-11 2019-01-18 西北工业大学 一种不可信中继网络中的最优功率分配方法
US11055139B2 (en) * 2018-06-12 2021-07-06 International Business Machines Corporation Smart accelerator allocation and reclamation for deep learning jobs in a computing cluster
US10901862B2 (en) * 2018-11-13 2021-01-26 Micron Technology, Inc. High-reliability non-volatile memory using a voting mechanism
US11334399B2 (en) * 2019-08-15 2022-05-17 Intel Corporation Methods and apparatus to manage power of deep learning accelerator systems
CN110868714B (zh) * 2019-11-15 2021-07-16 大连理工大学 一种UASNs中基于聚类的无权重节点信任评估方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110036673A (zh) * 2016-10-07 2019-07-19 高通股份有限公司 针对上行链路传输的功率分配
CN107071886A (zh) * 2016-10-13 2017-08-18 西北工业大学 一种有界csi下不可信中继网络的最优功率分配方法
CN110521234A (zh) * 2017-02-16 2019-11-29 阿尔卡特朗讯爱尔兰有限公司 使用深度学习进行网络自优化的方法和系统
CN110770761A (zh) * 2017-07-06 2020-02-07 华为技术有限公司 深度学习系统和方法以及使用深度学习的无线网络优化
CN108462605A (zh) * 2018-02-06 2018-08-28 国家电网公司 一种数据的预测方法和装置
WO2019193075A1 (en) * 2018-04-04 2019-10-10 Nokia Technologies Oy Coordinated heterogeneous processing of training data for deep neural networks
CN108848561A (zh) * 2018-04-11 2018-11-20 湖北工业大学 一种基于深度强化学习的异构蜂窝网络联合优化方法
WO2020092625A1 (en) * 2018-11-02 2020-05-07 Micron Technology, Inc. Data link between volatile memory and non-volatile memory
CN111328087A (zh) * 2018-12-17 2020-06-23 上海大学 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
CN109547135A (zh) * 2019-01-08 2019-03-29 南京邮电大学 毫米波系统中基于保密概率的功率分配方法
CN109936399A (zh) * 2019-03-07 2019-06-25 西北工业大学 一种基于深度神经网络的不可信中继网络天线选择方法
CN110167176A (zh) * 2019-04-25 2019-08-23 北京科技大学 一种基于分布式机器学习的无线网络资源分配方法
CN110336593A (zh) * 2019-06-03 2019-10-15 金华航大北斗应用技术有限公司 基于深度神经网络的mimo-noma信号检测系统、方法及终端装置
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
CN110493826A (zh) * 2019-08-28 2019-11-22 重庆邮电大学 一种基于深度强化学习的异构云无线接入网资源分配方法
CN110635833A (zh) * 2019-09-25 2019-12-31 北京邮电大学 一种基于深度学习的功率分配方法及分配装置
CN110798849A (zh) * 2019-10-10 2020-02-14 西北工业大学 一种超密网边缘计算的计算资源分配与任务卸载方法
CN111162888A (zh) * 2019-12-20 2020-05-15 深圳大学 分布式天线系统、远程接入单元、功率分配方法和介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep Learning Aided Signal Detection in OFDM Systems with Time-Varying Channels;Rugui Yao，Shengyao Wang ect.;《2019 IEEE Pacific Rim Conference on Communications, Computers and Signal Processing (PACRIM)》;20190823;全文 *
非信任中继网络的安全通信与功率分配研究;丁晓秀;《中国优秀硕士学位论文库》;20200215;全文 *

Also Published As

Publication number Publication date
CN111970718A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
US20220123803A1 (en) Method and device for enhancing power of signal in wireless communication system using irs
US11546040B2 (en) Apparatus and method for designing a grid-of-beams using machine learning
Asiedu et al. Simultaneous wireless information and power transfer for decode-and-forward multihop relay systems in energy-constrained IoT networks
CN111970718B (zh) 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
CN111526592B (zh) 一种用于无线干扰信道中的非协作多智能体功率控制方法
Fu et al. Optimization of achievable rate in the multiuser satellite IoT system with SWIPT and MEC
Liu et al. Distributed relay selection for heterogeneous UAV communication networks using a many-to-many matching game without substitutability
Alwarafy et al. DeepRAT: A DRL-based framework for multi-RAT assignment and power allocation in HetNets
Moorthy et al. FlyBeam: echo state learning for joint flight and beamforming control in wireless UAV networks
Liu et al. Latency minimization for mmwave d2d mobile edge computing systems: Joint task allocation and hybrid beamforming design
Mao et al. Joint distributed beamforming and backscattering for UAV-assisted WPSNs
Ahmadi et al. Reinforcement learning for optimized beam training in multi-hop terahertz communications
Timoudas et al. Enabling massive IoT in ambient backscatter communication systems
CN111741483B (zh) 移动通信系统的中断概率性能预测方法
Lee et al. Message-passing strategy for joint user association and resource blanking in HetNets
Mohammadi et al. Analysis of Reinforcement Learning Schemes for Trajectory Optimization of an Aerial Radio Unit
Li et al. Online power allocation for sum rate maximization in TDD massive MIMO systems
CN113595609B (zh) 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法
US20240056989A1 (en) Precoding and power allocation for access points in a cell-free communication system
Xie et al. Multi-armed bandit based task offloading by probabilistic V2X communication in vehicle edge cloud system
Nwachukwu et al. Integration of massive MIMO and machine learning in the present and future of power consumption in wireless networks: A review
Zhang et al. Joint task secure offloading and resource allocation for multi-MEC server to improve user QoE
Li et al. Distributed RIS-enhanced cell-free NOMA networks
Liao et al. Ultra-reliable intelligent link scheduling based on DRL for manned/unmanned aerial vehicle cooperative scenarios
Nguyen et al. Secondary reflections amongst multiple IRSs: Friends or foes?

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