CN112104400B - 基于有监督机器学习的组合式中继选择方法及系统 - Google Patents

基于有监督机器学习的组合式中继选择方法及系统 Download PDF

Info

Publication number
CN112104400B
CN112104400B CN202010332827.8A CN202010332827A CN112104400B CN 112104400 B CN112104400 B CN 112104400B CN 202010332827 A CN202010332827 A CN 202010332827A CN 112104400 B CN112104400 B CN 112104400B
Authority
CN
China
Prior art keywords
relay
training
relay selection
layer
artificial neural
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
CN202010332827.8A
Other languages
English (en)
Other versions
CN112104400A (zh
Inventor
党舒平
傅天豪
黎成中
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 CN202010332827.8A priority Critical patent/CN112104400B/zh
Publication of CN112104400A publication Critical patent/CN112104400A/zh
Application granted granted Critical
Publication of CN112104400B publication Critical patent/CN112104400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/155—Ground-based stations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H04W24/02—Arrangements for optimising operational condition
    • 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

Abstract

本发明涉及通信网络技术、智慧城市服务支撑技术领域，具体公开了一种基于有监督机器学习的组合式中继选择方法及系统，包括：获取信道状态信息相关的标记数据集、协作通信网络的配置、构建人工神经网络ANN、设置有穷迭代方式，采用训练标记数据集来训练所述人工神经网络ANN，当满足迭代条件时得到最优的训练网络，采用训练好训练网络进行计算获得最佳双中继集合、获取逐子载波中继选择方法；本发明可以在多载波协作网络中实现组合中继选择，弥补了传统组合中继选择方法复杂度高的缺陷，降低复杂度和时延，通过充分训练的人工神经网络ANN只对输入数据进行多层次的加减乘除即可输出优化解，过程简单快速，而非传统全覆盖式的组合中继选择方法。

Description

基于有监督机器学习的组合式中继选择方法及系统
技术领域
本发明涉及通信网络技术、智慧城市服务支撑技术领域，特别涉及一种基于有监督机器学习的组合式中继选择方法及系统。
背景技术
在移动通信系统中，由于快衰落的影响，复合信号在信号接收端相互抵消或增强，产生较严重的失真。分集技术是一种克服快衰落的抗衰落和抗干扰技术，其基本原理是通过信道特性不同的多个信道，接收到承载相同信息的多个发送信号的副本。由于多个信道的传输特性不同，其副本衰落程度也不同。接收到的多个信号副本，可以帮助接收端正确恢复出原发送信道。
组合中继选择技术起源于组合天线选择技术，是一种强大的针对多载波并行传输系统的分集技术。组合中继选择技术选择两个子载波来转发所有中继，其复杂度远低于逐子载波中继选择技术，并且能在高信噪比区域获得全分集和最佳中断性能。由于这一特性，组合中继选择技术吸引了学术界和工业界的兴趣。有研究人员提出并分析了一种简化版的组合中继选择技术，然而在高性噪比下，这种选择技术无法达到最优的中断性能。也有研究工作高性噪比下的静态网络拓扑中，证明了组合中继选择和逐子载波中继选择之间存在中断性能的等价性。
组合中继选择尽管具有性能优势，但是应用在大量中继的密集型网络中时，中继选择复杂度变得相当高。因为需要生成所有两两中继组合情况，并以逐子载波的方式遍历所有中继组合，从而选择最佳组合。这种高复杂度可能导致不可接受的时延，无法应用于无线传感网络和车辆通信网络。因此需要适当可行的中继选择方法来降低复杂度和时延。
发明内容
本发明的目的在于提供一种基于有监督机器学习的组合式中继选择方法及系统,通过有监督型机器学习框架来实现组合中继选择技术，提高了组合中继选择技术的实用性，降低组合中继选择技术的复杂度和时延。
为实现上述目的，本发明提供了一种基于有监督机器学习的组合式中继选择方法，包括以下步骤：
S1、获取信道状态信息相关的标记数据集；
S2、进行协作通信网络的配置；
S3、构建人工神经网络ANN；
用<N1,N2,…,ND>表示，其中N1＝MK对应输入层元素的数目，即端到端等效信道功率增益G的矩阵元素的数目，ND＝M对应输出层元素的数目，M代表M个半双工解码转发的集群中继，K代表K个正交子载波；
S4、设置迭代方式，采用训练标记数据集来训练所述人工神经网络ANN，当满足迭代条件时得到最优的训练网络，采用训练好训练网络进行计算获得最佳双中继集合，所述迭代方式为有穷迭代，以训练次数达到规定次数作为终止条件；
S5、获取逐子载波中继选择方法。
获得最佳双中继集合后根据公式(1)获取逐子载波中继选择方法：
Figure GDA0002652278240000021
其中γ(m,k)＝(Pt/N0)×min{g1(m,k),g2(m,k)}，表示第m个中继转发第k个子载波的等效端到端信噪比，Pt和N0表示均匀发射功率和平均加性高斯白噪声功率；gi(m,k)是信道功率增益，其中i∈{1,2}表示跳数指示数；
Figure GDA0002652278240000031
表示中继指示数；
Figure GDA0002652278240000032
是一个集合其包含了所有的中继，
Figure GDA0002652278240000033
Figure GDA0002652278240000034
表示子载波指示数，
Figure GDA0002652278240000035
是一个集合其包含所有子载波，
Figure GDA0002652278240000036
优选的，上述技术方法中，所述步骤S4中采用训练标记数据集来训练所述人工神经网络ANN具体包括以下步骤：
S4.1、获取输入的标记数据集
Figure GDA0002652278240000037
S4.2、初始化节点链路权重值
Figure GDA0002652278240000038
和激活阈值
Figure GDA0002652278240000039
二者的初始值以随机的方式从以下范围内选出：
Figure GDA00026522782400000310
其中β是范围扩展系数；
Figure GDA00026522782400000311
表示相邻层d层和d+1层的第nd个节点和第nd+1个节点之间的链接权重；
Figure GDA00026522782400000312
表示与第d层相对应的激活阈值；
S4.3、计算隐藏层和输出层神经元的输出，第d层中的第nd个神经元的输出由下式给出：
Figure GDA00026522782400000313
其中
Figure GDA00026522782400000314
是用于生成S形曲线的逻辑斯蒂函数；
S4.4、训练所述人工神经网络ANN，迭代开始，通过对比所述训练网络实际输出的优化结果
Figure GDA00026522782400000315
与期望的输出结果rs(nD)来调整计算所述节点链接权重
Figure GDA0002652278240000041
和激活阈值
Figure GDA0002652278240000042
从而使得训练后的
Figure GDA0002652278240000043
逼近rs(nD)。
优选的，上述技术方法中，所述步骤S4.4中通过对比所述训练网络实际输出的优化结果
Figure GDA0002652278240000044
与期望的输出结果rs(nD)来调整计算所述节点链接权重
Figure GDA0002652278240000045
和激活阈值
Figure GDA0002652278240000046
具体包括：
首先计算误差：
Figure GDA0002652278240000047
其中rs(nD)表示
Figure GDA0002652278240000048
的第nD个元素；
根据计算误差
Figure GDA0002652278240000049
计算出第nD个神经元的误差梯度
Figure GDA00026522782400000410
为：
Figure GDA00026522782400000411
根据差梯度
Figure GDA00026522782400000412
计算链接第nD个神经元和最后一个隐藏层的神经元的链接权重的修正项
Figure GDA00026522782400000413
为：
Figure GDA00026522782400000414
其中α是学习率，是一个根据经验人为进行设定的系统参数；
最后一个隐藏层的神经元和输出层的神经元之间的链接权重，按照如下公式(7)的方式进行更新：
Figure GDA00026522782400000415
通过计算误差梯度
Figure GDA00026522782400000416
来确定隐藏层中的神经元：
Figure GDA00026522782400000417
节点的激活阈值
Figure GDA00026522782400000418
根据误差梯度进行相应的调整，具体调整办法规定如下：
首先计算阈值的修正项：
Figure GDA0002652278240000051
通过误差梯
Figure GDA0002652278240000052
得到下一周期更新后的激活阈值：
Figure GDA0002652278240000053
优选的，上述技术方法中，所述步骤S4.4中训练网络输出的优化结果逼近期望的输出结果，其精度采用均方误差和均方量化误差表征，其描述如下：
Figure GDA0002652278240000054
MSE是均方误差，其中
Figure GDA0002652278240000055
表示随机变量的平均值，||·||F表示矩阵的Frobenius范数，
Figure GDA0002652278240000056
表示人工神经网络ANN训练后得到的中继选择向量，
Figure GDA0002652278240000057
表示输入的中继选择向量；
Figure GDA0002652278240000058
MSQE是均方量化误差，其中Ξ{·}函数实现对输入矩阵/向量中逐个元素进行量化的功能，Ξ{·}将最高和次高的神经元输出转换为1，其余神经元输出转换为0，满足
Figure GDA0002652278240000059
优选的，上述技术方法中，所述步骤S4中采用训练好训练网络进行计算获得最佳双中继集合的具体描述如下：
S5.1、建立M×1中继选择向量
Figure GDA00026522782400000510
来表示中继选择方法；
Figure GDA00026522782400000511
其中r(m)＝1表示执行双中继集合选择之后，第m个中继被选择出来，若r(m)＝0，则表示执行双中继集合选择之后，第m个中继未被选择出来；
Figure GDA00026522782400000512
S5.2、根据人工神经网络ANN训练后得到的中继选择向量
Figure GDA00026522782400000513
和公式(14)获得最佳双中继集合：
Figure GDA0002652278240000061
Figure GDA0002652278240000062
表示任意两个中继所组成的一个集合，
Figure GDA0002652278240000063
即双中继集合。
与上述方法相对应的，本发明还公开一种基于有监督机器学习的组合式中继选择系统，包括：
第一模块、用于获取信道状态信息相关的标记数据集；
第二模块、用于进行协作通信网络的配置；
第三模块、构建人工神经网络ANN；
用<N1,N2,…,ND>表示，其中N1＝MK对应输入层元素的数目，即端到端等效信道功率增益G的矩阵元素的数目，ND＝M对应输出层元素的数目，M代表M个半双工解码转发的集群中继，K代表K个正交子载波；
第四模块、设置迭代方式，采用训练标记数据集来训练所述人工神经网络ANN，当满足迭代条件时得到最优的训练网络，采用训练好训练网络进行计算获得最佳双中继集合，所述迭代方式为有穷迭代，以训练次数达到规定次数作为终止条件；
第五模块、用于获取逐子载波中继选择方法。
获得最佳双中继集合后根据公式(15)获取逐子载波中继选择方法：
Figure GDA0002652278240000064
其中γ(m,k)＝(Pt/N0)×min{g1(m,k),g2(m,k)}，表示第m个中继转发第k个子载波的等效端到端信噪比，Pt和N0表示均匀发射功率和平均加性高斯白噪声功率；gi(m,k)是信道功率增益，其中i∈{1,2}表示跳数指示数；
Figure GDA0002652278240000065
表示中继指示数；
Figure GDA0002652278240000066
是一个集合其包含了所有的中继，
Figure GDA0002652278240000067
Figure GDA0002652278240000068
表示子载波指示数，
Figure GDA0002652278240000069
是一个集合其包含所有子载波，
Figure GDA00026522782400000610
与现有的技术相比，本发明具有如下有益效果：
1.本发明提出了一种基于监督的机器学习中继选择框架，可以在多载波协作网络中实现组合中继选择，本发明弥补了传统组合中继选择方法复杂度高的缺陷，降低复杂度和时延，通过充分训练的人工神经网络ANN只对输入数据进行多层次的加减乘除即可输出优化解，过程简单快速，而非传统全覆盖式的组合中继选择方法。
2.本发明采用均方误差MSE评估训练性能和引入均方量化误差MSQE去更真实地衡量网络的训练效果，通过MSE和MSQE数值模拟验证了框架的有效性和高效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方法，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的方法流程图。
图2是本发明的组合中继选择的多载波协作系统的实现示意图。
图3是本发明的通用的D层全连接人工神经网络ANN示意图。
图4是本发明的不同的神经网络架构的仿真结果图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，但应当理解本发明的保护范围并不受具体实施方式的限制。
本发明实施例公开一种基于有监督机器学习的组合式中继选择方法及系统，如图1所示，包括：
步骤S1、获取信道状态信息相关的标记数据集Λs，
Figure GDA0002652278240000081
为了避免过拟合问题，本发明规定在一个训练周期内，每个带标记的数据集
Figure GDA0002652278240000082
不能被替换，并且是以随机采样的方式被选取。
步骤S2、进行协作通信网络的配置：
设定在一个通用的两跳协作通信网络中，有K个正交子载波在进行信息传输，集合
Figure GDA0002652278240000083
包含所有子载波，
Figure GDA0002652278240000084
所述通信网络中有一个单独的信源和一个单独的信宿，当所述单独的信源想要把信息传输给所述单独的信宿时，由于直传链路衰落严重，因此需要中继节点来进行中继传输；
设网络中存在M个半双工解码转发(DF)的集群中继，设集合
Figure GDA0002652278240000085
包含了所有的中继，且
Figure GDA0002652278240000086
与信源和信宿之间的传输长度相比，中继集群的分布范围规模可以忽略不计，因此本发明将所有的中继衰落视为恒等的大规模衰落；
信源根据组合中继选择方法选择两个中继，所选的中继对来自信源的子载波进行解码，解码后转发给信宿，设时域和频域一致同步，且信源和信宿完全掌握瞬时信道状态信息(CSI)，设定两跳协作通信网络中的所有节点都使用相等的比特和功率分配方法；
在信道模型方面，本发明将信道功率增益表示为gi(m,k)，其中i∈{1,2}表示跳数指示数，信源到中继表示第1跳，i＝1，中继到信宿表示第2跳，i＝2；
Figure GDA0002652278240000087
表示中继指示数，
Figure GDA0002652278240000088
表示子载波指示数；
设所有信道功率增益都是独立同分布的随机变量，均满足瑞利衰落模型，都呈指数分布，指数分布的均值μi与跳数i相关，设在完整的持续传输时间中，所有2KM条信道保持不变，其信道状态信息、不变；
通过以上设置可得：第m个中继转发第k个子载波的等效端到端信噪比(SNR)为：
γ(m,k)＝(Pt/N0)×min{g1(m,k),g2(m,k)}(1)
其中Pt和N0表示均匀发射功率和平均加性高斯白噪声(AWGN)功率；组
合中继选择方法包括两个阶段：
在第一阶段中，根据以下标准选择最佳的一对双中继集合：
Figure GDA0002652278240000091
其中
Figure GDA0002652278240000092
表示任意两个中继所组成的一个集合，
Figure GDA0002652278240000093
即双中继集合；
同时本发明通过建立M×1中继选择向量
Figure GDA0002652278240000094
来表示中继策略：
Figure GDA0002652278240000095
其中r(m)＝1表示执行双中继集合选择之后，第m个中继被选择出来，若r(m)＝0，则表示执行双中继集合选择之后，第m个中继未被选择出来；通过公式(1)可得
Figure GDA0002652278240000096
即总共有两个中继会被选择出来；
由于采用了统一的功率分配方法，因此相应的端到端等效信道功率增益为：
Figure GDA0002652278240000097
为了表示这些增益，本发明建立一个规模为M×K的矩阵G来表示；
在获得最佳双中继集合
Figure GDA0002652278240000098
之后，第二阶段通过以下准则形成逐子载波中继选择方法：
Figure GDA0002652278240000099
可以通过暴力优化的方法求解式(2)和(4)，并生成带标签的数据集，然后把数据集进行离线训练，但显然，要通过启发式暴力方法检索最佳数据集，需要生成M(M-1)/2个集合并且一一遍历它们，当给出γ(m,k)，
Figure GDA0002652278240000101
时，此过程需要KM(M-1)个比较回合，即此暴力方法的计算复杂度为O(KM(M-1))，当M和K愈发增大时，会导致极大的计算开销和极长的处理时延，因此我们放弃暴力方法，采取有监督机器学习的方法来进行优化。
步骤S3、构建人工神经网络ANN：
参见图3，图3显示了通用的D层全连接人工神经网络ANN示意图，构造一个人工神经网络ANN，不失一般性的前提下，设在人工神经网络ANN中存在D层，包括1个输入层，1个输出层和D-2个隐藏层，并且ANN已完全连接，对于任意层d，有Nd个神经元充当计算节点，故通过的D层全连接人工神经网络ANN可以用<N1,N2,…,ND>来表示，其中N1＝MK对应输入层元素的数目，即端到端等效信道功率增益G的矩阵元素的数目，ND＝M对应输出层元素的数目，即中继选择向量
Figure GDA0002652278240000102
的向量元素的数目。
步骤S4、设置迭代方式，采用训练标记数据集来训练所述人工神经网络ANN，当满足迭代条件时得到最优的训练网络，采用训练好人工神经网络ANN进行计算获得最佳双中继集合
Figure GDA0002652278240000103
本发明将第s个周期的第d层的第nd个神经元的输出表示为
Figure GDA0002652278240000104
将在第s个周期的相邻层(d层和d+1层)的第nd个节点和第nd+1个节点之间的链接权重表示为
Figure GDA0002652278240000105
另外，将在第s个周期内的与第d层相对应的激活阈值表示为
Figure GDA0002652278240000106
为了实现更低复杂度的组合中继选择方案，而非暴力方法，本发明需要使用带反向传播的监督型机器学习方法来训练生成数据集
Figure GDA0002652278240000107
具体的，该实施例中采用经典的监督型机器学习算法作为训练算法来实现最优的组合式中继选择方法，并把输出的估计
Figure GDA0002652278240000111
与输入的中继选择向量
Figure GDA0002652278240000112
进行比较，可以分为如下几步执行：
一、初始化：主要对两组物理量进行初始化，其中第一组是包含所有N1N2+N2N3+…+ND-1ND的链路权重值
Figure GDA0002652278240000113
第二组是包含所有N1+N2+…+ND的激活阈值
Figure GDA0002652278240000114
采用随机初始化方法，二者的初始值以随机的方式从以下范围内选出：
Figure GDA0002652278240000115
其中β是范围扩展系数；
二、计算神经元的输出：
在输入层中，神经元输出为：
Figure GDA0002652278240000116
其中gs是把矩阵Gs按行重整后所得到的重整向量，
Figure GDA0002652278240000117
表示gs中的第n1个元素，而Θ(·)是归一化函数，把输入范围控制在[-1，+1]内；
Figure GDA0002652278240000118
在输入层中，本发明不需要做任何处理，而在隐藏层和输出层中，第d层中的第nd个神经元由下式给出：
Figure GDA0002652278240000119
其中
Figure GDA00026522782400001110
是用于生成S形曲线的逻辑斯蒂函数。
通过遍历所有层，可以确定第s个周期的第d层的第nd个神经元的输出
Figure GDA0002652278240000121
三、训练：训练的目的和内容主要是通过对比训练网络实际输出的优化结果
Figure GDA0002652278240000122
与期望的输出结果rs(nD)来调整计算节点链接权重
Figure GDA0002652278240000123
和节点的激活阈值
Figure GDA0002652278240000124
从而使得
Figure GDA0002652278240000125
逼近rs(nD)，具体来说，首先需要计算末端层级(即输出层)误差如下：
Figure GDA0002652278240000126
其中rs(nD)表示
Figure GDA0002652278240000127
的第nD个元素；
通过所得的计算误差
Figure GDA0002652278240000128
计算出第nD个神经元的误差梯度
Figure GDA0002652278240000129
如下：
Figure GDA00026522782400001210
由此可以计算链接第nD个神经元和最后一个隐藏层的神经元的链接权重的修正项
Figure GDA00026522782400001211
Figure GDA00026522782400001212
其中α是学习率，是一个根据经验人为进行设定的系统参数；
最后一个隐藏层的神经元和输出层的神经元之间的链接权重，按照如下的方式进行更新：
Figure GDA00026522782400001213
类似地，可以通过计算误差梯度
Figure GDA00026522782400001214
来确定隐藏层中的神经元：
Figure GDA00026522782400001215
除了计算节点连接权重
Figure GDA00026522782400001216
需要根据输出层结果进行调整之外，节点的激活阈值
Figure GDA00026522782400001217
也需要借由误差梯度进行相应的调整,具体调整办法规定如下：
首先计算阈值的修正项：
Figure GDA0002652278240000131
通过误差梯
Figure GDA0002652278240000132
得到下一周期更新后的激活阈值：
Figure GDA0002652278240000133
得到激活神经元，并更新权重和阈值之后，是否继续或停止训练过程的判断条件是：一旦迭代周期数达到s＝S，训练过程就立即结束，否则继续迭代训练过程，继续训练并更新人工神经网络ANN的链接权重和阈值；训练过程结束后输出
Figure GDA0002652278240000134
本发明采用了均方误差MSE来检查人工神经网络ANN是否训练达标和引入均方量化误差MSQE来衡量人工神经网络ANN的训练效果，其描述如下：
Figure GDA0002652278240000135
其中
Figure GDA0002652278240000136
表示随机变量的平均值，||·||F表示矩阵的Frobenius范数，
Figure GDA0002652278240000137
表示人工神经网络ANN训练后得到的中继选择向量，
Figure GDA0002652278240000138
表示输入的中继选择向量；
Figure GDA0002652278240000139
其中Ξ{·}函数实现对输入矩阵/向量中逐个元素进行量化的功能，Ξ{·}将最高和次高的神经元输出转换为1，其余神经元输出转换为0，满足
Figure GDA00026522782400001310
步骤S5、获取逐子载波中继选择方法，通过上述的训练过程可获得最佳双中继集合
Figure GDA00026522782400001311
进一步的根据所述公式(4)：
Figure GDA00026522782400001312
形成逐子载波中继选择方法。
与上述方法实施例相对应的，本实施例还公开了一种基于有监督机器学习的组合式中继选择系统，包括下述第一至第五模块：
第一模块、用于获取信道状态信息相关的标记数据集；
第二模块、用于进行协作通信网络的配置；
第三模块、构建人工神经网络ANN；
用<N1,N2,…,ND>表示，其中N1＝MK对应输入层元素的数目，即端到端等效信道功率增益G的矩阵元素的数目，ND＝M对应输出层元素的数目，M代表M个半双工解码转发的集群中继，K代表K个正交子载波；
第四模块、设置迭代方式，采用训练标记数据集来训练所述人工神经网络ANN，当满足迭代条件时得到最优的训练网络，采用训练好训练网络进行计算获得最佳双中继集合，所述迭代方式为有穷迭代，以训练次数达到规定次数作为终止条件；
第五模块、用于获取逐子载波中继选择方法。
获得最佳双中继集合后根据公式(15)获取逐子载波中继选择方法：
Figure GDA0002652278240000141
其中γ(m,k)＝(Pt/N0)×min{g1(m,k),g2(m,k)}，表示第m个中继转发第k个子载波的等效端到端信噪比，Pt和N0表示均匀发射功率和平均加性高斯白噪声功率；gi(m,k)是信道功率增益，其中i∈{1,2}表示跳数指示数；
Figure GDA0002652278240000142
表示中继指示数；
Figure GDA0002652278240000143
是一个集合其包含了所有的中继，
Figure GDA0002652278240000144
Figure GDA0002652278240000145
表示子载波指示数，
Figure GDA0002652278240000146
是一个集合其包含所有子载波，
Figure GDA0002652278240000147
参见图2，图2显示了组合中继选择的多载波协作系统的实现示意图，图中有8个子载波，1个信源，1个信宿，若干个中继，方框中的数字表示子载波指示数，本发明将所述协作通信网络配置于静态空间内，设8个中继可供转发选择M＝8，2个子载波可用于传输信息K＝2，同时将以下参数归一化Pt/N0＝μ1＝μ2＝γth＝1，并采用较小的学习率α＝0.1，范围扩展系数β设置为β＝2.4，瞬时信道功率增益G用指数分布的随机种子来随机生成，为减轻不同渠道实现带来的随机影响，所有的性能评估指标均经过104此实验，然后取平均值。
参见图4，图4显示了不同的神经网络架构的仿真结果，随着训练数据集数量的增加，MSE和MSQE都减小，表面选择准确性明显提高，而且在反复训练后，通过暴力方法可以将中断概率一直到最佳值，这证实了本发明能以更小的复杂度来改善中断性能。
前述对本发明的具体示例性实施方法的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方法以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (10)

1.一种基于有监督机器学习的组合式中继选择方法，其特征在于,包括：
S1、获取信道状态信息相关的标记数据集；
S2、进行协作通信网络的配置；
S3、构建人工神经网络ANN；
用<N1,N2,…,ND>表示，其中N1＝MK对应输入层元素的数目，即端到端等效信道功率增益G的矩阵元素的数目，ND＝M对应输出层元素的数目，M代表M个半双工解码转发的集群中继，K代表K个正交子载波；
S4、设置迭代方式，采用训练标记数据集来训练所述人工神经网络ANN，当满足迭代条件时得到最优的训练网络，采用训练好训练网络进行计算获得最佳双中继集合，所述迭代方式为有穷迭代，以训练次数达到规定次数作为终止条件；
S5、获取逐子载波中继选择方法；
获得最佳双中继集合后根据公式(1)获取逐子载波中继选择方法：
Figure FDA0003895791310000011
其中γ(m,k)＝(Pt/N0)×min{g1(m,k),g2(m,k)}，表示第m个中继转发第k个子载波的等效端到端信噪比，Pt和N0表示均匀发射功率和平均加性高斯白噪声功率；gi(m,k)是信道功率增益，其中i∈{1,2}表示跳数指示数；
Figure FDA0003895791310000012
表示中继指示数；
Figure FDA0003895791310000013
是一个集合其包含了所有的中继，
Figure FDA0003895791310000014
Figure FDA0003895791310000015
表示子载波指示数，
Figure FDA0003895791310000018
是一个集合其包含所有子载波，
Figure FDA0003895791310000019
2.根据权利要求1所述的一种基于有监督机器学习的组合式中继选择方法，其特征在于，所述步骤S4中采用训练标记数据集来训练所述人工神经网络ANN具体包括以下步骤：
S4.1、获取输入的标记数据集
Figure FDA0003895791310000016
Figure FDA0003895791310000017
表示最佳双中继被选集合；
S4.2、初始化节点链路权重值
Figure FDA0003895791310000021
和激活阈值
Figure FDA0003895791310000022
二者的初始值以随机的方式从以下范围内选出：
Figure FDA0003895791310000023
其中β是范围扩展系数；
Figure FDA0003895791310000024
表示相邻层d层和d+1层的第nd个节点和第nd+1个节点之间的链接权重；
Figure FDA0003895791310000025
表示与第d层相对应的激活阈值；
S4.3、计算隐藏层和输出层神经元的输出，第d层中的第nd个神经元的输出由下式给出：
Figure FDA0003895791310000026
其中
Figure FDA0003895791310000027
是用于生成S形曲线的逻辑斯蒂函数；
S4.4、训练所述人工神经网络ANN，迭代开始，通过对比所述训练网络实际输出的优化结果
Figure FDA0003895791310000028
与期望的输出结果rs(nD)来调整计算所述节点链接权重
Figure FDA0003895791310000029
和激活阈值
Figure FDA00038957913100000210
从而使得训练后的
Figure FDA00038957913100000211
逼近rs(nD)。
3.根据权利要求2所述的一种基于有监督机器学习的组合式中继选择方法，其特征在于，所述步骤S4.4中通过对比所述训练网络实际输出的优化结果
Figure FDA00038957913100000212
与期望的输出结果rs(nD)来调整计算所述节点链接权重
Figure FDA00038957913100000213
和激活阈值
Figure FDA00038957913100000214
具体包括：
首先计算误差：
Figure FDA0003895791310000031
其中rs(nD)表示
Figure FDA0003895791310000032
的第nD个元素；
根据计算误差
Figure FDA0003895791310000033
计算出第nD个神经元的误差梯度
Figure FDA0003895791310000034
为：
Figure FDA0003895791310000035
根据差梯度
Figure FDA0003895791310000036
计算链接第nD个神经元和最后一个隐藏层的神经元的链接权重的修正项
Figure FDA0003895791310000037
为：
Figure FDA0003895791310000038
其中α是学习率，是一个根据经验人为进行设定的系统参数；
最后一个隐藏层的神经元和输出层的神经元之间的链接权重，按照如下公式(7)的方式进行更新：
Figure FDA0003895791310000039
通过计算误差梯度
Figure FDA00038957913100000310
来确定隐藏层中的神经元：
Figure FDA00038957913100000311
节点的激活阈值
Figure FDA00038957913100000312
根据误差梯度进行相应的调整，具体调整办法规定如下：
首先计算阈值的修正项：
Figure FDA00038957913100000313
通过误差梯
Figure FDA00038957913100000314
得到下一周期更新后的激活阈值：
Figure FDA00038957913100000315
4.根据权利要求2所述的一种基于有监督机器学习的组合式中继选择方法，其特征在于，所述步骤S4.4中训练网络输出的优化结果逼近期望的输出结果，其精度采用均方误差和均方量化误差表征，其描述如下：
Figure FDA0003895791310000041
MSE是均方误差，其中
Figure FDA0003895791310000042
表示随机变量的平均值，||·||F表示矩阵的Frobenius范数，
Figure FDA0003895791310000043
表示人工神经网络ANN训练后得到的中继选择向量，
Figure FDA0003895791310000044
表示输入的中继选择向量；
Figure FDA0003895791310000045
MSQE是均方量化误差，其中Ξ{·}函数实现对输入矩阵/向量中逐个元素进行量化的功能，Ξ{·}将最高和次高的神经元输出转换为1，其余神经元输出转换为0，满足
Figure FDA0003895791310000046
5.根据权利要求1所述的一种基于有监督机器学习的组合式中继选择方法，其特征在于，所述步骤S4中采用训练好训练网络进行计算获得最佳双中继集合的具体描述如下：
S5.1、建立M×1中继选择向量
Figure FDA0003895791310000047
来表示中继选择方法；
Figure FDA0003895791310000048
其中r(m)＝1表示执行双中继集合选择之后，第m个中继被选择出来，若r(m)＝0，则表示执行双中继集合选择之后，第m个中继未被选择出来；
Figure FDA0003895791310000049
S5.2、根据人工神经网络ANN训练后得到的中继选择向量
Figure FDA00038957913100000410
和公式(14)获得最佳双中继集合：
Figure FDA00038957913100000411
Figure FDA00038957913100000412
表示任意两个中继所组成的一个集合，
Figure FDA00038957913100000413
即双中继集合。
6.一种基于有监督机器学习的组合式中继选择系统，其特征在于,包括：
第一模块、用于获取信道状态信息相关的标记数据集；
第二模块、用于进行协作通信网络的配置；
第三模块、构建人工神经网络ANN；
用<N1,N2,…,ND>表示，其中N1＝MK对应输入层元素的数目，即端到端等效信道功率增益G的矩阵元素的数目，ND＝M对应输出层元素的数目，M代表M个半双工解码转发的集群中继，K代表K个正交子载波；
第四模块、设置迭代方式，采用训练标记数据集来训练所述人工神经网络ANN，当满足迭代条件时得到最优的训练网络，采用训练好训练网络进行计算获得最佳双中继集合，所述迭代方式为有穷迭代，以训练次数达到规定次数作为终止条件；
第五模块、用于获取逐子载波中继选择方法；
获得最佳双中继集合后根据公式(15)获取逐子载波中继选择方法：
Figure FDA0003895791310000051
其中γ(m,k)＝(Pt/N0)×min{g1(m,k),g2(m,k)}，表示第m个中继转发第k个子载波的等效端到端信噪比，Pt和N0表示均匀发射功率和平均加性高斯白噪声功率；gi(m,k)是信道功率增益，其中i∈{1,2}表示跳数指示数；
Figure FDA0003895791310000052
表示中继指示数；
Figure FDA0003895791310000053
是一个集合其包含了所有的中继，
Figure FDA0003895791310000054
Figure FDA0003895791310000055
表示子载波指示数，
Figure FDA0003895791310000056
是一个集合其包含所有子载波，
Figure FDA0003895791310000057
7.根据权利要求6所述的一种基于有监督机器学习的组合式中继选择系统，其特征在于，所述第四模块中采用训练标记数据集来训练所述人工神经网络ANN具体包括以下步骤：
第一步、获取输入的标记数据集
Figure FDA0003895791310000058
Figure FDA0003895791310000059
表示最佳双中继被选集合；
第二步、初始化节点链路权重值
Figure FDA00038957913100000510
和激活阈值
Figure FDA00038957913100000511
二者的初始值以随机的方式从以下范围内选出：
Figure FDA0003895791310000061
其中β是范围扩展系数；
Figure FDA0003895791310000062
表示相邻层d层和d+1层的第nd个节点和第nd+1个节点之间的链接权重；
Figure FDA0003895791310000063
表示与第d层相对应的激活阈值；
第三步、计算隐藏层和输出层神经元的输出，第d层中的第nd个神经元的输出由下式给出：
Figure FDA0003895791310000064
其中
Figure FDA0003895791310000065
是用于生成S形曲线的逻辑斯蒂函数；
第四步、训练所述人工神经网络ANN，迭代开始，通过对比所述训练网络实际输出的优化结果
Figure FDA0003895791310000066
与期望的输出结果rs(nD)来调整计算所述节点链接权重
Figure FDA0003895791310000067
和激活阈值
Figure FDA0003895791310000068
从而使得训练后的
Figure FDA0003895791310000069
逼近rs(nD)。
8.根据权利要求7所述的一种基于有监督机器学习的组合式中继选择系统，其特征在于，所述第四步中通过对比所述训练网络实际输出的优化结果
Figure FDA00038957913100000610
与期望的输出结果rs(nD)来调整计算所述节点链接权重
Figure FDA00038957913100000611
和激活阈值
Figure FDA00038957913100000612
具体包括：
首先计算误差：
Figure FDA00038957913100000613
其中rs(nD)表示
Figure FDA00038957913100000614
的第nD个元素；
根据计算误差
Figure FDA0003895791310000071
计算出第nD个神经元的误差梯度
Figure FDA0003895791310000072
为：
Figure FDA0003895791310000073
根据差梯度
Figure FDA0003895791310000074
计算链接第nD个神经元和最后一个隐藏层的神经元的链接权重的修正项
Figure FDA0003895791310000075
为：
Figure FDA0003895791310000076
其中α是学习率，是一个根据经验人为进行设定的系统参数；
最后一个隐藏层的神经元和输出层的神经元之间的链接权重，按照如下公式(21)的方式进行更新：
Figure FDA0003895791310000077
通过计算误差梯度
Figure FDA0003895791310000078
来确定隐藏层中的神经元：
Figure FDA0003895791310000079
节点的激活阈值
Figure FDA00038957913100000710
根据误差梯度进行相应的调整，具体调整办法规定如下：
首先计算阈值的修正项：
Figure FDA00038957913100000711
通过误差梯
Figure FDA00038957913100000712
得到下一周期更新后的激活阈值：
Figure FDA00038957913100000713
9.根据权利要求7所述的一种基于有监督机器学习的组合式中继选择系统，其特征在于，所述第四步中训练网络输出的优化结果逼近期望的输出结果，其精度采用均方误差和均方量化误差表征，其描述如下：
Figure FDA00038957913100000714
MSE是均方误差，其中
Figure FDA00038957913100000715
表示随机变量的平均值，||·||F表示矩阵的Frobenius范数，
Figure FDA0003895791310000081
表示人工神经网络ANN训练后得到的中继选择向量，
Figure FDA0003895791310000082
表示输入的中继选择向量；
Figure FDA0003895791310000083
MSQE是均方量化误差，其中Ξ{·}函数实现对输入矩阵/向量中逐个元素进行量化的功能，Ξ{·}将最高和次高的神经元输出转换为1，其余神经元输出转换为0，满足
Figure FDA0003895791310000084
10.根据权利要求6所述的一种基于有监督机器学习的组合式中继选择系统，其特征在于，所述采用训练好训练网络进行计算获得最佳双中继集合的具体描述如下：
第一步、建立M×1中继选择向量
Figure FDA0003895791310000085
来表示中继选择方法；
Figure FDA0003895791310000086
其中r(m)＝1表示执行双中继集合选择之后，第m个中继被选择出来，若r(m)＝0，则表示执行双中继集合选择之后，第m个中继未被选择出来；
Figure FDA0003895791310000087
第二步、根据人工神经网络ANN训练后得到的中继选择向量
Figure FDA0003895791310000088
和公式(28)获得最佳双中继集合：
Figure FDA0003895791310000089
Figure FDA00038957913100000810
表示任意两个中继所组成的一个集合，
Figure FDA00038957913100000811
即双中继集合。
CN202010332827.8A 2020-04-24 2020-04-24 基于有监督机器学习的组合式中继选择方法及系统 Active CN112104400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010332827.8A CN112104400B (zh) 2020-04-24 2020-04-24 基于有监督机器学习的组合式中继选择方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010332827.8A CN112104400B (zh) 2020-04-24 2020-04-24 基于有监督机器学习的组合式中继选择方法及系统

Publications (2)

Publication Number Publication Date
CN112104400A CN112104400A (zh) 2020-12-18
CN112104400B true CN112104400B (zh) 2023-04-07

Family

ID=73749646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010332827.8A Active CN112104400B (zh) 2020-04-24 2020-04-24 基于有监督机器学习的组合式中继选择方法及系统

Country Status (1)

Country Link
CN (1) CN112104400B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004527815A (ja) * 2000-12-18 2004-09-09 ヒューマン バイオニクス エルエルシー、 感知電気生理学的データに基づく活動開始方法及びシステム
US20080019595A1 (en) * 2006-07-20 2008-01-24 Kumar Eswaran System And Method For Identifying Patterns
CN106027438B (zh) * 2016-07-04 2020-04-07 东南大学 一种用于模数混合调幅广播系统的抗混叠调制解调器
CN109557419B (zh) * 2018-12-13 2020-11-06 国网山西省电力公司大同供电公司 一种输电线路检测方法
CN109474980B (zh) * 2018-12-14 2020-04-28 北京科技大学 一种基于深度增强学习的无线网络资源分配方法
CN110213814B (zh) * 2019-07-04 2021-06-08 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

Also Published As

Publication number Publication date
CN112104400A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
Lee et al. Deep power control: Transmit power control scheme based on convolutional neural network
Ma et al. Learning assisted estimation for time-varying channels
CN103957176B (zh) 一种自适应rls判决反馈均衡系统及其实现方法
CN113472706A (zh) 一种基于深度神经网络的mimo-ofdm系统信道估计方法
CN109474388B (zh) 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法
CN104702390A (zh) 分布式压缩感知信道估计中的导频分配方法
CN109039534A (zh) 一种基于深度神经网络的稀疏码分多址信号检测方法
CN103888391B (zh) 基于双Sigmoid混沌神经网络的信号盲检测方法
CN113381828B (zh) 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法
CN110311876A (zh) 基于深度神经网络的水声正交频分复用接收机的实现方法
CN102123115A (zh) 基于粒子群优化的正交小波盲均衡方法
CN113452642B (zh) 一种可重构智能表面增强的siso-ofdm下行传输方法
CN109462427A (zh) 一种基于改进的自适应混合优化平滑l0范数的mimo水声信道估计方法
CN111988256A (zh) 一种基于改进的自适应遗传算法的水声信道估计方法
CN112215335B (zh) 一种基于深度学习的系统检测方法
CN113676431A (zh) 一种基于模型驱动的无循环前缀mimo-ofdm接收方法
Ye et al. Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems
CN108306837A (zh) 一种成比例mser自适应判决反馈均衡系统及其实现方法
CN112104400B (zh) 基于有监督机器学习的组合式中继选择方法及系统
CN101902417A (zh) 基于蚁群优化的正交小波变换超指数迭代盲均衡方法
KR102064301B1 (ko) Mimo 시스템 기반의 앙상블 기계 학습을 이용한 신호 검출 장치 및 그 방법
CN113839744B (zh) 一种基于深度学习的广义无线光mimo系统的盲检测方法
CN113783782B (zh) 一种深度强化学习的机会路由候选集节点排序方法
CN115987406A (zh) 一种基于深度强化学习的水声通信链路自适应方法
CN112235024B (zh) 基于干扰置零的任意消息拓扑mimo系统最优天线配置方法

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