CN112153616B - 一种基于深度学习的毫米波通信系统中的功率控制方法 - Google Patents

一种基于深度学习的毫米波通信系统中的功率控制方法 Download PDF

Info

Publication number
CN112153616B
CN112153616B CN202010964461.6A CN202010964461A CN112153616B CN 112153616 B CN112153616 B CN 112153616B CN 202010964461 A CN202010964461 A CN 202010964461A CN 112153616 B CN112153616 B CN 112153616B
Authority
CN
China
Prior art keywords
neural network
link
millimeter wave
convolutional
training
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
CN202010964461.6A
Other languages
English (en)
Other versions
CN112153616A (zh
Inventor
李君�
朱明浩
仲星
王秀敏
李正权
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.)
Ictehi Technology Development Co ltd
Binjiang College of Nanjing University of Information Engineering
Original Assignee
Ictehi Technology Development Co ltd
Binjiang College of Nanjing University of Information Engineering
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 Ictehi Technology Development Co ltd, Binjiang College of Nanjing University of Information Engineering filed Critical Ictehi Technology Development Co ltd
Priority to CN202010964461.6A priority Critical patent/CN112153616B/zh
Publication of CN112153616A publication Critical patent/CN112153616A/zh
Application granted granted Critical
Publication of CN112153616B publication Critical patent/CN112153616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/345—Interference values
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种基于深度学习的毫米波通信系统中的功率控制方法，首先，收集环境内D2D设备和蜂窝设备的地理位置信息，构造两个大小为M×M的密度网格矩阵来表示链路收发机的位置；然后，收集训练数据集，构建卷积神经网络框架，并初始化神经网络权重；最后，将训练数据集输入至神经网络中，构建神经网络的输出和标签之间的MSE作为损失函数，并选择一个梯度下降算法优化神经网络的权重；完成训练并保存神经网络。本发明克服了毫米波网络环境中蜂窝设备和D2D设备的干扰问题，用卷积神经网络对收发机的相对位置进行特征提取，以监督学习的方式逼近传统算法来学习设备位置到最优功率分配的映射关系。

Description

一种基于深度学习的毫米波通信系统中的功率控制方法
技术领域
本发明涉及通信系统物理层技术，具体的涉及无线通信系统资源分配技术，尤其涉及一种基于深度学习的毫米波通信系统中的功率控制方法。
背景技术
随着5G通信技术的普及与推广，如何提高资源分配的效率成为研究热点，其中在毫米波通信环境中，由于其可用频带极宽、方向性强、保密性好、干扰很小等优点，目前被广泛的运用于商业环境。而现实环境往往复杂多变，用户数量繁多、用户类型复杂都考验着通信网络的性能。比如在毫米波设备对设备(D2D)蜂窝网络中，环境内有D2D设备对和蜂窝设备，它们之间由于距离短或者发射功率高的原因往往会成为彼此的干扰源，如何进行适当的功率分配以平衡D2D设备对和蜂窝设备之间干扰以及最大化数据速率成为研究的新方向，这也是本发明的核心问题。另外，毫米波D2D蜂窝网络环境中典型的功率分配算法是加权最小均方误差算法(WMMSE)，一般通过将目标问题等效为加权均方误差(MSE)最小化问题，它可以找到满足系统中所有用户和速率最大化性能的最优解，但该算法典型的缺点是收敛性能差，而缓慢的收敛会导致比较高的计算复杂度，当面对大规模网络，尤其是有大量终端设备时收敛性难得到保证，这也限制了其应用领域。目前，深度学习技术利用神经网络的函数逼近特性，近年来在图像处理和语音识别等各个领域得到了广泛的研究。虽然神经网络的训练可能需要一些时间，但由于其训练过程可以离线进行，所以计算复杂度很小，非常适合实时操作。且由于无线通信网络中信道样本采集的便利性和及时性，深度学习在无线通信中的应用也越来越有优势。深度学习中的神经网络可以对传统算法达到一个令人满意的非线性逼近，所以得到广泛的研究。
许多利用神经网络通过功率控制实现目标函数最大或最小化的研究受到关注。比如用深度神经网络通过逼近次梯度算法，来实现系统频谱效率(SE)最大化或能效(EE)最大化，又或者是通过逼近IPM算法，实现系统和速率(SR)最大化的目标，卷积神经网络方面，通过利用卷积滤波器对局部特征进行提取，以监督学习的方式实现SE、EE或SR最大化的目标，但这些研究多基于完整的信道状态信息，而我们思考的是为了缓解网络干扰，也可以依靠网络内的收发机的相对位置来推测干扰程度，也就是说可以基于地理位置来推测最优功率分配，从而完全绕过信道估计。本发明通过CNN来学习收发机的地理位置信息到最优功率分配之间的映射关系。
发明内容
发明目的：本发明提供一种基于深度学习的毫米波通信系统中的功率控制方法，克服了毫米波网络环境中蜂窝设备和D2D设备的干扰问题，实现D2D设备的和速率性能最大化。
技术方案：本发明所述的一种基于深度学习的毫米波通信系统中的功率控制方法，具体包括以下步骤：
(1)收集环境内D2D设备和蜂窝设备的地理位置信息，构造两个大小为M×M的密度网格矩阵来表示链路收发机的位置；
(2)将相应用户位置的信道增益输入到WMMSE算法，得到相应样本下的最优功率分配标签p*，收集训练数据集；
(3)确定训练集和测试集的分割比例；
(4)构建卷积神经网络模型，并初始化神经网络权重；
(5)将训练数据集输入至神经网络中，构建神经网络的输出和标签之间的MSE作为损失函数，并选择一个梯度下降算法优化神经网络的权重；
(6)当损失函数小于预设值或达到迭代次数时，完成训练并保存神经网络；
(7)测试阶段由测试集作为输入数据验证性能。
进一步地，步骤(2)所述的训练集包括收发机的密度网格矩阵和相应的最优功率分配标签数据。
进一步地，所述步骤(2)实现过程如下：
生成随机用户收发机之间的距离在[5,65]中均匀分布，以网格的形式将区域量化，构造两个大小为1000×1000的密度网格矩阵，神经网络卷积层中的卷积滤波器将直接作用于网格矩阵，由卷积滤波器提取收发机对附近收发机产生的以及受到的干扰特征以及链路的信道增益信息。
进一步地，步骤(4)所述的卷积神经网络模型的目标函数为：
Figure GDA0003615722600000031
约束为：
0<pi<pM
IC<IS
其中，W是通信带宽；hij是i链路的发射机到j链路的接收机之间的信道增益；pi是i链路的传输功率；pM是链路中允许的最大传输功率；
Figure GDA0003615722600000033
是环境噪声；IC是蜂窝用户受到的干扰；IS是蜂窝用户可以忍受的最大干扰；由约束项分别对传输功率设定上下限以及限制蜂窝用户受到的干扰在IS以下。
进一步地，步骤(4)所述的神经网络框架为1层卷积层、3层隐藏层、1层输出层；所述卷卷积层作为输入层接收输入数据并提取干扰特征，使用2个40×40的卷积核来生成特征图，从卷积核中提取链路的信道增益信息；联合干扰特征和增益信息输送至3层附带ReLU函数的隐藏层；由最终的输出层经sigmoid函数作激活后产生功率分配策略。
进一步地，步骤(5)所述的损失函数构造如下：
Figure GDA0003615722600000032
其中，p*为最优功率分配标签，pi是i链路的传输功率；采用小批次梯度下降算法，每批次包含A个样本，训练周期为λ＝500，选择adam优化器优化卷积核和神经网络的权重和偏置参数。
有益效果：与现有技术相比，本发明的有益效果：本发明基于环境内收发机相对位置，用卷积神经网络的卷积滤波器提取不同链路上附近收发机的干扰量和同一链路收发机的相对位置代表的信道增益信息，以监督学习的方式学习地理位置信息到最优功率分配的映射关系，用设备的地理位置信息代替信道状态信息作为神经网络的输入信号以提供功率预测的依据，仅仅基于设备的地理位置信息来做出功率预测；训练好后的卷积神经网络可以进行在线决策，实时提供性能好复杂度低且可靠的功率分配方案，实现D2D设备的和速率性能最大化。
附图说明
图1为卷积神经网络的结构图；
图2为具体实例中应用的卷积神经网络结构图；
图3为训练阶段小批次梯度下降训练流程图；
图4为测试阶段学习流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明所用到的卷积神经网络结构如图1所示，该卷积神经网络负责学习输入信号收发机的的相对位置信息到最优功率分配的映射关系。整个过程包括数据集的收集、神经网络的训练。其具体的实施步骤如下：
步骤1：收集环境内D2D设备和蜂窝设备的地理位置信息，构造两个大小为M×M的密度网格矩阵来表示链路收发机的位置。
在1km×1km的正方形区域中，基站位于区域中央，有1个蜂窝设备与基站进行通信，同时基站周围有20条D2D链路，在瑞利衰落的信道环境下，带宽W＝10MHz、N0＝-174dBm/Hz、干扰上限值IS＝103·N0W。
生成随机用户收发机之间的距离在[5,65]中均匀分布，我们以网格的形式将区域量化，构造两个大小为1000×1000的密度网格矩阵，神经网络卷积层中的卷积滤波器将直接作用于它，由于提取收发机对附近收发机产生的以及受到的干扰特征以及链路的信道增益信息将相应用户位置的信道增益输入到WMMSE算法，得到相应样本下的最优功率分配标签p*，收集训练数据集，包括收发机的密度网格矩阵和相应的最优功率分配标签。确定训练集和测试集的分割比例。
运行WMMSE算法，得到相应的最优功率分配标签p*，重复300万次，得到300万个具有地理位置信息和相应标签的数据集，再确定训练集和测试集的分割比例。
链路之间的信道仅考虑快速衰落效应，其中衰落系数gij＝1，
Figure GDA0003615722600000041
一次可以生成多个信道状态信息hij＝gijαij。
步骤3：构建卷积神经网络模型，并初始化神经网络权重。
如图2所示，构建卷积神经网络的结构，包括1层卷积层、3层隐层、1层输出层。将1000×1000的密度网格矩阵作为输入信号输入至卷积神经神经网络，卷积神经网络的第一部分的卷积层作为输入层接收输入数据并提取干扰特征，使用2个40×40的卷积核来生成特征图，从卷积核中提取链路的信道增益信息，联合干扰特征和增益信息输送至3层附带ReLU函数的隐藏层，最后由最终的输出层经过sigmoid函数作激活后产生功率分配策略。
整个模型速率最大化问题可被表示为：
Figure GDA0003615722600000051
约束为：
0<pi<pM
IC<IS
其中，W是通信带宽；hij是i链路的发射机到j链路的接收机之间的信道增益；pi是i链路的传输功率；pM是链路中允许的最大传输功率；
Figure GDA0003615722600000053
是环境噪声；IC是蜂窝用户受到的干扰；IS是蜂窝用户可以忍受的最大干扰；由约束项分别对传输功率设定上下限以及限制蜂窝用户受到的干扰在IS以下。
步骤4：将训练数据集输入至神经网络构建神经网络的输出和标签之间的MSE作为损失函数，并选择一个梯度下降算法优化神经网络的权重。当损失函数小于预设值或达到迭代次数时，完成训练并保存神经网络。
训练阶段选择神经网络的输出值和标签的均方误差作为损失函数：
Figure GDA0003615722600000052
其中，p*为最优功率分配标签，pi是i链路的传输功率；用小批次梯度下降算法，每批次包含27个样本，即A＝27，训练周期为γ＝500，选择adam优化器优化卷积核和神经网络的权重和偏置参数。具体过程如下：
1)收集训练数据集，包括生成随机用户并运行WMMSE算法得到相应位置下的最优功率分配，构造密度网格矩阵表示链路的位置信息；
2)采用小批次梯度下降算法训练数据分为I批次，每批次包含A个样本；
3)构建卷积神经网络框架并初始化卷积神经神经网络参数；
4)对训练数据所有批次进行遍历，以i批次为例，Xi作为卷积神经网络输入信号并得到相应的输出信号pi，构建损失函数；
5)用梯度下降优化算法对神经网络的权重进行更新，直至损失函数小于预设阈值；
6)保存训练好的神经网络。
步骤5：测试阶段由测试集作为输入数据验证性能。
测试阶段，以训练阶段相同分布的信道生成的样本作为测试集，经过卷积神经网络，最后比较其输出值与标签的误差大小，验证该卷积神经网络实现最优功率分配的可靠性。
如图3、图4所示，在瑞利衰落环境中生成随机用户，并收集环境内D2D设备和蜂窝设备的地理位置信息，构造密度网格矩阵来表示链路中收发机的位置信息。
运行WMMSE算法得到相应样本下的最优功率分配标签，收集样本和标签并将其构成拥有300万份数据的训练集。设定训练数据集和测试数据集分割比例为9:1。
构造卷积神经网络学习框架，包括1层卷积层、3层隐藏层、1层输出层，卷积层中用40×40大小的卷积核，隐层中的神经元设置分别为5、100、50，输出层的神经元数神经元与用户数保持一致为21。将训练数据集送入神经网络，构造神经网路输出pi和标签p*的均方误差作为损失函数
Figure GDA0003615722600000061
其中用小批次梯度下降算法将训练数据分为10000批次，每批次的样本数A＝27，选择adam优化器对神经网络的权重进行更新。当损失函数小于0.01或满足500次迭代周期则停止迭代，并保存神经网络。测试阶段将测试数据集输入至训练好的卷积神经网络中，验证其功率分配结果与标签的误差大小小于0.01，证明本发明的可靠性。
本发明在毫米波D2D蜂窝网络环境中，克服了环境中蜂窝设备和D2D设备由于过高的功率分配而互相干扰的问题，利用卷积神经网络善于对局部特征提取的特性，将其应用于学习环境内设备的地理位置信息到最优功率分配的映射，学习过程以监督学习的方式进行。训练后的神经网络可在实际应用中进行实时的在线决策，同时保证较高的系统和速率性能。

Claims (5)

1.一种基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，包括以下步骤：
(1)收集环境内D2D设备和蜂窝设备的地理位置信息，构造两个大小为M×M的密度网格矩阵来表示链路收发机的位置；
(2)将相应用户位置的信道增益输入到WMMSE算法，得到相应样本下的最优功率分配标签p*，收集训练数据集；
(3)确定训练集和测试集的分割比例；
(4)构建卷积神经网络模型，并初始化神经网络权重；所述卷积神经网络模型的目标函数为：
Figure FDA0003615722590000011
约束为：
0<pi<pM
IC<IS
其中，W是通信带宽；hij是i链路的发射机到j链路的接收机之间的信道增益；pi是i链路的传输功率；pM是链路中允许的最大传输功率；
Figure FDA0003615722590000012
是环境噪声；IC是蜂窝用户受到的干扰；IS是蜂窝用户可以忍受的最大干扰；由约束项分别对传输功率设定上下限以及限制蜂窝用户受到的干扰在IS以下；
(5)将训练数据集输入至神经网络中，构建神经网络的输出和标签之间的MSE作为损失函数，并选择一个梯度下降算法优化神经网络的权重；
(6)当损失函数小于预设值或达到迭代次数时，完成训练并保存神经网络；
(7)测试阶段由测试集作为输入数据验证性能。
2.根据权利要求1所述的基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，步骤(2)所述的训练数据集包括收发机的密度网格矩阵和相应的最优功率分配标签数据。
3.根据权利要求1所述的基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，所述步骤(2)实现过程如下：
生成随机用户收发机之间的距离在[5,65]中均匀分布，以网格的形式将区域量化，构造两个大小为1000×1000的密度网格矩阵，神经网络卷积层中的卷积滤波器将直接作用于网格矩阵，由卷积滤波器提取收发机对附近收发机产生的以及受到的干扰特征以及链路的信道增益信息。
4.根据权利要求1所述的基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，步骤(4)所述的神经网络框架为1层卷积层、3层隐藏层、1层输出层；所述卷积层作为输入层接收输入数据并提取干扰特征，使用2个40×40的卷积核来生成特征图，从卷积核中提取链路的信道增益信息；联合干扰特征和增益信息输送至3层附带ReLU函数的隐藏层；由最终的输出层经sigmoid函数作激活后产生功率分配策略。
5.根据权利要求1所述的基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，步骤(5)所述的损失函数构造如下：
Figure FDA0003615722590000021
其中，p*为最优功率分配标签，pi是i链路的传输功率；采用小批次梯度下降算法，每批次包含A个样本，训练周期为λ＝500，选择adam优化器优化卷积核和神经网络的权重和偏置参数。
CN202010964461.6A 2020-09-15 2020-09-15 一种基于深度学习的毫米波通信系统中的功率控制方法 Active CN112153616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010964461.6A CN112153616B (zh) 2020-09-15 2020-09-15 一种基于深度学习的毫米波通信系统中的功率控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010964461.6A CN112153616B (zh) 2020-09-15 2020-09-15 一种基于深度学习的毫米波通信系统中的功率控制方法

Publications (2)

Publication Number Publication Date
CN112153616A CN112153616A (zh) 2020-12-29
CN112153616B true CN112153616B (zh) 2022-07-08

Family

ID=73893450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010964461.6A Active CN112153616B (zh) 2020-09-15 2020-09-15 一种基于深度学习的毫米波通信系统中的功率控制方法

Country Status (1)

Country Link
CN (1) CN112153616B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764610A (zh) * 2021-01-15 2022-07-19 华为技术有限公司 一种基于神经网络的信道估计方法及通信装置
CN112987111A (zh) * 2021-02-09 2021-06-18 北京工业大学 一种基于卷积神经网络的地下管道探测功率自动控制平台
CN113038612B (zh) * 2021-03-01 2023-02-28 南京工业大学 基于深度学习的认知无线电功率控制方法
CN113114314B (zh) * 2021-04-15 2022-03-11 东南大学 融合混类增强与自编码器的大规模mimo性能提升方法
CN113518457A (zh) * 2021-04-22 2021-10-19 南京信息工程大学滨江学院 基于一维深度卷积神经网络的功率分配策略
CN113473580B (zh) * 2021-05-14 2024-04-26 南京信息工程大学滨江学院 异构网络中基于深度学习的用户关联联合功率分配方法
CN113297789B (zh) * 2021-05-17 2024-03-19 南京大学 一种基于机器学习的声涡旋分束器设计方法
CN114531726B (zh) * 2021-06-30 2024-03-29 南京信息工程大学滨江学院 基于密集无线网络的功率控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109639377A (zh) * 2018-12-13 2019-04-16 西安电子科技大学 基于深度强化学习的频谱资源管理方法
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
CN110267338A (zh) * 2019-07-08 2019-09-20 西安电子科技大学 一种d2d通信中联合资源分配和功率控制方法
WO2019190036A1 (ko) * 2018-03-27 2019-10-03 경상대학교산학협력단 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치
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
CN111181612A (zh) * 2019-12-31 2020-05-19 内蒙古大学 一种大规模mimo系统的协作波束赋型方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019190036A1 (ko) * 2018-03-27 2019-10-03 경상대학교산학협력단 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치
CN109639377A (zh) * 2018-12-13 2019-04-16 西安电子科技大学 基于深度强化学习的频谱资源管理方法
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
CN110267338A (zh) * 2019-07-08 2019-09-20 西安电子科技大学 一种d2d通信中联合资源分配和功率控制方法
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
CN111181612A (zh) * 2019-12-31 2020-05-19 内蒙古大学 一种大规模mimo系统的协作波束赋型方法

Also Published As

Publication number Publication date
CN112153616A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN112153616B (zh) 一种基于深度学习的毫米波通信系统中的功率控制方法
CN111901862B (zh) 一种基于深度q网络的用户分簇与功率分配方法、设备和介质
Lee et al. Transmit power control using deep neural network for underlay device-to-device communication
Maksymyuk et al. Deep learning based massive MIMO beamforming for 5G mobile network
CN106059972B (zh) 一种基于机器学习算法的mimo相关信道下的调制识别方法
WO2020253691A1 (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
Lee et al. Deep learning based transmit power control in underlaid device-to-device communication
CN112153617B (zh) 一种基于集成神经网络的终端设备传输功率的控制方法
Rajapaksha et al. Deep learning-based power control for cell-free massive MIMO networks
CN109617584A (zh) 一种基于深度学习的mimo系统波束成形矩阵设计方法
CN107332598A (zh) 一种基于深度学习的mimo系统联合预编码和天线选择方法
CN112153615B (zh) 一种多小区蜂窝d2d设备中基于深度学习的用户关联方法
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
CN112911608B (zh) 一种面向边缘智能网络的大规模接入方法
CN112217545B (zh) 一种大规模mimo系统检测模型构建方法
CN113115344B (zh) 基于噪声优化的无人机基站通信资源分配策略预测方法
CN114422059A (zh) 信道预测方法、装置、电子设备及存储介质
CN115102592B (zh) 一种基于联邦学习的多用户mimo波束成形方法
CN114885340B (zh) 一种基于深度迁移学习的超密集无线网络功率分配方法
CN111010222B (zh) 一种基于深度学习的大规模mimo下行用户调度方法
CN110768704B (zh) 基于残差神经网络的混合波束赋形矩阵优化方法
CN113473580B (zh) 异构网络中基于深度学习的用户关联联合功率分配方法
CN113242066B (zh) 一种多小区大规模mimo通信智能功率分配方法
CN109391511B (zh) 一种基于可拓展训练网络的智能通信资源分配策略
CN114528987A (zh) 一种神经网络边缘-云协同计算分割部署方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210706

Address after: No.333 Xishan Avenue, Xishan District, Wuxi City, Jiangsu Province

Applicant after: Binjiang College of Nanjing University of Information Engineering

Applicant after: ICTEHI TECHNOLOGY DEVELOPMENT Co.,Ltd.

Address before: No.333 Xishan Avenue, Xishan District, Wuxi City, Jiangsu Province

Applicant before: Binjiang College of Nanjing University of Information Engineering

GR01 Patent grant
GR01 Patent grant