CN112153617A - 一种基于集成神经网络的终端设备传输功率的控制方法 - Google Patents

一种基于集成神经网络的终端设备传输功率的控制方法 Download PDF

Info

Publication number
CN112153617A
CN112153617A CN202010964851.3A CN202010964851A CN112153617A CN 112153617 A CN112153617 A CN 112153617A CN 202010964851 A CN202010964851 A CN 202010964851A CN 112153617 A CN112153617 A CN 112153617A
Authority
CN
China
Prior art keywords
neural network
output
layer
networks
integrated
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
CN202010964851.3A
Other languages
English (en)
Other versions
CN112153617B (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
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 Binjiang College of Nanjing University of Information Engineering filed Critical Binjiang College of Nanjing University of Information Engineering
Priority to CN202010964851.3A priority Critical patent/CN112153617B/zh
Publication of CN112153617A publication Critical patent/CN112153617A/zh
Application granted granted Critical
Publication of CN112153617B publication Critical patent/CN112153617B/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
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种基于集成神经网络的终端设备传输功率的控制方法，收集D2D链路的信道功率增益样本；并输入到SPCA算法，得到相应样本下的最优功率分配策略；搭建深度神经网络和卷积神经网络，并初始化神经网络权重；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，并对神经网络的权重进行更新；当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；构建选择器，选择并输出具有更高性能的分配策略。本发明克服了深度神经网络对大规模网络学习能力弱和卷积神经网络对小规模网络的局部特征提取的有限性，用集成学习的思想，将两个网络集成起来，使其能适应不同规模网络实时的功率分配需求。

Description

一种基于集成神经网络的终端设备传输功率的控制方法
技术领域
本发明属于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，尤其涉及一种基于集成神经网络的终端设备传输功率的控制方法。
背景技术
物联网设备数量的激增导致激烈的带宽竞争。如果要达到令人满意的数据交付率，传统的方案是通过多个用户以非正交的方式共享多个子载波，但这也将导致多个用户之间的相互干扰，彼此成为对方的噪声源。这带来的结果是一个子载波中单个用户的数据交付率随该子载波中其它用户的传输功率的增加而减少。如何进行适当的功率分配以平衡干扰和数据速率成为研究的新方向。
另外，典型的功率分配算法是迭代-充水算法，它可以找到满足系统中所有用户和速率最大化性能的次优解，该算法的缺点是收敛性能差，包括收敛性低，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的通信网络时，迭代算法的收敛性很难得到保证，这也限制了其应用领域，即仅能在小规模网络中得到运用。
目前，深度学习技术被应用到不同的领域，包括图像分类、自然语言处理和语音识别，而近年来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，目前神经网络包括深度神经网络(DNN)、卷积神经网络(CNN)。
许多利用神经网络通过功率控制实现目标函数最大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，以监督的方式实现SE、EE或SR最大化的目标。通过研究对比发现，DNN更适合在小规模网络中进行特征提取，而在大规模网络中，CNN的学习能力优于DNN，具体来说就是同样迭代次数下，CNN比DNN有更小的均方误差(MSE)。结合以上结论，我们加入集成网络的思想。
发明内容
发明目的：本发明的目的是针对现有功率控制算法的不足，提供一种基于集成神经网络的终端设备传输功率的控制方法，实现在线决策，并能够对传统算法达到一个很好的性能逼近，可以适合不同规模的网络环境的在线决策，灵活性高。
技术方案：本发明所述的一种基于集成神经网络的终端设备传输功率的控制方法，具体包括以下步骤：
(1)收集D2D链路的信道功率增益样本；
(2)将收集到的信道功率增益样本输入到SPCA算法，并得到相应样本下的最优功率分配策略，收集训练数据集，包括信道增益样本和标签；
(3)搭建基于深度神经网络和卷积神经网络结合形成的集成神经网络，并初始化集成神经网络权；
(4)将训练数据集分别输入至深度神经网络和卷积神经网络，构建两神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对两神经网络的权重进行更新；
(5)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；
(6)测试阶段构建选择器，由选择器负责收集两个神经网络输出的功率分配；
(7)计算两个神经网络输出策略所引起的和速率，并进行比较；
(8)选择并输出具有更高性能的‘剖面’，即功率分配策略。
进一步地，所述步骤(2)的实现过程如下：
对于i链路来说，其速率可被表示为：
Figure BDA0002681888390000021
其中，hij是i链路的发射机到j链路的接收机之间的信道功率增益；pi是i链路的传输功率；
Figure BDA0002681888390000022
是环境背景噪声；
运行SPCA算法，得到相应的最优功率分配标签p*；重复N次，得到N个具有增益样本和相应标签的训练数据集。
进一步地，所述步骤(3)的实现过程如下：
将增益样本输入进集成神经网络，由输入层转发输入数据，隐层或卷积核处理输入数据，最后输出层输出相应决策；所述深度神经网络采用具有完全连接的前馈网络，N0维的输入向量通过输入层输入到网络，该层也有N0个神经元，最后输出层处理来自最后一隐层的信息；第l层第n个神经元的输出表示为
Figure BDA0002681888390000031
其中Wnl是l-1层所有神经元与l层第n个神经元之间连接的权重向量，bn,l是l层第n个神经元的偏置项，fn,l是提供非线性能力的激活函数，采用ReLU作为每层隐层的激活函数，输出层的激活函数采用sigmoid函数作为输出激活函数。
进一步地，步骤(4)所述的损失函数构造如下：
Figure BDA0002681888390000032
其中，pi是i链路的传输功率，得到相应的最优功率分配标签p*；采用小批次梯度下降算法，每批次包含M个样本，训练周期为γ＝300，优化器选择随机梯度下降算法对两神经网络的权重和偏置进行更新。
进一步地，所述步骤(6)实现过程如下：
以训练阶段相同分布的信道生成的样本作为测试集，集成神经网络接收数据集并产生相应的功率分配，由选择器接收分配结果并计算每个结果所实现的系统和速率性能，选择输出和速率性能高的功率剖面作为最终输出结果。
有益效果：与现有技术相比，本发明的有益效果：1、本发明方法将深度神经网络和卷积神经网络集成起来，其中深度神经网络适合处理小规模网络，卷积神经网络适合处理大规模网络，在两个神经网络输出功率分配策略后，由选择器收集并计算相应策略带来的和速率性能，并由选择器选择输出导致更高和速率的功率“剖面”；2、通过监督学习的方式提供实时的在线功率分配决策，且实现的和速率性可以对传统算法达到一个很好的近似度，可以适合不同规模的网络环境的在线决策，灵活性高。
附图说明
图1为本发明的流程图；
图2为深度神经网络结构图；
图3为卷积神经网络结构图；
图4小批次梯度下降流程图测试阶段集成学习流程图；
图5测试阶段集成学习流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于集成神经网络的终端设备传输功率的控制方法，所用到的神经网络结构如图2和图3所示：包括深度神经网络、卷积神经网络，每个网络都会负责学习输入信号信道功率增益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。如图1所示，其具体的实施步骤如下：
步骤1：收集D2D链路的信道功率增益样本，将收集到的信道功率增益样本输入到SPCA算法，并得到相应样本下的最优功率分配策略，收集训练数据集，包括信道增益样本和标签。
在1km×1km的正方形区域中，有20条设备对设备(D2D)链路中的收发机之间的距离在[5,65]中均匀分布，D2D链路之间的信道仅考虑路径损失，其中衰落系数gij＝1，
Figure BDA0002681888390000041
在瑞利衰落的信道环境下一次可以生成400个信道功率增益样本hij＝gijαij。对于i链路来说，其速率可被表示为：
Figure BDA0002681888390000042
其中，其中，hij是i链路的发射机到j链路的接收机之间的信道功率增益；pi是i链路的传输功率；
Figure BDA0002681888390000043
是环境背景噪声。
同时，运行SPCA算法，得到相应的最优功率分配标签p*，重复300万次，得到300万个具有增益样本和相应标签的训练数据集。
步骤2：搭建基于深度神经网络和卷积神经网络结合形成的集成神经网络，并初始化集成神经网络权。
构建神经网络包括深度神经网络和卷积神经网络。将增益样本输入进神经网络，由输入层转发输入数据，隐层或卷积核处理输入数据，最后输出层输出相应决策。深度神经网络采用具有完全连接的前馈网络，N0维的输入向量通过输入层输入到网络，该层也有N0个神经元，最后输出层处理来自最后一隐层的信息。第l层第n个神经元的输出可表示为：
Figure BDA0002681888390000051
其中，Wn,l是l-1层所有神经元与l层第n个神经元之间连接的权重向量，bn,l是l层第n个神经元的偏置项，fn,l是提供非线性能力的激活函数。xl-1是神经网络第l-1层的输出值。
本发明采用ReLU作为每层隐层的激活函数，同时需要注意，输出层的激活函数一般采用sigmoid函数作为输出激活函数。
具体来说本发明设计的深度神经网络共有5层，其中输入层的神经元数是400，另外三层隐层每层分别有200、100、50个神经元。卷积神经网络的第一部分是一个以二维输入的卷积层，卷积层的维数是20×20×2，使用3×3的卷积核来生成特征图，之后分别生成2个、2个、8个、16个和2个特征映射，之后用一个平坦层将卷积层的输出与最终密集层连接起来，由最终的密集层经过sigmoid函数作激活后产生功率分配策略。
步骤3：将训练数据集分别输入至深度神经网络和卷积神经网络，构建两神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对两神经网络的权重进行更新；当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络。
训练时构造神经网络的输出值和标签均方误差作为损失函数：
Figure BDA0002681888390000052
其中，pi是i链路的传输功率，得到相应的最优功率分配标签p*；用小批次梯度下降算法，每批次包含27个样本，即M＝27，训练周期γ＝300，优化器选择随机梯度下降算法对神经网络的权重和偏置进行更新。具体训练过程如下：
1)收集训练数据集，包括信道功率增益样本和由SPCA算法得到相应样本下使目标函数最大化的功率分配标签；
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M个样本；
3)初始化神经网络权重θ和学习率α；
4)对训练数据所有批次进行遍历，以批次为例，Xi作为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，并用随机梯度下降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。
5)将两个神经网络的输出值保存至选择器，由选择器比较并输出最优解。
步骤4：测试阶段构建选择器，由选择器负责收集两个神经网络输出的功率分配；计算两个神经网络输出策略所引起的和速率，并进行比较；选择并输出具有更高性能的“剖面”，即功率分配策略。
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，两个神经网络接收数据集并产生相应的功率分配，由选择器接收分配结果并计算每个结果所实现的系统和速率性能，选择输出和速率性能高的功率剖面作为最终输出结果。
如图4图5所示，在瑞利衰落环境中建立信道模型，生成相应的D2D链路的信道功率增益样本，收集300万份样本。运行SPCA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。将训练数据集和测试数据集分割比例为9:1。构造深度神经网络和卷积神经网络，其中深度神经网络由5层全连接层组成，包括三层隐层，其神经元数分别为200、100、50。卷积神经网络由6层卷积层、平坦层和密集层构成，卷积层中卷积核的个数分别为2、2、2、8、16、2，密集层作为输出层，其神经元数与用户数保持一致为20。将训练数据集送入神经网络，构造神经网路输出和标签的均方误差作为损失函数
Figure BDA0002681888390000061
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M＝27，随机梯度下降算法作为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300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送入深度神经网络和卷积神经网络，并得到两个网络的功率分配结果。由选择器接收并收集两个网络的输出，分别计算其相应功率分配下所能实现的和速率性能。比较两个网络输出策略所实现的和速率性能。选择最好的和速率所对应的功率分配剖面作为最终输出结果。
本发明通过集成DNN与CNN克服不同网络规模情况下，不同神经网络在由自身特征所导致的性能差异。在两个神经网络输出功率分配策略后，由选择器收集并计算相应策略带来的和速率性能，并由选择器选择输出导致更高和速率的功率“剖面”。因此，本发明不仅可以对网络的功率分配进行实时决策，还加入集成学习的思想，能对不同用户规模的环境进行在线决策。

Claims (5)

1.一种基于集成神经网络的终端设备传输功率的控制方法，其特征在于，包括以下步骤：
(1)收集D2D链路的信道功率增益样本；
(2)将收集到的信道功率增益样本输入到SPCA算法，并得到相应样本下的最优功率分配策略，收集训练数据集，包括信道增益样本和标签；
(3)搭建基于深度神经网络和卷积神经网络结合形成的集成神经网络，并初始化集成神经网络权；
(4)将训练数据集分别输入至深度神经网络和卷积神经网络，构建两神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对两神经网络的权重进行更新；
(5)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；
(6)测试阶段构建选择器，由选择器负责收集两个神经网络输出的功率分配；
(7)计算两个神经网络输出策略所引起的和速率，并进行比较；
(8)选择并输出具有更高性能的‘剖面’，即功率分配策略。
2.根据权利要求1所述的基于集成神经网络的终端设备传输功率的控制方法，其特征在于，所述步骤(2)的实现过程如下：
对于i链路来说，其速率可被表示为：
Figure FDA0002681888380000011
其中，hij是i链路的发射机到j链路的接收机之间的信道功率增益；pi是i链路的传输功率；
Figure FDA0002681888380000012
是环境背景噪声；
运行SPCA算法，得到相应的最优功率分配标签p*；重复N次，得到N个具有增益样本和相应标签的训练数据集。
3.根据权利要求1所述的基于集成神经网络的终端设备传输功率的控制方法，其特征在于，所述步骤(3)的实现过程如下：
将增益样本输入进集成神经网络，由输入层转发输入数据，隐层或卷积核处理输入数据，最后输出层输出相应决策；所述深度神经网络采用具有完全连接的前馈网络，N0维的输入向量通过输入层输入到网络，该层也有N0个神经元，最后输出层处理来自最后一隐层的信息；第l层第n个神经元的输出表示为
Figure FDA0002681888380000021
其中Wn,l是l-1层所有神经元与l层第n个神经元之间连接的权重向量，bn,l是l层第n个神经元的偏置项，fn,l是提供非线性能力的激活函数，采用ReLU作为每层隐层的激活函数，输出层的激活函数采用sigmoid函数作为输出激活函数。
4.根据权利要求1所述的基于集成神经网络的终端设备传输功率的控制方法，其特征在于，步骤(4)所述的损失函数构造如下：
Figure FDA0002681888380000022
其中，pi是i链路的传输功率，得到相应的最优功率分配标签p*；采用小批次梯度下降算法，每批次包含M个样本，训练周期为γ＝300，优化器选择随机梯度下降算法对两神经网络的权重和偏置进行更新。
5.根据权利要求1所述的基于集成神经网络的终端设备传输功率的控制方法，其特征在于，所述步骤(6)实现过程如下：
以训练阶段相同分布的信道生成的样本作为测试集，集成神经网络接收数据集并产生相应的功率分配，由选择器接收分配结果并计算每个结果所实现的系统和速率性能，选择输出和速率性能高的功率剖面作为最终输出结果。
CN202010964851.3A 2020-09-15 2020-09-15 一种基于集成神经网络的终端设备传输功率的控制方法 Active CN112153617B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010964851.3A CN112153617B (zh) 2020-09-15 2020-09-15 一种基于集成神经网络的终端设备传输功率的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010964851.3A CN112153617B (zh) 2020-09-15 2020-09-15 一种基于集成神经网络的终端设备传输功率的控制方法

Publications (2)

Publication Number Publication Date
CN112153617A true CN112153617A (zh) 2020-12-29
CN112153617B CN112153617B (zh) 2022-07-12

Family

ID=73893794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010964851.3A Active CN112153617B (zh) 2020-09-15 2020-09-15 一种基于集成神经网络的终端设备传输功率的控制方法

Country Status (1)

Country Link
CN (1) CN112153617B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113242066A (zh) * 2021-05-10 2021-08-10 东南大学 一种多小区大规模mimo通信智能功率分配方法
CN113473496A (zh) * 2021-06-02 2021-10-01 杭州电子科技大学 一种提高工业无线网络速度的方法
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109189950A (zh) * 2018-09-03 2019-01-11 腾讯科技（深圳）有限公司 多媒体资源分类方法、装置、计算机设备及存储介质
CN109462430A (zh) * 2019-01-04 2019-03-12 电子科技大学 多天线共生无线通信系统、信号传输及波束赋形优化方法
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
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
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
CN111328133A (zh) * 2018-12-17 2020-06-23 上海大学 基于深度神经网络的v2x资源分配方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109189950A (zh) * 2018-09-03 2019-01-11 腾讯科技（深圳）有限公司 多媒体资源分类方法、装置、计算机设备及存储介质
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
CN111328133A (zh) * 2018-12-17 2020-06-23 上海大学 基于深度神经网络的v2x资源分配方法
CN109462430A (zh) * 2019-01-04 2019-03-12 电子科技大学 多天线共生无线通信系统、信号传输及波束赋形优化方法
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
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
舒忠: "基于深度学习的图像样本标签赋值校正算法实现", 《数字印刷》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113518457B (zh) * 2021-04-22 2024-06-07 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
CN113242066A (zh) * 2021-05-10 2021-08-10 东南大学 一种多小区大规模mimo通信智能功率分配方法
CN113473496A (zh) * 2021-06-02 2021-10-01 杭州电子科技大学 一种提高工业无线网络速度的方法
CN113473496B (zh) * 2021-06-02 2024-05-31 杭州电子科技大学 一种提高工业无线网络速度的方法

Also Published As

Publication number Publication date
CN112153617B (zh) 2022-07-12

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
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
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
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
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
CN112788605B (zh) 基于双延迟深度确定性策略边缘计算资源调度方法和系统
CN116523079A (zh) 一种基于强化学习联邦学习优化方法及系统
CN111224905B (zh) 一种大规模物联网中基于卷积残差网络的多用户检测方法
CN105469144A (zh) 基于粒子分类与bp神经网络的移动通信用户流失预测方法
CN110830124A (zh) 基于量子粒子群优化极限学习机的频谱感知方法
CN114528987A (zh) 一种神经网络边缘-云协同计算分割部署方法
CN111010222B (zh) 一种基于深度学习的大规模mimo下行用户调度方法
CN112836822A (zh) 基于宽度学习的联邦学习策略优化方法和装置
Liang et al. Attention mechanism based ResNeXt network for automatic modulation classification
CN113242066B (zh) 一种多小区大规模mimo通信智能功率分配方法
CN112200391B (zh) 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法
CN117119486B (zh) 一种保障多小区蜂窝网长期用户速率的深度无监督学习资源分配方法
CN113518457B (zh) 基于一维深度卷积神经网络的功率分配策略
Kalade et al. Using sequence to sequence learning for digital bpsk and qpsk demodulation
CN115623575A (zh) 一种cr-noma场景下的功率分配方法
Qi et al. Collaborative and incremental learning for modulation classification with heterogeneous local dataset in cognitive IoT
CN108734267A (zh) 深度神经网络模型的压缩方法及装置、终端、存储介质
Omondi et al. Variational autoencoder-enhanced deep neural network-based detection for MIMO systems
CN116306770B (zh) 一种基于密母神经架构搜索的软件定义网络性能预测方法
CN115659212B (zh) 跨域异质场景下基于tdd通信的联邦学习效率评测方法

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: 20210707

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