CN113038612A - 基于深度学习的认知无线电功率控制方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的认知无线电功率控制方法，包括以下步骤：改进传统的WMMSE算法，得到满足主用户可容忍的干扰阈值并保证次用户通信质量的WMMSE算法；将改进的WMMSE算法的输入与输出作为训练集，利用深度学习模型得到主用户和次用户的功率分配。上述技术方案将传统的WMMSE算法引入到认知无线电功率分配中，并对传统WMMSE算法进行改进，在仅知信道特征的情况下，获得各次用户的功率分配，使得次用户的系统速率和最大；在此基础上，利用深度学习对次用户进行功率分配，通过训练后，将实际的信道信息作为网络模型的输入，得到次用户的功率分配，本发明能够保证主用户和次用户的通信质量的同时，还可以大大减少算法时间，提高系统的实时性。

Description

基于深度学习的认知无线电功率控制方法

技术领域

本发明涉及认知无线电技术领域，具体涉及基于深度学习的认知无线电功率控制方法。

背景技术

认知无线电自提出以来，一直是智能通信领域的重要研究内容，它的主要目的是为了满足无线频谱需求不断增长的需求，在保证主用户干扰处于可容忍的范围内，不影响其正常通信。传统的无线通信功率分配方法多数面临着计算复杂、迭代繁琐的问题，需要占用更多的计算资源，也使得系统的实时性较差。认知无线电技术通过频谱感知技术感知周围环境的变化，通过机会式频谱接入或重叠式频谱接入，使得次用户能够接入频谱的空闲频段，从而让主用户与次用户能够动态地共享频谱资源，从而为次用户提供更大的带宽，提高频谱使用效率。资源分配是认知无线电中的重要技术之一，它通过为次用户选择最佳信道、控制传输功率等方式以提高整个认知无线电系统的性能。机会式频谱接入方式必须在主用户未使用频谱时方可允许次用户使用此频谱；而重叠式频谱接入方式允许主用户与次用户同时在同一段频谱上发送数据，但是次用户对主用户的干扰不能够影响主用户的通信，即应小于主用户可容忍的干扰阈值。

目前，许多基于博弈论的方法和基于最优化的方法已经被用于解决认知无线电网络中的功率分配问题。但实际上大多都是采用将WMMSE算法用在一般无线通信网络中进行资源分配以实现最大化系统速率和，然而在认知无线电网络中需要考虑次用户和主用户的相互干扰以及次用户之间的干扰，所以传统的WMMSE算法并不适用。因此，亟需设计一种新的技术方案，以综合解决现有技术中存在的问题。

发明内容

本发明的目的是提供一种基于深度学习的认知无线电功率控制方法，能有效解决传统WMMSE算法并不适用认知无线网络，无法达到较协调的主次用户通信问题。

为解决上述技术问题，本发明采用了以下技术方案：

一种基于深度学习的认知无线电功率控制方法，包括以下步骤：

S1.改进传统的WMMSE算法，得到满足主用户可容忍的干扰阈值并保证次用户通信质量的WMMSE算法；

S2.将改进的WMMSE算法的输入与输出作为训练集，利用深度学习模型得到主用户和次用户的功率分配。

其中，步骤S1改进传统WMMSE算法具体包括以下步骤：

首先建立认知无线电网络重叠式通信模型，设通信模型中有1个主用户和M个次用户，主用户和次用户均包括发射器和接收器，次用户i接收器上接收的信号y_i为：

式中：i∈{1，2，3，...，M}，j∈{1，2，3，...，M}；h_ii表示次用户i发射器与次用户i接收器间的信道增益；s表示传输信号；v表示用户用来传输信号s时对信号的增强；h_iiv_is_i表示次用户i发射器上发射的有用信号；h_ij表示次用户j发射机到次用户i接收器的信道增益；

表示其他非次用户i发射器上发射的信号；h_i0表示主用户对次用户i的干扰增益；h_i0v₀s₀表示主用户对次用户造成的干扰；n_i表示加性高斯白噪声；

次用户i接收器上接收的信号为：

其中u表示信号接收器上的信号放大器；

使次用户对主用户的干扰小于等于主用户的干扰功率阈值：

式中：h_0i表示次用户i对主用户的干扰增益；p_i表示次用户i的发射功率，0≤p_i≤P_max，P_max为次用户信号发射器的最大发射功率，I_th为主用户的总干扰功率阈值；

次用户i接收器上的信号与干扰加噪声比SINR_i为：

式中：

表示主用户发射器对于次用户i接收器的干扰，p_PU表示主用户发射器的实际发射功率；且保证SINR_i≥γ_i，γ_i表示次用户i接收器上的SINR的阈值；

此时，在保证主用户良好的通信质量和保证次用户一定的通信质量的情况下最大化次用户的速率和可以用数学模型表示为：

s.t.0≤p_i≤P_max

确认上述问题为NP-hard，接收器所接收到信号的均方差可以表示为：

WMMSE算法引入额外的算子

将低维问题转换为高维度的空间，将最大化次用户速率和的问题转化为最小化均方差的问题，如下式：

求得次用户最佳的分配功率为：

功率分配的算法实现方法如下：

A)初始化

且

B)根据初始化的

的值计算

和

C)将

和

这些初始值代入目标中，对

和

进行更新；

D)当满足下列条件：

即得当前环境下次用户的最优功率

若不满足条件，则重复上一步继续进行。

优选地，深度学习方式选择图神经网络，则基于图神经网络的认知无线电功率控制方法包括以下步骤：

将认知无线电网络的重叠式共享信道模型转化为含有M+1个顶点的有向完全图，令h₀₀节点表示主用户的发射器与接收器对，其余每一个节点都表示一对次用户的信号发射器和接收器，两个顶点之间的有向边表示两个次用户之间的干扰增益；

设

为在认知无线电网络的信道增益矩阵H下，满足主用户的干扰I_th和次用户i的信干噪比γ_i的情况下，次用户i的信号发射功率；其输入的图结构为：

G＝(V，E)

V＝{h_ii|1≤i≤M}

E＝{h_ij|1≤i≤M，1≤i≤M，i≠j}

其中V为图中各节点的集合，E为节点之间的边，即将原本完成的信道增益矩阵H分解为有益的信道增益h_ii和干扰增益h_ij；在使用神经聚合节点i的邻接节点的信息时，使用求平均值的方法，其公式如下：

其中，N(h)表示节点h的邻接信息的集合，W_k表示第k层神经网络的权重，B_k为偏置；

表示在第k层中节点h的embedding，σ(·)为该层神经网络的激活函数；其将次用户的速率和的负值最小化以作为网络的损失函数，之后使用随机梯度下降法对其进行优化；

首先将原本的信道增益矩阵分解为三组向量，分别为对角线上各用户的信道增益{h_ii}，以及干扰增益{h_ij}和{h_ji}；{h_ii}即为节点，{h_ij}和{h_ji}是与该节点相连的边；将每个节点上的信息作为第一部分的输入，然后将各节点训练得到数据拼接到一起作为下一个神经网络的输出，最后通过训练得到次用户的功率。

上述技术方案中提供的基于深度学习的认知无线电功率控制方法，通过对WMMSE算法进行改进，使之能够满足主用户可容忍的干扰阈值并保证次用户的通信质量，实现次用户速率和的最大化，在此基础上提出了基于深度学习神经网络的方法来解决功率控制的问题，以提高系统的实时性；本发明采用基于深度学习的功率分配方案，与基于WMMSE算法的方案相比，本发明能够再不影响主用户正常通信的情况下，最大化次用户的速率和；同时极大减小了计算所需开销的时间。

最后，与卷积神经网络CNN算法和深度神经网络DNN算法相比，基于图神经网络GNN的算法由于采用有向图的方法提取了信道干扰特征信息，因而具有最优的性能，能够得到更优的功率分配结果，而且再网络规模增加时，具有很好的鲁棒性。

附图说明

图1为本发明认知无线电网络重叠式通信模型；

图2为本发明基于深度学习的功率分配流程图；

图3为基于深度神经网络DNN的功率分配模型；

图4为基于卷积神经网络CNN的功率分配模型；

图5为基于有向图的主用户和M个次用户的信道图模型；

图6为基于图神经网络GNN的功率分配模型；

图7为不同隐藏层时系统的速率和；

图8为训练过程中的MSE vs验证时的MSE；

图9为3层隐藏层的DNN下次用户的sum-rate的累积分布图；

图10为次用户的SINR图；

图11为不同网络模型下系统速率和累计分布图。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行具体说明。应当理解，以下文字仅仅用以描述本发明的一种或几种具体的实施方式，并不对本发明具体请求的保护范围进行严格限定。

本发明基于深度学习的认知无线电功率控制方法，包括以下步骤：

建立认知无线电网络重叠式通信模型，设通信模型中有1个主用户和M个次用户，主用户和次用户均包括发射器和接收器，则次用户i接收器上接收的信号yi为：

式中：i∈{1，2，3，...，M}，j∈{1，2，3，...，M}；h_ii表示次用户i发射器与次用户i接收器间的信道增益；s表示传输信号；v表示用户用来传输信号s时对信号的增强；h_iiv_is_i表示次用户i发射器上发射的有用信号；h_ij表示次用户j发射机到次用户i接收器的信道增益；

表示其他非次用户i发射器上发射的信号；h_i0表示主用户对次用户i的干扰增益；h_i0v₀s₀表示主用户对次用户i造成的干扰；n_i表示加性高斯白噪声；

次用户i接收器上接收的信号为：

其中u表示信号接收器上的信号放大器；

保证次用户对主用户的干扰小于等于主用户的干扰功率阈值：

式中：h_0i表示次用户i对主用户的干扰增益；p_i表示次用户i的发射功率，0≤p_i≤P_max，P_max为次用户信号发射器的最大发射功率，I_th为主用户的总干扰功率阈值；

次用户i接收器上的信号与干扰加噪声比SINR_i为：

式中：

表示主用户发射器对于次用户i接收器的干扰，p_PU表示主用户发射器的实际发射功率；且保证SINR_i≥γ_i，γ_i表示次用户i接收器上的SINR的阈值；

此时，在保证主用户良好的通信质量和保证次用户一定的通信质量的情况下最大化次用户的速率和可以用数学模型表示为：

s.t.0≤p_i≤P_max

确认上述问题为NP-hard，接收器所接收到信号的MSE可以表示为：

WMMSE算法引入额外的算子

将原本低维的问题转换为更高维度的空间，以此来解决NP-hard问题；

将最大化次用户速率和的问题转化为最小化MSE的问题，如下式：

求得次用户最佳的分配功率为：

功率分配的具体算法实现流程如下：

A)初始化

且

B)根据初始化的

的值计算

和

C)将

和

这些初始值代入目标中，对

和

进行更新；

D)当满足下列条件：

可以求得当前环境下次用户的最优功率

若不满足条件，则重复上一步继续进行。

为了减小计算量，提高系统的实时性，将改进的WMMSE算法的输入与输出看作未知的非线性映射，以之为训练集利用深度学习出色的表征优势学习两者之间的关系，从而提高功率分配方案的计算速度。使用WMMSE算法将信道增益矩阵H作为输入，经过多轮迭代得到的功率分配P作为标签，再使用多种神经网络去拟合这一非线性优化过程，从而得到有效的功率分配，整个流程如图2所示。

实施例1

如图3所示，采用深度神经网络DNN模型，将信道增益矩阵(N，M+1，M+1)通过reshape重构为[N，(M+1)*(M+1)]的样本尺寸并作为输入送入DNN中。N表示样本数量，M+1表示一个主用户和M个次用户。经过第一层隐藏层计算后所得到的输出为200数据节点，再将这200个数据作为下一层的输入得到120个数据，并继续将至作为下一层的输入。最终在输出层得到[N，M]个输出，即为M个用户的预测功率。

然后通过三个全连接的隐藏层得到，最后的输出层的结果是预测在信道增益矩阵下每一个次用户应该分配的合适功率。在每一隐藏层后需要使用激活函数改变原本的线性单元，从而增加网络的表征能力。在网络的最后分别使用MSE和Adam作为网络的代价函数和优化器，MSE如下所示：

其中，p_wmmse表示使用WMMSE算法所得的次用户的功率值，p_dnn表示使用DNN预测的次用户的功率值。上述方案是将原有的WMMSE算法得到的次用户的分配功率作为标签值代入神经网络中训练。

实施例2

如图4所示，使用卷积神经网络CNN作为次用户功率分配的拟合模型，卷积神经网络分别由卷积层和全连接层两个部分组成。输入数据仍为信道增益矩阵，输出为次用户的预测传输功率。第一部分由两层卷积层组成，每个卷积层后使用激活函数对当层的输出作修正，卷积核的大小为3*3，步长stride为1。第二部分为全连接部分，具体内容如DNN部分所述，此处不再赘述。最终的损失函数仍使用公式

实施例3

DNN和CNN模型会将信道特征看成是固定的输入，但实际上矩阵中相邻的数据有些并没有直接联系，GNN的有向图则会考虑两个节点之间的信道干扰信息，这有助于减少因为矩阵中邻近数据引入的冗余信息。GNN使用邻接节点的特征以及与其相连的边表示的干扰信息，同样使用多层隐藏层来构成网络，可以达到更优的功率分配结果，后面的仿真实验结果进一步证明了GNN在认知无线电功率控制中的优势。

将认知无线电网络的重叠式共享信道模型转化为如图5所示的含有M+1个顶点的有向完全图。图中h₀₀节点表示主用户的信号发射器与接收器对，其余每一个节点都表示一对次用户的信号发射器和接收器，两个顶点之间的有向边表示两个次用户之间的干扰增益。例如，顶点h_ii表示次用户i发射器到次用户i接收器上的信道增益，顶点h_ii至顶点h_jj上的边表示次用户j发射器到次用户i接收器上的干扰增益h_ij。

设

为在认知无线电网络的信道增益矩阵H下，满足主用户的干扰I_th和次用户i的信干噪比γ_i的情况下，次用户i的信号发射功率；其输入的图结构为：

G＝(V，E)

V＝{h_ii|1≤i≤M}

E＝(h_ij|1≤i≤M，1≤i≤M，i≠j}

其中V为图中各节点的集合，E为节点之间的边，即将原本完成的信道增益矩阵H分解为有益的信道增益h_ii和干扰增益h_ij。在使用神经聚合节点i的邻接节点的信息时，使用求平均值的方法，其公式如下：

其中，N(h)表示节点h的邻接信息的集合，W_k表示第k层神经网络的权重，B_k为偏置；

表示在第k层中节点h的embedding，σ(·)为该层神经网络的激活函数。其将次用户的速率和的负值最小化以作为网络的损失函数，之后使用随机梯度下降法对其进行优化。需要注意的是，GNN通常只需要2层或3层，因为过多的层数会使得所有的节点的参数都收敛到同一个值。

如图6所示，首先将原本的信道增益矩阵分解为三组向量，分别为对角线上各用户的信道增益{h_ii}，以及干扰增益{h_ij}和{h_ji}。{h_ii}即为图5中的节点，{h_ij}和{h_ji}是与该节点相连的边。将每个节点上的信息作为第一部分的输入，然后将各节点训练得到数据拼接到一起作为下一个神经网络的输出，最后通过训练的到次用户的功率。

第一部分是一个三层的神经网络，其节点数目分别为3、12和32；第二部分的神经网络为两层，其各层的节点数目分别为32和10。

仿真分析

实验使用的环境为python 3.6和tensorflow 1.14，CPU为AMD Ryzen 5 2600X3.6GHz六核处理器。

假设次用户数量K＝10，最大发射功率P_max为1W，背景噪声为0.1W，主用户和次用户可承受的最小SINR分别为I_th＝0.8W以及γ_su＝-12dB。在DNN部分，假设epoch＝1000，batchsize＝200，学习率为0.001。DNN的隐藏层数目以及各层节点数见表2。信道信息使用计算机生成数据，其分布符合h_ij～N(0，1)，生成样本100000组，其中80000组信道信息数据作为训练数据，20000组作为验证集，另外再生成20000组作为测试集。

在训练阶段，利用高斯分布生成信道信息作为神经网络的输入，使用WMMSE算法得到次用户的最优功率作为标签，将两者送入神经网络以对网络中的参数进行优化。损失函数与优化器的选择选择在第3部分已经详细说明。本发明使用截断正态分布对网络中的权重进行初始化。

在测试部分，首先按照训练时生成信道信息的高斯分布生成测试数据。将测试数据送入训练好的网络得到每个次用户最优的功率，并计算其sum-rate，与WMMSE算法得到的功率进行比较。

结果分析

1)DNN结构选择及性能分析

DNN隐藏层的数量会对网络的性能有直接的影响，各层的节点数也会对结果造成影响。因此，选择不同的隐藏层数目和节点数的网络进行比较，如表1所示，通过实验结果从中选取性能最佳的结构。激活函数也是网络的一个重要参数，表2表示不同激活函数下系统的速率和、次用户SINR的对比。在使用相同的数据的情况下，Tanh激活函数综合系统速率和与次用户的SINR状况，其表现更为优异。

表1不同隐藏层网络结构

如图7所示，(a)、(b)、(c)分别是DNN的隐藏层数目为3、4、5时所得到的系统速率和的累计概率分布图CDF。在隐藏层数目为3时所得到的的系统的平均速率和最大。因此选择3层隐藏层作为网络模型的结构。

表2不同激活函数下各方法性能与WMMSE的比值

DNN的预测值与真实值的贴近程度的对比。图8是隐藏层数为3时

为损失函数所得MSE值(loss函数值)，对训练过程中的MSE与验证时的MSE进行了比较。在最初时MSE的函数值很大，随着时间推移(训练)，MSE值会逐渐降低。此外，Adam优化器的学习速度会影响收敛性能。

基于DNN的功率控制性能分析。本发明利用各方法所求sum-rate的累计分布函数来评价各算法的性能。在图9中，“wmmse”表示使用认知无线电网络下的WMMSE算法；“mp”表示为每个次用户分配最大功率；“rd”表示次用户的功率为服从于均匀分布的随机取值，“dnn”表示基于DNN算法。如图9所示，利用DNN方法所得的功率分配方法的平均速率和和WMMSE非常接近远高于传统的mp和rd方法。

分配功率后用户的SINR的对比。满足次用户通信质量的条件下，主用户的SINR大于阈值门限，即此方案能够保证主用户的正常通信。在图10中，基于DNN的功率控制方案下次用户的SINR满足此用户的SINR要求，明显优于为每个次用户分配最大功率或随机分配的方案，稍低于传统方法WMMSE。

2)基于各模型的系统性能分析与比较

如图11所示，分别是使用WMMSE、DNN、GNN和CNN模型在给定信道增益的情况下预测次用户功率后所求得的系统速率和的累计分布图。从图11中可以看出，基于GNN、CNN的算法具有与WMMSE的相近的平均速率和，但基于CNN模型的方法的系统速率和要低于其他三种方法。原因是因为输入数据为信道增益矩阵，其中某一个数据与其临接的数据没有太多的联系，而在做卷积运算时，会根据卷积核大小对临接的其他数据一同考量，这便在一定程度上对原本的信道增益引入了干扰，从而影响了整个系统的速率和。

表3以基于WMMSE算法的平均速率和为参照，得到其他算法的速率和的比率。从表3可以看出，基于GNN的算法具有最高的速率和比率。各方法在次用户规模扩大时，系统的速率和都有所下降。但相对而言，使用GNN方法所得到的系统平均速率和下降得最少。特别的是当M＝10时，GNN算法和DNN算法性能相近，达到98％左右，但当M＝30时，GNN方法为95.493％，而基于DNN的方法下降到78.641％，这说明当系统规模增大时，基于GNN的算法具有很好的鲁棒性。

表3不同次用户数下各方法的性能对比

不同方法的所需平均处理时间。从表4中可以发现，基于深度学习的方法远比当下热门的传统方法WMMSE耗时小得多。这是因为WMMSE算法在为次用户分配功率时，需要多次迭代才能得到最优值，每一轮迭代其时间复杂度都为O(M²)，而基于深度学习的方法在模型训练完成之后，仅仅只需要一次计算，即时间复杂度为O(M²)。

表4各方法的所需平均处理时间

本发明研究认知无线电网络中次用户的功率控制方法，采用基于深度学习神经网络的方法来解决功率控制的问题。首先，本发明对适用于传统无线网络的WMMSE算法进行改进，使之适用于认知无线电通信中，然后设计DNN模型、CNN模型和GNN模型对信道信息与相应的功率进行拟合，可以快速得到功率分配方案。实验结果表明，使用基于深度学习的功率分配方案对比基于WMMSE算法的方案，在不影响主用户正常通信的情况下，最大化次用户和速率的同时，计算所需开销的时间极大减小。实验结果还进一步表明，基于GNN的算法由于采用有相图的方法提取了信道干扰特征信息，具有最优的性能，能够得到更优的功率分配结果，而且在网络规模增加时，具有很好的鲁棒性。CNN算法和DNN算法由于引入过多的数据干扰信息从而使得系统的平均速率逊色于GNN，尤其是在CRN规模增大的时候。

上面结合实施例/附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，对于本技术领域的普通技术人员来说，在获知本发明中记载内容后，在不脱离本发明原理的前提下，还可以对其作出若干同等变换和替代，这些同等变换和替代也应视为属于本发明的保护范围。

Claims (5)

1.一种基于深度学习的认知无线电功率控制方法，其特征在于，包括以下步骤：

S1.改进传统的WMMSE算法，得到满足主用户可容忍的干扰阈值并保证次用户通信质量的WMMSE算法；

S2.将改进的WMMSE算法的输入与输出作为训练集，利用深度学习模型得到主用户和次用户的功率分配。

2.根据权利要求1所述的基于深度学习的认知无线电功率控制方法，其特征在于，步骤S1改进传统WMMSE算法具体包括以下步骤：

首先建立认知无线电网络重叠式通信模型，设通信模型中有1个主用户和M个次用户，主用户和次用户均包括发射器和接收器，次用户i接收器上接收的信号y_i为：

式中：i∈{1，2，3，...，M}，j∈{1，2，3，...，M}；h_ii表示次用户i发射器与次用户i接收器间的信道增益；s表示传输信号；v表示用户用来传输信号s时对信号的增强；h_iiv_is_i表示次用户i发射器上发射的有用信号；h_ij表示次用户j发射机到次用户i接收器的信道增益；

表示其他非次用户i发射器上发射的信号；h_i0表示主用户对次用户i的干扰增益；h_i0v₀s₀表示主用户对次用户i造成的干扰；n_i表示加性高斯白噪声；

次用户i接收器上接收的信号为：

其中u表示信号接收器上的信号放大器；

使次用户对主用户的干扰小于等于主用户的干扰功率阈值：

式中：h_0i表示次用户i对主用户的干扰增益；p_i表示次用户i的发射功率，0≤p_i≤P_max，P_max为次用户信号发射器的最大发射功率，I_th为主用户的总干扰功率阈值；

次用户i接收器上的信号与干扰加噪声比SINR_i为：

式中：

表示主用户发射器对于次用户i接收器的干扰，p_PU表示主用户发射器的实际发射功率；且保证SINR_i≥γ_i，γ_i表示次用户i接收器上的SINR的阈值；

此时，在保证主用户良好的通信质量和保证次用户一定的通信质量的情况下最大化次用户的速率和可以用数学模型表示为：

s.t.0≤p_i≤P_max

确认上述问题为NP-hard，接收器所接收到信号的均方差可以表示为：

WMMSE算法引入额外的算了

将低维问题转换为高维度的空间，将最大化次用户速率和的问题转化为最小化均方差的问题，如下式：

求得次用户最佳的分配功率为：

功率分配的算法实现方法如下：

A)初始化

且

B)根据初始化的

的值计算

和

C)将

和

这些初始值代入目标中，对

和

进行更新；

D)当满足下列条件：

即得当前环境下次用户的最优功率

若不满足条件，则重复上一步继续进行。

3.根据权利要求2所述的基于深度学习的认知无线电功率控制方法，其特征在于，深度学习方式为深度神经网络，则基于深度神经网络的认知无线电功率控制方法包括以下步骤：

将信道增益矩阵(N，M+1，M+1)重构为[N，(M+1)*(M+1)]的样本尺寸并作为输入送入深度神经网络中；其中N表示样本数量，M+1表示一个主用户和M个次用户；

将经过第一层隐藏层计算得到的数据节点作为下一层的输入，得到新的数据，并继续作为下一层的输入，以此类推，最终在输出层得到[N，M]个输出，即为M个次用户的预测功率；

之后通过三个全连接的隐藏层得到，最后的输出层的结果是预测在信道增益矩阵下每一个次用户应该分配的合适功率；

最后，分别使用MSE和Adam作为网络的代价函数和优化器，MSE如下所示：

式中：p_wmmse表示使用WMMSE算法所得的次用户的功率值，p_dnn表示使用DNN预测的次用户的功率值。

4.根据权利要求2所述的基于深度学习的认知无线电功率控制方法，其特征在于，深度学习方式为卷积神经网络，则基于卷积神经网络的认知无线电功率控制方法包括以下步骤：

将信道增益矩阵作为输入数据，输出为次用户的预测传输功率；第一部分由两层卷积层组成，每个卷积层后使用激活函数对当层的输出作修正；

第二部分为全连接部分，通过三个全连接的隐藏层得到，最后的输出层的结果是预测在信道增益矩阵下每一个次用户应该分配的合适功率；

最后，分别使用MSE和Adam作为网络的代价函数和优化器，MSE如下所示：

式中：p_wmmse表示使用WMMSE算法所得的次用户的功率值，p_dnn表示使用DNN预测的次用户的功率值。

5.根据权利要求2所述的基于深度学习的认知无线电功率控制方法，其特征在于，深度学习方式为图神经网络，则基于图神经网络的认知无线电功率控制方法包括以下步骤：

将认知无线电网络的重叠式共享信道模型转化为含有M+1个顶点的有向完全图，令h₀₀节点表示主用户的发射器与接收器对，其余每一个节点都表示一对次用户的信号发射器和接收器，两个顶点之间的有向边表示两个次用户之间的干扰增益；

设

为在认知无线电网络的信道增益矩阵H下，满足主用户的干扰I_th和次用户i的信干噪比γ_i的情况下，次用户i的信号发射功率；其输入的图结构为：

G＝(V，E)

V＝{h_ii|1≤i≤M}

E＝{h_ij|1≤i≤M，1≤i≤M，i≠j}

其中V为图中各节点的集合，E为节点之间的边，即将原本完成的信道增益矩阵H分解为有益的信道增益h_ii和干扰增益h_ij；在使用神经聚合节点i的邻接节点的信息时，使用求平均值的方法，其公式如下：

其中，N(h)表示节点h的邻接信息的集合，W_k表示第k层神经网络的权重，B_k为偏置；

表示在第k层中节点h的embedding，σ(·)为该层神经网络的激活函数；其将次用户的速率和的负值最小化以作为网络的损失函数，之后使用随机梯度下降法对其进行优化；

首先将原本的信道增益矩阵分解为三组向量，分别为对角线上各用户的信道增益{h_ii}，以及干扰增益{h_ij}和{h_ji}；{h_ii}即为节点，{h_ij}和{h_ji}是与该节点相连的边；将每个节点上的信息作为第一部分的输入，然后将各节点训练得到数据拼接到一起作为下一个神经网络的输出，最后通过训练得到次用户的功率。

Images