CN113473580B - 异构网络中基于深度学习的用户关联联合功率分配方法 - Google Patents

Abstract

本发明公开了异构网络中基于深度学习的用户关联联合功率分配方法，属于通信系统技术领域，包括如下步骤：步骤1：通信建模，建立异构网络模型；步骤2：数据集收集；步骤3：构建神经网络；步骤4：训练神经网络，并确定优化算法为Adam；步骤5：满足所有迭代次数时保存网络。本发明的异构网络中基于深度学习的用户关联联合功率分配方法，在异构网络中，用神经网络以监督学习的方式联合优化用户关联和功率分配，实现对传统算法的高度拟合，同时保证低的计算复杂度，提供实时可靠的在线决策。

Description

异构网络中基于深度学习的用户关联联合功率分配方法

技术领域

本发明属于通信系统技术领域，具体涉及异构网络中基于深度学习的用户关联联合功率分配方法。

背景技术

随着移动互联网的高速发展，不断增长的数据业务对蜂窝网络的容量和速率的要求逐渐增加，目前，蜂窝网络的架构逐渐向异构化方向演进，通过在宏基站覆盖区域内架设大量低功率低能耗的小基站，形成异构网络，为用户提供更多的频谱资源以提升用户速率性能。在传统的蜂窝网络内，终端用户和宏基站关联，但宏基站的数量有限，终端用户通常测量个宏基站的信号功率并选择最强的基站与之关联，这必然导致覆盖范围内的低功率小基站和宏基站之间的负载差异过大，因此需要将终端设备主动的和小基站关联，更有效的利用小基站的无线资源，一种简单的方案是小区范围扩展，通过人为的放大来自小基站的信号功率，使得更多的用户选择与小基站相关联，但功率放大系数难以确定最优值。通过松弛约束条件转化为凸优化问题并用拉格朗日对偶求解也是一种解决方案，此外通过求解二分图的匹配问题来获取用户关联策略也可以解决，但上述方案计算复杂度较高，在信道随时变化的通信领域中，无法用于实时决策。

用户关联策略确定后对于单个基站，其下行传输功率如何分配也是受关注的点，传统的功率分配算法是迭代充水算法，其原理是给定基站关联用户中，信道质量好的用户赋予更多功率，较差信道质量的用户以小功率，以此实现单个基站的效用函数最大化，但该算法的收敛性能差，包括收敛性低，而缓慢的收敛会导致较高的计算复杂度，这也限制了其应用范围。

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)、递归神经网络(RNN)。许多利用神经网络通过参数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，实现频谱效率或能效目标的最大化，又或者是通过逼近IPM算法，实现系统和速率最大化的目标；卷积神经网络方面，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频谱效率、能效或和速率的最大化。

发明内容

发明目的：针对现有异构网中用户基站关联和功率分配算法的不足，提供基于深度神经网络的联合用户关联和功率分配的资源分配方法，既能实现在线决策，又能对传统算法达到一个很好的性能逼近。

技术方案：为实现上述目的，本发明采用如下技术方案：

异构网络中基于深度学习的用户关联联合功率分配方法，包括如下步骤：

步骤1：通信建模，建立异构网络模型；

步骤2：数据集收集，包含两部分的数据集收集：用户关联数据集和功率分配数据集，用户关联数据集由用户与基站之间的信道状态信息h_ij和基于匈牙利算法得到的最优用户关联策略Y^*组成，功率分配数据集由基站与其关联用户之间的信道状态信息h和基于充水功率分配算法下的最优功率P^*分配组成；

步骤3：构建神经网络；

步骤4：训练神经网络，将相应的训练数据集输入对应的神经网络中，两种神经网络分别根据损失函数和/>的结果不断调整超参数，并确定优化算法为Adam；

步骤5：满足所有迭代次数时保存网络。

进一步地，所述的步骤1中，异构网络模型包含一个宏基站和多个小基站，用户均匀分布在基站覆盖范围内，用户与基站之间的信道考虑为瑞利衰落信道。

进一步地，所述的步骤3中，构建神经网络，包括用户关联预测网络和功率分配预测网络，其中用户关联网络部署在云端，功率分配网络部署在各个基站端；

进一步地，所述的步骤1具体包括如下步骤：

1)假设考虑到一个异构蜂窝网络的下行链路环境，环境中包括一个宏基站和多个小基站，小区覆盖范围内随机多个用户分布其中，其中，用户个数为N，其集合表示为：U＝{1，2，…N}，基站个数为M，其集合为：B＝{1，2，…M}，基站j∈B的传输功率为p_j，所有基站均工作在同一频段且频率复用系数为1，系统带宽为W，信道模型为均值为1的瑞利衰落信道；基站j到用户i之间的信道增益为h_ij，则若用户i与基站j关联，基站j到用户i的下行链路信号与干扰噪声比为：其中σ²是背景噪声；

2)用0或1的二进制变量x_ij来表示用户i是否和基站j关联，x_ij＝1表示用户i与基站j关联，否则为0，则与基站j关联的用户数表示为∑_i∈Ux_ij，且基站j的资源由关联用户共享，则以关联向量x_ij为变量的和速率最大化问题表示为：

其中约束条件为x_ij∈{0,1}和∑_j∈Bx_ij＝1，分别表示x_ij的取值范围和每个用户最多与一个基站关联。

进一步地，所述的步骤2-4具体为：

将和速率最大化问题线性化转为

其中，β作为可调系数，0≤β<0.5时，表示更注重基站之间的负载均衡，0.5≤β<1时更注重将用户与信号最强的基站关联，通过二部图优匹配理论结合匈牙利算法可以求得其最优解Y^*，收集用户与基站之间的信道状态信息与最优关联策略Y^*作为用户关联数据集；

用户关联策略确定之后，每个基站有各自的关联用户集合，以基站为单位执行注水算法，得到最优功率分配P^*使得单个基站的和速率最大化，收集基站与其关联用户之间的信道状态信息与P^*作为功率分配数据集；之后构建神经网络结构，输入训练数据集训练神经网络，满足迭代次数时保存神经网络。

进一步地，所述的输入训练数据集训练神经网络，包括如下步骤：

步骤1)首先收集训练数据集，包括信道功率增益和最优用户关联，以及关联条件下，每个基站与关联用户的增益及最优功率分配标签；

步骤2)首先分别构建用于用户关联和功率分配的神经网络，并初始化权重系数；

步骤3)构造损失函数以及确定优化算法；

步骤4)对所有训练数据遍历，训练神经网络；

步骤5)满足迭代次数或损失函数小于预设值时保存网络。

有益效果：与现有技术相比，本发明的异构网络中基于深度学习的用户关联联合功率分配方法，在异构网络中，用神经网络以监督学习的方式联合优化用户关联和功率分配，实现对传统算法的高度拟合，同时保证低的计算复杂度，提供实时可靠的在线决策。

附图说明

图1神经网络结构设计图；

图2具体实例中应用的神经网络；

图3小批次梯度下降算法训练流程图。

具体实施方式

以下结合具体实施方式对本发明做进一步的说明。

假设考虑到一个异构蜂窝网络的下行链路环境，环境中包括一个宏基站和多个小基站，小区覆盖范围内随机多个用户分布其中，其中，用户个数用N表示，其集合为：U＝{1，2，…N}，基站个数为M个，其集合：B＝{1，2，…M}，当B＝1时，表示为宏基站的索引，基站j∈B的传输功率为p_j，所有基站均工作在同一频段且频率复用系数为1，系统带宽为W，信道模型为均值为1的瑞利衰落信道。基站j到用户i之间的信道增益为h_ij，则若用户i与基站j关联，基站j到用户i的下行链路信号与干扰噪声比为：其中σ²是背景噪声。

用0或1的二进制变量x_ij来表示用户i是否和基站j关联，x_ij＝1表示用户i与基站j关联，否则为0，则与基站j关联的用户数表示为∑_u∈Ux_ij，且基站j的资源由关联用户共享，则以关联向量x_ij为变量的和速率最大化问题表示为：其中约束条件为x_ij∈{0,1}和∑_j∈Bx_ij＝1，分别表示x_ij的取值范围和每个用户最多与一个基站关联。将和速率最大化问题线性化可转为β作为可调系数，0≤β<0.5时，表示更注重基站之间的负载均衡，0.5≤β<1时更注重将用户与信号最强的基站关联，通常可以通过二部图优匹配理论结合匈牙利算法可以求得其最优解Y^*，收集用户与基站之间的信道状态信息与最优关联策略Y^*作为用户关联数据集。用户关联策略确定之后，每个基站有各自的关联用户集合，我们以基站为单位执行注水算法，得到最优功率分配P^*使得单个基站的和速率最大化，收集基站与其关联用户之间的信道状态信息与P^*作为功率分配数据集。之后构建神经网络结构，用于训练用户关联的神经网络和训练功率分配的神经网络的整体网络结构如图1所示，输入训练数据集训练神经网络，满足迭代次数时保存神经网络。

本发明神经网络训练过程如下步骤所示：

步骤1)首先收集训练数据集，包括信道功率增益和最优用户关联，以及关联条件下，每个基站与关联用户的增益及最优功率分配标签；

步骤2)首先分别构建用于用户关联和功率分配的神经网络，并初始化权重系数；

步骤3)构造损失函数以及确定优化算法；

步骤4)对所有训练数据遍历，训练神经网络；

步骤5)满足迭代次数或损失函数小于预设值时保存网络。

下面以一具体实例来讲述神经网络进行最优资源分配的过程。

本发明所使用的的神经网络结构如图2所示，它们负责学习输入信号信道增益到输出信号最优用户关联或功率分配之间的映射关系。

假设在1km×1km的正方形区域中，环境由中央的1个宏基站和周围4个小基站以及80个用户组成，用户和小基站随机生成，宏基站和小基站的传输功率分别为50dBm和20dBm，路径损耗为128.1+37.6log₁₀(d)，d为距离。对于目标问题

β＝0.5，首先是训练数据集的生成：基于二部图结合匈牙利算法得到相应信道增益下的最优用户关联标签，收集10000组样本作为训练数据集。之后构建神经网络，神经网络为4层的全连接形式，详细参数如图2中的(a)所示，包含一层输入层、两层隐藏层以及一层输出层，输入层和输出层的神经元数与输入信号数保持一致为400，隐层设置的神经元数分别为300、200，隐层中的激活函数为ReLU函数，输出层的激活函数为sigmoid函数。神经网络输出预测的用户关联方案为Y，则构建损失函数 其中Y^*为最优用户关联策略，小批次梯度下降算法中，每一批次的样本数C＝25，训练周期为300，优化器选择随机梯度下降算法。

在功率优化的神经网络中，以基站为单位，在每个基站都部署一个深度神经网络，其输入层和输出层的神经元大小应为当前基站所关联的用户数如图2中的(b)所示，隐层中的神经元数分别为100、50，隐层的激活函数为ReLU函数，输出层的激活函数为sigmoid函数。神经网络输出预测的功率分配方案为P，则构建损失函数 其中P^*为最优用户关联策略，小批次梯度下降算法中，每一批次的样本数C＝25，训练周期为300，优化器选择adam算法。

为了验证所训练的神经网络性能，需要测试观察测试阶段神经网络的性能，测试数据集同训练数据集一样产生，通过输入信道增益观察输出的预测值与标签值之间的误差来判断所提方案的可靠性。

整个基于深度神经网络的用户关联和功率控制方法的具体实施步骤如下：

步骤一在瑞利衰落环境中建立信道模型，生成相应的信道增益样本，并收集10万份。

步骤二运行二部图结和匈牙利算法生成相应的用户关联策略，收集用户关联策略和信道增益一起作为训练用户关联神经网络的训练数据集。将最优用户关联点乘信道增益得到每个基站所关联用户的信道增益，以基站为单位收集与其相关联用户的信道增益并运行注水法得到功率分配样本。

步骤三设定训练集和测试集分割比例为9：1。

步骤四分别构造多个深度神经网络，用于训练用户关联以及多个基站的功率分配，初始化权重。

步骤五将训练数据集输入至神经网络，构造输出与标签之间的均方误差作为损失函数，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，满足迭代次数后保存神经网络。

步骤六将测试数据集输入至神经网路验证误差是否可靠。

以上所述仅是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以作出若干改进和变型，这些改进和变型也应该视为本发明保护范围。

Claims (1)

1.异构网络中基于深度学习的用户关联联合功率分配方法，其特征在于，包括如下步骤：

步骤1：通信建模，建立异构网络模型；所述异构网络模型包含一个宏基站和多个小基站，用户均匀分布在基站覆盖范围内，用户与基站之间的信道考虑为瑞利衰落信道；具体包括：

步骤1.1：假设考虑到一个异构蜂窝网络的下行链路环境，环境中包括一个宏基站和多个小基站，小区覆盖范围内随机多个用户分布其中，其中，用户个数为N，其集合表示为：U＝{1，2，…N}，基站个数为M，其集合为：B＝{1，2，…M}，基站j∈B的传输功率为p_j，所有基站均工作在同一频段且频率复用系数为1，系统带宽为W，信道模型为均值为1的瑞利衰落信道；基站j到用户i之间的信道增益为h_ij，则若用户i与基站j关联，基站j到用户i的下行链路信号与干扰噪声比为：其中σ²是背景噪声，p_k为其它基站k的发射功率，h_ik为其他基站k到用户i的信道状态信息；

步骤1.2：用0或1的二进制变量x_ij来表示用户i是否和基站j关联，x_ij＝1表示用户i与基站j关联，否则为0，则与基站j关联的用户数表示为∑_i∈Ux_ij，且基站j的资源由关联用户共享，则以关联向量x_ij为变量的和速率最大化问题表示为：

其中约束条件为x_ij∈{0,1}和∑_j∈Bx_ij＝1，分别表示x_ij的取值范围和每个用户最多与一个基站关联；

步骤2：数据集收集，包含两部分的数据集收集：用户关联数据集和功率分配数据集，用户关联数据集由用户与基站之间的信道状态信息h_ij和基于匈牙利算法得到的最优用户关联策略Y^*组成，功率分配数据集由基站与其关联用户之间的信道状态信息h和基于注水算法下的最优功率P^*分配组成；具体为：

将和速率最大化问题线性化转为

其中，β作为可调系数，0≤β<0.5时，表示更注重基站之间的负载均衡，0.5≤β<1时更注重将用户与信号最强的基站关联，通过二部图优匹配理论结合匈牙利算法可以求得其最优解Y^*，收集用户与基站之间的信道状态信息与最优关联策略Y^*作为用户关联数据集；

用户关联策略确定之后，每个基站有各自的关联用户集合，以基站为单位执行注水算法，得到最优功率分配P^*使得单个基站的和速率最大化，收集基站与其关联用户之间的信道状态信息与P^*作为功率分配数据集；

步骤3：构建神经网络；所述神经网络，包括用户关联预测网络和功率分配预测网络，其中用户关联网络部署在云端，功率分配网络部署在各个基站端；

步骤4：训练神经网络，将相应的训练数据集输入对应的神经网络中，两种神经网络分别根据损失函数和/>的结果不断调整超参数，并确定优化算法为Adam，其中C表示每一批次的样本数，Y表示神经网络输出预测的用户关联方案，P表示神经网络输出预测的功率分配方案，m表示第m个基站；

所述的训练神经网络，将相应的训练数据集输入对应的神经网络具体中，包括如下步骤：

步骤4.1：首先收集训练数据集，包括信道功率增益和最优用户关联，以及关联条件下，每个基站与关联用户的增益及最优功率分配标签；

步骤4.2：首先分别构建用于用户关联和功率分配的神经网络，并初始化权重系数；

步骤4.3：构造损失函数以及确定优化算法；

步骤4.4：对所有训练数据遍历，训练神经网络；

步骤5：满足所有迭代次数或损失函数小于预设值时保存神经网络。