CN114867090A - 一种基于lstm无监督学习的udn基站休眠与功率分配联合优化方法 - Google Patents
一种基于lstm无监督学习的udn基站休眠与功率分配联合优化方法 Download PDFInfo
- Publication number
- CN114867090A CN114867090A CN202210486759.XA CN202210486759A CN114867090A CN 114867090 A CN114867090 A CN 114867090A CN 202210486759 A CN202210486759 A CN 202210486759A CN 114867090 A CN114867090 A CN 114867090A
- Authority
- CN
- China
- Prior art keywords
- base station
- network
- lstm
- power
- dormancy
- 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
Links
- 230000005059 dormancy Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 108091006146 Channels Proteins 0.000 claims description 35
- 230000007958 sleep Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/248—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters where transmission power control commands are generated based on a path parameter
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/28—TPC being performed according to specific parameters using user profile, e.g. mobile speed, priority or network state, e.g. standby, idle or non transmission
- H04W52/282—TPC being performed according to specific parameters using user profile, e.g. mobile speed, priority or network state, e.g. standby, idle or non transmission taking into account the speed of the mobile
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法。其中,方法包括:首先基于用户移动的超密集网络UDN网络模型,定义网络的平均能效函数,将不同时刻基站休眠带来的基站状态切换功率也考虑其中。然后生成信道数据集,其中每条样本是一段时间里随着用户移动而变化的信道信息形成的序列。进而提出一种基于LSTM神经网络的决策优化方法,其输入为信道信息序列,输出为基站休眠与功率分配策略,LSTM网络将平均能效函数的相反数作为损失函数,指导网络进行无监督训练。本发明采用无监督学习,免去传统机器学习先求最优解来生成标签的步骤,降低了训练数据集获取难度。
Description
技术领域
本发明涉及一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法,属于深度学习辅助无线通信的领域。
背景技术
移动互联网等的飞速发展引发了用户对于更高数据流量、更强覆盖能力、以及更高质量服务体验的需求,不断涌现的业务挑战也推动了移动通信系统的研究和发展。作为期望的未来无线网络典型架构的超密集网络(Ultra Dense Network,UDN),其核心思想是通过空间密集部署各类小型基站,缩短基站与用户之间的物理距离,降低无线传输特别是毫米波(mmWave)信号传输所造成的路径损耗,提升整个系统的容量和用户的服务质量。
然而,随着网络中接入设备数量的增加,UDN也会引起网络能耗问题:虽然单个微基站相比宏基站来说,在运营和通信方面消耗的功率更小,但是整个UDN网络微站消耗功率的总和不可忽视。此外,UDN中,为了满足地区峰值负载的需求,往往部署的基站密度较大,在用户数量较少或者负载较轻时,始终保持唤醒状态的基站将性能过剩,导致能源的浪费。因此,追求能源效率的提高对于UDN的可持续应用具有重要意义。
功率控制和基站休眠是目前降低能源消耗,提高系统能效的主要手段。功率控制作为无线通信中资源分配的一部分,在各类型网络中积累了许多的研究经验,但是在以能效为目标的优化问题上,由于其非凸性,难以在可接受的计算复杂度内获得最优解,通常是通过数学优化方法求其次优解。基站休眠通过有选择性得关闭部分基站达到节能的目的,在近年来随着网络致密化也引起了广泛关注,现有的基站休眠方法大多是利用启发式方法最小化瞬时能量消耗,这在用户静止不动的场景中能够实现较好的效果,但在服务移动用户时,活跃的基站集合也会随用户的移动变化,从而导致频繁的状态转换,造成额外的能量浪费。此外,很少有研究同时考虑基站休眠与功率分配的联合优化。
本发明受到已有基站休眠研究中依次关闭小功率基站思想的启发,聚焦于联合优化基站休眠和功率控制,并使用循环神经网络中的长短期记忆网络(Long Short-TermMemory,LSTM)挖掘时间信息,集中式的在网络长期运行期间实现平均能效的提升。
发明内容
发明目的:本发明提供一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法,旨在解决长时能源效率提升的基站休眠与功率分配决策问题。
本发明采用的技术方案:一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法,包括以下步骤:
(1)建立用户可移动的超密集网络UDN网络模型,同时考虑基站休眠和功率分配策略,设计能效为目标的优化函数。
(2)使用UDN网络模型生成信道数据集,其中每条样本是一段时间里随着用户移动而变化的信道信息形成的序列。
(3)构建LSTM神经网络,学习信道序列与基站休眠及功率分配策略的映射。
(4)将网络中缓存的信道序列输入训练好的网络模型,得到输出,并转化为当前时刻的基站休眠与功率分配策略。
作为优选,所述步骤(1)包括建立用户移动的超密集网络模型与定义平均能效函数:
(1.1)假设在兴趣区域里,超密集网络部署了M个微基站,并服务了在区域内随机移动的K个用户,基站集合与用户集合分别用B={1…,M},U={1,…,K}表示。
(1.3)优化目标函数为T个时间片段内的网络总体能效的均值:
此处能效采用了普遍的定义,即系统用户和速率与系统消耗的总功率之比。其中 分别为t时刻基站m唤醒时用于空调、电源和信号处理等工作消耗的功率,用于服务终端用户的发射功率,由于唤醒和休眠状态切换消耗的功率。Pm,max为基站m的最大发射功率。表示基站m在t时刻的功率分配策略,其取值在0到1之间,为Pm,max的归一化表示。表示基站m在t时刻的休眠策略,取值为0表示处于休眠状态,取值为1表示处于唤醒状态。
ω∈[0,1]为微基站功放效率,ρon,ρoff,ρtrans分别为微基站处于活跃状态和休眠状态消耗的功率,微基站由于切换状态产生的能量消耗功率。
作为优选,所述步骤(2)的数据处理步骤还包括:
(2.1)考虑LSTM的输入为L长的序列,在每一次样本生成过程中,生成L+T-1个时刻的用户位置,并计算对应的信道。然后使用宽L的滑动窗处理得到T条L长的信道信息序列S=[H1,H2,…,HL],作为一个样本。
(2.2)将序列中的每个M×K维的信道信息元素,展开为1×(M×K)维的向量。
(2.3)对序列的每一维数据做标准化预处理,利于特征提取。
作为优选,所述步骤(3)中网络构建与训练步骤还包括:
(3.1)LSTM网络输入上述T条L个连续时刻的信道信息序列,输出序列最后所在时刻的基站休眠及功率分配策略,将目标平均能效函数的相反数作为损失函数,并采用无监督方式指导网络进行训练。
其中,ε为微基站的休眠阈值。将网络输出视作对每个微基站分配的发射功率,当为微基站分配的功率过低时,对网络能效提升不明显时,直接将该微基站休眠处理。
有益效果:本发明考虑了实际场景中用户移动场景和系统长时能效提升的需求,利用LSTM网络挖掘信道信息中的时间相关信息,避免基站频繁切换状态,形成基站休眠与功率分配策略。采用无监督学习,免去传统机器学习先求最优解来生成标签的步骤,降低了训练数据集获取难度。
附图说明
图1为本发明一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法的流程图;
图2为本发明实施例搭建的LSTM神经网络示意图;
图3为本发明实施例在仿真实验中与无联合优化方法的效果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步的说明。
如图1所示,为本发明提出的一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法的整体流程示意图,该方法具体包括以下步骤:
(1)建立用户可移动的超密集网络UDN网络模型,同时考虑基站休眠和功率分配策略,设计能效为目标的优化函数。
具体包括建立用户移动的超密集网络模型与定义平均能效函数:
(1.1)本发明实施例的网络覆盖为200m×200m的正方形区域,超密集网络部署了M个单天线微基站,并服务了在区域内随机移动的K个单天线用户,基站集合与用户集合分别用B={1…,M},U={1,…,K}表示。
(1.3)优化目标函数为T个时间片段内的网络总体能效的均值:
此处能效采用了普遍的定义,即系统用户和速率与系统消耗的总功率之比。其中 分别为t时刻基站m唤醒时用于空调、电源和信号处理等工作消耗的功率,用于服务终端用户的发射功率,由于唤醒和休眠状态切换消耗的功率。Pm,max为基站m的最大发射功率。表示基站m在t时刻的功率分配策略,其取值在0到1之间,为Pm,max的归一化表示。表示基站m在t时刻的休眠策略,取值为0表示处于休眠状态,取值为1表示处于唤醒状态。
ω∈[0,1]为微基站功放效率,ρon,ρoff,ρtrans分别为微基站处于活跃状态和休眠状态消耗的功率,微基站由于切换状态产生的能量消耗功率。以上四个参数,本发明实施例分别设为0.25、6.8W、4.3W、2W。
步骤(1.3)的具体步骤包括:
(1.3.1)用户基于最大信干噪比原则进行基站关联,一个微基站允许同时服务多个用户。本发明实施例设接收机噪声σ2为-110dBm/Hz,信道带宽B为20MHz,用户的信干噪比的计算公式为:
(1.3.2)已知网络的信道信息与用户关联,可以计算用户的可达速率如下:
(2)使用UDN网络模型生成信道数据集,其中每条样本是一段时间里随着用户移动而变化的信道信息形成的序列。
具体数据处理步骤还包括:
(2.1)考虑LSTM的输入为L长的序列,在每一次样本生成过程中,生成L+T-1个时刻的用户位置,并计算对应的信道。然后使用宽L的滑动窗处理得到T条L长的信道信息序列S=[H1,H2,…,HL],作为一个样本。本发明实施例考虑优化的时间片段为50个,使用的滑动窗长度为5。
(2.2)将序列中的每个M×K维的信道信息元素,展开为1×(M×K)维的向量。
(2.3)对序列的每一维数据做标准化预处理,利于特征提取。
(3)构建LSTM神经网络,学习信道序列与基站休眠及功率分配策略的映射。
网络构建与训练步骤还包括:
(3.1)LSTM网络输入上述50条5个连续时刻的信道信息序列作为网络,输出序列最后所在时刻的基站休眠及功率分配策略,将目标平均能效函数的相反数作为损失函数,并采用无监督方式指导网络进行训练。
其中,ε为微基站的休眠阈值,本发明实施例取0.1W。将网络输出视作对每个微基站分配的发射功率,当为微基站分配的功率过低时,对网络能效提升不明显时,直接将该微基站休眠处理。
(4)将网络中缓存的信道序列输入训练好的网络模型,得到输出,并转化为当前时刻的基站休眠与功率分配策略。
本发明通过仿真实验评估本发明提出的基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法,在训练LSTM模型并冻结后,分别利用LSTM模型与每个时刻休眠空闲的微基站,并使唤醒的微基站满功率发射的方法进行基站休眠与功率分配。如图3所示,仿真实验对网络中存在不同用户数量的场景训练了多个LSTM模型并进行效果对比,结果显示,本专利所提方法的曲线始终在对比方法之上,能够明显提升系统的平均能效。
本发明实现了一种UDN基站休眠与功率分配联合优化方法。经过UDN网络建模,平均能效的优化函数的定义和LSTM网络的构建与训练,充分利用了网络信道信息的时序特征,得到合理的基站休眠与功率分配决策,提高了UDN网络的长时能效。同时,采用无监督学习,免去传统机器学习先求最优解来生成标签的步骤,降低了训练数据集获取难度。
应说明的是,以上所述实施例仅表达了本发明的部分实施方式,其描述并不能理解为对本发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干改进,这些均应落入本发明的保护范围。
Claims (4)
1.一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法,其特征在于,包括步骤:
(1)建立用户可移动的超密集网络UDN网络模型,同时考虑基站休眠和功率分配策略,设计能效为目标的优化函数;
(2)使用UDN网络模型生成信道数据集,其中每条样本是一段时间里随着用户移动而变化的信道信息形成的序列;
(3)构建LSTM神经网络,学习信道序列与基站休眠及功率分配策略的映射;
(4)将网络中缓存的信道序列输入训练好的网络模型,得到输出,并转化为当前时刻的基站休眠与功率分配策略。
2.根据权利要求1所述的一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法,其特征在于:所述步骤(1)还包括以下步骤:
(1.1)假设在兴趣区域里,UDN网络部署了M个微基站,并服务了在区域内随机移动的K个用户,基站集合与用户集合分别用B={1…,M},U={1,…,K}表示;
(1.3)目标优化函数为T个时间片段内的网络总体能效的均值:
此处能效采用了普遍的定义,即系统用户和速率与系统消耗的总功率之比;其中 分别为t时刻基站m唤醒时用于空调、电源和信号处理等工作消耗的功率,用于服务终端用户的发射功率,由于唤醒和休眠状态切换消耗的功率;Pm,max为基站m的最大发射功率;表示基站m在t时刻的功率分配策略,其取值在0到1之间,为Pm,max的归一化表示;表示基站m在t时刻的休眠策略,取值为0表示处于休眠状态,取值为1表示处于唤醒状态;
ω∈[0,1]为微基站功放效率,ρon,ρof,ρtrans分别为微基站处于活跃状态和休眠状态消耗的功率,微基站由于切换状态产生的能量消耗功率。
3.根据权利要求1所述的一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法,其特征在于:所述步骤(2)还包括以下步骤:
(2.1)考虑LSTM的输入为L长的序列,在每一次样本生成过程中,生成L+T-1个时刻的用户位置,并计算对应的信道;然后使用宽L的滑动窗处理得到T条L长的信道信息序列S=[H1,H2,…,HL],作为一个样本;
(2.2)将信道序列中的每个M×K维的信道信息元素,展开为1×(M×K)维的向量;
(2.3)对序列的每一维数据做标准化预处理,利于特征提取。
4.根据权利要求1所述的一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法,其特征在于:所述步骤(3)建立了LSTM网络作为基站休眠与功率分配决策模型,包括:
(3.1)LSTM网络依次输入上述T条L个连续时刻的信道序列,输出序列最后时刻的基站休眠及功率分配策略,将目标平均能效函数的相反数作为损失函数,并采用无监督方式指导网络进行训练;
其中,ε为微基站的休眠阈值;将网络输出视作对每个微基站分配的发射功率,当为微基站分配的功率过低时,对网络能效提升不明显时,直接将该微基站休眠处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210486759.XA CN114867090B (zh) | 2022-05-06 | 2022-05-06 | 一种基于lstm无监督学习的udn基站休眠与功率分配联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210486759.XA CN114867090B (zh) | 2022-05-06 | 2022-05-06 | 一种基于lstm无监督学习的udn基站休眠与功率分配联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114867090A true CN114867090A (zh) | 2022-08-05 |
CN114867090B CN114867090B (zh) | 2024-04-02 |
Family
ID=82635993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210486759.XA Active CN114867090B (zh) | 2022-05-06 | 2022-05-06 | 一种基于lstm无监督学习的udn基站休眠与功率分配联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114867090B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105208636A (zh) * | 2015-08-19 | 2015-12-30 | 西安交通大学 | 密集网络中能效协作基站睡眠机制提高系统能效的方法 |
WO2017000557A1 (zh) * | 2015-06-30 | 2017-01-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
CN113099520A (zh) * | 2021-03-19 | 2021-07-09 | 杭州电子科技大学 | 一种基于迟滞噪声混沌神经网络的基站休眠方法 |
CN114189877A (zh) * | 2021-12-06 | 2022-03-15 | 天津大学 | 一种面向5g基站的复合式能耗优化控制方法 |
-
2022
- 2022-05-06 CN CN202210486759.XA patent/CN114867090B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000557A1 (zh) * | 2015-06-30 | 2017-01-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
CN105208636A (zh) * | 2015-08-19 | 2015-12-30 | 西安交通大学 | 密集网络中能效协作基站睡眠机制提高系统能效的方法 |
CN113099520A (zh) * | 2021-03-19 | 2021-07-09 | 杭州电子科技大学 | 一种基于迟滞噪声混沌神经网络的基站休眠方法 |
CN114189877A (zh) * | 2021-12-06 | 2022-03-15 | 天津大学 | 一种面向5g基站的复合式能耗优化控制方法 |
Non-Patent Citations (1)
Title |
---|
徐一惟;陈瑾;: "动态微蜂窝网络中的联合信道功率分配", 军事通信技术, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN114867090B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110267294B (zh) | 基于能量协作的随机中继选择方法 | |
CN109831819B (zh) | 一种基于异构蜂窝网络分簇smdp基站休眠方法 | |
CN111446992B (zh) | 无线供电大规模mimo网络中的最大化最小能效资源分配方法 | |
CN111405646B (zh) | 异构蜂窝网络中基于Sarsa学习的基站休眠方法 | |
Wei et al. | Power allocation in HetNets with hybrid energy supply using actor-critic reinforcement learning | |
CN111328087A (zh) | 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 | |
CN109743087B (zh) | 高铁场景下分布式天线传输模式选择和功率优化方法 | |
CN113453358B (zh) | 一种无线携能d2d网络的联合资源分配方法 | |
Zhang et al. | A dynamic power allocation scheme in power-domain NOMA using actor-critic reinforcement learning | |
Xu et al. | Dynamic client association for energy-aware hierarchical federated learning | |
CN110518993A (zh) | 无线能量收集型全双工协作中继系统的资源分配方法 | |
Zhang et al. | Stochastic game based cooperative alternating Q-learning caching in dynamic D2D networks | |
CN115066006A (zh) | 一种基于强化学习的基站休眠方法、设备和介质 | |
CN114885340A (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 | |
Lee et al. | Deep learning-based network-wide energy efficiency optimization in ultra-dense small cell networks | |
CN111277308A (zh) | 基于机器学习的波宽控制方法 | |
CN114615730A (zh) | 回程受限密集无线网络面向内容覆盖的功率分配方法 | |
CN109272167B (zh) | 一种基于uudn和q神经网络的绿色能量合作方法 | |
Gu et al. | Traffic offloading and power allocation for green HetNets using reinforcement learning method | |
Zhang et al. | Deep reinforcement learning for energy saving in radio access network | |
Islam et al. | A reinforcement learning based algorithm towards energy efficient 5G multi-tier network | |
CN117880892A (zh) | 基于数字孪生的车联网网络切片切换与资源分配方法 | |
CN114867090B (zh) | 一种基于lstm无监督学习的udn基站休眠与功率分配联合优化方法 | |
CN113543085A (zh) | 一种基于能量收集技术的d2d通信网络中时间分配和用户调度方法 | |
Zhang et al. | Energy efficiency analysis of cellular networks with cooperative relays via stochastic geometry |
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 |