CN114885340A - 一种基于深度迁移学习的超密集无线网络功率分配方法 - Google Patents
一种基于深度迁移学习的超密集无线网络功率分配方法 Download PDFInfo
- Publication number
- CN114885340A CN114885340A CN202210491326.3A CN202210491326A CN114885340A CN 114885340 A CN114885340 A CN 114885340A CN 202210491326 A CN202210491326 A CN 202210491326A CN 114885340 A CN114885340 A CN 114885340A
- Authority
- CN
- China
- Prior art keywords
- network
- power distribution
- learning
- source domain
- communication network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013526 transfer learning Methods 0.000 title claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 59
- 238000013508 migration Methods 0.000 claims abstract description 26
- 230000005012 migration Effects 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 108091006146 Channels Proteins 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000003042 antagnostic effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于深度迁移学习的超密集无线网络功率分配方法,包括:首先基于超密集网络UDN网络模型,定义以能效为目标的功率分配优化问题。然后分别模拟“熟悉”通信网络与“陌生”通信网络,生成各自的有监督数据集,其中每条样本是用户与基站间的信道状态信息与传统方法计算得到的最优功率分配。进而提出一种基于深度迁移神经网络模型的样本迁移方法,使用上述两个通信网络的数据,在学习信道状态信息与最优功率分配映射的同时,通过对抗训练的权重学习网络获得“熟悉”通信网络的样本权值,利用“熟悉”通信网络的数据提升该神经网络在“陌生”通信网络的预测效果。
Description
技术领域
本发明涉及一种基于深度迁移学习的超密集无线网络(UDN)的功率分配方法,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 DenseNetwork,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。
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。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。
功率控制是UDN中抑制干扰、提高能效的重要手段,然而,以能效为优化目标的最优功率分配问题相比以系统和速率为目标的最优功率分配问题更难求解。传统方法基于交替优化技术,利用次优化方法解决能效问题,通常要么不能保证收敛,要么没有强最优性支持。近年,有研究将分式规划理论与顺序优化工具相结合,有效地将复杂的能效最大化问题分解为一系列凸问题,这确保了强大的最优性,也进一步增加了计算的复杂性,不利于在变化的网络环境中实际应用。这激励了人们寻求使用深度学习来减小最优功率分配计算量及进行有效迁移学习适应变化环境。
本发明,聚焦于使用深度学习解决能效为目标的超密集网络最优功率分配问题,采用基于样本的迁移学习和对抗式训练,在已有“熟悉”通信网络的大量带标签数据的前提下,只需少量“陌生”通信网络的带标签数据便可实现优良的功率分配,降低了使用深度学习解决功率分配问题的数据需求,提升了已有知识的迁移能力。
发明内容
发明目的:本发明提供一种基于深度迁移学习的超密集无线网络功率分配方法,旨在解决深度学习用于超密集网络功率分配时在变化通信网络场景中迁移困难的问题。
本发明采用的技术方案:一种基于深度迁移学习的超密集无线网络功率分配方法,包括以下步骤:
(1)建立超密集网络UDN网络模型,考虑功率分配策略,设计能效为目标的优化函数;
(2)随机设置网络中的基站和障碍物位置,模拟两个不同通信网络环境,基于传统分式规划方法计算对应的功率分配最优解,收集不同用户位置下的信道状态信息与最优功率分配结果作为样本,将第一个通信网络视为“熟悉”通信网络,提供源域数据,将第二个通信网络视为“陌生”通信网络,提供目标域数据,生成源域数据集S与目标域数据集T;
(3)构建深度迁移神经网络模型,基于源域数据集S与目标域数据集T学习在“陌生”通信网络中信道信息序列与功率分配的映射;
(4)在陌生通信网络中应用训练好的神经网络模型,对新的信道状态信息给出功率分配结果。
作为优选,所述步骤(1)包括建立超密集网络模型与定义能效函数:
(1.1)假设在兴趣区域里,UDN网络部署了M个微基站,并服务了区域内的K个用户,基站集合与用户集合分别用B={1...,M},U={1,...,K}表示,基站m与用户k之间的信道增益用hm,k表示,则整个网络的信道便为
(1.2)目标优化函数为网络总体能效的瞬时值:
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及用于服务终端用户的发射功率;Pm,max为基站m的最大发射功率;表示基站m分配的发射功率,其取值在0到1之间,为Pm,max的归一化表示。
作为优选,所述步骤(2)的数据集生成步骤包括:
(2.1)模拟的两个通信网络,其网络配置除了基站和障碍物位置外,在基站数量、用户数量、基站类型、噪声量级等方面保持一致;
(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,并对序列的每一维数据做标准化预处理,利于特征提取。
(2.3)“熟悉”通信网络提供的源域数据集S={(x1,y1),...,(xm,ym)},,样本总数量为m条,“陌生”通信网络提供的目标域数据集T={(x′1,y′1),...,(x′n,y′n)},样本总数量为n条,且源域数据集远大于目标域数据集,即m>>n。
作为优选,所述步骤(3)中网络构建与训练步骤包括:
(3.1)深度迁移神经网络模型结合基于样本的迁移学习思想和对抗学习思想,通过对抗训练的权重学习网络获得最优的源域样本权值。该网络模型由三个子网络组成,分别为任务学习网络T(·),权重学习网络W(·)和差异度量网络D(·),其网络参数分别用θt、θw、θd表示。任务学习网络用于输入信息序列到输出最优功率分配的映射,权重学习网络用于为源域样本赋予适合权值,差异度量网络用于估计加权的源域样本空间与目标域样本空间之间的Y-discrepancy差异。任务学习网络、权重学习网络与差异度量网络的训练形成对抗关系。
(3.2)深度迁移神经网络模型在训练时,同时接受源域样本(x,y)和目标域样本(x′,y′)的输入,并通过三个子网络的输出计算网络整体的损失函数,再进行梯度下降同时更新三个自网络的参数。其中,任务学习网络接受源域样本的输入,输出对应的功率分配预测T(x),权重学习网络接受源域样本输入,输出赋予源域样本的权重W(x),差异度量网络接受源域样本和目标域样本的输入,输出对应的域损失D(x)、D(x′)。网络整体的损失函数由两部分组成,一部分为源域样本在功率分配任务上的加权均方误差损失Ltask,另一部分为估计的源域与目标域的度量差异Ldisc:
Ltask=W(x)|T(x)-y|2
Ldisc=|D(x′)-y′|2-W(x)*|D(x)-y|2
L=Ltask+Ldisc
考虑网络参数作为优化变量,则求解的问题转化为:
(3.3)深度迁移神经网络模型的三个子网络的隐藏层采用全连接层,其具体层数和各层类型可以根据问题规模灵活调整。为了保证源域样本的权重总是正值,权重学习网络最后一层的激活函数应当选取ReLU函数。
作为优选,所述步骤(4)中在陌生通信网络中应用训练好的网络时,只需要将新的信道状态信息输入任务学习子网络,并将其输出视为功率分配即可,不需要使用其他两个子网络。
有益效果:本发明考虑了通信网络环境变化时基于少量陌生通信网络数据和已有大量“熟悉”通信网络数据获得最优功率分配的需求,利用三个合作的子神经网络对抗式地学习旧样本的训练权值,有效利用了已有数据的价值,在新通信网络中取得与最优功率分配接近的能效优化效果,降低了神经网络用于功率分配的迁移成本。
附图说明
图1为本发明一种基于深度迁移学习的UDN功率分配方法的流程图;
图2为本发明实施例搭建的深度迁移神经网络模型示意图;
图3为本发明实施例在仿真实验中与只使用陌生通信网络数据训练基本神经网络的效果对比图。
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深度迁移学习的UDN功率分配方法的整体流程示意图,该方法具体包括以下步骤:
(1)建立超密集网络UDN网络模型,考虑功率分配策略,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。基站m与用户k之间的信道增益用hm,k表示,则整个网络的信道便为
(1.2)目标优化函数为网络总体能效的瞬时值:
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及用于服务终端用户的发射功率;Pm,max为基站m的最大发射功率;表示基站m分配的发射功率,其取值在0到1之间,为Pm,max的归一化表示。
步骤(1.2)的具体步骤包括:
(1.2.1)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:
(1.2.2)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)随机设置网络中的基站和障碍物位置,模拟两个不同通信网络环境,基于传统分式规划方法计算对应的功率分配最优解,收集不同用户位置下的信道状态信息与最优功率分配结果作为样本,将第一个通信网络视为“熟悉”通信网络,提供源域数据,将第二个通信网络视为“陌生”通信网络,提供目标域数据,生成源域数据集S与目标域数据集T;
具体数据处理步骤还包括:
(2.1)模拟的两个通信网络,其网络配置除了基站和障碍物位置外,在基站数量、用户数量、基站类型、噪声量级等方面保持一致,本发明实施例设基站数量为30,服务用户数量为5;
(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,并对序列的每一维数据做标准化预处理,利于特征提取。
(2.3)“熟悉”通信网络提供的源域数据集S={(x1,y1),...,(xm,ym)},,样本总数量为m条,“陌生”通信网络提供的目标域数据集T={(x′1,y′1),...,(x′n,y′n)},样本总数量为n条,且源域数据集远大于目标域数据集,即m>>n。本发明实施例设m,n分别为100000,5000。
(3)构建深度迁移神经网络模型,基于源域数据集S与目标域数据集T学习在“陌生”通信网络中信道信息序列与功率分配的映射。
网络构建与训练步骤还包括:
(3.1)深度迁移神经网络模型结合基于样本的迁移学习思想和对抗学习思想,通过对抗训练的权重学习网络获得最优的源域样本权值。该网络模型由三个子网络组成,分别为任务学习网络T(·),权重学习网络W(·)和差异度量网络D(·),其网络参数分别用θt、θw、θd表示。任务学习网络用于输入信息序列到输出最优功率分配的映射,权重学习网络用于为源域样本赋予适合权值,差异度量网络用于估计加权的源域样本空间与目标域样本空间之间的Y-discrepancy差异。任务学习网络、权重学习网络与差异度量网络的训练形成对抗关系。
(3.2)深度迁移神经网络模型在训练时,同时接受源域样本(x,y)和目标域样本(x′,y′)的输入,并通过三个子网络的输出计算网络整体的损失函数,再进行梯度下降同时更新三个自网络的参数。其中,任务学习网络接受源域样本的输入,输出对应的功率分配预测T(x),权重学习网络接受源域样本输入,输出赋予源域样本的权重W(x),差异度量网络接受源域样本和目标域样本的输入,输出对应的域损失D(x)、D(x′)。网络整体的损失函数由两部分组成,一部分为源域样本在功率分配任务上的加权均方误差损失Ltask,另一部分为估计的源域与目标域的度量差异Ldisc:
Ltask=W(x)|T(x)-y|2
Ldisc=|D(x′)-y′|2-W(x)*|D(x)-y|2
L=Ltask+Ldisc
考虑网络参数作为优化变量,则求解的问题转化为:
(3.3)深度迁移神经网络模型的三个子网络的隐藏层采用全连接层,其具体层数和激活函数可以根据问题规模灵活调整。为了保证源域样本的权重总是正值,权重学习网络最后一层的激活函数应当选取ReLU函数。本发明实施例设任务学习网络、权重学习网络、差异度量网络的各层神经元数量分别为:(150,256,128,64,64,32,30),(150,64,32,16,8,1),(150,256,128,64,64,32,30)。
(4)在陌生通信网络中应用训练好的神经网络模型,对新的信道状态信息给出功率分配结果。
在陌生通信网络中应用训练好的网络时,只需要将新的信道状态信息输入任务学习子网络,并将其输出视为功率分配即可,不需要使用其他两个子网络。
本发明通过仿真实验评估本发明提出的基于深度迁移学习的UDN功率分配方法:使用两个通信网络的数据训练深度迁移神经网络模型并冻结,同时使用“陌生”通信网络的少量数据训练与任务学习子网络同结构的基本神经网络模型并冻结,然后分别利用深度迁移神经网络模型和基本神经网络在“陌生”通信网络中进行功率分配。如图3所示,仿真实验检验了通信网络中基站不同最大发射功率的情况,结果显示,本专利所提方法的曲线始终高于只使用“陌生”通信网络训练的基本神经网络的曲线,更接近传统方法计算的最优功率分配能实现的能效。
本发明实现了一种基于深度迁移学习的UDN功率分配方法。经过UDN网络建模,瞬时能效的优化函数的定义和深度迁移神经网络模型的构建与训练,借助已有“熟悉”通信网络的大量已有数据,在“陌生”通信网络中取得与最优功率分配接近的能效优化效果,降低了神经网络用于功率分配的迁移成本。
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 (5)
1.一种基于深度迁移学习的超密集无线网络功率分配方法,其特征在于,包括以下步骤:
(1)建立超密集网络UDN网络模型,考虑功率分配策略,设计能效为目标的优化函数;
(2)随机设置网络中的基站和障碍物位置,模拟两个不同通信网络环境,基于传统分式规划方法计算对应的功率分配最优解,收集不同用户位置下的信道状态信息与最优功率分配结果作为样本,将第一个通信网络视为“熟悉”通信网络,提供源域数据,将第二个通信网络视为“陌生”通信网络,提供目标域数据,生成源域数据集S与目标域数据集T;
(3)构建深度迁移神经网络模型,基于源域数据集S与目标域数据集T学习在“陌生”通信网络中信道信息序列与功率分配的映射;
(4)在陌生通信网络中应用训练好的神经网络,对新的信道信息给出功率分配结果。
2.根据权利要求1所述的一种基于深度迁移学习的超密集无线网络功率分配方法,其特征在于:所述步骤(1)具体包括:
(1.1)假设在兴趣区域里,UDN网络部署了M个微基站,并服务了区域内的K个用户,基站集合与用户集合分别用B={1…,M},U={1,…,K}表示,基站m与用户k之间的信道增益用hm,k表示,则整个网络的信道便为
(1.2)目标优化函数为网络总体能效的瞬时值:
3.根据权利要求1所述的一种基于深度迁移学习的超密集无线网络功率分配方法,其特征在于:所述步骤(2)具体包括:
(2.1)模拟的两个通信网络,其网络配置除了基站和障碍物位置外,在基站数量、用户数量、基站类型、噪声量级方面保持一致;
(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,并对序列的每一维数据做标准化预处理,利于特征提取。
(2.3)“熟悉”通信网络提供的源域数据集S={(x1,y1),...,(xm,ym)},样本总数量为m条,“陌生”通信网络提供的目标域数据集T={(x′1,y′1),...,(x′n,y′n)},样本总数量为n条,且源域数据集远大于目标域数据集,即m>>n。
4.根据权利要求1所述的一种基于深度迁移学习的超密集无线网络功率分配方法,其特征在于:所述步骤(3)建立了一种深度迁移神经网络模型,包括:
(3.1)深度迁移神经网络模型结合基于样本的迁移学习思想和对抗学习思想,通过对抗训练的权重学习网络获得最优的源域样本权值;该网络模型由三个子网络组成,分别为任务学习网络T(·),权重学习网络W(·)和差异度量网络D(·),其网络参数分别用θt、θw、θd表示;任务学习网络用于输入信息序列到输出最优功率分配的映射,权重学习网络用于为源域样本赋予适合权值,差异度量网络用于估计加权的源域样本空间与目标域样本空间之间的Y-discrepancy差异,一种用于度量假设空间在不同域上最大差异的经典指标;任务学习网络、权重学习网络与差异度量网络的训练形成对抗关系;
(3.2)深度迁移神经网络模型在训练时,同时接受源域样本(x,y)和目标域样本(x′,y′)的输入,并通过三个子网络的输出计算网络整体的损失函数,再进行梯度下降同时更新三个自网络的参数;其中,任务学习网络接受源域样本的输入,输出对应的功率分配预测T(x),权重学习网络接受源域样本输入,输出赋予源域样本的权重W(x),差异度量网络接受源域样本和目标域样本的输入,输出对应的域损失D(x)、D(x′);网络整体的损失函数由两部分组成,一部分为源域样本在功率分配任务上的加权均方误差损失Ltask,另一部分为估计的源域与目标域的度量差异Ldisc:
Ltask=W(x)|T(x)-y|2
Ldisc=|D(x′)-y′|2-W(x)*|D(x)-y|2
L=Ltask+Ldisc
考虑网络参数作为优化变量,则求解的问题转化为:
(3.3)深度迁移神经网络模型的三个子网络的隐藏层采用全连接层,其具体层数和各层类型根据问题规模灵活调整,为了保证源域样本的权重总是正值,权重学习网络最后一层的激活函数应当选取ReLU函数。
5.根据权利要求1所述的一种基于深度迁移学习的超密集无线网络功率分配方法,其特征在于:所述步骤(4)在陌生通信网络中应用训练好的网络时,只需要将新的信道状态信息输入任务学习子网络,并将其输出视为功率分配即可,不需要使用其他两个子网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210491326.3A CN114885340B (zh) | 2022-05-07 | 2022-05-07 | 一种基于深度迁移学习的超密集无线网络功率分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210491326.3A CN114885340B (zh) | 2022-05-07 | 2022-05-07 | 一种基于深度迁移学习的超密集无线网络功率分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114885340A true CN114885340A (zh) | 2022-08-09 |
CN114885340B CN114885340B (zh) | 2024-01-23 |
Family
ID=82673751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210491326.3A Active CN114885340B (zh) | 2022-05-07 | 2022-05-07 | 一种基于深度迁移学习的超密集无线网络功率分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114885340B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169543A (zh) * | 2022-09-05 | 2022-10-11 | 广东工业大学 | 一种基于迁移学习的短期光伏功率预测方法及系统 |
CN116996926A (zh) * | 2023-09-26 | 2023-11-03 | 香港中文大学(深圳) | 一种数据驱动的基站功耗建模方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114423070A (zh) * | 2022-02-10 | 2022-04-29 | 吉林大学 | 一种基于d2d的异构无线网络功率分配方法及系统 |
-
2022
- 2022-05-07 CN CN202210491326.3A patent/CN114885340B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114423070A (zh) * | 2022-02-10 | 2022-04-29 | 吉林大学 | 一种基于d2d的异构无线网络功率分配方法及系统 |
Non-Patent Citations (1)
Title |
---|
马忠贵等: "5G 超密集网络的能量效率研究综述", 工程科学学报, vol. 41, no. 8 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169543A (zh) * | 2022-09-05 | 2022-10-11 | 广东工业大学 | 一种基于迁移学习的短期光伏功率预测方法及系统 |
CN116996926A (zh) * | 2023-09-26 | 2023-11-03 | 香港中文大学(深圳) | 一种数据驱动的基站功耗建模方法 |
CN116996926B (zh) * | 2023-09-26 | 2023-11-28 | 香港中文大学(深圳) | 一种数据驱动的基站功耗建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114885340B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666149B (zh) | 基于深度强化学习的超密边缘计算网络移动性管理方法 | |
Zhang et al. | Optimizing federated learning in distributed industrial IoT: A multi-agent approach | |
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
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 | |
CN112383922B (zh) | 一种基于优先经验重放的深度强化学习频谱共享方法 | |
CN102546059B (zh) | 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法 | |
CN113162679A (zh) | 基于ddpg算法的irs辅助无人机通信联合优化方法 | |
Deng et al. | A digital twin approach for self-optimization of mobile networks | |
Wang et al. | Joint resource allocation and power control for D2D communication with deep reinforcement learning in MCC | |
CN111526592B (zh) | 一种用于无线干扰信道中的非协作多智能体功率控制方法 | |
Xu et al. | Resource allocation algorithm based on hybrid particle swarm optimization for multiuser cognitive OFDM network | |
Wu et al. | 3D aerial base station position planning based on deep Q-network for capacity enhancement | |
Hashimoto et al. | SICNN: Spatial interpolation with convolutional neural networks for radio environment mapping | |
CN116456493A (zh) | 一种基于深度强化学习算法的d2d用户资源分配方法及存储介质 | |
Chen et al. | An actor-critic-based UAV-BSs deployment method for dynamic environments | |
Nasr-Azadani et al. | Single-and multiagent actor–critic for initial UAV’s deployment and 3-D trajectory design | |
CN113242066B (zh) | 一种多小区大规模mimo通信智能功率分配方法 | |
Chen et al. | iPAS: A deep Monte Carlo Tree Search-based intelligent pilot-power allocation scheme for massive MIMO system | |
Shi et al. | Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach | |
CN114051252A (zh) | 无线接入网中多用户智能发射功率控制方法 | |
Liu et al. | Robust power control for clustering-based vehicle-to-vehicle communication | |
CN115811788B (zh) | 一种深度强化学习联合无监督学习的d2d网络分布式资源分配方法 | |
Dou et al. | A power allocation algorithm based on cooperative Q-learning for multi-agent D2D communication networks | |
Zhuang et al. | GA-MADDPG: A Demand-Aware UAV Network Adaptation Method for Joint Communication and Positioning in Emergency Scenarios | |
Rohoden et al. | Evolutionary game theoretical model for stable femtocells’ clusters formation in hetnets |
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 |