CN114928878A - CRNs中服务质量约束功率的控制方法、装置及介质 - Google Patents
CRNs中服务质量约束功率的控制方法、装置及介质 Download PDFInfo
- Publication number
- CN114928878A CN114928878A CN202111090793.7A CN202111090793A CN114928878A CN 114928878 A CN114928878 A CN 114928878A CN 202111090793 A CN202111090793 A CN 202111090793A CN 114928878 A CN114928878 A CN 114928878A
- Authority
- CN
- China
- Prior art keywords
- power
- function
- crns
- layer
- power distribution
- 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 52
- 230000006870 function Effects 0.000 claims abstract description 60
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000004888 barrier function Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000013433 optimization analysis Methods 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 abstract description 4
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001131 transforming effect 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
- H04W52/04—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
- H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR, Eb/lo
-
- 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
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/265—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the quality of service QoS
-
- 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
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了CRNs中服务质量约束功率的控制方法、装置及介质,属于认知无线网络资源分配技术领域,要解决的技术问题为如何在保证用户QoS的基础上实现和速率最大化,并且减少求解非凸优化问题的计算复杂性。包括如下步骤:构建非凸的和速率最大化问题;将和速率最大化问题转化为等价的负和速率最小化问题,并通过障碍函数方法将负和速率最小化问题中的速率约束项添加至目标函数项里;基于深度学习构建功率分配模型,为一个全连接的多层神经网络;将负目标函数作为Loss函数,通过无监督学习方法对述功率分配模型进行训练;以信道状态信息为输入,利用训练后功率分配模型进行功率优化分析,得到功率分配系数。
Description
技术领域
本发明涉及认知无线网络资源分配技术领域,具体地说是CRNs 中服务质量约束功率的控制方法、装置及介质。
背景技术
随着信息化进程的持续发展,无线通信技术在现代社会中的应用 越来越广泛。不断涌现的新兴业务、持续增长的用户规模、快速增加 的设备数量对无线通信系统网络容量和资源利用效率提出了更高的 要求。为了满足这些增强的关键性能指标,智能利用资源成为B5G 和6G的标志。无线频谱作为无线通信最重要的资源之一,具有稀缺 性的特点。与前几代一样,6G将不断追求频谱效率的提高。
认知无线电(CR)是提高6G频谱利用率的一种很有前途的解决 方案,CR的基本设计原则是允许授权用户与非授权用户共享其授权 频谱。CRNs中的设备可以基于感知到的无线环境信息,动态地、机 会性地接入可用频谱。
感知能力和可重构性是机器学习(ML)技术支持的CR的基本 特征。ML的数据驱动特性使得它能够从输入数据中学习有用的信息, 而无需显式的系统模型和精确的推导。特别是作为ML的重要组成部 分,DL具有很强的自适应性和迁移学习能力。自适应性使其能够动 态快速地响应环境。而迁移学习的能力使得在新旧问题之间存在关联 的情况下,基于所学知识快速解决新问题成为可能。由于这些优点, DL使得CRNs能够以较低的计算复杂度自动学习适应动态无线环境, 并提高可用资源的利用率。
在underly CRNs中,功率控制对实现动态频谱共享起着重要的 作用。通过功率控制,CRNs中的用户协同调整各自的发射功率,使 得在满足主用户(PU)的服务质量(QoS)后,次用户(SUs)有机 会接入频谱。功率控制问题通常是NP难的,因此很难处理。传统上, 穷举搜索以及迭代优化方法都是通过将原始非凸问题转化为相应的 近似子问题来研究的。然而,这些方法在实际系统中的应用受到性能、 收敛性和复杂性等问题的阻碍,特别是当CRNs中存在大量用户时, 考虑到开销和计算复杂性,有效地实现功率控制仍然是一个非常具有 挑战性的问题。
如何在保证用户QoS的基础上实现和速率最大化,并且减少求 解非凸优化问题的计算复杂性,是需要解决的技术问题
发明内容
本发明的技术任务是针对以上不足,提供CRNs中服务质量约束 功率的控制方法、装置及介质,来解决如何在保证用户QoS的基础 上实现和速率最大化,并且减少求解非凸优化问题的计算复杂性的技 术问题。
第一方面,本发明的CRNs中服务质量约束功率的控制方法, 包括如下步骤:
对于工作在underlay模式的CRNs,基于CRN中各个用户的 速率和功率约束,构建非凸的和速率最大化问题;
将所述和速率最大化问题转化为等价的负和速率最小化问题, 并通过障碍函数方法将所述负和速率最小化问题中的速率约束项 添加至目标函数项里,得到具有可微目标函数和可微功率约束的 目标优化问题;
基于深度学习构建功率分配模型,所述功率分配模型为一个 全连接的多层神经网络,以信道状态信息为输入、以功率分配系 数为输出;
以Loss函数作为负目标函数,通过无监督学习方法对所述功 率分配模型进行训练,得到训练后功率分配模型;
以信道状态信息为输入,通过训练后功率分配模型进行功率 优化分析,得到功率分配系数。
作为优选,所述和速率最大化问题描述为:
其中,k=1表示主网络SU,k=2,…,K表示次网络Sus;hkk表 示第k个用户和第个基站之间的直接链路信道,hkj第j个用户和第k 个基站之间的交叉链路信道,表示第k个用户的发射功率, 表示第k个基站接收的噪声;
所述负和速率最小化问题描述为:
所述目标优化问题描述为:
参数t>0用于设置近似的精度。
作为优选,所述功率分配模型包括:
输入层,所述输入层具有K2个节点,用于输入信道状态数据;
隐藏层,所述隐藏层共有L-1层,第k层的输出向量表示为:
输出层,所述输出层具有K个节点,激活函数为sigmoid函数, 输出表示为:
cL=Sig(WLcL-1+bL),
其中,Sig(·)表示标准的sigmoid函数,即
作为优选,鉴于sigmoid函数的输出范围为[0,1],分配给第k个用 户的最终功率pk表示为:
其中,cL,k表示cL的第k个元素。
作为优选,所述损失函数表示为:
通过随机梯度降低方法优化所述损失函数。
第二方面,本发明的装置,包括:至少一个存储器和至少一 个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行第 一方面任一所述的方法。
第三方面,本发明的介质,为计算机可读介质,所述计算机可读 介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所 述处理器执行第一方面任一所述的方法。
本发明的CRNs中服务质量约束功率的控制方法、装置及介质具 有以下优点:
1、构建非凸的和速率最大化问题,并将该和速率最大化问题转 化为具有可微目标函数和可微功率约束的目标优化问题,通过构建的 功率分配模型对目标优化问题进行分析,得到功率分配系数,在保证 用户QoS的基础上实现和速率最大化,并且减少求解非凸优化问题的 计算复杂性;
2、无需全局最优功率分配集,将负目标函数作为Loss函数、通 过无监督学习的方法训练功率分配模型,不需要太多的计算复杂度和 人力资源。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例 或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下 面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术 人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得 其他的附图。
下面结合附图对本发明进一步说明。
图1为实施例1CRNs中服务质量约束功率的控制方法对用的 CRNs系统框图;
图2为实施例1CRNs中服务质量约束功率的控制方法中功率分 配模型的结构框图;
图3为实施例1CRNs中服务质量约束功率的控制方法中的结构 示意图;
图4为实施例1CRNs中服务质量约束功率的控制方法中四个用 户时的全局最优解算法对比图;
图5为实施例1CRNs中服务质量约束功率的控制方法中八个用 户时的全局最优解算法对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域 的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作 为对本发明的限定,在不冲突的情况下,本发明实施例以及实施例中 的技术特征可以相互结合。
本发明实施例提供CRNs中服务质量约束功率的控制方法、装置 及介质,用于解决如何在保证用户QoS的基础上实现和速率最大化, 并且减少求解非凸优化问题的计算复杂性的技术问题。
实施例1:
本发明的CRNs中服务质量约束功率的控制方法,包括如下步骤:
S100、对于工作在underlay模式的CRNs,基于CRN中各个 用户的速率和功率约束,构建非凸的和速率最大化问题;
S200、将和速率最大化问题转化为等价的负和速率最小化问 题,并通过障碍函数方法将所述负和速率最小化问题中的速率约 束项添加至目标函数项里,得到具有可微目标函数和可微功率约 束的目标优化问题;
S300、基于深度学习构建功率分配模型,功率分配模型为一 个全连接的多层神经网络,以信道状态信息为输入、以功率分配 系数为输出;
S400、将负目标函数作为Loss函数,通过无监督学习方法对 所述功率分配模型进行训练,得到训练后功率分配模型;
S500、以信道状态信息为输入,通过训练后功率分配模型进行功 率优化分析,得到功率分配系数。
如图1所示的CRN上行链路underlay频谱共享场景,其中包括 主网络(PN)和次网络(SN)。CRN共有K个基站,每个基站服务一个 用户。PN由一个主基站(PBS)和一个PU组成,而SN由K-1个次 基站(SBSs)和相应的K-1个SUs组成。假设PN和SN共享相同的 窄带频谱并且是同步的。由第k个用户的SINR为:
其中,k=1表示主网络SU,k=2,…,K表示次网络Sus;hkk表 示第k个用户和第个基站之间的直接链路信道,hkj第j个用户和第k个 基站之间的交叉链路信道,表示第k个用户的发射功率, 表示第k个基站接收的噪声。在不失一般性的前提下, 假设所有用户的噪声服从相同的分布。
假设信道为块衰落信道,即信道系数在一个时隙中保持不变,但 在一个时隙到另一个时隙之间独立地改变。在所考虑的underlay模式 中,SUs只有在其接入网络后PU的速率不小于预定阈值时才被允许 接入频谱。
本发明旨在研究CRNs中基于DL的功率控制方法,以在满足每 个用户的QoS约束的前提下实现和速率最大化。这个带QoS约束的 功率控制问题被表述为:
问题(2)是非凸的,因为目标函数和各用户的QoS约束都是非 凸的,这使得获得全局最优解是NP难的。
为了用深度学习方法来解决问题(2),将其转化为如下等价的负 和速率最小化问题:
然而,速率约束给通过深度学习以解决问题(3)带来了新的挑 战。在本实施例中,通过使用障碍函数法将速率不等式约束作为目标 函数的隐式部分来解决这个难题。具体地说,将(3)近似重述为以 下问题:
参数t>0用于设置近似的精度,t越大意味着更好的近似值。与 标准的指示函数相比,该对数函数具有可微性,便于构造深度学习的 损失函数。
问题(4)现在是一个具有可微目标函数和可微功率约束的优 化问题,可以用深度神经网络(DNN)来求解。本实施例采用如图 2所示的全连接的多层神经网络作为功率分配模型,具体而言,该 模型包括输入层、隐藏层和输出层,输入层具有K2个节点,用于 输入信道状态数据,隐藏层共有L-1层,输出层具有K个节点。
设定lk表示第k层的节点数,隐藏层中第k层的输出向量表示为:
其中,lk表示第k层的节点数,表示第k层的输出向量, 表示第k层的权重矩阵,表示第k层的偏置向量, 第k层的输入是第k-1层的输出,即ReLU(·)层表示 线性整流函数,为隐藏层的激活函数;第k层的输入是第(k-1) 层的输出。
输出层生成优化后的功率分配,与隐藏层不同,输出层的激 活函数为sigmoid函数(以元素的方式),输出表示为:
cL=Sig(WLcL-1+bL), (7)
其中,Sig(·)表示标准的sigmoid函数,即
其中,cL,k表示cL的第k个元素。
由于所考虑的问题是NP难的,这意味着不容易获得最优的训练 数据。本实施例通过DNN获得一个最优解,而不需要太多的计算复杂 度和人力资源。基于此目标,本实施例采用无监督学习方法进行模型 训练。在训练中,将信道状态信息输入到DNN 中,在无监督学习过程之后输出最终的功率分配系数{cL,k}。
损失函数是无监督学习过程的关键,根据(4)定义损失函数表 表示为:
基于上述损失函数,通过梯度下降法来更新该功率分配模型的参 数,具体可使用随机梯度下降法。给定训练迭代次数n以及信道状态 信息H,DNN在训练过程中采用随机梯度下降法来更新权重和偏置等 参数,从而在测试时输出使loss函数最小(即和速率最大)的功率系 数。
DNN很难直接处理速率约束项,本实施例采用对数障碍函数法 将其添加到目标函数项里,由于缺乏训练DNN所需的全局最优功率 分配集,采用无监督学习方法、将Loss函数直接等于负目标函数。
如图3、图4和图5的仿真结果可知,该实施例的方法能在保证 PU和SUs的速率QoS的基础上实现较高的和速率。上述途中, DNNwithQoS constraints以及DNN-QoS为本发明的方案; DNNwithoutQoS constraints以及DNN为不考虑任何用户速率约束的 方案,其结果与GOP-BB(分支定界方案)相同;TDM为经典的时 分复用方案,用户轮流访问信道资源;Full Power为全功率传输,其 中每个用户以最大功率传输。
实施例2:
本发明的装置,包括:至少一个存储器和至少一个处理器; 至少一个存储器,用于存储机器可读程序;至少一个处理器,用 于调用所述机器可读程序,执行实施例1公开的方法。
实施例3:
本发明的介质,为计算机可读介质,计算机可读介质上存储 有计算机指令,计算机指令在被处理器执行时,使处理器执行实 施例1公开的方法。具体地,可以提供配有存储介质的系统或者 装置,在该存储介质上存储着实现上述实施例中任一实施例的功 能的软件程序代码,且使该系统或者装置的计算机(或CPU或 MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施 例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介 质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、 光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、 DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通 信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代 码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等 来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实 施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计 算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩 展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板 或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上 述实施例中任一实施例的功能。
需要说明的是,上述各流程和各系统结构图中不是所有的步骤和 模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤 的执行顺序不是固定的,可以根据需要进行调整。上述各实施例中描 述的系统结构可以是物理结构,也可以是逻辑结构,即,有些模块可 能由同一物理实体实现,或者,有些模块可能分由多个物理实体实现, 或者,可以由多个独立设备中的某些部件共同实现。
以上各实施例中,硬件单元可以通过机械方式或电气方式实现。 例如,一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处 理器,FPGA或ASIC)来完成相应操作。硬件单元还可以包括可编 程逻辑或电路(如通用处理器或其它可编程处理器),可以由软件进 行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用 的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑 来确定。
上文通过附图和优选实施例对本发明进行了详细展示和说明,然 而本发明不限于这些已揭示的实施例,基与上述多个实施例本领域技 术人员可以知晓,可以组合上述不同实施例中的代码审核手段得到本 发明更多的实施例,这些实施例也在本发明的保护范围之内。
Claims (7)
1.CRNs中服务质量约束功率的控制方法,其特征在于包括如下步骤:
对于工作在underlay模式的CRNs,基于CRN中各个用户的速率和功率约束,构建发非凸的和速率最大化问题;
将所述和速率最大化问题转化为等价的负和速率最小化问题,并通过障碍函数方法将所述负和速率最小化问题中的速率约束项添加至目标函数项里,得到具有可微目标函数和可微功率约束的目标优化问题;
基于深度学习构建功率分配模型,所述功率分配模型为一个全连接的多层神经网络,以信道状态信息为输入、以功率分配系数为输出;
将负目标函数作为Loss函数,通过无监督学习方法对所述功率分配模型进行训练,得到训练后功率分配模型;
以信道状态信息为输入,通过训练后功率分配模型进行功率优化分析,得到功率分配系数。
6.装置,其特征在于,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行权利要求1至5中任一所述的方法。
7.介质,为计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111090793.7A CN114928878B (zh) | 2021-09-17 | 2021-09-17 | CRNs中服务质量约束功率的控制方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111090793.7A CN114928878B (zh) | 2021-09-17 | 2021-09-17 | CRNs中服务质量约束功率的控制方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114928878A true CN114928878A (zh) | 2022-08-19 |
CN114928878B CN114928878B (zh) | 2024-03-19 |
Family
ID=82804217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111090793.7A Active CN114928878B (zh) | 2021-09-17 | 2021-09-17 | CRNs中服务质量约束功率的控制方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114928878B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103269488A (zh) * | 2013-04-23 | 2013-08-28 | 上海交通大学 | 认知无线网络中基于最大和速率的协同通信方法 |
CN106714292A (zh) * | 2016-12-27 | 2017-05-24 | 重庆邮电大学 | 认知网络中基于干扰功率和服务质量受限的最优功率控制方法 |
CN106888458A (zh) * | 2017-01-18 | 2017-06-23 | 西安交通大学 | 一种认知无线网络中基于统计QoS保障的安全传输方法 |
CN112203345A (zh) * | 2020-09-29 | 2021-01-08 | 东南大学 | 基于深度神经网络的d2d通信能效最大化功率分配方法 |
CN113038612A (zh) * | 2021-03-01 | 2021-06-25 | 南京工业大学 | 基于深度学习的认知无线电功率控制方法 |
-
2021
- 2021-09-17 CN CN202111090793.7A patent/CN114928878B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103269488A (zh) * | 2013-04-23 | 2013-08-28 | 上海交通大学 | 认知无线网络中基于最大和速率的协同通信方法 |
CN106714292A (zh) * | 2016-12-27 | 2017-05-24 | 重庆邮电大学 | 认知网络中基于干扰功率和服务质量受限的最优功率控制方法 |
CN106888458A (zh) * | 2017-01-18 | 2017-06-23 | 西安交通大学 | 一种认知无线网络中基于统计QoS保障的安全传输方法 |
CN112203345A (zh) * | 2020-09-29 | 2021-01-08 | 东南大学 | 基于深度神经网络的d2d通信能效最大化功率分配方法 |
CN113038612A (zh) * | 2021-03-01 | 2021-06-25 | 南京工业大学 | 基于深度学习的认知无线电功率控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114928878B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eisen et al. | Optimal wireless resource allocation with random edge graph neural networks | |
CN113504999B (zh) | 一种面向高性能分层联邦边缘学习的调度与资源分配方法 | |
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
Balevi et al. | Optimizing the number of fog nodes for cloud-fog-thing networks | |
CN112105062B (zh) | 时敏条件下移动边缘计算网络能耗最小化策略方法 | |
CN110167176B (zh) | 一种基于分布式机器学习的无线网络资源分配方法 | |
CN114374605B (zh) | 一种网络切片场景下服务功能链动态调整和迁移方法 | |
Ko et al. | Joint client selection and bandwidth allocation algorithm for federated learning | |
Shen et al. | Transfer learning for mixed-integer resource allocation problems in wireless networks | |
López et al. | Primary user characterization for cognitive radio wireless networks using a neural system based on deep learning | |
Zhang et al. | Deep learning based user association in heterogeneous wireless networks | |
Ali et al. | Deep learning (DL) based joint resource allocation and RRH association in 5G-multi-tier networks | |
Mosavat-Jahromi et al. | Prediction and modeling of spectrum occupancy for dynamic spectrum access systems | |
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 | |
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 | |
Sun et al. | Learning to continuously optimize wireless resource in episodically dynamic environment | |
CN113784359A (zh) | 一种基于改进bp神经网络算法的动态信道接入方法 | |
Li et al. | Graph-based algorithm unfolding for energy-aware power allocation in wireless networks | |
CN114222371A (zh) | 一种eMBB和uRLLC设备共存的流量调度方法 | |
CN114928878A (zh) | CRNs中服务质量约束功率的控制方法、装置及介质 | |
CN112954806A (zh) | 异构网络中基于弦图着色的联合干扰对齐与资源分配方法 | |
CN116321431A (zh) | 基于元学习的超参数重加权水声网络介质访问控制方法 | |
Kaytaz et al. | Distributed deep reinforcement learning with wideband sensing for dynamic spectrum access | |
Liang et al. | Energy efficient transmission in underlay CR-NOMA networks enabled by reinforcement learning | |
Osman | Empowering internet-of-everything (IoE) networks through synergizing Lagrange optimization and deep learning for enhanced performance |
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 |