CN114978259A - 一种深度学习的无蜂窝系统下行链路的功率分配方法 - Google Patents

一种深度学习的无蜂窝系统下行链路的功率分配方法 Download PDF

Info

Publication number
CN114978259A
CN114978259A CN202210344205.6A CN202210344205A CN114978259A CN 114978259 A CN114978259 A CN 114978259A CN 202210344205 A CN202210344205 A CN 202210344205A CN 114978259 A CN114978259 A CN 114978259A
Authority
CN
China
Prior art keywords
training
neural network
power distribution
layer
parameters
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.)
Pending
Application number
CN202210344205.6A
Other languages
English (en)
Inventor
崔子健
谭方青
徐旭
肖晴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202210344205.6A priority Critical patent/CN114978259A/zh
Publication of CN114978259A publication Critical patent/CN114978259A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0426—Power distribution
    • 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
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • 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
    • H04W52/06—TPC algorithms
    • H04W52/14—Separate analysis of uplink or downlink
    • H04W52/143—Downlink power control
    • 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
    • H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
    • H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
    • 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
    • H04W52/38—TPC being performed in particular situations
    • H04W52/42—TPC being performed in particular situations in systems with time, space, frequency or polarisation diversity
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/543—Allocation or scheduling criteria for wireless resources based on quality criteria based on requested quality, e.g. QoS
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种深度学习的无蜂窝系统下行链路的功率分配方法，包括：S1，S2构建全连接神经网络结构模型，将功率分配变量集合与传统算法的解之间的问题转化为训练神经网络的权值W和偏置项b之间的问题，目的是将损失函数，
Figure DDA0003575791020000011
最小化，S3。本发明使用M‑MMSE预编码在大规模MIMO网络的下行链路中分配功率，首先采用具有全连接层的前馈神经网络，并且由输入层，隐藏层和输出层组成，产生最优功率分配矢量的估计值，使神经网络学习所有用户的估计值，以便满足功率约束并提高估计精度，大大提高了收敛速度，降低了运算量。

Description

一种深度学习的无蜂窝系统下行链路的功率分配方法
技术领域
本发明涉及功率分配方法技术领域，具体为一种深度学习的无蜂窝系统下行链路的功率分配方法。
背景技术
传统的基于蒙特卡罗思想的算法涉及大量高维矩阵乘法运算，需要多项式或准多项式复杂度来求解，需要不断迭代更新，然而由于天线和用户数量非常大，在处理资源分配时，经典的二阶算法因计算复杂度高，难以应对，为此，我们提出一种深度学习的无蜂窝系统下行链路的功率分配方法。
发明内容
因此，本发明的目的是提供一种深度学习的无蜂窝系统下行链路的功率分配方法，使用M-MMSE预编码在大规模MIMO网络的下行链路中分配功率，首先采用具有全连接层的前馈神经网络，并且由输入层，隐藏层和输出层组成，产生最优功率分配矢量的估计值，使神经网络学习所有用户的估计值，以便满足功率约束并提高估计精度，大大提高了收敛速度，降低了运算量。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种深度学习的无蜂窝系统下行链路的功率分配方法，包括：
S1：考虑一个具有L个小区的大规模多输入多输出网络的下行链路，每个小区包括一个具有M个天线和K个用户的基站，采用具有全连接层的前馈神经网络，并且由2KL维输入层、N个隐藏层和K+1维输出层组成，用来拟合所有功率分配变量集合与传统算法的解
Figure BDA0003575791000000011
的关系，并以训练的方式使其逐步迭代；
S2：构建全连接神经网络结构模型，将功率分配变量集合与传统算法的解之间的问题转化为训练神经网络的权值W和偏置项b之间的问题，目的是将损失函数，
Figure BDA0003575791000000021
最小化；
S3：神经网络使用的数据集由DeepMIMO数据集计算产生，最优功率分配通过用传统优化方法计算获得，使用80％的样本用于训练，10％用于验证，另外10％样本组成测试集，独立于训练集。
作为本发明所述的一种深度学习的无蜂窝系统下行链路的功率分配方法的一种优选方案，其中，所述S3步骤中，具体操作方法为：
a.首先读取功率分配变量集合的数据与传统算法的对应解，并进行维度转换；
b.初始化神经网络中所需的参数；
c.分层定义网络结构以及每一层神经元数量和激活函数参数，在模型层面，设计6层全连接网络模型；
d.在合并模型阶段，使用Adam优化器并在函数内设置初始学习率为0.01，选择了相对均方误差作为训练指标，并且加入早停法指定patience参数为50，即50个epoch内loss函数无明显下降则终止训练；
e.在训练阶段，依据以上的方法和参数对数据进行拟合。换用不同的学习率和训练集与验证集的比例进行训练，查看和参数来将学习率、批样本量和训练轮数等超参数则进行调整，并使用一个数据量较小的测试集进行预测，逐步调整参数以得出符合要求的训练结果。
作为本发明所述的一种深度学习的无蜂窝系统下行链路的功率分配方法的一种优选方案，其中，6层全连接网络模型中，前五层之间选用elu激活函数，表达式如下：x＜0:ELU(x)＝ex-1，x≥0:ELU(x)＝x。
与现有技术相比，本发明具有的有益效果是：使用M-MMSE预编码在大规模MIMO网络的下行链路中分配功率，首先采用具有全连接层的前馈神经网络，并且由输入层，隐藏层和输出层组成，产生最优功率分配矢量的估计值，使神经网络学习所有用户的估计值，以便满足功率约束并提高估计精度，大大提高了收敛速度，降低了运算量。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一种深度学习的无蜂窝系统下行链路的功率分配方法的深度全连接神经网络结构模型；
图2为本发明一种深度学习的无蜂窝系统下行链路的功率分配方法的无蜂窝大规模MIMO系统传输模型图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一半比例作局部放大，而且示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种深度学习的无蜂窝系统下行链路的功率分配方法，使用M-MMSE预编码在大规模MIMO网络的下行链路中分配功率，首先采用具有全连接层的前馈神经网络，并且由输入层，隐藏层和输出层组成，产生最优功率分配矢量的估计值，使神经网络学习所有用户的估计值，以便满足功率约束并提高估计精度，大大提高了收敛速度，降低了运算量。
图1-2示出的是本发明一种深度学习的无蜂窝系统下行链路的功率分配方法一实施方式的整体结构示意图，请参阅图1-2。
1.神经网络模型
S1：首先考虑一个具有L个小区的大规模多输入多输出网络的下行链路，每个小区包括一个具有M个天线和K个用户的基站，采用具有全连接层的前馈神经网络，并且由2KL维输入层、N个隐藏层和K+1维输出层组成，用来拟合所有功率分配变量集合与传统算法的解
Figure BDA0003575791000000041
的关系，并以训练的方式使其逐步迭代；
S2：构建全连接神经网络结构模型，将功率分配变量集合与传统算法的解之间的问题转化为训练神经网络的权值W和偏置项b之间的问题，目的是将损失函数，
Figure BDA0003575791000000042
最小化；
S3：神经网络使用的数据集由DeepMIMO数据集计算产生，最优功率分配通过用传统优化方法计算获得，使用80％的样本用于训练，10％用于验证，另外10％样本组成测试集，独立于训练集，具体训练步骤为：
a.首先读取功率分配变量集合的数据与传统算法的对应解，并进行维度转换；
b.初始化神经网络中所需的参数，具体如下表格：、
Figure BDA0003575791000000043
Figure BDA0003575791000000051
c.分层定义网络结构以及每一层神经元数量和激活函数参数，在模型层面，设计6层全连接网络模型，具体网络结构如下：
Figure BDA0003575791000000052
d.在合并模型阶段，使用Adam优化器并在函数内设置初始学习率为0.01，选择了相对均方误差作为训练指标，并且加入早停法指定patience参数为50，即50个epoch内loss函数无明显下降则终止训练；
e.在训练阶段，依据以上的方法和参数对数据进行拟合。换用不同的学习率和训练集与验证集的比例进行训练，查看和参数来将学习率、批样本量和训练轮数等超参数则进行调整，并使用一个数据量较小的测试集进行预测，逐步调整参数以得出符合要求的训练结果。
2.系统模型
无蜂窝大规模MIMO突破以小区为中心的电波覆盖、信号处理和资源管理的传统设计，引入以用户为中心的先进网络结构设计，这样使用户与部分AP之间的距离较近，可以降低大尺度衰落影响，带来宏分集增益，在全区域提供均匀、稳定、可靠的用户服务质量，无蜂窝网络架构能够避免频繁蜂窝小区切换，减少控制信令开销，能够节省宝贵的无线资源；
AP成本较低，能够灵活部署，且由于每个AP的天线数量有限，其尺寸可以做得很小，灵活部署于空间受限的场景，如路灯、井盖、货架；
无蜂窝大规模MIMO系统的功耗模型包括两个部分:AP功耗和回程功耗。第n个AP的功耗可以被建模为
Figure BDA0003575791000000061
可被另写为
Figure BDA0003575791000000062
其中，其中，V为所有功率分配变量集合，K为所有的用户数，G为所有多播组数，En∈RN×N除了[En]n,n＝1外，其他元素均为零，ξn表示第n个接入点的功率放大器的效率，
Figure BDA0003575791000000063
表示第n个接入点的电路功率消耗；
用于在接入点和CPU之间传输数据的回传功率消耗与可实现的总数据速率成正比，由公式PBH,n(V)＝pbh,nRsum(V)+p0,n-式2给出，其中，其中，
Figure BDA0003575791000000064
为所有服务的和速率，p0,n是每个回程的恒定功率消耗，与流量无关的功耗，而pbh,n是与流量有关的功耗；
结合式2可以得到系统的总功耗，即为
Figure BDA0003575791000000065
通过动态分配AP的发射功率，使无蜂窝大规模MIMO系统的能量效率最大化，根据能量效率的定义和式1a—式1c和式3，该问题可以表述为：
Figure BDA0003575791000000066
s.t.
Figure BDA0003575791000000067
Figure BDA0003575791000000068
其中，其中
Figure BDA0003575791000000069
和
Figure BDA00035757910000000610
分别为多播和单播服务的可达速率，rm,g和ru,k分别是第g组的多播服务和第k个UE的单播服务的最小数据速率要求，符号pn,max表示第n个接入点的允许的总发射功率预算；
4a中的目标函数可以改写为
Figure BDA0003575791000000071
在不失一般性的情况下，最大化
Figure BDA0003575791000000072
等同于最小化式5分母的第一项，因此，问题式4等同于
Figure BDA0003575791000000073
和s.t.(4b),(4c),(4d)-式6b；
由此得出，由于目标函数和约束条件的非光滑性和非凸性，导致式6给出的优化问题既不光滑也不凸。
结合图1-图2，本实施方式的一种深度学习的无蜂窝系统下行链路的功率分配方法，具体使用时，首先考虑一个具有L个小区的大规模多输入多输出网络的下行链路，每个小区包括一个具有M个天线和K个用户的基站，采用具有全连接层的前馈神经网络，并且由2KL维输入层、N个隐藏层和K+1维输出层组成，用来拟合所有功率分配变量集合与传统算法的解
Figure BDA0003575791000000074
的关系，并以训练的方式使其逐步迭代，构建全连接神经网络结构模型，将功率分配变量集合与传统算法的解之间的问题转化为训练神经网络的权值W和偏置项b之间的问题，目的是将损失函数，
Figure BDA0003575791000000075
最小化，神经网络使用的数据集由DeepMIMO数据集计算产生，最优功率分配通过用传统优化方法计算获得，使用80％的样本用于训练，10％用于验证，另外10％样本组成测试集，独立于训练集，具体操作方法为：首先读取功率分配变量集合的数据与传统算法的对应解，并进行维度转换，初始化神经网络中所需的参数，分层定义网络结构以及每一层神经元数量和激活函数参数，在模型层面，设计6层全连接网络模型，在合并模型阶段，使用Adam优化器并在函数内设置初始学习率为0.01，选择了相对均方误差作为训练指标，并且加入早停法指定patience参数为50，即50个epoch内loss函数无明显下降则终止训练，在训练阶段，依据以上的方法和参数对数据进行拟合，换用不同的学习率和训练集与验证集的比例进行训练，查看和参数来将学习率、批样本量和训练轮数等超参数则进行调整，并使用一个数据量较小的测试集进行预测，逐步调整参数以得出符合要求的训练结果。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (3)

1.一种深度学习的无蜂窝系统下行链路的功率分配方法，其特征在于，包括：
S1：首先考虑一个具有L个小区的大规模多输入多输出网络的下行链路，每个小区包括一个具有M个天线和K个用户的基站，采用具有全连接层的前馈神经网络，并且由2KL维输入层、N个隐藏层和K+1维输出层组成，用来拟合所有功率分配变量集合与传统算法的解
Figure FDA0003575790990000011
的关系，并以训练的方式使其逐步迭代；
S2：构建全连接神经网络结构模型，将功率分配变量集合与传统算法的解之间的问题转化为训练神经网络的权值W和偏置项b之间的问题，目的是将损失函数，
Figure FDA0003575790990000012
最小化；
S3：神经网络使用的数据集由DeepMIMO数据集计算产生，最优功率分配通过用传统优化方法计算获得，使用80％的样本用于训练，10％用于验证，另外10％样本组成测试集，独立于训练集。
2.根据权利要求1所述的一种深度学习的无蜂窝系统下行链路的功率分配方法，其特征在于，所述S3步骤中，具体操作方法为：
a.首先读取功率分配变量集合的数据与传统算法的对应解，并进行维度转换；
b.初始化神经网络中所需的参数；
c.分层定义网络结构以及每一层神经元数量和激活函数参数，在模型层面，设计6层全连接网络模型；
d.在合并模型阶段，使用Adam优化器并在函数内设置初始学习率为0.01，选择了相对均方误差作为训练指标，并且加入早停法指定patience参数为50，即50个epoch内loss函数无明显下降则终止训练；
e.在训练阶段，依据以上的方法和参数对数据进行拟合，换用不同的学习率和训练集与验证集的比例进行训练，查看和参数来将学习率、批样本量和训练轮数等超参数则进行调整，并使用一个数据量较小的测试集进行预测，逐步调整参数以得出符合要求的训练结果。
3.根据权利要求2所述的一种深度学习的无蜂窝系统下行链路的功率分配方法，其特征在于，6层全连接网络模型中，前五层之间选用elu激活函数，表达式如下：x＜0:ELU(x)＝ex-1，x≥0:ELU(x)＝x。
CN202210344205.6A 2022-03-31 2022-03-31 一种深度学习的无蜂窝系统下行链路的功率分配方法 Pending CN114978259A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210344205.6A CN114978259A (zh) 2022-03-31 2022-03-31 一种深度学习的无蜂窝系统下行链路的功率分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210344205.6A CN114978259A (zh) 2022-03-31 2022-03-31 一种深度学习的无蜂窝系统下行链路的功率分配方法

Publications (1)

Publication Number Publication Date
CN114978259A true CN114978259A (zh) 2022-08-30

Family

ID=82976548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210344205.6A Pending CN114978259A (zh) 2022-03-31 2022-03-31 一种深度学习的无蜂窝系统下行链路的功率分配方法

Country Status (1)

Country Link
CN (1) CN114978259A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117560043A (zh) * 2024-01-11 2024-02-13 大连海事大学 一种基于图神经网络的无蜂窝网络功率控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117560043A (zh) * 2024-01-11 2024-02-13 大连海事大学 一种基于图神经网络的无蜂窝网络功率控制方法
CN117560043B (zh) * 2024-01-11 2024-03-19 大连海事大学 一种基于图神经网络的无蜂窝网络功率控制方法

Similar Documents

Publication Publication Date Title
Tyagi et al. An intelligent and optimal resource allocation approach in sensor networks for smart agri-IoT
Meng et al. Power allocation in multi-user cellular networks: Deep reinforcement learning approaches
Zhang et al. Deep learning based radio resource management in NOMA networks: User association, subchannel and power allocation
Li et al. Resource allocation for NOMA-MEC systems in ultra-dense networks: A learning aided mean-field game approach
CN111800828B (zh) 一种超密集网络的移动边缘计算资源分配方法
Omid et al. Low-complexity robust beamforming design for IRS-aided MISO systems with imperfect channels
Supraja et al. Optimized neural network for spectrum prediction using genetic algorithm in cognitive radio networks
Xu et al. Resource allocation based on quantum particle swarm optimization and RBF neural network for overlay cognitive OFDM System
CN112217678B (zh) 基于量子帝王蝶优化机制的双层异构网络频谱分配方法
CN111355633A (zh) 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法
Zhang et al. A dynamic power allocation scheme in power-domain NOMA using actor-critic reinforcement learning
CN114978259A (zh) 一种深度学习的无蜂窝系统下行链路的功率分配方法
Zhang et al. Learning-based resource allocation in heterogeneous ultradense network
He et al. Joint user scheduling and beamforming design for multiuser MISO downlink systems
CN102355294A (zh) 单基站功率约束的多点协作波束成型和功率分配方法
CN115865148B (zh) 一种非理想信道下的去蜂窝mimo鲁棒性波束赋形方法
Liu et al. Power allocation in ultra-dense networks through deep deterministic policy gradient
CN107396372A (zh) 一种时域干扰协调下最大最小公平的分布式能效优化方法
CN113411112B (zh) 一种分布式鲁棒多小区协作波束成形admm网络的构建方法
Guo et al. Joint design of access and backhaul in densely deployed mmWave small cells
CN103945388A (zh) 一种异构网络中基于遗传算法的用户接入网络方法
Zhou et al. Continual learning-based fast beamforming adaptation in downlink MISO systems
Zhang et al. Beyond supervised power control in massive MIMO network: Simple deep neural network solutions
Kumar et al. WSEE optimization of cell-free mmimo uplink using deep deterministic policy gradient
Wang et al. Learn from optimal energy-efficiency beamforming for SWIPT-enabled sensor cloud system based on DNN

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