[發(fā)明專利]一種基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)作頻譜共享智能契約設(shè)計(jì)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910097980.4
• 申請(qǐng)日: 2019-01-31
• 公開（公告）號(hào): CN109982328B
• 公開（公告）日: 2022-09-13
• 發(fā)明（設(shè)計(jì)）人: 趙楠;譚惠文;劉暢;裴一揚(yáng);劉聰;曾春艷;賀瀟;劉澤華
• 申請(qǐng)（專利權(quán)）人: 湖北工業(yè)大學(xué)
• 主分類號(hào): H04W16/10
• 分類號(hào): H04W16/10;H04W16/14;H04W16/22
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 張火春

1.一種基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)作頻譜共享智能契約設(shè)計(jì)方法，其特征在于，針對(duì)契約簽訂前后信息和行為隱匿性雙重非對(duì)稱動(dòng)態(tài)網(wǎng)絡(luò)信息問題，在研究小基站SBSs多階段流量卸載能力類型和流量卸載服務(wù)行為的數(shù)學(xué)模型描述方法的基礎(chǔ)上，通過探索多階段私有信息甄別機(jī)制，以規(guī)避動(dòng)態(tài)逆向選擇問題；通過設(shè)計(jì)多階段私有行為激勵(lì)策略，以規(guī)避動(dòng)態(tài)道德風(fēng)險(xiǎn)行為；并且通過建立神經(jīng)網(wǎng)絡(luò)框架模型，研究實(shí)現(xiàn)雙重信息非對(duì)稱場(chǎng)景下多階段動(dòng)態(tài)契約優(yōu)化，所述方法包括如下步驟：

步驟1，多階段動(dòng)態(tài)契約優(yōu)化問題建模：在雙重非對(duì)稱動(dòng)態(tài)網(wǎng)絡(luò)信息場(chǎng)景下，建立多階段動(dòng)態(tài)契約優(yōu)化問題模型；

步驟2，構(gòu)建動(dòng)態(tài)契約優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型，并訓(xùn)練動(dòng)態(tài)契約優(yōu)化的神經(jīng)網(wǎng)絡(luò)：針對(duì)雙重非對(duì)稱動(dòng)態(tài)網(wǎng)絡(luò)信息場(chǎng)景下多階段動(dòng)態(tài)契約模型的非凸優(yōu)化求解問題，利用SBSs的私有信息和聲譽(yù)信息，通過建立多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框架，研究雙重信息非對(duì)稱場(chǎng)景下多階段動(dòng)態(tài)契約優(yōu)化設(shè)計(jì)策略，從而保證多階段協(xié)作頻譜共享實(shí)現(xiàn)；

步驟1中，所述建立多階段動(dòng)態(tài)契約優(yōu)化問題模型實(shí)現(xiàn)過程包括：

考慮由M個(gè)宏基站MBSs、N個(gè)小型基站SBSs和若干個(gè)隨機(jī)分布的移動(dòng)用戶組成的兩層異構(gòu)蜂窩網(wǎng)絡(luò)，在每階段t契約設(shè)計(jì)中，MBSs依據(jù)SBSs私有能力類型信息和聲譽(yù)信息向SBSs提出當(dāng)前期的契約其中，為固定收益，為收益提成；

引入契約服務(wù)矩陣以描述SBS_i與MBS_j簽訂頻譜共享契約的方式，每一SBS最多只為一個(gè)MBS提供流量卸載服務(wù)，即

于是，當(dāng)SBS_i提供流量卸載服務(wù)時(shí)，MBS_j獲得的期望效用為SBS_i獲得的期望效用為

為了激勵(lì)SBSs提供流量卸載服務(wù)，協(xié)作頻譜共享契約需滿足個(gè)人理性(individuallyrational，IR)約束條件，以確保SBSs參與協(xié)作所獲得的效用至少不低于其保留效用U₀，即

為了激勵(lì)SBSs忠實(shí)地向MBSs反饋其私有能力類型信息協(xié)作頻譜共享契約需滿足激勵(lì)相容IC約束條件，以確保私有能力類型信息為的SBSs通過選擇與自身能力類型相匹配的契約條款才能可實(shí)現(xiàn)期望效用最大，即

為了激勵(lì)SBSs高效地參與流量卸載服務(wù)，協(xié)作頻譜共享契約需滿足激勵(lì)相容約束，以確保每個(gè)SBS獲得最大的期望效用，即

由此，雙重非對(duì)稱動(dòng)態(tài)網(wǎng)絡(luò)信息場(chǎng)景下多階段動(dòng)態(tài)契約優(yōu)化問題為在滿足上述約束條件下，MBSs總期望效用的最大化：

步驟2中，構(gòu)建動(dòng)態(tài)契約優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)過程包括：

在建立多階段動(dòng)態(tài)契約優(yōu)化問題基礎(chǔ)上，研究基于深度神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)契約優(yōu)化設(shè)計(jì)方法，以獲得最優(yōu)的多階段協(xié)作頻譜共享契約策略；

在基于深度學(xué)習(xí)的智能契約機(jī)制中，在給定神經(jīng)網(wǎng)絡(luò)模型參數(shù)ω的前提下，假設(shè)服從先驗(yàn)分布上述IR約束建模為預(yù)期違反IR約束條件，即

上述約束條件(3)建模為預(yù)期事后regret，即

于是，從機(jī)器學(xué)習(xí)角度來看，多階段動(dòng)態(tài)契約優(yōu)化問題能夠描述為在滿足上述約束條件的前提下期望損失函數(shù)的最小化，即：

在基于深度神經(jīng)網(wǎng)絡(luò)契約設(shè)計(jì)框架中，網(wǎng)絡(luò)結(jié)構(gòu)由兩個(gè)邏輯上不同的組件組成：服務(wù)網(wǎng)絡(luò)和支付網(wǎng)絡(luò)SBSs私有能力類型信息和聲譽(yù)信息均作為輸入數(shù)據(jù)進(jìn)入網(wǎng)絡(luò)的輸入層；服務(wù)網(wǎng)絡(luò)使用R個(gè)全連接的隱藏層建模和1個(gè)全連接的輸出層，每個(gè)隱藏層采用sigmoidal激活函數(shù)，通過softmax激活函數(shù)后，輸出契約服務(wù)矩陣支付網(wǎng)絡(luò)使用T個(gè)全連接的隱藏層建模和1個(gè)全連接的輸出層，通過ReLU激活函數(shù)后輸出固定收益通過softmax激活函數(shù)后輸出收益提成

2.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)作頻譜共享智能契約設(shè)計(jì)方法，其特征在于：步驟2中，訓(xùn)練動(dòng)態(tài)契約優(yōu)化的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)過程包括：

在網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練階段，優(yōu)化問題(8)中的預(yù)期損失函數(shù)、預(yù)期事后regret、預(yù)期IR懲罰等數(shù)據(jù)均由樣本以某種先驗(yàn)分布產(chǎn)生，于是，預(yù)期損失函數(shù)用經(jīng)驗(yàn)損失函數(shù)代替，預(yù)期事后被經(jīng)驗(yàn)事后代替，預(yù)期IR懲罰被經(jīng)驗(yàn)IR懲罰代替，訓(xùn)練優(yōu)化問題轉(zhuǎn)化成：

進(jìn)一步，采用增廣拉格朗日乘子方法解決上述訓(xùn)練優(yōu)化問題，通過在拉格朗日函數(shù)C_ρ(ω；λ_irv'；λ_rgt')中增加違反約束條件的二次懲罰項(xiàng)：

其中，λ_irv',λ_rgt'∈Rⁿ為拉格朗日乘子的向量，ρ＞0為二次懲罰項(xiàng)的權(quán)重；

在每次迭代中執(zhí)行以下更新：

選取適當(dāng)?shù)膽土P參數(shù)，以保證增廣拉格朗日方法能夠收斂到優(yōu)化問題的最優(yōu)解，并利用Adam算法獲得最小的損失函數(shù)，以優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重。