[發明專利]一種多小區蜂窩D2D設備中基于深度學習的用戶關聯方法

有效

• 申請號: 202010964458.4
• 申請日: 2020-09-15
• 公開（公告）號: CN112153615B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 李君;朱明浩;仲星;王秀敏;李正權
• 申請（專利權）人: 南京信息工程大學濱江學院;中科怡海高新技術發展有限公司
• 主分類號: H04W4/70
• 分類號: H04W4/70;H04W24/04;H04W24/06;H04B17/391;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種多小區蜂窩D2D設備中基于深度學習的用戶關聯方法，其特征在于，包括以下步驟：

(1)收集環境內終端設備的信道增益信息；

(2)運用窮舉法得到相應信道增益樣本下的最優蜂窩用戶關聯策略Z^*，收集訓練數據集；

(3)確定訓練集和測試集的分割比例；

(4)構建卷積神經網絡模型，初始化神經網絡參數；所述卷積神經網絡模型構造如下：

一次分布生成16個信道狀態信息h_ij＝g_ijα_ij，可達速率為：

多小區蜂窩系統和速率最大化問題為：

其中,g_ij為衰落系數，基站索引j∈J,蜂窩設備索引i∈I,D2D設備索引d∈D,蜂窩設備i到基站j之間的預測關聯策略和信道增益表示為Z_ij、h_ij，如果Z_ij＝1時表示蜂窩設備i與基站j關聯，由這個基站提供數據服務，否則為Z_ij＝0這之間的傳輸功率表示為p_ij；D2D鏈路的信道增益表示為h_d，傳輸功率為p_d，默認所有設備以最大功率傳輸，即p_ij＝p_d＝p_max，蜂窩設備i到基站j的可達速率R_ij，公式中的W是帶寬，是環境背景噪聲；

優化問題包含兩個約束項：和表示每個蜂窩設備僅能由一個基站提供通信服務、表示每個基站可同時服務的終端不超過上限θ個；

(5)將訓練數據集輸入至神經網絡，構建神經網絡的輸出和最優蜂窩用戶關聯策略之間的MSE作為損失函數，并選擇隨機梯度下降算法對神經網絡的權重進行更新；所述損失函數構造如下：

其中，構建神經網絡輸出預測關聯策略Z_ij和窮舉法得到的最優蜂窩用戶關聯策略Z^*的均方誤差作為損失函數L；采用小批次梯度下降算法，每批次包含M個樣本，訓練周期為γ＝300，優化器選擇隨機梯度下降算法對神經網絡的權重和偏置進行更新；

(6)當損失函數小于預設值或達到迭代次數時即認為神經網絡訓練完成，保存神經網絡；

(7)測試階段由測試集作為輸入數據測試性能。

2.根據權利要求1所述的多小區蜂窩D2D設備中基于深度學習的用戶關聯方法，其特征在于，步驟(2)所述的訓練數據集包括信道增益信息樣本和相應的最優用戶關聯策略數據。

3.根據權利要求1所述的多小區蜂窩D2D設備中基于深度學習的用戶關聯方法，其特征在于，步驟(4)所述的卷積神經網絡的結構包括1層卷積層、3層隱藏層、1層輸出層；所述卷積層作為輸入層接收信道增益信號，使用2個3×3的卷積核來生成特征圖，之后經過由3層全連接層構成的隱藏層，神經元數分別為100、80、50；隱藏層選擇ReLU激活函數提供非線性能力，由輸出層密集層經過sigmoid函數作激活后產生用戶關聯策略。