[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

本發明公開一種多小區蜂窩D2D設備中基于深度學習的用戶關聯方法，首先，收集環境內終端設備的信道增益信息；其次，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，收集訓練數據集；然后，構建卷積神經網絡框架，初始化神經網絡參數；最后，訓練該神經網絡：將訓練數據集輸入至神經網絡，構建神經網絡的輸出和標簽之間的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；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。本發明克服了環境中D2D設備對蜂窩設備造成的干擾問題，用卷積神經網絡以監督學習的方式逼近傳統算法來學習信道增益到最優用戶關聯策略之間的映射關系。

技術領域

本發明涉及通信系統物理層技術，具體的涉及無線通信系統資源分配技術，尤其涉及一種多小區蜂窩D2D設備中基于深度學習的用戶關聯方法。

背景技術

目前，隨著5G通信技術的逐步普及以及通信網絡形式的多樣化，通信網絡的資源分配成為研究機構的熱點問題。設備對設備(D2D)是一種具有提高頻譜和能量效率的技術，并由于這些優點，D2D已經被重新使用作為5G無線網路的關鍵技術，在D2D鏈路中，兩個相鄰的設備可以直接傳輸數據而無需接入點的幫助。隨著基站密集化技術的逐步推進，基站越來越多的出現在人們的生活中，這也意味著基站離我們的距離越來越近了，在蜂窩設備和D2D設備的混合網絡中，兩種設備同時進行通信勢必會引出干擾問題，如何通過基站與蜂窩用戶之間關聯狀態的適當調整，減小來自D2D設備的干擾，使系統的速率性能最大化成為新的研究方向，這也是本發明的核心問題。

多小區網絡環境中傳統的用戶關聯算法是窮舉法，一般先確定目標函數，再通過窮舉所有關聯策略的可能，比較所有可能策略的性能，最后選擇導致最優性能的策略作為最終策略。它可以找到滿足系統中所有用戶最大化性能的最優解，但該算法典型的缺點是收斂性能差，緩慢的收斂會導致很高的計算復雜度，這在大規模網絡，尤其是有大量終端設備的通信網絡時，窮舉算法的計算時間會呈指數增長，無法進行在線決策，這也限制了其應用領域。

目前，深度學習技術利用神經網絡的函數逼近特性，近年來在圖像處理和語音識別等各個領域得到了廣泛的研究。雖然神經網絡的訓練可能需要一些時間，但由于其訓練過程可以離線進行，所以計算復雜度很小，非常適合實時操作。且由于無線通信網絡中信道樣本采集的便利性和及時性，深度學習在無線通信中的應用也越來越有優勢。深度學習中的神經網絡可以對傳統算法達到很好的的非線性逼近，所以得到廣泛的研究，目前常用的神經網絡包括深度神經網絡(DNN)、卷積神經網絡(CNN)、循環神經網絡(RNN)。

許多利用神經網絡通過鏈路調度或用戶關聯實現目標函數最大或最小化的研究受到關注。比如用深度神經網絡通過逼近次梯度算法，來實現系統頻譜效率(SE)最大化或能效(EE)最大化，又或者是通過逼近迭代優化算法，實現系統和速率(SR)最大化的目標，卷積神經網絡方面，通過利用卷積濾波器對局部特征進行提取，以監督學習的方式實現SE、EE或SR最大化的目標。本發明通過CNN來學習終端設備的信道增益信息到最優蜂窩用戶關聯策略之間的映射關系。

發明內容

發明目的：本發明提供一種多小區蜂窩D2D設備中基于深度學習的用戶關聯方法，克服了環境中D2D設備對蜂窩設備造成的干擾問題，用卷積神經網絡以監督學習的方式逼近傳統算法來學習信道增益到最優用戶關聯策略之間的映射關系。

技術方案：本發明所述的一種多小區蜂窩D2D設備中基于深度學習的用戶關聯方法，具體包括以下步驟：

(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；