[發明專利]一種基于集成神經網絡的終端設備傳輸功率的控制方法

有效

• 申請號: 202010964851.3
• 申請日: 2020-09-15
• 公開（公告）號: CN112153617B
• 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;H04B17/382;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

本發明公開一種基于集成神經網絡的終端設備傳輸功率的控制方法，收集D2D鏈路的信道功率增益樣本；并輸入到SPCA算法，得到相應樣本下的最優功率分配策略；搭建深度神經網絡和卷積神經網絡，并初始化神經網絡權重；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；構建選擇器，選擇并輸出具有更高性能的分配策略。本發明克服了深度神經網絡對大規模網絡學習能力弱和卷積神經網絡對小規模網絡的局部特征提取的有限性，用集成學習的思想，將兩個網絡集成起來，使其能適應不同規模網絡實時的功率分配需求。

技術領域

本發明屬于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，尤其涉及一種基于集成神經網絡的終端設備傳輸功率的控制方法。

背景技術

物聯網設備數量的激增導致激烈的帶寬競爭。如果要達到令人滿意的數據交付率，傳統的方案是通過多個用戶以非正交的方式共享多個子載波，但這也將導致多個用戶之間的相互干擾，彼此成為對方的噪聲源。這帶來的結果是一個子載波中單個用戶的數據交付率隨該子載波中其它用戶的傳輸功率的增加而減少。如何進行適當的功率分配以平衡干擾和數據速率成為研究的新方向。

另外，典型的功率分配算法是迭代-充水算法，它可以找到滿足系統中所有用戶和速率最大化性能的次優解，該算法的缺點是收斂性能差，包括收斂性低，而緩慢的收斂會導致比較高的計算復雜度，當面對大規模網絡，尤其是有大量終端設備的通信網絡時，迭代算法的收斂性很難得到保證，這也限制了其應用領域，即僅能在小規模網絡中得到運用。

目前，深度學習技術被應用到不同的領域，包括圖像分類、自然語言處理和語音識別，而近年來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一個令人滿意的非線性逼近，所以得到廣泛的研究，目前神經網絡包括深度神經網絡(DNN)、卷積神經網絡(CNN)。

許多利用神經網絡通過功率控制實現目標函數最大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IPM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，以監督的方式實現SE、EE或SR最大化的目標。通過研究對比發現，DNN更適合在小規模網絡中進行特征提取，而在大規模網絡中，CNN的學習能力優于DNN，具體來說就是同樣迭代次數下，CNN比DNN有更小的均方誤差(MSE)。結合以上結論，我們加入集成網絡的思想。

發明內容

發明目的：本發明的目的是針對現有功率控制算法的不足，提供一種基于集成神經網絡的終端設備傳輸功率的控制方法，實現在線決策，并能夠對傳統算法達到一個很好的性能逼近，可以適合不同規模的網絡環境的在線決策，靈活性高。

技術方案：本發明所述的一種基于集成神經網絡的終端設備傳輸功率的控制方法，具體包括以下步驟：

(1)收集D2D鏈路的信道功率增益樣本；

(2)將收集到的信道功率增益樣本輸入到SPCA算法，并得到相應樣本下的最優功率分配策略，收集訓練數據集，包括信道增益樣本和標簽；

(3)搭建基于深度神經網絡和卷積神經網絡結合形成的集成神經網絡，并初始化集成神經網絡權；

(4)將訓練數據集分別輸入至深度神經網絡和卷積神經網絡，構建兩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兩神經網絡的權重進行更新；

(5)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；

(6)測試階段構建選擇器，由選擇器負責收集兩個神經網絡輸出的功率分配；