[發明專利]融合混類增強與自編碼器的大規模MIMO性能提升方法

有效

• 申請號: 202110404637.7
• 申請日: 2021-04-15
• 公開（公告）號: CN113114314B
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 楊綠溪;李林育;張征明
• 申請（專利權）人: 東南大學
• 主分類號: H04B7/0413
• 分類號: H04B7/0413;H04B7/0426;H04W24/02;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 徐激波

本發明公開了一種融合深度自編碼器與混類增強的大規模MIMO網絡性能提升方法，包括如下步驟，在大規模MIMO網絡場景下，建立基于深度神經網絡的功率分配模型，并獲取用戶設備的位置作為所述功率分配模型的輸入樣本，分配結果作為輸出樣本；對大規模MIMO網絡的功率分配模型的輸入樣本和輸出樣本運用自編碼器進行數據增廣，并將增廣數據集送入MIMO網絡的功率分配模型進行訓練；構建融合深度自編碼器與混類增強的數據增廣模型，進一步改善數據增廣的性能。通過本發明能夠在原始訓練集與自編碼器生成訓練集上運用混類增強的方法來解決數據集大小大于閾值時自編碼器無法提升模型性能的問題，從而進一步提升大規模MIMO模型性能和用戶服務質量。

技術領域

本發明涉及無線通信的技術領域，尤其涉及融合混類增強與自編碼器的大規模MIMO性能提升方法。

背景技術

大規模MIMO是一種提升無線網絡性能的有效技術。在大規模MIMO網絡中，基站配備了大量天線以通過空間復用為多個用戶設備提供服務。在工業中，該技術已集成到5G無線通信標準中；在學術界，該技術一直被認為是解決導頻污染問題的關鍵技術。功率分配是大規模MIMO網絡中的核心技術，合理地為用戶分配傳輸功率可以有效提升用戶服務質量。然而，當前基于優化算法的大規模MIMO功率分配方案復雜度高，很難適應動態變化的實際環境。最近，基于深度學習的無線通信網絡優化技術蓬勃發展，這為大規模MIMO網絡功率分配問題的低復雜度算法設計提供了新思路。設計合適的深度神經網絡，可以學習用戶設備的位置和最佳功率分配策略之間的映射，進而實現低復雜度的功率分配算法。與傳統基于凸優化的方法相比，深度學習獲得了功率分配的復雜度與性能之間的折中。

經典機器學習理論指出，只要機器學習算法(如神經網絡)的規模不隨著訓練數據數量的增加而增加，那么經驗風險最小化的收斂性就是可以得到保證的。其中，機器學習算法的規模由參數數量來衡量。然而，對于參數量巨大的深度學習算法，有限的訓練樣本可能會給神經網絡帶來過擬合的風險，進而導致泛化性能的下降。緩解過擬合的一種簡單有效的方法是數據增廣，通過增加樣本的多樣性，可以提高模型的泛化能力。

然而，基于深度學習的大規模MIMO網絡模型的數據增廣尚未充分研究。為了生成和原始樣本不同的增廣數據，我們可以使用自編碼器神經網絡對數據的分布進行擬合，然后從學習到的分布中重新采樣出新的樣本，以實現基于自編碼器的數據增廣。然而，基于自編碼器的數據增廣方法在數據集較大時會給樣本帶來過多的噪聲，最終導致性能下降。

發明內容

發明目的：為了克服現有技術中存在的不足，本發明提供一種融合深度自編碼器與混類增強的大規模MIMO網絡性能提升方法，該發明能夠增強神經網絡的泛化性并提高其魯棒性，從而提升網絡性能。

技術方案：為了實現上述發明目的，本發明提供了一種融合深度自編碼器與混類增強的大規模MIMO網絡性能提升方法，包括如下步驟，

步驟1，在大規模MIMO網絡場景下，建立基于深度神經網絡的功率分配模型，并獲取用戶設備的位置作為所述功率分配模型的輸入樣本，分配結果作為輸出樣本；

步驟2，對大規模MIMO網絡的功率分配模型的輸入樣本和輸出樣本運用自編碼器進行數據增廣，并將增廣數據集送入MIMO網絡的功率分配模型進行訓練；

步驟3，構建融合深度自編碼器與混類增強的數據增廣模型，進一步改善數據增廣的性能。

進一步的，在本發明中：所述步驟1還包括，

步驟1-1，最大化大規模MIMO網絡中速率最差的用戶的速率，以達到所有用戶獲得相同下行速率的目的，大規模MIMO網絡的輸入X為:

X＝{x(k)|k＝1,......,K}

其中,x(k)表示用戶k的位置，輸出是最佳功率分配方案P，且：

P＝{ρ_j,k|k＝1,......K；j＝1,......,L}