[發(fā)明專利]一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的多用戶功率分配方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210993312.1
• 申請(qǐng)日: 2022-08-18
• 公開(kāi)（公告）號(hào): CN115361731A
• 公開(kāi)（公告）日: 2022-11-18
• 發(fā)明（設(shè)計(jì)）人: 李瑩繡;吳炳洋
• 申請(qǐng)（專利權(quán)）人: 東南大學(xué)
• 主分類號(hào): H04W52/22
• 分類號(hào): H04W52/22;H04W52/24;H04W52/26;H04W52/36;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 孫建朋

1.一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的多用戶功率分配方法，其特征在于，包括以下步驟：

S1:初始化下行單小區(qū)多用戶系統(tǒng)模型，基站配備多根天線，用戶側(cè)均為單天線，基站能獲取到所有用戶的信道狀態(tài)信息，用戶i的歸一化可達(dá)數(shù)據(jù)速率為：

其中h_i為第i個(gè)用戶信道向量，為第i個(gè)用戶信道向量的轉(zhuǎn)置，H為轉(zhuǎn)置運(yùn)算符，w_i為第i個(gè)用戶的預(yù)編碼向量，為第i個(gè)用戶側(cè)的噪聲方差，p_i為分配給第i個(gè)用戶的傳輸功率，滿足0≤p_i≤P_max，p_j為分配給第j個(gè)用戶的傳輸功率，滿足j≠i且0≤p_j≤P_max，P_max為基站的最大發(fā)射功率；

S2：收集數(shù)據(jù)集，包括各用戶的信道狀態(tài)信息矩陣H與基于二次變換的多比例分?jǐn)?shù)規(guī)劃FP算法下的功率分配結(jié)果p*；

S3:設(shè)計(jì)一維卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)及卷積核數(shù)量，初始化一維卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置；

S4:訓(xùn)練一維卷積神經(jīng)網(wǎng)絡(luò)，采取均方誤差作為損失函數(shù)形式，以最小化預(yù)測(cè)功率向量p與步驟S2中基于二次變換的多比例分?jǐn)?shù)規(guī)劃算法下功率分配向量p*之間的誤差；

S5:當(dāng)?shù)?xùn)練次數(shù)大于等于2000次或損失函數(shù)誤差小于10^-3時(shí)，保存當(dāng)前一維卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置。

2.根據(jù)權(quán)利要求1所述的基于一維卷積神經(jīng)網(wǎng)絡(luò)的多用戶功率分配方法，其特征在于，所述S2具體包括以下步驟：

S2-1:初始化輔助變量γ和y；

S2-2:初始化迭代計(jì)數(shù)器counter＝0；

S2-3:更新輔助變量y中第i個(gè)參數(shù)y_i：

其中γ_i為初始化輔助變量γ中的第i個(gè)參數(shù)，K為基站中的用戶數(shù)量；

S2-4:更新輔助變量γ中第i個(gè)參數(shù)γ_i：

S2-5:更新功率向量p中的第i個(gè)功率結(jié)果p_i：

S2-6:計(jì)數(shù)器counter＝counter+1；

S2-7:重復(fù)S2-3至S2-6直至counter≥1000；

S2-8:輸出基于二次變換的多比例分?jǐn)?shù)規(guī)劃FP算法下的功率分配結(jié)果p*。

3.根據(jù)權(quán)利要求2所述的基于一維卷積神經(jīng)網(wǎng)絡(luò)的多用戶功率分配方法，其特征在于，所述S3中，由于一維卷積神經(jīng)網(wǎng)絡(luò)只能處理實(shí)數(shù)，而用戶信道狀態(tài)信息為復(fù)數(shù)形式，因此，定義一維卷積神經(jīng)網(wǎng)絡(luò)的輸入為：

v＝abs(vec(H^HH))²

其中vec函數(shù)實(shí)現(xiàn)了H^HH的向量化，abs函數(shù)實(shí)現(xiàn)了對(duì)每一個(gè)復(fù)數(shù)取模，H為用戶的信道狀態(tài)信息矩陣，H^H用戶的信道狀態(tài)信息矩陣的轉(zhuǎn)置，則一維卷積神經(jīng)網(wǎng)絡(luò)的輸入尺寸為K²×1，其中K為基站中的用戶數(shù)量；因此，使用一維卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)處理后的輸入v到輸出功率向量的映射關(guān)系,包含輸入層、三個(gè)卷積模塊、兩個(gè)全連接層以及輸出層。

4.根據(jù)權(quán)利要求3所述的基于一維卷積神經(jīng)網(wǎng)絡(luò)的多用戶功率分配方法，其特征在于，所述S4具體包括以下步驟：

S4-1:基于深度學(xué)習(xí)的特性，收集用戶與基站之間的信道狀態(tài)信息，使用基于二次變換的多比例分?jǐn)?shù)規(guī)劃FP算法得到對(duì)應(yīng)的功率向量p*，重復(fù)S4-1中得到的訓(xùn)練數(shù)據(jù)；

S4-2:將步驟S4-1中得到的訓(xùn)練數(shù)據(jù)樣本按照4:1:1的比例隨機(jī)分成訓(xùn)練集、驗(yàn)證集和測(cè)試集；

S4-3:訓(xùn)練初始化結(jié)構(gòu)的一維卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建損失函數(shù)L_FP：

其中，P_out為一維卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，P_FP為FP算法得到的最優(yōu)功率分配結(jié)果。

5.根據(jù)權(quán)利要求4所述的基于一維卷積神經(jīng)網(wǎng)絡(luò)的多用戶功率分配方法，其特征在于，所述S5具體為訓(xùn)練迭代次數(shù)大于等于2000次或損失函數(shù)小于閾值10^-3時(shí)停止訓(xùn)練并保存當(dāng)前模型的權(quán)重和偏置。