基于密集无线网络的功率控制策略的制作方法

1.本发明属于通信系统物理层技术领域，具体涉及基于密集无线网络的功率控制策略。


背景技术：

2.由于当前互联网业务的快速发展、终端设备数量的不断增加以及数据业务需求的快速增长，传统的单层网络已经不能满足当前网络快速发展的要求，无线网络正面临着巨大的挑战。为了应对挑战和缓解网络面临的负担，研究人员提出了在第5代移动通信中通过部署超密集网络来提高整个网络的性能，即增大网络容量，允许有更多的用户加入到网络中来。密集网络主要是在宏基站的覆盖范围内通过在热点区域部署大量的低功率接入点(access point.ap)来构成网络。由于频谱的稀缺性以及为了提高频谱重复使用率，在组建密集网时，要求宏基站和大量部署的ap使用相同的频段，于是不可避免地会产生严重的区间干扰。由于这些干扰大大限制了密集网的部署，因此，对这些干扰进行有效管理、降低干扰对超密集网的影响成为了超密集网部署过程中急需解决的问题。传统的解决方案是通过多个用户以非正交的方式共享多个子载波，但这也将导致多个用户之间的相互干扰，彼此成为对方的噪声源。
3.在过去的20年里，软阈值法经常被用作许多信号去噪方法的关键步骤。一般情况下，将原始信号变换到一个近零个数不重要的域，然后应用软阈值技术将近零特征转换为零。例如，作为一种经典的信号去噪方法，小波阈值法通常由三个步骤组成：小波分解、软阈值和小波重构。为了保证信号去噪的良好性能，小波阈值化的一个关键任务是设计一个滤波器，将有用的信息转换为非常正的或负的特征，将噪声信息转换为接近零的特征。然而，设计这样一个滤波器需要大量的信号处理专业知识，这一直是一个富有挑战性的问题。近些年来，深度学习为解决这一问题提供了新的途径。深度学习可以使用梯度下降算法自动学习滤波器，而不是由专家人工设计滤波器。因此，软阈值和深度学习相结合是消除噪声相关信息和构造高分辨特征的一种很有前途的方法。
4.深度残差收缩网络(drsn)是深度残差网络的一种新的升级版本，其实是深度残差网络、注意力机制(参照squeeze-and-excitation network，senet)和软阈值化的深度集成。在一定程度上，drsn的工作原理，可以理解为：通过注意力机制注意到不重要的特征，然后通过软阈值化将它们置为零；或者说，通过注意力机制注意到重要的特征，将它们保留下来，从而加强深度神经网络从含噪声信号中提取有用特征的能力。换言之，drsn面向的是带有“噪声”的信号，将“软阈值化”作为“收缩层”引入残差模块之中，并且提出了自适应设置阈值的方法。实际上，这里的“噪声”可以宽泛地理解为“与当前任务无关的特征信息”。


技术实现要素：

5.发明目的：针对现有多小区多用户环境下功率分配算法的不足，本发明提出基于密集无线网络的功率控制策略，是基于drsn的功率分配策略。
6.技术方案：为实现上述目的，本发明采用如下技术方案：
7.基于密集无线网络的功率控制策略，包括如下步骤：
8.1)收集训练数据集；
9.2)确定训练集和测试集的分割比例；
10.3)构建drsn框架，并初始化神经网络权重；
11.4)将训练数据集输入至神经网络构建神经网络的输出和标签之间的mse作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；
12.5)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；
13.6)测试阶段由测试集作为输入数据测试性能。
14.进一步地，所述的步骤1)中，包括如下步骤：
15.1)收集环境内用户到基站之间的信道状态样本hm×i；
16.2)将收集到的信道状态样本hm×i输入到wmmse算法，得到相应样本下的最优功率分配策略p
*
，收集训练数据集，包括信道状态样本和相应的最优功率分配标签。用加权最小均方误差(wmmse)算法通过将原问题转化为加权最小均方误差最小化问题间接得到原问题的最优解并将其作为训练数据集的标签。
17.进一步地，所述的步骤5)中，所述的神经网络负责学习环境内用户到基站之间的信道状态信息hm×i到最优功率分配的映射关系。
18.进一步地，所述的步骤5)中，神经网络训练过程如下步骤所示：
19.步骤1、首先收集训练数据集，包括将收集环境内用户到基站之间的信道状态信息hm×i，运行wmmse得到其最优功率分配标签，重复多次组成数据集；
20.步骤2、采用小批次梯度下降算法分批次训练数据；
21.步骤3、构建drsn框架并初始化drsn参数；
22.步骤4、对训练数据所有批次进行遍历，以批次为例，作为drsn输入信号并得到相应的输出信号，构建损失函数；
23.步骤5、用随机梯度下降算法对神经网络的权重进行更新，直至损失函数小于预设阈值；
24.步骤6、保存训练好的神经网络。
25.进一步地，所述的步骤6)中，具体为：
26.假设考虑到一个密集无线网络环境，环境中包括m个小区，每个小区中央部署一个基站，即共m个基站；每个基站有其相关联的用户群集，令m基站的用户群集为im；小区覆盖范围内随机多个用户分布其中，整个环境中共有i个用户，其中，用户集合：u＝{1，2，
···
i}，基站集合：b＝{1，2，
···
m}，i
(m)
代表由m基站服务的i用户；其中i用户的传输功率用表示，是从m基站到i用户的信道功率增益，通过公式建模:h
ij
＝g
ij
α
ij
，其中g
ij
是信道小规模快速衰落系数，α
ij
是大规模衰落功率系数，这些都考虑到了路径损失和阴影；则基站m到用户i的下行链路信干噪比为：用户i
(m)
处的可达
速率为其中是背景噪声；则整个系统功率分配的和速率最大化问题可被表示为：其约束条件为：其中，
27.有益效果：与现有技术相比，本发明的基于密集无线网络的功率控制策略，提出基于drsn的功率分配策略，采用的是典型的功率分配算法-加权最小均方误差算法(wmmse)，通过将目标问题等效为加权最小均方误差(mse)最小化问题，找到满足系统中所有用户和速率最大化性能的最优解。将其应用于噪声干扰较大的环境下，极大程度上提高了神经网络的学习能力。在噪声干扰大的环境中，相比于传统算法而言其学习能力获得很大的提升。本发明克服了深度神经网络对大规模网络学习能力弱的特点，极大程度上防止了“梯度消失”和“梯度爆炸”现象的出现。
附图说明
28.图1是密集网络示意图；
29.图2是神经网络的框架图；
30.图3是drsn结构图；
31.图4是训练阶段小批次梯度下降训练流程图；
32.图5是测试阶段学习流程图。
具体实施方式
33.以下结合具体实施方式对本发明做进一步的说明。
34.本发明所用到的drsn结构如图2所示，该神经网络负责学习环境内用户到基站之间的信道状态信息hm×i到最优功率分配的映射关系。整个过程包括数据集的收集、神经网络的训练。其具体的实施步骤如下：
35.1)收集环境内用户到基站之间的信道状态hm×i；
36.2)将收集到的信道状态样本hm×i输入到wmmse算法，得到相应样本下的最优功率分配策略p
*
，收集训练数据集，包括信道状态样本和相应的最优功率分配标签；
37.3)确定训练集和测试集的分割比例；
38.4)构建drsn框架，并初始化神经网络权重；
39.5)将训练数据集输入至神经网络构建神经网络的输出和标签之间的mse作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；
40.6)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；
41.7)测试阶段由测试集作为输入数据测试性能。
42.假设考虑到一个密集无线网络环境，环境中包括m个小区，每个小区中央部署一个基站，即共m个基站。每个基站有其相关联的用户群集，令m基站的用户群集为im，小区覆盖范围内随机多个用户分布其中，整个环境中共有i个用户，其中：
43.用户集合：u＝{1，2，
···
i}，基站集合：b＝{1，2，
···
m}，i
(m)
代表由m基站服务的i用户。其中i用户的传输功率用表示，是从m基站到i用户的信道功率增益，通过公式建模:h
ij
＝g
ij
α
ij
，其中g
ij
是信道小规模快速衰落系数，α
ij
是大规模衰落功率系数，这些都考虑到了路径损失和阴影。则基站m到用户i的下行链路信干噪比为：用户i
(m)
处的可达速率为其中是背景噪声。则整个系统功率分配的和速率最大化问题可被表示为：其约束条件为：
44.本发明用加权最小均方误差(wmmse)算法通过将原问题转化为加权最小均方误差最小化问题间接得到原问题的最优解并将其作为训练数据集的标签。神经网络训练过程如下步骤所示：
45.步骤1、首先收集训练数据集，包括将收集环境内用户到基站之间的信道状态信息hm×i，运行wmmse得到其最优功率分配标签，重复多次组成数据集；
46.步骤2、采用小批次梯度下降算法分批次训练数据；
47.步骤3、构建drsn框架并初始化drsn参数；
48.步骤4、对训练数据所有批次进行遍历，以批次为例，作为drsn输入信号并得到相应的输出信号，构建损失函数；
49.步骤5、用随机梯度下降算法对神经网络的权重进行更新，直至损失函数小于预设阈值；
50.步骤6、保存训练好的神经网络。
51.下面以一实例具体的讲述以drsn进行最优功率分配的过程。设在1km
×
1km的正方形区域中，环境由10个小基站以及80个用户组成，用户和小基站的位置随机分布。信道仅考虑路径损失，其中衰落系数g
ij
＝1，按照路径损耗模型一次可以生成320个信道状态信息h
ij
＝g
ij
α
ij
。同时，运行wmmse算法，得到相应的最优功率分配标签p
*
，重复16万次，得到16万个具有增益样本和相应标签的训练数据集，再确定训练集和测试集的比例。
52.之后构建drsn网络的结构，其结构图见附图3。将信道状态信息样本输入进神经网络，由输入层转发输入数据，输入信号的维数为10
×
80
×
1，步长为1，卷积层卷积核大小为3
×
3，神经元个数为10，各层卷积核个数k＝10。由残差模块对输入信号分三份处理，一部分信号经过批处理归一化(batch normalize，bn)后直接跨层连接至输出，输出采用sigmoid函数作为输出激活函数；一部分信号需经过双层卷积网络归一化处理，采用relu作为每层隐层的激活函数后至输出；最后一部分信号经过双层卷积网络归一化处理后一部分取均值，一部分进行归一化处理后进入全连接层，采用sigmoid函数作为激活函数之后与均值信号作乘法运算后传至输出。
53.训练时构造神经网络的输出值和标签均方误差作为损失函数：
用小批次梯度下降算法，每批次包含80个样本，即m＝80，训练周期为320，优化器选择随机梯度下降算法对神经网络的权重和偏置进行更新。
54.测试阶段，以训练阶段相同分布的信道生成的样本作为测试集，两个神经网络接收数据集并产生相应的功率分配，由选择器接收分配结果并计算每个结果所实现的系统和速率性能，选择输出和速率性能高的功率剖面作为最终输出结果。整个基于drsn网络的功率控制策略流程图如图4和图5所示，具体实现步骤如下：
55.1)搭建密集无线网络环境的信道模型，收集环境内用户到基站之间的信道状态信息hm×i样本，收集16万份样本；
56.2)运行wmmse算法得到相应样本下的最优功率分配标签；
57.3)收集样本和标签并将其构成拥有16万份数据的训练数据集；
58.4)构造drsn学习框架，并初始化网络权重系数；
59.5)将训练数据集送入神经网络，构造神经网路输出和标签的均方误差作为损失函数，用小批次梯度下降算法和随机梯度下降算法作为优化器对神经网络的权重进行更新；
60.6)当损失函数小于预设阈值或满足320次迭代周期则停止迭代，并保存神经网络；
61.7)测试阶段通过相同的信道模型和迭代算法生成测试数据集输入至训练好的神经网络中，验证其功率分配结果与标签的误差大小小于1
×
10-5
，证明本发明的可靠性。
62.此实例只是为了说明本发明中利用drsn通过适当功率分配可以使得在多小区多用户密集无线网络环境下优化功率分配，提升神经网络在噪声干扰大的环境中的学习能力。
63.以上所述仅是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以作出若干改进和变型，这些改进和变型也应该视为本发明保护范围。

技术特征：
1.基于密集无线网络的功率控制策略，其特征在于，包括如下步骤：1)收集训练数据集；2)确定训练集和测试集的分割比例；3)构建drsn框架，并初始化神经网络权重；4)将训练数据集输入至神经网络构建神经网络的输出和标签之间的mse作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；5)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；6)测试阶段由测试集作为输入数据测试性能。2.根据权利要求1所述的基于密集无线网络的功率控制策略，其特征在于，所述的步骤1)中，包括如下步骤：1)收集环境内用户到基站之间的信道状态样本h
m
×
i
；2)将收集到的信道状态样本h
m
×
i
输入到wmmse算法，得到相应样本下的最优功率分配策略p
*
，收集训练数据集，包括信道状态样本和相应的最优功率分配标签。3.根据权利要求2所述的基于密集无线网络的功率控制策略，其特征在于，所述的步骤5)中，所述的神经网络负责学习环境内用户到基站之间的信道状态信息h
m
×
i
到最优功率分配的映射关系。4.根据权利要求1所述的基于密集无线网络的功率控制策略，其特征在于，所述的步骤5)中，神经网络训练过程包括如下步骤：步骤1、首先收集训练数据集，包括将收集环境内用户到基站之间的信道状态信息h
m
×
i
，运行wmmse得到其最优功率分配标签，重复多次组成数据集；步骤2、采用小批次梯度下降算法分批次训练数据；步骤3、构建drsn框架并初始化drsn参数；步骤4、对训练数据所有批次进行遍历，以批次为例，作为drsn输入信号并得到相应的输出信号，构建损失函数；步骤5、用随机梯度下降算法对神经网络的权重进行更新，直至损失函数小于预设阈值；步骤6、保存训练好的神经网络。5.根据权利要求1所述的基于密集无线网络的功率控制策略，其特征在于，所述的步骤6)中，具体为：假设一个密集无线网络环境，环境中包括m个小区，每个小区中央部署一个基站，即共m个基站；每个基站有其相关联的用户群集，令m基站的用户群集为i
m
；小区覆盖范围内随机多个用户分布其中，整个环境中共有i个用户，其中，用户集合：u＝{1，2，
···
i}，基站集合：b＝{1，2，
···
m}，i
(m)
代表由m基站服务的i用户；其中i用户的传输功率用表示，是从m基站到i用户的信道功率增益，通过公式建模：h
ij
＝g
ij
α
ij
，其中g
ij
是信道小规模快速衰落系数，α
ij
是大规模衰落功率系数；基站m到用户i的下行链路信干噪比为：
用户i
(m)
处的可达速率为其中是背景噪声；则整个系统功率分配的和速率最大化问题表示为：其约束条件为：其约束条件为：其中，

技术总结
本发明公开了基于密集无线网络的功率控制策略，属于通信系统物理层技术领域，包括如下步骤：1)收集训练数据集；2)确定训练集和测试集的分割比例；3)构建DRSN框架，并初始化神经网络权重；4)将训练数据集输入至神经网络构建神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；5)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络；6)测试阶段由测试集作为输入数据测试性能。本发明克服了深度神经网络对大规模网络学习能力弱，极大程度上防止了“梯度消失”和“梯度爆炸”现象的出现。现象的出现。


技术研发人员：李君 张茜茜 朱明浩 丁文杰 沈国丽 仲星 王秀敏 李正权
受保护的技术使用者：中科怡海高新技术发展江苏股份公司
技术研发日：2021.06.30
技术公布日：2022/5/25