一种基于分布式机器学习的无线网络资源分配方法组成比例

本发明专利技术提供一种基于分布式机器学习的无线网络资源分配方法，能够降低计算复杂度。所述方法包括：在各基站侧构建相同规模的深度神经网络模型，并将初始化后的原始网络环境系数划分为多组网络环境系数；以提升系统能量效率为目标，对每组网络环境系数，确定最优的用户关联策略和功率分配策略；将网络环境系数和与各基站相关的最优的用户关联策略和功率分配策略存储为相应基站侧深度神经网络模型的训练集；各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型；获取待处理的网络环境系数，将其输入到训练好的深度神经网络模型中进行神经网络计算，输出结果为优化后的用户关联策略和功率分配策略。本发明专利技术涉及无线通信及机器学习领域。

A Resource Allocation Method for Wireless Networks Based on Distributed Machine Learning

【技术实现步骤摘要】
一种基于分布式机器学习的无线网络资源分配方法
本专利技术涉及无线通信及机器学习领域，特别是指一种基于分布式机器学习的无线网络资源分配方法。
技术介绍
近年来，随着无线网络中密集型应用的急剧增长，对更高的速率和效率的需求也在增加。在超密集网络中部署小型基站为解决盲点和阴影问题提供了一种有前途的解决方案。在下一代蜂窝网络中，毫米波是为克服频谱不足而引入的技术手段，已成为满足移动数据业务指数增长需求的一种有吸引力的解决方案。在非视线传播条件下，由于具有高频和短程衰减特性，通过减小毫米波对蜂窝网络的干扰，提高了蜂窝网络的传输质量。在无线蜂窝网络中，必须正确分配资源以获得较高的性能。随着无线通信的发展，用户的分布越来越密集，由此合理配置无线资源显得越来越重要。毫米波频谱中的资源管理对于提升超密集网络的能量效率变得越来越具有挑战。现有的资源管理算法通常采用数值迭代方案，如：乘法器交替方向法。这些方法在资源优化问题上都取得了一定效果，达到了一定的目标。然而，随着用户数量的增加，在这些算法下，问题变得更加严重。随着无线通信中网络场景的复杂性和用户数量的不断增加，超密集网络的深度学习算法面临着网络规模庞大、资源分配计算复杂度高的挑战。
技术实现思路
本专利技术要解决的技术问题是提供一种基于分布式机器学习的无线网络资源分配方法，以解决现有技术所存在的超密集网络规模庞大，导致资源分配计算复杂度高的问题。为解决上述技术问题，本专利技术实施例提供一种基于分布式机器学习的无线网络资源分配方法，包括：S1，在各基站侧构建相同规模的深度神经网络模型，并将初始化后的原始网络环境系数划分为多组网络环境系数；S2，以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略；S3，将网络环境系数和与各基站相关的最优的用户关联策略和功率分配策略存储为相应基站侧深度神经网络模型的训练集；S4，根据各基站侧的训练集，各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型；S5，获取待处理的网络环境系数，将其输入到训练好的深度神经网络模型中进行神经网络计算，输出结果为优化后的用户关联策略和功率分配策略。进一步地，所述以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略包括：S21，对每组网络环境系数，确定基站到用户终端的信息传输速率及系统能量效率；S22，根据确定的基站到用户终端的信息传输速率及系统的能量效率，利用拉格朗日对偶分解法，确定用户关联判决矩阵；S23，根据确定的用户关联判决矩阵，生成基站与用户的关联策略；S24，基于生成的基站与用户的关联策略，对基站到用户的发射功率进行更新；S25，根据生成的基站与用户的关联策略及更新得到的基站到用户的发射功率，确定系统能量效率；若当前确定的系统能量效率与上一次确定的系统能量效率之间的差值小于预设的阈值，则判断生成的基站与用户的关联策略及更新得到的基站到用户的发射功率为最优分配策略；否则，返回S21继续执行。进一步地，基站到用户终端的信息传输速率表示为：其中，cm,n表示基站m到用户终端n的信息传输速率；M表示基站的集合，W为系统带宽，Km表示与基站m相关联的用户终端个数，γm,n表示用户终端n从基站m获得的信号信噪比，pm,n表示基站m到用户终端n的发射功率，hm,n表示用户终端n与基站m之间的信道系数，hk,n表示用户终端n与除基站m外的其他基站之间的信道系数，pk,n表示除基站m外的其他基站到用户终端n的发射功率，σ表示加性高斯白噪声的功率谱密度。进一步地，系统能量效率表示为：其中，N表示所有用户的集合，xm,n表示基站m与用户终端n的关联情况，表示基站m的电路消耗功率，s.t.表示xm,n与pm,n的约束条件，pmax表示基站m的最大发射功率，Rt表示用户n收到的最小信息传输速率或最小服务质量要求，Im为基站m接收到的最大干扰限制阈值。进一步地，用户关联判决矩阵表示为：其中，Θm,n表示用户关联判决矩阵，μm、λm、νn、τm都表示拉格朗日乘子，t表示第t次迭代。进一步地，基站与用户的关联策略表示为：进一步地，基站到用户的发射功率的更新公式表示为：其中，t表示第t次迭代，δ为迭代更新步长，f(pm,n)为简写形式。进一步地，在训练深度神经网络模型之前，对训练集中的数据进行归一化处理。进一步地，深度神经网络模型的激活函数为线性整流函数，损失函数为均方误差函数。进一步地，所述根据各基站侧的训练集，各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型包括：在训练过程中，各基站侧的工作节点采用分布式异步并行方式进行梯度计算，并将计算得到的梯度上传到参数服务器；其中，梯度表示为：其中，wt表示第t次迭代的权重；表示在第m个基站处的工作节点的样本的梯度；为第m个基站处工作节点的训练集中的样本，包括xm,n和pm,n；表示使用梯度计算方法求解深度神经网络模型的权重；参数服务器根据接收到的梯度更新权重，并将更新后的权重返回给对应的工作节点，以完成深度神经网络模型的训练，其中，权重的更新公式为：其中，η表示学习率，wt+1表示第t+1次迭代的权重。本专利技术的上述技术方案的有益效果如下：上述方案中，在各基站侧构建相同规模的深度神经网络模型，并将初始化后的原始网络环境系数划分为多组网络环境系数；以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略；将网络环境系数和与各基站相关的最优的用户关联策略和功率分配策略存储为相应基站侧深度神经网络模型的训练集；根据各基站侧的训练集，各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型；获取待处理的网络环境系数，将其输入到训练好的深度神经网络模型中进行神经网络计算，输出结果为优化后的用户关联策略和功率分配策略；这样，利用拉格朗日对偶分解法最大限度地提高能量效率生成训练集后，用深度神经网络模型进行近似，并将大规模网络模型划分为小型分布式网络，在每个基站侧进行分布式优化决策，能够在较短的计算时间内获得较高的能量效率，从而降低计算复杂度。附图说明图1为本专利技术实施例提供的基于分布式机器学习的无线网络资源分配方法的流程示意图；图2为本专利技术实施例提供的基于分布式机器学习的无线网络资源分配环境架构示意图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本专利技术针对现有的超密集网络规模庞大，导致资源分配计算复杂度高的问题，提供一种基于分布式机器学习的无线网络资源分配方法。如图1所示，本专利技术实施例提供的基于分布式机器学习的无线网络资源分配方法，包括：S1，在各基站侧构建相同规模的深度神经网络模型，并将初始化后的原始网络环境系数划分为多组网络环境系数；S2，以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略；S3，将网络环境系数和与各基站相关的最优的用户关联策略和功率分配策略存储为相应基站侧深度神经网络模型的训练集；S4，根据各基站侧的训练集，各基站侧的工作节点采用分布式异步通信方式，训练深度神经网本文档来自技高网...

【技术保护点】
1.一种基于分布式机器学习的无线网络资源分配方法，其特征在于，包括：S1，在各基站侧构建相同规模的深度神经网络模型，并将初始化后的原始网络环境系数划分为多组网络环境系数；S2，以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略；S3，将网络环境系数和与各基站相关的最优的用户关联策略和功率分配策略存储为相应基站侧深度神经网络模型的训练集；S4，根据各基站侧的训练集，各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型；S5，获取待处理的网络环境系数，将其输入到训练好的深度神经网络模型中进行神经网络计算，输出结果为优化后的用户关联策略和功率分配策略。

【技术特征摘要】
1.一种基于分布式机器学习的无线网络资源分配方法，其特征在于，包括：S1，在各基站侧构建相同规模的深度神经网络模型，并将初始化后的原始网络环境系数划分为多组网络环境系数；S2，以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略；S3，将网络环境系数和与各基站相关的最优的用户关联策略和功率分配策略存储为相应基站侧深度神经网络模型的训练集；S4，根据各基站侧的训练集，各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型；S5，获取待处理的网络环境系数，将其输入到训练好的深度神经网络模型中进行神经网络计算，输出结果为优化后的用户关联策略和功率分配策略。2.根据权利要求1所述的基于分布式机器学习的无线网络资源分配方法，其特征在于，所述以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略包括：S21，对每组网络环境系数，确定基站到用户终端的信息传输速率及系统能量效率；S22，根据确定的基站到用户终端的信息传输速率及系统的能量效率，利用拉格朗日对偶分解法，确定用户关联判决矩阵；S23，根据确定的用户关联判决矩阵，生成基站与用户的关联策略；S24，基于生成的基站与用户的关联策略，对基站到用户的发射功率进行更新；S25，根据生成的基站与用户的关联策略及更新得到的基站到用户的发射功率，确定系统能量效率；若当前确定的系统能量效率与上一次确定的系统能量效率之间的差值小于预设的阈值，则判断生成的基站与用户的关联策略及更新得到的基站到用户的发射功率为最优分配策略；否则，返回S21继续执行。3.根据权利要求2所述的基于分布式机器学习的无线网络资源分配方法，其特征在于，基站到用户终端的信息传输速率表示为：其中，cm,n表示基站m到用户终端n的信息传输速率；M表示基站的集合，W为系统带宽，Km表示与基站m相关联的用户终端个数，γm,n表示用户终端n从基站m获得的信号信噪比，pm,n表示基站m到用户终端n的发射功率，hm,n表示用户终端n与基站m之间的信道系数，hk,n表示用户终端n与除基站m外的其他基站之间的信道系数，pk,n表示除基站m外...

【专利技术属性】
技术研发人员：张海君，张海森，皇甫伟，隆克平，董江波，刘玮，任冶冰，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11