一种基于集成神经网络的终端设备传输功率的控制方法技术

本发明专利技术公开一种基于集成神经网络的终端设备传输功率的控制方法，收集D2D链路的信道功率增益样本；并输入到SPCA算法，得到相应样本下的最优功率分配策略；搭建深度神经网络和卷积神经网络，并初始化神经网络权重；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，并对神经网络的权重进行更新；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；构建选择器，选择并输出具有更高性能的分配策略。本发明专利技术克服了深度神经网络对大规模网络学习能力弱和卷积神经网络对小规模网络的局部特征提取的有限性，用集成学习的思想，将两个网络集成起来，使其能适应不同规模网络实时的功率分配需求。

【技术实现步骤摘要】
一种基于集成神经网络的终端设备传输功率的控制方法
本专利技术属于通信系统物理层技术，具体的涉及无线通信系统资源分配技术，尤其涉及一种基于集成神经网络的终端设备传输功率的控制方法。
技术介绍
物联网设备数量的激增导致激烈的带宽竞争。如果要达到令人满意的数据交付率，传统的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。这带来的结果是一个子载波中单个用户的数据交付率随该子载波中其它用户的传输功率的增加而减少。如何进行适当的功率分配以平衡干扰和数据速率成为研究的新方向。另外，典型的功率分配算法是迭代-充水算法，它可以找到满足系统中所有用户和速率最大化性能的次优解，该算法的缺点是收敛性能差，包括收敛性低，而缓慢的收敛会导致比较高的计算复杂度，当面对大规模网络，尤其是有大量终端设备的通信网络时，迭代算法的收敛性很难得到保证，这也限制了其应用领域，即仅能在小规模网络中得到运用。目前，深度学习技术被应用到不同的领域，包括图像分类、自然语言处理和语音识别，而近年来由于无线通信网络中信道样本采集的便利性和及时性，深度学习在无线通信中的应用也越来越有优势。深度学习中的神经网络可以对传统算法达到一个令人满意的非线性逼近，所以得到广泛的研究，目前神经网络包括深度神经网络(DNN)、卷积神经网络(CNN)。许多利用神经网络通过功率控制实现目标函数最大最小化的研究受到关注。比如用深度神经网络通过逼近次梯度算法，来实现系统频谱效率(SE)最大化或能效(EE)最大化，又或者是通过逼近IPM算法，实现系统和速率(SR)最大化的目标，卷积神经网络方面，通过利用卷积滤波器对局部特征进行提取，以监督的方式实现SE、EE或SR最大化的目标。通过研究对比发现，DNN更适合在小规模网络中进行特征提取，而在大规模网络中，CNN的学习能力优于DNN，具体来说就是同样迭代次数下，CNN比DNN有更小的均方误差(MSE)。结合以上结论，我们加入集成网络的思想。
技术实现思路
专利技术目的：本专利技术的目的是针对现有功率控制算法的不足，提供一种基于集成神经网络的终端设备传输功率的控制方法，实现在线决策，并能够对传统算法达到一个很好的性能逼近，可以适合不同规模的网络环境的在线决策，灵活性高。技术方案：本专利技术所述的一种基于集成神经网络的终端设备传输功率的控制方法，具体包括以下步骤：(1)收集D2D链路的信道功率增益样本；(2)将收集到的信道功率增益样本输入到SPCA算法，并得到相应样本下的最优功率分配策略，收集训练数据集，包括信道增益样本和标签；(3)搭建基于深度神经网络和卷积神经网络结合形成的集成神经网络，并初始化集成神经网络权；(4)将训练数据集分别输入至深度神经网络和卷积神经网络，构建两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两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)测试阶段构建选择器，由选择器负责收集两个神经网络输出的功率分配；(7)计算两个神经网络输出策略所引起的和速率，并进行比较；(8)选择并输出具有更高性能的‘剖面’，即功率分配策略。进一步地，所述步骤(2)的实现过程如下：对于i链路来说，其速率可被表示为：其中，hij是i链路的发射机到j链路的接收机之间的信道功率增益；pi是i链路的传输功率；是环境背景噪声；运行SPCA算法，得到相应的最优功率分配标签p*；重复N次，得到N个具有增益样本和相应标签的训练数据集。进一步地，所述步骤(3)的实现过程如下：将增益样本输入进集成神经网络，由输入层转发输入数据，隐层或卷积核处理输入数据，最后输出层输出相应决策；所述深度神经网络采用具有完全连接的前馈网络，N0维的输入向量通过输入层输入到网络，该层也有N0个神经元，最后输出层处理来自最后一隐层的信息；第l层第n个神经元的输出表示为其中Wnl是l-1层所有神经元与l层第n个神经元之间连接的权重向量，bn,l是l层第n个神经元的偏置项，fn,l是提供非线性能力的激活函数，采用ReLU作为每层隐层的激活函数，输出层的激活函数采用sigmoid函数作为输出激活函数。进一步地，步骤(4)所述的损失函数构造如下：其中，pi是i链路的传输功率，得到相应的最优功率分配标签p*；采用小批次梯度下降算法，每批次包含M个样本，训练周期为γ＝300，优化器选择随机梯度下降算法对两神经网络的权重和偏置进行更新。进一步地，所述步骤(6)实现过程如下：以训练阶段相同分布的信道生成的样本作为测试集，集成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。有益效果：与现有技术相比，本专利技术的有益效果：1、本专利技术方法将深度神经网络和卷积神经网络集成起来，其中深度神经网络适合处理小规模网络，卷积神经网络适合处理大规模网络，在两个神经网络输出功率分配策略后，由选择器收集并计算相应策略带来的和速率性能，并由选择器选择输出导致更高和速率的功率“剖面”；2、通过监督学习的方式提供实时的在线功率分配决策，且实现的和速率性可以对传统算法达到一个很好的近似度，可以适合不同规模的网络环境的在线决策，灵活性高。附图说明图1为本专利技术的流程图；图2为深度神经网络结构图；图3为卷积神经网络结构图；图4小批次梯度下降流程图测试阶段集成学习流程图；图5测试阶段集成学习流程图。具体实施方式下面结合附图对本专利技术作进一步详细说明。本专利技术提供一种基于集成神经网络的终端设备传输功率的控制方法，所用到的神经网络结构如图2和图3所示：包括深度神经网络、卷积神经网络，每个网络都会负责学习输入信号信道功率增益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。如图1所示，其具体的实施步骤如下：步骤1：收集D2D链路的信道功率增益样本，将收集到的信道功率增益样本输入到SPCA算法，并得到相应样本下的最优功率分配策略，收集训练数据集，包括信道增益样本和标签。在1km×1km的正方形区域中，有20条设备对设备(D2D)链路中的收发机之间的距离在[5,65]中均匀分布，D2D链路之间的信道仅考虑路径损失，其中衰落系数gij＝1，在瑞利衰落的信道环境下一次可以生成400个信道功率增益样本hij＝gijαij。对于i链路来说，其速率可被表示为：其中，其中，hij是i链路的发射机到j链路的接收机之间的信道功率增益；pi是i链路的传输功率；是环境背景噪声。同时，运行SPCA算法，得到相应的最优功率分配标签p*，重复300万次，得到300万个具有增益样本和相应标签的训练数据集。步骤2：搭建基于深度神经网络和卷积本文档来自技高网...

【技术保护点】
1.一种基于集成神经网络的终端设备传输功率的控制方法，其特征在于，包括以下步骤：/n(1)收集D2D链路的信道功率增益样本；/n(2)将收集到的信道功率增益样本输入到SPCA算法，并得到相应样本下的最优功率分配策略，收集训练数据集，包括信道增益样本和标签；/n(3)搭建基于深度神经网络和卷积神经网络结合形成的集成神经网络，并初始化集成神经网络权；/n(4)将训练数据集分别输入至深度神经网络和卷积神经网络，构建两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两神经网络的权重进行更新；/n(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；/n(6)测试阶段构建选择器，由选择器负责收集两个神经网络输出的功率分配；/n(7)计算两个神经网络输出策略所引起的和速率，并进行比较；/n(8)选择并输出具有更高性能的‘剖面’，即功率分配策略。/n

【技术特征摘要】
1.一种基于集成神经网络的终端设备传输功率的控制方法，其特征在于，包括以下步骤：
(1)收集D2D链路的信道功率增益样本；
(2)将收集到的信道功率增益样本输入到SPCA算法，并得到相应样本下的最优功率分配策略，收集训练数据集，包括信道增益样本和标签；
(3)搭建基于深度神经网络和卷积神经网络结合形成的集成神经网络，并初始化集成神经网络权；
(4)将训练数据集分别输入至深度神经网络和卷积神经网络，构建两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两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)测试阶段构建选择器，由选择器负责收集两个神经网络输出的功率分配；
(7)计算两个神经网络输出策略所引起的和速率，并进行比较；
(8)选择并输出具有更高性能的‘剖面’，即功率分配策略。


2.根据权利要求1所述的基于集成神经网络的终端设备传输功率的控制方法，其特征在于，所述步骤(2)的实现过程如下：
对于i链路来说，其速率可被表示为：



其中，hij是i链路的发射机到j链路的接收机之间的信道功率增益；pi是i链路的传输功率；是环境背景噪声；
运行SPCA算法，得到相应的最优功率分配标签p*；重复N次，得到N个具有增益样本和相应标签的训练数据集。


3.根据权利要求1所述的基...

【专利技术属性】
技术研发人员：李君，朱明浩，仲星，王秀敏，李正权，
申请(专利权)人：南京信息工程大学滨江学院，
类型：发明
国别省市：江苏;32