基于深度神经网络的D2D通信能效最大化功率分配方法组成比例

本发明专利技术公开了一种基于深度神经网络的D2D通信能效最大化功率分配方法，适用于通信领域。首先基站通过调度算法选择蜂窝用户将频率资源共享给选定的多个D2D链路使用；然后被调度激活的蜂窝用户以及多对D2D用户向基站反馈信道状态信息；接着基站将获得的蜂窝用户以及D2D用户的信道状态信息导入到已经训练好的深度神经网络系统中，获得D2D链路能量效率最大化的功率分配方案；最后D2D链路发送端按此功率分配方案完成数据传输。能够有效的应用于实际场景中，基站利用训练好的深度神经网络系统即可在获得实时信道状态信息后快速计算出功率分配方案，具有低时延的优势，能够更大程度地提高频谱效率，提高能量效率，实现绿色通信。

【技术实现步骤摘要】
基于深度神经网络的D2D通信能效最大化功率分配方法
本专利技术涉及一种D2D通信能效最大化功率分配方法，尤其适用于移动通信设备与设备自适应资源分配领域使用的一种基于深度神经网络的D2D通信能效最大化功率分配方法。
技术介绍
近年来，深度学习(DL)已在计算机视觉(CV)、自然语言处理(NLP)以及自动语音识别(ASR)领域取得了巨大的成功，被尝试用其来解决移动通信中的一些问题，且目前DL在认知无线电、资源管理、线路适应、调制识别、解码和检测等多个方面得到了具体应用。DL是机器学习(ML)的一个分支，通过多层的非线性处理单元，可实现从原数据中分层提取有用的信息，以便进行预测或根据设定的目标完成相应的任务。常见的DL框架有多层感知器(MLP)、玻尔兹曼机(RBM)、自动编码器(AE)、卷积神经网络(CNN)、递归神经网络(RNN)、生成对抗网络(GAN)和深度增强学习(DRL)。相较于传统的ML算法，DL的优势在于：能够从复杂的、内在有关联的数据中实现自动特征提取：在处理移动数据方面，这项优势会被放大；能够处理大量数据：传统的ML算法，例如支持向量机(SVM)，需要空间进行数据的存储，这将导致在大数据的场景下，不能够实现有效的计算；而随机梯度下降(SGD)在训练神经网络(NN)的过程中，每步只需要部分数据，这保证了深度学习在大数据处理方面的可扩展性，且能够通过训练大量的数据避免过度拟合；能够以无监督方式(使用没有标签的数据)来学习有用的模式；一个模型可完成多个任务，这是其他ML范式(例如，线性回归、随机森林)不能够做到的。DL又被称为深度神经网络(DNN)，其神经网络层可大致分为输入层，隐藏层和输出层三类，通过预设好的一些神经元的加权组合、非线性激活函数和损失函数来实现复杂的目标或者功能，这些目标可大致分成分类、回归和控制三大类。DNN的反向传播(BP)遵循链式法则，使用梯度下降法(GD)来最小化损失函数，从而在神经网络训练过程中，不断优化模型的权重，达到学习的目的。随着神经网络模型深度的提高，一些目标函数通常是非凸的且有许多局部最小值、临界点和鞍点。在这种情况下，传统的SGD会收敛的非常慢。近几年，出现了一些新的优化算法，例如SGD联合Nesterov动量的变体，在优化凸函数的时候能够收敛的很快；Adam是一种自适应的学习速率优化算法，通过梯度的一阶矩联合动量，模型收敛速度快、鲁棒性强。此外，还涌现出了一些成熟的、开源的深度学习平台，例如，谷歌的Tensorflow，Facebook的Caffe等，这些优秀的平台加快了DNN产品的研发、落地。目前已有部分学者成功地利用DNN解决了某些具体通信场景中的资源分配问题且取得了较好的效果，而本专利技术着重考虑蜂窝移动通信系统下的D2D通信场景，具体地，一个小区中，多个D2D链路同时复用一个蜂窝用户的上行频谱资源实现直接通信，无需基站转发。现有的D2D研究大多限制一个蜂窝用户的频谱资源只能被一个D2D链路使用，而若蜂窝链路频谱资源共享给多个D2D链路能够更大程度上的提高频谱资源利用率。多个D2D链路引入到蜂窝移动通信网络中，不可避免给蜂窝用户的通信带来了同频干扰，并且多个D2D链路之间也存在同频干扰。在本专利技术考虑的通信场景中，有着多重的优化需求，在保证蜂窝用户的通信质量的前提下，多个D2D链路的接入提高频谱效率，同时最优化D2D链路的能量效率，传统优化算法在解决此类复杂的优化问题时，往往需要多次迭代才能够达到最优解，有的甚至无法达到全局最优解。迭代次数多，相应的计算时间就较长，这无疑无法满足实时通信中的低时延的要求，而DNN在计算时效方面很有优势，训练好的神经网络系统在输出功率分配方案的时效上可达到毫秒级以内。因此本专利技术尝试搭建了一个基于DNN的模型来解决该场景下的D2D通信能效最大化的功率分配问题，具有很大的现实意义。
技术实现思路
专利技术目的：针对现有技术的不足之处，提供一种通信时延低，功耗低，解决目前频谱资源匮乏、数据流量过载等问题大有裨益，将蜂窝网络频谱资源共享给多个D2D链路，能够更大幅度地提高频谱资源利用率，且保障蜂窝用户的通信服务体验的基于深度神经网络的D2D通信能效最大化功率分配方法。技术方案：为实现上述技术目的，本专利技术的基于深度神经网络的D2D通信能效最大化功率分配方法，具体包括以下步骤：基于深度神经网络的D2D通信能效最大化功率分配方法，使用的蜂窝移动通信系统包括设置在移动通信小区的中心位置的基站，移动通信小区内设置的蜂窝用户以及多个构成D2D链路的设备，设备包括发送用户和接收用户，并根据需要组成D2D用户对，其特征在于步骤如下：获取使用的基站、蜂窝用户、D2D链路发送用户和接收用户相互之间的信道状态信息；基站调度选取移动通信小区内的一个蜂窝用户和多个D2D用户对，将该蜂窝用户的频谱资源共享给多个D2D用户对组成的直通通信链路进行设备到设备间直通通信；蜂窝用户与基站之间的链路与D2D链路频率共享可有效提高频谱效率，但同时也会产生同频干扰，因此利用基站获取传输链路和干扰链路的实时信道状态信息，将实时信道状态信息输入已经训练好的深度神经网络系统中，计算满足功率约束条件同时的最优功率分配方案，以保证同频干扰可容忍的范围内尽可能提高系统性能；利用最优功率分配方案配置蜂窝用户的D2D用户的功率，从而完成蜂窝用户与基站之间、多个D2D链路的数据传输。蜂窝用户，D2D用户的选取具体为：a1在蜂窝移动通信系统内，基站采用集中式控制的无线资源管理方法，使用现有移动通信系统中常用调度算法调度蜂窝用户，将蜂窝用户上行频谱资源共享给合适的多个D2D链路进行设备到设备间的直通通信；a2所述D2D链路指的是利用共享频谱直接进行发送用户和接收用户的设备到设备间直通通信的链路，合适的多个D2D链路指的是要求被调度的多个D2D链路距离基站的距离要大于蜂窝用户距离基站的距离，每个D2D链路与蜂窝用户之间的距离需要超过预设值，且每个D2D链路与其余D2D链路之间的距离需要超过预设值。基站获取传输链路和干扰链路的实时信道状态信息的方法如下：基站选定共享频谱资源的蜂窝用户以及共享蜂窝用户上行频谱资源的多个D2D链路，首先该蜂窝用户进行信道估计以获得其和基站之间的传输链路的信道状态信息，同时通过信道估计获得其与所有D2D链路接收端之间干扰链路的信道状态信息，再根据其与基站共知的码本对信道状态信息进行量化，并将量化后的信道状态信息反馈给基站；同时每个D2D链路发送用户首先进行信道估计以获得其与相应的接收端之间的传输链路的信道状态信息，再进行信道估计获得其与其余D2D链路接收用户之间的干扰链路的信道状态信息，此外，每个D2D链路发送用户还需通过信道估计获得其与基站之间的干扰链路的信道状态信息，再根据其与基站共知的码本对信道状态信息进行量化，并将量化后的信道状态信息反馈给基站。设置通信中的功率约束条件方法具体如下：在蜂窝移动通信系统中，蜂窝用户与基站间的通信链路以0标识，复用蜂窝用户上行频谱资源的多个D2本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的D2D通信能效最大化功率分配方法，使用的蜂窝移动通信系统包括设置在移动通信小区的中心位置的基站，移动通信小区内设置的蜂窝用户以及多个构成D2D链路的设备，设备包括发送用户和接收用户，并根据需要组成D2D用户对，其特征在于步骤如下：/n获取使用的基站、蜂窝用户、D2D链路发送用户和接收用户相互之间的信道状态信息；/n基站调度选取移动通信小区内的一个蜂窝用户和多个D2D用户对，将该蜂窝用户的频谱资源共享给多个D2D用户对组成的直通通信链路进行设备到设备间直通通信；/n蜂窝用户与基站之间的链路与D2D链路频率共享可有效提高频谱效率，但同时也会产生同频干扰，因此利用基站获取传输链路和干扰链路的实时信道状态信息，将实时信道状态信息输入已经训练好的深度神经网络系统中，计算满足功率约束条件同时的最优功率分配方案，以保证同频干扰可容忍的范围内尽可能提高系统性能；/n利用最优功率分配方案配置蜂窝用户的D2D用户的功率，从而完成蜂窝用户与基站之间、多个D2D链路的数据传输。/n

【技术特征摘要】
1.一种基于深度神经网络的D2D通信能效最大化功率分配方法，使用的蜂窝移动通信系统包括设置在移动通信小区的中心位置的基站，移动通信小区内设置的蜂窝用户以及多个构成D2D链路的设备，设备包括发送用户和接收用户，并根据需要组成D2D用户对，其特征在于步骤如下：
获取使用的基站、蜂窝用户、D2D链路发送用户和接收用户相互之间的信道状态信息；
基站调度选取移动通信小区内的一个蜂窝用户和多个D2D用户对，将该蜂窝用户的频谱资源共享给多个D2D用户对组成的直通通信链路进行设备到设备间直通通信；
蜂窝用户与基站之间的链路与D2D链路频率共享可有效提高频谱效率，但同时也会产生同频干扰，因此利用基站获取传输链路和干扰链路的实时信道状态信息，将实时信道状态信息输入已经训练好的深度神经网络系统中，计算满足功率约束条件同时的最优功率分配方案，以保证同频干扰可容忍的范围内尽可能提高系统性能；
利用最优功率分配方案配置蜂窝用户的D2D用户的功率，从而完成蜂窝用户与基站之间、多个D2D链路的数据传输。


2.根据权利要求1所述的一种基于深度神经网络的D2D通信能效最大化功率分配方法，其特征在于蜂窝用户，D2D用户的选取具体为：
a1在蜂窝移动通信系统内，基站采用集中式控制的无线资源管理方法，使用现有移动通信系统中常用调度算法调度蜂窝用户，将蜂窝用户上行频谱资源共享给合适的多个D2D链路进行设备到设备间的直通通信；
a2所述D2D链路指的是利用共享频谱直接进行发送用户和接收用户的设备到设备间直通通信的链路，合适的多个D2D链路指的是要求被调度的多个D2D链路距离基站的距离要大于蜂窝用户距离基站的距离，每个D2D链路与蜂窝用户之间的距离需要超过预设值，且每个D2D链路与其余D2D链路之间的距离需要超过预设值。


3.根据权利要求1或2所述的一种基于深度神经网络的D2D通信能效最大化功率分配方法，其特征在于基站获取传输链路和干扰链路的实时信道状态信息的方法如下：
基站选定组成链路的蜂窝用户以及共享蜂窝用户上行频谱资源的多个D2D链路，首先该蜂窝用户进行信道估计以获得其和基站之间的传输链路的信道状态信息，同时通过信道估计获得其与所有D2D链路接收端之间干扰链路的信道状态信息，再根据其与基站共知的码本对信道状态信息进行量化，并将量化后的信道状态信息反馈给基站；同时每个D2D链路发送用户首先进行信道估计以获得其与相应的接收端之间的传输链路的信道状态信息，再进行信道估计获得其与其余D2D链路接收用户之间的干扰链路的信道状态信息，此外，每个D2D链路发送用户还需通过信道估计获得其与基站之间的干扰链路的信道状态信息，再根据其与基站共知的码本对信道状态信息进行量化，并将量化后的信道状态信息反馈给基站。


4.根据权利要求3所述的一种基于深度神经网络的D2D通信能效最大化功率分配方法，其特征在于设置通信中的功率约束条件方法具体如下：
在蜂窝移动通信系统中，蜂窝用户与基站间的通信链路以0标识，复用蜂窝用户上行频谱资源的多个D2D链路总数为N，这些D2D链路以1,2,…N标识；
当蜂窝移动通信系统支持D2D直通通信时，如果蜂窝用户具有较高优先级，不通过技术手段降低对共享其资源的D2D链路的干扰，即蜂窝用户与基站通信时使用功率p0＝P0发送信号，基于此：
当多个D2D链路与蜂窝用户共享上行频谱资源，其中第n个D2D链路的发射功率满足0≤pn≤pmax的约束条件，
由于共享频谱资源的N个D2D链路发射的信号会对蜂窝用户的通信造成干扰，为保障蜂窝用户的通信质量，基站处的接收信干噪比SINR0要满足约束条件：



其中：
N表示同时复用蜂窝用户的上行频谱资源的D2D用户总数；
p＝[p1,p2,...,pn,...pN]，pn表示第n个D2D链路发送端的发射功率；
pmax表示D2D链路的最大发射功率，假设N个D2D链路的最大发射功率相同；
rmin表示蜂窝用户传输链路的信干噪比门限值；
g0,0表示蜂...

【专利技术属性】
技术研发人员：史锋峰，陈瑞璐，赵春明，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32