一种多小区大规模MIMO通信智能功率分配方法组成比例

本发明专利技术公开了一种多小区大规模MIMO通信智能功率分配方法，首先根据传统的基于模型的最优功率分配方法生成数据集，将网络内所有用户的位置信息和信道状态信息作为输入特征，最优功率分配的结果作为输出标签，从而生成一个样本。数据集的每个样本中包含的用户数目都是随机的。进而提出一种基于长短期记忆网络的seq2seq方法，用数据集进行训练，获得用户的位置信息与功率分配策略之间的映射关系。本发明专利技术利用通信网络环境特征和信道信息，挖掘用户特征、功率分配与系统性能之间的关系，设计出数据驱动的功率分配方法，并且打破了以往基于神经网络的方法只能处理固定用户数目场景的局限性，只需训练单一的网络便可以灵活适应用户数目与位置实时变化的情况。

【技术实现步骤摘要】
一种多小区大规模MIMO通信智能功率分配方法
本专利技术涉及一种多小区大规模MIMO通信智能功率分配方法，属于无线通信

技术介绍
为了满足持续增长的通信设备和数据流量的需求，大规模MIMO技术被提出并在近几年得到长足发展。大规模MIMO网络中基站配备数百根天线以获得空间复用增益，可以实现在相同的时频资源上服务数十个用户，从而有效提高了频谱效率，因此成为5G通信的关键技术之一。导频污染及用户间干扰通常是MIMO系统的局限性所在，通常通过合理分配资源以减小干扰、提高频谱效率。而大规模MIMO系统由于配置了大规模的天线阵列，网络可以获得更大的空间传输增益，且信道依赖于大尺度衰落，因而资源分配问题较为容易解决。功率分配是提高通信系统容量的关键技术，在学术界已有广泛的研究。但是传统的基于模型的方法都存在求解复杂度高的问题。鉴于数据科学和人工智能的高速发展，基于神经网络的通信系统功率控制技术应运而生。使用深度学习技术在大规模MIMO系统中利用全连接神经网络拟合传统的最大化最小速率和最大化和速率等功率分配策略已经能够在已知用户位置信息的情况下给出合理的功率分配方案，其性能在逼近传统算法同时大大降低了优化过程的复杂性和处理时间；也有学者在基于动态协作集群的去蜂窝大规模MIMO场景下，训练一个深度神经网络来执行集中式功率分配，或者通过每个接入点训练一个深度神经网络，仅使用本地可用信息作为输入来执行分布式功率分配。还有部分研究利用强化学习的优势来学习功率分配的决策。这些方法充分利用了神经网络学习复杂模式和逼近函数映射的能力，可以在性能逼近传统算法的同时，大大降低线上执行的复杂性和处理时间。但局限性在于这些方法都只针对固定数目的大规模MIMO网络，即小区数(或者接入点数)和用户数目都是固定的。然而，在实际通信场景中，每个小区不同时刻服务的用户数目是不断变化的，这与之前研究中所作的假设均不符合。尽管深度神经网络具有灵活性和强大的函数拟合能力，但它只能应用于输入和目标可以用固定维数的向量进行合理编码的问题，这给利用神经网络解决无线通信问题带来了巨大的限制。目前的相关研究仍不充分，有学者针对这一问题设计了一个基于卷积神经网络的残差密集连接的深度神经网络用于处理动态变化的活跃用户数目，实现用户的大尺度衰落系数和功率分配策略的映射，该方法限制了每个小区可服务的最大用户数量，将不活跃用户数目的大尺度衰落系数置为0。这样固定网络中最大服务用户数量，将不活跃用户置为0必然会给性能造成一定的损失。本专利技术从另一个角度出发，受到在文本处理领域中成功应用seq2seq神经网络处理变长文本翻译问题的启发，将动态用户数目的功率分配问题转化成不定长的序列到序列的映射问题，利用seq2seq结构的网络学习其中的映射关系。
技术实现思路
技术问题：本专利技术旨在解决现有的基于模型的功率分配方法求解复杂度高、基于深度学习的方法只适用于固定的通信网络规模的缺点，针对多小区大规模MIMO用户数目动态变化的场景，提供了一种基于seq2seq神经网络的功率分配方法。该方法充分利用神经网络挖掘用户信息和功率分配之间的关系，可以使性能逼近传统方法的同时又降低了求解复杂度，更重要的是可以灵活适应通信网络中用户的数目与位置时刻变化的场景。技术方案：为实现上述专利技术目的，本专利技术采用的技术方案是：一种多小区大规模MIMO通信智能功率分配方法。该技术方案包括如下步骤：步骤一：建立用户数目动态变化的多小区大规模MIMO系统模型，设计目标函数。步骤二：随机设置每个小区用户数目和位置，利用传统优化方法求解最优功率分配策略，收集用户位置信息和信道状态信息以及对应的最优功率分配结果，进行适当数据预处理，将网络内用户位置信息和信道状态信息作为输入特征，功率分配结果作为输出标签，多次采集形成数据集。步骤三：搭建用于处理输入和输出皆为变长序列的seq2seq网络模型。步骤四：利用步骤三搭建的网络在步骤二生成的数据集上进行训练。步骤五：将当前网络中用户位置和信道状态信息生成的序列输入到训练好的seq2seq网络模型中，得到当前场景下的最优功率分配序列，进行反归一化处理后得到最优功率分配结果。步骤一中首先建立用户数目动态变化的多小区大规模MIMO系统模型。假设大规模MIMO通信网络具有L个小区，每个小区内有一个基站，配备了M根天线。假设每个小区内的用户数目动态变化，第i个小区服务的用户数目用ki表示，网络内各小区服务用户数集合即可表示为K＝{ki:i＝1,...,L}，用Ai＝{1,2,...,ki}来表示第i个小区内的用户编号集合，集合大小由ki决定，N＝k1+k2+...+kL为当前系统内所有用户的总数目。在小区l中的用户n与基站j之间的信道用来表示，小区l的基站传输下行信号其中是发送给小区l中的用户n的信号，利用预编码矢量来控制传输的空间方向性，预编码矢量满足||wl,n||2＝1，ρl,n表示基站分配给小区l中用户n的传输功率。进一步地，该大规模MIMO系统小区l中用户n的下行频谱效率为：其中表示每个相干块中用于下行传输的数据比值，σ2表示噪声功率，SINR的上标dl表示下行链路，表示求期望，|·|表示求绝对值操作，表示wl,n的共轭转置。为了方便表示，将上述频谱效率重新表示为：其中al,n和bi,k,l,n分别表示平均信道增益和平均干扰增益。步骤一所考虑的目标函数为：其中表示一个基站可提供的总传输功率。步骤二生成数据集。在每一次数据采集过程中，首先在网络区域内随机设置各小区的用户数目kl以及各个用户的位置xl,n，之后计算大尺度衰落系数和信道相关矩阵利用基于最小均方误差算法的信道估计方法获得估计的信道矢量计算预编码矢量wl,n。通过蒙特卡洛法对估计的信道取平均以获得{al,n}和{bi,k,l,n}。通过传统的几何规划求解使目标函数最大化的功率分配策略定义S＝(s1,s2,...,sN)为一个有序数列，其中si＝(G,D,A,I)为一个一维矢量，用于表示系统中用户i的有关信息，G＝(g1,g2,...,gL)表示该用户与L个基站之间的信道增益，D＝(d1,d2)表示用户的位置信息，A＝(a)表示用户传输的信号量，I＝(i1,i2,...,iN-1)为系统中其它用户对该用户的干扰量。N个用户的信息共同组成有序数列S。将S作为输入特征，ρ*作为输出标签。一次数据采集形成一个样本，最终生成具有大量样本的数据集。为了更好地拟合网络，对样本使用对数变换和标准化处理。令I的大小固定为网络可服务的最大用户数，对每个样本的I采用末尾填充0的处理方式，将其补充到固定长度。步骤三中搭建网络模型，搭建的seq2seq模型分为两部分，编码器部分和解码器部分。为了避免传统循环神经网络(RNN)会出现长期依赖的局限性，编码器部分使用一个长短时记忆网络(LSTM)充分挖掘通信网络中不同位置的用户本文档来自技高网...

【技术保护点】
1.一种多小区大规模MIMO通信智能功率分配方法，其特征在于，包括如下步骤：/n步骤一：建立用户数目动态变化的多小区大规模MIMO系统模型，设计目标函数；/n步骤二：随机设置每个小区用户数目和位置，利用传统优化方法求解最优功率分配策略，收集用户位置信息和信道状态信息以及对应的最优功率分配结果，进行数据预处理，将网络内用户位置信息和信道状态信息作为输入特征，功率分配结果作为输出标签，多次采集形成数据集；/n步骤三：搭建用于处理输入和输出皆为变长序列的seq2seq网络模型；/n步骤四：利用步骤三搭建的seq2seq网络模型在步骤二生成的数据集上进行训练；/n步骤五：将当前网络中用户位置和信道状态信息生成的序列输入到训练好的seq2seq网络模型中，得到当前场景下的最优功率分配序列，进行反归一化处理后得到最优功率分配结果。/n

【技术特征摘要】
1.一种多小区大规模MIMO通信智能功率分配方法，其特征在于，包括如下步骤：
步骤一：建立用户数目动态变化的多小区大规模MIMO系统模型，设计目标函数；
步骤二：随机设置每个小区用户数目和位置，利用传统优化方法求解最优功率分配策略，收集用户位置信息和信道状态信息以及对应的最优功率分配结果，进行数据预处理，将网络内用户位置信息和信道状态信息作为输入特征，功率分配结果作为输出标签，多次采集形成数据集；
步骤三：搭建用于处理输入和输出皆为变长序列的seq2seq网络模型；
步骤四：利用步骤三搭建的seq2seq网络模型在步骤二生成的数据集上进行训练；
步骤五：将当前网络中用户位置和信道状态信息生成的序列输入到训练好的seq2seq网络模型中，得到当前场景下的最优功率分配序列，进行反归一化处理后得到最优功率分配结果。


2.根据权利要求1所述的一种多小区大规模MIMO通信智能功率分配方法，其特征在于，步骤一中建立用户数目动态变化的多小区大规模MIMO系统模型的具体步骤包括：
假设大规模MIMO通信网络具有L个小区，每个小区内有一个基站，配备了M根天线；假设每个小区内的用户数目动态变化，第i个小区服务的用户数目用ki表示，网络内各小区服务用户数集合表示为K＝{ki:i＝1,...,L}，用Ai＝{1,2,...,ki}来表示第i个小区内的用户编号集合，集合大小由ki决定，N＝k1+k2+...+kL为当前系统内所有用户的总数目；
在小区l中的用户n与基站j之间的信道用来表示，小区l的基站传输下行信号其中是发送给小区l中的用户n的信号，利用预编码矢量来控制传输的空间方向性，预编码矢量满足||wl,n||2＝1，ρl,n表示基站分配给小区l中用户n的传输功率；小区l中用户n的下行频谱效率为：



其中




表示每个相干块中用于下行传输的数据比值，σ2表示噪声功率，SINR的上标dl表示下行链路，表示求期望，|·|表示求绝对值操作，表示wl,n的共轭转置。


3.根据权利要求2所述的一种多小区大规模MIMO通信智能功率分配方法，其特征在于，为了方便表示，所述频谱效率可表示为：



其中






al,n和bi,k,l,n分别表示平均信道增益和平均干扰增益。


4.根据权利要求2所述的一种多小区大规模MIMO通信智能功率分配方法，其特征在于，步骤一所述的目标函数设计为：






其中表示一个基站可提供的总传输功率。


5.根据权利要求1所述的一种多小区大规模MIMO通信智能功率分配方法，步骤二的具体步骤包括：
在每一次数据采集过程中，首先在网络区域内随机设置各小区的用户数目kl以及各个用户的位置xl,n...

【专利技术属性】
技术研发人员：黄永明，吴珩，张征明，张铖，葛瑶，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32