CRNs中服务质量约束功率的控制方法、装置及介质制造方法及图纸

本发明专利技术公开了CRNs中服务质量约束功率的控制方法、装置及介质，属于认知无线网络资源分配技术领域，要解决的技术问题为如何在保证用户QoS的基础上实现和速率最大化，并且减少求解非凸优化问题的计算复杂性。包括如下步骤：构建非凸的和速率最大化问题；将和速率最大化问题转化为等价的负和速率最小化问题，并通过障碍函数方法将负和速率最小化问题中的速率约束项添加至目标函数项里；基于深度学习构建功率分配模型，为一个全连接的多层神经网络；将负目标函数作为Loss函数，通过无监督学习方法对述功率分配模型进行训练；以信道状态信息为输入，利用训练后功率分配模型进行功率优化分析，得到功率分配系数。得到功率分配系数。得到功率分配系数。

【技术实现步骤摘要】
CRNs中服务质量约束功率的控制方法、装置及介质


[0001]本专利技术涉及认知无线网络资源分配
，具体地说是CRNs 中服务质量约束功率的控制方法、装置及介质。

技术介绍

[0002]随着信息化进程的持续发展，无线通信技术在现代社会中的应用 越来越广泛。不断涌现的新兴业务、持续增长的用户规模、快速增加 的设备数量对无线通信系统网络容量和资源利用效率提出了更高的 要求。为了满足这些增强的关键性能指标，智能利用资源成为B5G 和6G的标志。无线频谱作为无线通信最重要的资源之一，具有稀缺 性的特点。与前几代一样，6G将不断追求频谱效率的提高。
[0003]认知无线电(CR)是提高6G频谱利用率的一种很有前途的解决 方案，CR的基本设计原则是允许授权用户与非授权用户共享其授权 频谱。CRNs中的设备可以基于感知到的无线环境信息，动态地、机 会性地接入可用频谱。
[0004]感知能力和可重构性是机器学习(ML)技术支持的CR的基本 特征。ML的数据驱动特性使得它能够从输入数据中学习有用的信息， 而无需显式的系统模型和精确的推导。特别是作为ML的重要组成部 分，DL具有很强的自适应性和迁移学习能力。自适应性使其能够动 态快速地响应环境。而迁移学习的能力使得在新旧问题之间存在关联 的情况下，基于所学知识快速解决新问题成为可能。由于这些优点， DL使得CRNs能够以较低的计算复杂度自动学习适应动态无线环境， 并提高可用资源的利用率。
[0005]在underly CRNs中，功率控制对实现动态频谱共享起着重要的 作用。通过功率控制，CRNs中的用户协同调整各自的发射功率，使 得在满足主用户(PU)的服务质量(QoS)后，次用户(SUs)有机 会接入频谱。功率控制问题通常是NP难的，因此很难处理。传统上， 穷举搜索以及迭代优化方法都是通过将原始非凸问题转化为相应的 近似子问题来研究的。然而，这些方法在实际系统中的应用受到性能、 收敛性和复杂性等问题的阻碍，特别是当CRNs中存在大量用户时， 考虑到开销和计算复杂性，有效地实现功率控制仍然是一个非常具有 挑战性的问题。
[0006]如何在保证用户QoS的基础上实现和速率最大化，并且减少求 解非凸优化问题的计算复杂性，是需要解决的技术问题

技术实现思路

[0007]本专利技术的技术任务是针对以上不足，提供CRNs中服务质量约束 功率的控制方法、装置及介质，来解决如何在保证用户QoS的基础 上实现和速率最大化，并且减少求解非凸优化问题的计算复杂性的技 术问题。
[0008]第一方面，本专利技术的CRNs中服务质量约束功率的控制方法， 包括如下步骤：
[0009]对于工作在underlay模式的CRNs，基于CRN中各个用户的 速率和功率约束，构建非凸的和速率最大化问题；
[0010]将所述和速率最大化问题转化为等价的负和速率最小化问题， 并通过障碍函数方法将所述负和速率最小化问题中的速率约束项 添加至目标函数项里，得到具有可微目标函数和可微功率约束的 目标优化问题；
[0011]基于深度学习构建功率分配模型，所述功率分配模型为一个 全连接的多层神经网络，以信道状态信息为输入、以功率分配系 数为输出；
[0012]以Loss函数作为负目标函数，通过无监督学习方法对所述功 率分配模型进行训练，得到训练后功率分配模型；
[0013]以信道状态信息为输入，通过训练后功率分配模型进行功率 优化分析，得到功率分配系数。
[0014]作为优选，所述和速率最大化问题描述为：
[0015][0016]其中，表示第k个用户预定义速率阈值，表示第 k个用户发送速率的阈值，即最大发送速率，p
k
表示，SINR
k
表示 第k个用户的信噪比，计算公式如下：
[0017][0018]其中，k＝1表示主网络SU，k＝2,
…
,K表示次网络Sus；h
kk
表 示第k个用户和第个基站之间的直接链路信道，h
kj
第j个用户和第k 个基站之间的交叉链路信道，表示第k个用户的发射功率， 表示第k个基站接收的噪声；
[0019]所述负和速率最小化问题描述为：
[0020][0021]所述目标优化问题描述为：
[0022][0023]其中表示可微对数障碍函数，它是指示函数的近 似值
[0024][0025]参数t＞0用于设置近似的精度。
[0026]作为优选，所述功率分配模型包括:
[0027]输入层，所述输入层具有K2个节点，用于输入信道状态数据；
[0028]隐藏层，所述隐藏层共有L
‑
1层，第k层的输出向量表示为：
[0029][0030]其中，l
k
表示第k层的节点数，表示第k层的输出向量， 表示第k层的权重矩阵，表示第k层的偏置向量， 第k层的输入是第k
‑
1层的输出，即ReLU(
·
)层表示 线性整流函数，为隐藏层的激活函数；
[0031]输出层，所述输出层具有K个节点，激活函数为sigmoid函数， 输出表示为：
[0032]c
L
＝Sig(W
L
c
L
‑1+b
L
)，
[0033]其中，Sig(
·
)表示标准的sigmoid函数，即
[0034][0035]作为优选，鉴于sigmoid函数的输出范围为[0,1],分配给第k个用 户的最终功率p
k
表示为：
[0036][0037]其中，c
L，k
表示c
L
的第k个元素。
[0038]作为优选，所述损失函数表示为：
[0039][0040]通过随机梯度降低方法优化所述损失函数。
[0041]第二方面，本专利技术的装置，包括：至少一个存储器和至少一 个处理器；
[0042]所述至少一个存储器，用于存储机器可读程序；
[0043]所述至少一个处理器，用于调用所述机器可读程序，执行第 一方面任一所述的方法。
[0044]第三方面，本专利技术的介质，为计算机可读介质，所述计算机可读 介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所 述处理器执行第一方面任一所述的方法。
[0045]本专利技术的CRNs中服务质量约束功率的控制方法、装置及介质具 有以下优点：
[0046]1、构建非凸的和速率最大化问题，并将该和速率最大化问题转 化为具有可微目标函数和可微功率约束的目标优化问题，通过构建的 功率分配模型对目标优化问题进行分析，得到功率分配系数，在保证 用户QoS的基础上实现和速率最大化，并且减少求解非凸优化问题的 计算复杂性；
[0047]2、无需全局最优功率分配集，将负目标函数作为Loss函数、通 过无监督学习的方法训练功率分配本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.CRNs中服务质量约束功率的控制方法，其特征在于包括如下步骤：对于工作在underlay模式的CRNs，基于CRN中各个用户的速率和功率约束，构建发非凸的和速率最大化问题；将所述和速率最大化问题转化为等价的负和速率最小化问题，并通过障碍函数方法将所述负和速率最小化问题中的速率约束项添加至目标函数项里，得到具有可微目标函数和可微功率约束的目标优化问题；基于深度学习构建功率分配模型，所述功率分配模型为一个全连接的多层神经网络，以信道状态信息为输入、以功率分配系数为输出；将负目标函数作为Loss函数，通过无监督学习方法对所述功率分配模型进行训练，得到训练后功率分配模型；以信道状态信息为输入，通过训练后功率分配模型进行功率优化分析，得到功率分配系数。2.根据权利要求1所述的CRNs中服务质量约束功率的控制方法，其特征在于所述和速率最大化问题描述为：最大化问题描述为：最大化问题描述为：其中，表示第k个用户预定义速率阈值，表示第k个用户发送速率的阈值，即最大发送速率，p
k
表示，SINR
k
表示第k个用户的信噪比，计算公式如下：其中，k＝1表示主网络SU，k＝2,
…
,K表示次网络Sus；h
kk
表示第k个用户和第个基站之间的直接链路信道，h
kj
第j个用户和第k个基站之间的交叉链路信道，表示第k个用户的发射功率，表示第k个基站接收的噪声；所述负和速率最小化问题描述为：小化问题描述为：小化问题描述为：所述目标优化问题描述为：所述目标优化问题描述为：
其中表示可微对数障碍函数，它是指示函数的近似值参数t＞0用于设置近似的精度。3.根据权利要求1或2所述的CR...

【专利技术属性】
技术研发人员：董安明，梁风，禹继国，邱静，张彤，黄耀，李素芳，韩玉冰，崔文琪，
申请(专利权)人：泰山科技学院，
类型：发明
国别省市：