【技术实现步骤摘要】
本专利技术属于移动通信，涉及一种无线通信网络基站负载均衡优化策略。
技术介绍
1、随着数据业务需求及用户数量爆炸式增长，对于无线通信系统中的资源管理问题提出更高的要求。然而在实际无线通信网络部署中，用户分布不均、用户业务量差异和基站处理能力不同等问题直接导致基站负载不均衡，甚至部分基站承载业务量过大而导致网络通信拥塞、信号干扰和数据传输延迟等直接问题；而部分基站负载直接则由于相对空闲，使得网络中资源利用率降低且通信服务质量下降。上述情况严重影响网络用户体验质量，同时不利于运营商的经济效益和社会效益。基站负载不均衡问题已成为制约无线通信系统性能提升的关键因素。基站作为连接用户终端和核心网络的重要枢纽，其负载状况直接影响整个网络的稳定性和网络性能。合理部署基站，保障负载均衡可以提高整个网络的资源利用率和通信质量。
技术实现思路
1、本专利技术的目的在于提供一种无线通信网络基站负载均衡优化策略，解决了现有技术中基站负载不均衡造成网络资源利用率和通信质量下降的技术问题。
2、本专利技术所采用的技术方案是，无线通信网络基站负载均衡优化策略，具体包括以下步骤：
3、s1：构建udn下行通信系统；
4、s2：基于二部图理论，采用库恩-曼克算法将用户与基站间的关联问题转化为凸优化问题；
5、s3：基于变异系数赋权法，设置用户接收来自基站传输信号中各参数的权重；
6、s4：基于库恩-曼克算法进行最优匹配，将下行链路信道状态信息转换为匹配边权
7、s5：设计基于改进的卷积神经网络的用户关联策略，学习基站与用户间信道状态信息到关联策略之间的非线性映射关系，减小关联算法计算复杂度。
8、本专利技术的特点还在于，
9、s1中所构建的udn下行信道系统包括b个基站和u个单天线用户，用集合j＝{1,2,...b}和i＝{1,2,...u}表示。
10、s2具体为：
11、根据负载上限扩展基站的顶点集，假设负载上限等于用户总数，通过添加虚拟基站或虚拟用户的方式，使基站和用户顶点集分别扩展为|vb*|和|vu*|，且满足|vb*|＝|vu*|＝|vb|*|vu|。
12、s3中各参数包括信号接收质量、信号接收时延、信号干扰噪声比和误码率。
13、s3具体为：
14、s3.1：搜集原始数据；
15、定义每个基站关联的用户子集m，mj则代表基站j所关联的用户子集，设基站j所关联的用户数为mj，m个用户收到来自基站j的m个信号，且每个信号s由信号接收质量q、信号接收时延t、信号干扰噪声比n和误码率e这四项评估指标确定，即s＝f(q，t，n，e)；
16、s3.2：将原始数据以集合形式表示；
17、将收到来自基站j的m个信号和四项评估指标(q，t，n，e)组成一个m*4的矩阵，标记为x，其中xij代表第i行第j列的数据；
18、s3.3：处理指标数据正向化；
19、在所提的四项评估指标中，信号接收质量q和信号干扰噪声比n为正向指标，信号接收时延t和误码率e为负向指标；正向指标为越大越优型指标，负向指标为越小越优型指标；对于正向指标保持其原数据不变，即xij′＝xij；对于负向指标处理数据正向化为
20、s3.4：处理指标数据标准化；
21、指标数据采取标准化处理，在标准化后的数据矩阵中，定义
22、s3.5：计算变异系数；
23、设每个指标的均值和标准差分别为aj和sj，表示为：
24、
25、式(1)和式(2)中，x'ij为标准化处理后的指标数据，n为标准化数据矩阵中总的数据个数(n＝m*4)；
26、则将每个指标的变异系数定义为vj＝sj/aj；
27、s3.6：计算权重与加权求和；
28、各个参数相应权重ω的计算公式表示为：其中σ为修正系数，由实际应用场景确定；四项评估指标的加权求和式为：
29、w＝ω1q+ω2t+ω3n+ω4e(3)
30、式(3)中，q为信号接收质量，t为信号接收时延，n为信号干扰噪声比，e为误码率，w即为用户与下行匹配基站匹配边权值，ω1,ω2,ω3,ω4分别为四项评估指标所占的权重。
31、s4中将下行链路信道状态信息转化为匹配边权值具体为：
32、通过无向图来描述基站与用户的匹配关系，基站与用户匹配关系的问题转化为求无向图中基站顶点与用户顶点匹配边权值之和最大值问题，其中每条边的权值由加权求和式来确定；
33、无向图为其顶点集合vb和vu分别由基站和用户的集合j和i组成，基站与用户的关联用无向图表示为g＝(vb,vu,e)，匹配边权值根据变异系数确定的各参数权重加权求和得到。
34、s5中关联策略为基站与用户之间通过加权二部图关联。
35、s5中改进的卷积神经网络具体为：在卷积神经网络各层输出前添加激活函数leaky relu；末端的输出层前添加批规范化层，然后附加sigmoid激活函数再取整。
36、s5中改进的卷积神经网络具体为：
37、s5.1：搜集用户所接收来自关联基站下行传输的信号状态信息和最优关联结果；
38、s5.2：将s5.1中的信号状态信息和最优关联结果建立一组训练数据集，重复1万次s5.1，生成所需的训练数据；
39、s5.3：将s5.2所得训练数据输入到卷积神经网络的输入层，通过卷积神经网络前向传播过程得到输出值；
40、s5.4：构建卷积神经网络中输出层的输出值与最优关联的均方误差作为损失函数来描述卷积神经网络的训练水平，结合反向传播算法自动调整卷积神经网络的权重参数，使用adam方法寻找最优权重系数；
41、s5.5：根据损失值的反馈不断调整卷积神经网络的的学习率、学习回合数和批次大小，直到损失值趋于稳定且最小。
42、与现有技术相比，本专利技术的有益效果是：
43、本专利技术基于库恩-曼克算法，利用在无向图中拓展虚拟基站或虚拟用户顶点的方式，将基站与用户一对多的非凸优化问题转化为虚拟基站和虚拟用户间一对一的凸优化问题，并通过为优化问题设计权重系数，来实现基站负载均衡和用户关联的动态调整；同时为了适应低延迟环境，构建了基于改进卷积神经网络的关联算法来减少计算复杂度，解决了现有技术中基站负载不均衡造成网络资源利用率和通信质量下降的技术问题。
44、本专利技术提出的无线通信网络基站负载均衡优化策略在负载均衡程度方面优于传统的最大sinr方案，凸优化取整方案的负载情况，同时具有更低的计算复杂度，适合在低延迟环境中应用。
本文档来自技高网...【技术保护点】
1.无线通信网络基站负载均衡优化策略，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的无线通信网络基站负载均衡优化策略，其特征在于，所述S1中所构建的UDN下行信道系统包括B个基站和U个单天线用户，用集合J＝{1,2,...B}和I＝{1,2,...U}表示。
3.根据权利要求2所述的无线通信网络基站负载均衡优化策略，其特征在于，所述S2具体为：
4.根据权利要求1所述的无线通信网络基站负载均衡优化策略，其特征在于，所述S3中各参数包括信号接收质量、信号接收时延、信号干扰噪声比和误码率。
5.根据权利要求4所述的无线通信网络基站负载均衡优化策略，其特征在于，所述S3具体为：
6.根据权利要求5所述的无线通信网络基站负载均衡优化策略，其特征在于，所述S4中将下行链路信道状态信息转化为匹配边权值具体为：
7.根据权利要求1所述的无线通信网络基站负载均衡优化策略，其特征在于，所述S5中关联策略为基站与用户之间通过加权二部图关联。
8.根据权利要求1所述的无线通信网络基站负载均衡优化策略，其特征在
9.根据权利要求8所述的无线通信网络基站负载均衡优化策略，其特征在于，所述S5中改进的卷积神经网络具体为：
...【技术特征摘要】
1.无线通信网络基站负载均衡优化策略，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的无线通信网络基站负载均衡优化策略，其特征在于，所述s1中所构建的udn下行信道系统包括b个基站和u个单天线用户，用集合j＝{1,2,...b}和i＝{1,2,...u}表示。
3.根据权利要求2所述的无线通信网络基站负载均衡优化策略，其特征在于，所述s2具体为：
4.根据权利要求1所述的无线通信网络基站负载均衡优化策略，其特征在于，所述s3中各参数包括信号接收质量、信号接收时延、信号干扰噪声比和误码率。
5.根据权利要求4所述的无线通信网络基站负载均衡优化策略，其特征在于，所述s3具体为：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。