[发明专利]一种基于神经网络的超密集异构网络负载均衡优化方法

说明书

本发明提供了一种基于神经网络的超密集异构网络负载均衡优化方法，将ART2型神经网络和基于代价的分布式方法相结合的低复杂度超密集异构网络下行用户连接方法，联合调整所有小站的代价偏置值，解决超密集异构网中的负载均衡问题。本发明采用ART2型神经网络的分类设置初始值，可以大大降低迭代次数和计算复杂度，能提高基站边缘和中间的用户的吞吐量率，自动的均衡跨层和同层之间基站的负载，进一步显著降低负载均衡迭代方法的迭代次数，更加适应快速复杂多变的实际情况。

技术领域

本发明属于移动通信中无线网络技术领域，涉及负载均衡优化方法，具体涉及无线通信系统中一种基于自适应谐振理论2(Adaptive Resonance Theory,ART2)型神经网络的超密集异构网络负载均衡优化方法。

背景技术

在宏站覆盖范围内同频密集部署低功率小站的超密集异构网络是一种提升第五代移动通信(5G)网络频谱利用率和网络容量的有效方法。常用的服务小区选择准则—最大功率接收准则中，每个用户选择接收信号功率最强的小区作为服务小区。然而在异构网络中，大站和小站的功率差异比较大，这样就会造成层间负载不均衡。为了提高无线资源的利用率，需要均衡负载的分布，把用户主动的卸载到负载较轻的低功率小站上。

以负载均衡为目的的用户连接问题是一个非确定性多项式困难问题。通过对问题的放松，可以得到一种低复杂度的基于代价的分布式方法来收敛到一个近似最优解，然而这种基于代价的分布式用户连接方法收敛速度依赖于迭代参数的选择，面对实际网络复杂的情况，无法对实时负载变化调整迭代参数，收敛速度得不到保障。

发明内容

为解决上述问题，本发明提出一种以最大化网络对数效用函数为目标，将ART2型神经网络和基于代价的分布式方法相结合的低复杂度超密集异构网络下行用户连接方法，联合调整所有小站的代价偏置值，解决超密集异构网中的负载均衡问题。

为了达到上述目的，本发明提供如下技术方案：

一种基于神经网络的超密集异构网络负载均衡优化方法，包括如下步骤：

第一步：采集网络信息，初始化参数

采集网络中的宏站数目N_m、小站数目N_p及用户数目N_U；将站点集合记为B＝{M,P}，其中宏站集合小站集合总的基站数目为N_B，用户集合初始化最大迭代次数t_max，迭代终止次数T_res，迭代更新步长δ；初始化当前迭代次数t，可以接受的最大误差ε；初始化当迭代误差达到ε范围内持续的迭代次数t_res；采集各个基站可以提供给所有用户的瞬时最高数据速率，得到基站可以提供给用户的瞬时最高数据速率的最大值c_max和最小值c_min；把数据速率区间[c_min,c_max]划分成k个等间隔的[c_min,c₁],[c₁,c₂],…[c_k-1,c_max]数据速率区间；统计各个基站的k个数据速率区间内用户的数目，得到包含kN_B个值的向量作为ART2神经网络的输入；