[发明专利]使用深度学习进行网络自优化的方法和系统

说明书

在一个示例实施例中，一种方法包括获取输入数据集和目标，输入数据集包括无线网络通信参数的值，根据目标生成针对输入数据集的输出数据集，生成输入数据集到输出数据集的映射，以及使用映射来训练网络控制器。

相关申请的交叉引用

本申请要求于2017年2月16日提交的美国临时申请No.62/455,751的优先权，其全部内容通过引用并入本文。

背景技术

自组织网络(SON)是一种自动化技术，其旨在使移动无线电接入网络的规划、配置、管理、优化和修复更简单和更快速。

发明内容

在至少一个示例实施例中，一种方法包括获取输入数据集和目标，该输入数据集包括无线网络通信参数的值，根据目标为输入数据集生成输出数据集，生成输入数据集到输出数据集的映射，并且使用映射训练网络控制器。

在至少一个示例实施例中，输入数据集包括以下中的至少一项：信道增益、接收功率测量、干扰测量、功率相关信息、可用带宽、连接性和用户设备(UE)与基站关联、服务质量(QoS)参数、拥塞和负载信息。

在至少一个示例实施例中，目标是QoS目标，QoS目标包括以下中的至少一项：目的数据速率、时延、可靠性、数据丢失率、无序传送和往返时间。

在至少一个示例实施例中，获取输入数据集包括从多个用户设备(UE)获取功率相关信息，功率相关信息包括在几乎空白子帧(ABS)期间的功率相关值和非ABS子帧期间的功率相关值，生成输出数据集基于功率相关信息生成输出数据集。

在至少一个示例实施例中，输出数据集是优化的传输调度。

在至少一个示例实施例中，生成输出数据集使用遗传编程和遗传算法中的至少一项来生成输出数据集。

在至少一个示例实施例中，网络控制器是神经网络。

在至少一个示例实施例中，训练包括训练个体网络以形成神经网络的一部分，每个个体网络表示用于下行链路传输调度的可调度元素的功能。

在至少一个示例实施例中，训练包括向每个个体网络提供输入数据集以形成神经网络的一部分，输入数据集是多个子帧中的多个UE的信号强度。

在至少一个示例实施例中，训练包括训练个体网络以形成神经网络的一部分，每个个体网络表示通信系统中的不同数目的用户设备(UE)。

在至少一个示例实施例中，训练包括训练个体网络，确定个体网络的第一层，与个体网络的其他层相比，第一层与较高度量相关联，并且组合第一层以形成神经网络。

在至少一个示例实施例中，该方法还包括在自组织网络(SON)控制器中部署网络控制器。

在至少一个示例实施例中，该方法还包括从通信网络中的多个UE收集测量数据，并且由网络控制器基于测量数据生成优化的传输调度。

至少一个示例实施例提供了一种通信系统，其包括经训练的网络控制器，该训练网络控制器包括存储计算机可读指令的存储器、至少一个处理器，至少一个处理器被配置为执行计算机可读指令以获取输入网络测量并且基于输入网络测量生成输出网络参数。

在至少一个示例实施例中，输入网络测量是以下中的至少一项：信道增益、可用带宽、用户设备(UE)与基站关联、服务质量(QoS)参数、拥塞窗口以及基站负载和功率相关信息。

在至少一个示例实施例中，经训练的网络控制器被配置为执行计算机可读指令以优化输出网络参数。

在至少一个示例实施例中，经训练的网络控制器是神经网络。