[发明专利]一种基于分布式机器学习的无线网络资源分配方法

说明书

本发明提供一种基于分布式机器学习的无线网络资源分配方法，能够降低计算复杂度。所述方法包括：在各基站侧构建相同规模的深度神经网络模型，并将初始化后的原始网络环境系数划分为多组网络环境系数；以提升系统能量效率为目标，对每组网络环境系数，确定最优的用户关联策略和功率分配策略；将网络环境系数和与各基站相关的最优的用户关联策略和功率分配策略存储为相应基站侧深度神经网络模型的训练集；各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型；获取待处理的网络环境系数，将其输入到训练好的深度神经网络模型中进行神经网络计算，输出结果为优化后的用户关联策略和功率分配策略。本发明涉及无线通信及机器学习领域。

技术领域

本发明涉及无线通信及机器学习领域，特别是指一种基于分布式机器学习的无线网络资源分配方法。

背景技术

近年来，随着无线网络中密集型应用的急剧增长，对更高的速率和效率的需求也在增加。在超密集网络中部署小型基站为解决盲点和阴影问题提供了一种有前途的解决方案。在下一代蜂窝网络中，毫米波是为克服频谱不足而引入的技术手段，已成为满足移动数据业务指数增长需求的一种有吸引力的解决方案。在非视线传播条件下，由于具有高频和短程衰减特性，通过减小毫米波对蜂窝网络的干扰，提高了蜂窝网络的传输质量。

在无线蜂窝网络中，必须正确分配资源以获得较高的性能。随着无线通信的发展，用户的分布越来越密集，由此合理配置无线资源显得越来越重要。毫米波频谱中的资源管理对于提升超密集网络的能量效率变得越来越具有挑战。现有的资源管理算法通常采用数值迭代方案，如：乘法器交替方向法。这些方法在资源优化问题上都取得了一定效果，达到了一定的目标。然而，随着用户数量的增加，在这些算法下，问题变得更加严重。

随着无线通信中网络场景的复杂性和用户数量的不断增加，超密集网络的深度学习算法面临着网络规模庞大、资源分配计算复杂度高的挑战。

发明内容

本发明要解决的技术问题是提供一种基于分布式机器学习的无线网络资源分配方法，以解决现有技术所存在的超密集网络规模庞大，导致资源分配计算复杂度高的问题。

为解决上述技术问题，本发明实施例提供一种基于分布式机器学习的无线网络资源分配方法，包括：

S1，在各基站侧构建相同规模的深度神经网络模型，并将初始化后的原始网络环境系数划分为多组网络环境系数；

S2，以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略；

S3，将网络环境系数和与各基站相关的最优的用户关联策略和功率分配策略存储为相应基站侧深度神经网络模型的训练集；

S4，根据各基站侧的训练集，各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型；

S5，获取待处理的网络环境系数，将其输入到训练好的深度神经网络模型中进行神经网络计算，输出结果为优化后的用户关联策略和功率分配策略。

进一步地，所述以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略包括：

S21，对每组网络环境系数，确定基站到用户终端的信息传输速率及系统能量效率；

S22，根据确定的基站到用户终端的信息传输速率及系统的能量效率，利用拉格朗日对偶分解法，确定用户关联判决矩阵；

S23，根据确定的用户关联判决矩阵，生成基站与用户的关联策略；

S24，基于生成的基站与用户的关联策略，对基站到用户的发射功率进行更新；