[发明专利]一种基于迟滞噪声混沌神经网络的基站休眠方法

说明书

本发明提供了一种基于迟滞噪声混沌神经网络的基站休眠方法。该方法通过引入迟滞噪声混沌神经网络模型，将基站休眠策略中的约束条件以及目标函数表示为迟滞噪声混沌神经网络模型的能量函数，求导得到动力方程，并代入算法中进行迭代，当能量函数收敛时即得到最佳休眠方案，得到的方案满足约束条件并能达到能效最优。本发明既能表现出迟滞动力又能表现出随机混沌模拟退火，并且具有跳出局部极值的能力，得到的休眠方案比传统方法能效更低。

技术领域

本发明涉及异构密集网络系统领域，具体说是异构密集网络中通过基站休眠减少网络能耗的一种方法。

背景技术

5G中用户设备(UE)的迅猛增长以及用于多媒体宽带服务(MBS)的新智能设备的引入导致流量的大幅增长。作为5G新无线电概念之一，超密集网络 (UDN)可以通过在室内和热点中密集部署微基站(SBS)来满足未来1000倍的数据流量需求，满足高流量和高流量的要求。在UDN中，宏基站(Macro-BS) 提供基本覆盖，而低功率微基站(SBS)则在Macro-BS的覆盖范围内密集部署。

但是，微基站的致密化大大增加了网络的总能耗，从而降低了总体网络能效(EE)。统计数据表明，密集部署的微基站大部分时间处于低流量状态，并且在低流量或无流量状态下将消耗网络总能耗的60％至80％。因此可以采用基站休眠机制。即可以关闭适当数量的低业务量微基站以减少基站的静态功耗，实现了大规模的节能。除了大规模减少静态功耗外，还可以通过改进网络中的资源分配方法来提高EE。在本文中，资源分配是指基站在其资源块(RB)上的功率分配。发射器的功率对放大器，空调等的能耗有重大影响。因此通过集中对基站进行休眠分配能大大减小网络能耗。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种基于迟滞噪声混沌神经网络的基站休眠方法。

本发明采用以下技术方案：首先建立由宏基站和微基站组成的异构网络系统模型，然后构造迟滞噪声混沌神经网络模型，通过异构网络系统模型的能效函数以及约束条件构造迟滞噪声混沌神经网络模型的能量函数，对能量函数进行迭代直到函数收敛，获得最优解即微基站休眠分配矩阵。

为实现上述目的，本发明具体包括以下步骤：

(1)搭建异构蜂窝网络系统模型

异构蜂窝网络系统模型由宏基站与微基站构成，默认宏基站一直工作在活动状态，且用户优先与微基站连接，则异构蜂窝网络系统模型的能效仅与微基站有关。将异构蜂窝网络系统模型中所有微基站的能效函数定义为：

其中微基站数量为N个，用户数量为M个；R_i,m表示用户u_m从微基站B_i获取的每个资源块的数据速率；RB_i,m表示用户u_m与微基站B_i关联时所需的资源块数；x_i,m表示u_m是否与B_i相关联的二进制指示变量；p_i表示微基站的动态功耗和微基站分配给其用户的资源块的数量的比例系数；RB_i表示由微基站B_i分配的资源块总数；δ表示微基站B_i的静态功率与其在活动状态下的最大工作功率之比；P^M表示微基站B_i的额定最大工作功率；φ表示微基站B_i是否休眠对功耗的影响；

异构蜂窝网络系统模型中所有微基站的能效函数的约束条件为：

约束C1表示每个微基站在其分配的资源块上的总实际发射功率不能超过上限，其中P^max表示基站的额定发射功率。

约束C2确保了微基站的业务量没有达到饱和，其中RB^max表示微基站的额定发射功率，β表示可由微基站分配的资源块的比例；