[发明专利]融合混类增强与自编码器的大规模MIMO性能提升方法

权利要求书

1.融合混类增强与自编码器的大规模MIMO性能提升方法，其特征在于：包括如下步骤，

步骤1，在大规模MIMO网络场景下，建立基于深度神经网络的功率分配模型，并获取用户设备的位置作为所述功率分配模型的输入样本，分配结果作为输出样本；

所述步骤1还包括，

步骤1-1，最大化大规模MIMO网络中速率最差的用户的速率，以达到所有用户获得相同下行速率的目的，大规模MIMO网络的输入X为:

X＝{x(k)|k＝1,......,K}

其中,x(k)表示用户k的位置，输出是最佳功率分配方案P，且：

P＝{ρ_j,k|k＝1,......K；j＝1,......,L}

其中，ρ_j,k是基站为用户服务的功率，j表示第j个小区，L为小区的总数，通过解决最大最小优化问题获得最优功率分配方案；

步骤1-2，获取大规模MIMO网络功率分配数据集；在大规模MIMO通信系统中收集用户设备的位置信息作为功率分配模型的输入，通过估计用户与其相关联的基站之间的信道，以最大化最小的用户速率为目标，建立完整的MIMO网络功率分配问题的数学模型，采用经典的凸优化算法对所建立的最大最小问题进行求解，将获得的最优功率分配方案作为标签，收集上述步骤产生的输入和标签，形成功率分配数据集，用于数据增广；

步骤2，对大规模MIMO网络的功率分配模型的输入样本和输出样本运用自编码器进行数据增广，并将增广数据集送入MIMO网络的功率分配模型进行训练；

所述步骤2还包括，

步骤2-1：采用基于经典自编码器的数据增广方法，首先构建用于数据增广的自编码器模型，设需要增广的数据集为编码器为解码器为其中，κ_f和κ_g分别为编码器和解码器的参数，则可以通过如下损失函数J来训练自编码器：

其中，x为自编码器模型的输入值；

当模型的损失函数J满足下式时停止训练：

c≤||g(f(x；κ_f)；κ_g)-x||²≤d

其中，c和d为超参数，取c＝0.2，d＝0.3；

完成训练后，使用非完美编码器生成并使用非完美解码器生成新数据

步骤2-2，将所述步骤1所采集的用户设备的位置和其对应的最优功率分配结果分别输入步骤2-1建立好的数据增广器中生成增广数据，得到的结果直接进行拼接形成新的训练数据集，再重新送入MIMO网络模型；

步骤3，构建融合深度自编码器与混类增强的数据增广模型，进一步改善数据增广的性能；

所述步骤3还包括，

步骤3-1，使用混类增强的数据增广方法增强用于功率分配的神经网络的泛化性能，对数据的处理公式如下：

其中，x′_i′和y′_i′分别为原始训练样本的输入和标签，x′_i″和y′_i″分别为将x′_i′和y′_i′作为自编码器输入所生成的增广数据，λ∈[0,1]；

步骤3.2，将上述数据增广方法生成的增广数据用于训练MIMO网络的功率分配模型，进一步提升功率分配模型的性能。