[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

说明书

本发明公开了一种融合深度自编码器与混类增强的大规模MIMO网络性能提升方法，包括如下步骤，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；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；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。通过本发明能够在原始训练集与自编码器生成训练集上运用混类增强的方法来解决数据集大小大于阈值时自编码器无法提升模型性能的问题，从而进一步提升大规模MIMO模型性能和用户服务质量。

技术领域

本发明涉及无线通信的技术领域，尤其涉及融合混类增强与自编码器的大规模MIMO性能提升方法。

背景技术

大规模MIMO是一种提升无线网络性能的有效技术。在大规模MIMO网络中，基站配备了大量天线以通过空间复用为多个用户设备提供服务。在工业中，该技术已集成到5G无线通信标准中；在学术界，该技术一直被认为是解决导频污染问题的关键技术。功率分配是大规模MIMO网络中的核心技术，合理地为用户分配传输功率可以有效提升用户服务质量。然而，当前基于优化算法的大规模MIMO功率分配方案复杂度高，很难适应动态变化的实际环境。最近，基于深度学习的无线通信网络优化技术蓬勃发展，这为大规模MIMO网络功率分配问题的低复杂度算法设计提供了新思路。设计合适的深度神经网络，可以学习用户设备的位置和最佳功率分配策略之间的映射，进而实现低复杂度的功率分配算法。与传统基于凸优化的方法相比，深度学习获得了功率分配的复杂度与性能之间的折中。

经典机器学习理论指出，只要机器学习算法(如神经网络)的规模不随着训练数据数量的增加而增加，那么经验风险最小化的收敛性就是可以得到保证的。其中，机器学习算法的规模由参数数量来衡量。然而，对于参数量巨大的深度学习算法，有限的训练样本可能会给神经网络带来过拟合的风险，进而导致泛化性能的下降。缓解过拟合的一种简单有效的方法是数据增广，通过增加样本的多样性，可以提高模型的泛化能力。

然而，基于深度学习的大规模MIMO网络模型的数据增广尚未充分研究。为了生成和原始样本不同的增广数据，我们可以使用自编码器神经网络对数据的分布进行拟合，然后从学习到的分布中重新采样出新的样本，以实现基于自编码器的数据增广。然而，基于自编码器的数据增广方法在数据集较大时会给样本带来过多的噪声，最终导致性能下降。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种融合深度自编码器与混类增强的大规模MIMO网络性能提升方法，该发明能够增强神经网络的泛化性并提高其鲁棒性，从而提升网络性能。

技术方案：为了实现上述发明目的，本发明提供了一种融合深度自编码器与混类增强的大规模MIMO网络性能提升方法，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；

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；

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。

进一步的，在本发明中：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}