[发明专利]一种基于一维卷积神经网络的多用户功率分配方法

权利要求书

1.一种基于一维卷积神经网络的多用户功率分配方法，其特征在于，包括以下步骤：

S1:初始化下行单小区多用户系统模型，基站配备多根天线，用户侧均为单天线，基站能获取到所有用户的信道状态信息，用户i的归一化可达数据速率为：

其中h_i为第i个用户信道向量，为第i个用户信道向量的转置，H为转置运算符，w_i为第i个用户的预编码向量，为第i个用户侧的噪声方差，p_i为分配给第i个用户的传输功率，满足0≤p_i≤P_max，p_j为分配给第j个用户的传输功率，满足j≠i且0≤p_j≤P_max，P_max为基站的最大发射功率；

S2：收集数据集，包括各用户的信道状态信息矩阵H与基于二次变换的多比例分数规划FP算法下的功率分配结果p*；

S3:设计一维卷积神经网络的层数及卷积核数量，初始化一维卷积神经网络的权重和偏置；

S4:训练一维卷积神经网络，采取均方误差作为损失函数形式，以最小化预测功率向量p与步骤S2中基于二次变换的多比例分数规划算法下功率分配向量p*之间的误差；

S5:当迭代训练次数大于等于2000次或损失函数误差小于10^-3时，保存当前一维卷积神经网络的权重和偏置。

2.根据权利要求1所述的基于一维卷积神经网络的多用户功率分配方法，其特征在于，所述S2具体包括以下步骤：

S2-1:初始化辅助变量γ和y；

S2-2:初始化迭代计数器counter＝0；

S2-3:更新辅助变量y中第i个参数y_i：

其中γ_i为初始化辅助变量γ中的第i个参数，K为基站中的用户数量；

S2-4:更新辅助变量γ中第i个参数γ_i：

S2-5:更新功率向量p中的第i个功率结果p_i：

S2-6:计数器counter＝counter+1；

S2-7:重复S2-3至S2-6直至counter≥1000；

S2-8:输出基于二次变换的多比例分数规划FP算法下的功率分配结果p*。

3.根据权利要求2所述的基于一维卷积神经网络的多用户功率分配方法，其特征在于，所述S3中，由于一维卷积神经网络只能处理实数，而用户信道状态信息为复数形式，因此，定义一维卷积神经网络的输入为：

v＝abs(vec(H^HH))²

其中vec函数实现了H^HH的向量化，abs函数实现了对每一个复数取模，H为用户的信道状态信息矩阵，H^H用户的信道状态信息矩阵的转置，则一维卷积神经网络的输入尺寸为K²×1，其中K为基站中的用户数量；因此，使用一维卷积神经网络学习处理后的输入v到输出功率向量的映射关系,包含输入层、三个卷积模块、两个全连接层以及输出层。

4.根据权利要求3所述的基于一维卷积神经网络的多用户功率分配方法，其特征在于，所述S4具体包括以下步骤：

S4-1:基于深度学习的特性，收集用户与基站之间的信道状态信息，使用基于二次变换的多比例分数规划FP算法得到对应的功率向量p*，重复S4-1中得到的训练数据；

S4-2:将步骤S4-1中得到的训练数据样本按照4:1:1的比例随机分成训练集、验证集和测试集；

S4-3:训练初始化结构的一维卷积神经网络，构建损失函数L_FP：

其中，P_out为一维卷积神经网络的输出结果，P_FP为FP算法得到的最优功率分配结果。

5.根据权利要求4所述的基于一维卷积神经网络的多用户功率分配方法，其特征在于，所述S5具体为训练迭代次数大于等于2000次或损失函数小于阈值10^-3时停止训练并保存当前模型的权重和偏置。