[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

说明书

本发明公开了一种基于一维卷积神经网络的多用户功率分配方法，包括：1、初始化单小区多用户系统模型；2、使用改进后的基于二次变换的多比例分式规划算法收集用于神经网络训练的数据集；3、设计具体的一维卷积神经网络结构；4、使用均方误差损失函数形式训练一维卷积神经网络；5、保存一维卷积神经网络结构。本发明改进了基于二次变换的多比例分数规划方法，并使用一维卷积神经网络进行学习。本发明以小区中各用户的信道状态信息作为输入，以多比例分数规划算法下的各用户功率向量作为输出，对一维卷积神经网络进行监督学习训练，本发明能够在实现接近分数规划算法的同时降低计算复杂度。

技术领域

本发明属于移动通信系统中的资源分配领域，尤其涉及一种基于一维卷积神经网络的多用户功率分配方法。

背景技术

随着第五代移动通信技术的商业化发展，基站数量和移动用户数量不断地增加，有限的通信资源与无限的用户需求之间的矛盾逐渐显现，资源的不合理分配将给系统性能造成损失，因此，资源分配是无线通信领域的研究重点之一。

常见的功率分配算法优化目标包括最大化系统和速率、最大化频谱效率、最小化系统功率消耗及保证用户间的公平性等，这些目标与相应的约束条件共同组成一个非凸优化模型，常见的求解方法是通过交替固定某些参数，不断进行迭代，直到算法收敛。现有的传统功率分配算法在模型求解的过程中常常涉及矩阵的求逆或者矩阵奇异值分解等较复杂的计算，这会导致非凸优化问题的规模和迭代计算的复杂度进一步增加。

近年来发展迅速的深度学习技术具有计算复杂度低、适应性好等优点，在学习从输入到策略的非线性映射关系方面有着计算复杂度低的巨大优势，这对于无线通信系统中的实时决策有着重要的意义。

发明内容

本发明目的在于提供一种基于一维卷积神经网络的多用户功率分配方法,以解决在减少计算复杂度的同时，实现接近分数规划算法的性能技术问题。

为解决上述技术问题，本发明的具体技术方案如下：

一种基于一维卷积神经网络的多用户功率分配方法，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。

进一步的，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：