[发明专利]一种基于深度神经网络的不可信中继网络天线选择方法

摘要

本发明提供了一种基于深度神经网络的不可信中继网络天线选择方法，将DNN方法引入到不可信中继网络中，实现不可信中继网络发射端的天线选择问题。训练前通过归一化数据集样本提高分类精度，之后采用DNN方法对天线选择模型进行训练和测试。在中继存在功率限制的情况下，利用DNN成功实现解耦，解决传统机器学习方法无法解决的复杂耦合精确分类的问题，从而提升天线分类正确率，在保证所提天线选择方法性能逼近传统基于穷举的天线选择方法的基础上，进一步减小了复杂度。

主权项

1.一种基于深度神经网络的不可信中继网络天线选择方法，其特征在于包括以下步骤：步骤一，在包括一个源节点S、一个目的节点D和一个不可信中继R的半双工不可信中继网络中，S、R、D分别配置N_S、1、1根天线，所有信道服从瑞利衰落中；产生一组训练集和一组测试集，都具有M个信道状态信息样本，分别表示为和其中，和分别表示第m个训练样本和测试样本，m∈{1，…，M}；针对第m个训练样本和测试样本和进行归一化处理后得到训练样本和测试样本的特征向量分别为和针对第m个训练样本遍历所有的天线组合，计算每一个组合对应的可达安全速率R_s，确定最大安全速率及其对应的天线组合序号步骤二，基于DNN方法对天线选择模型进行训练；DNN模型分为输入层、隐藏层、输出层；训练前先确定模型参数，包括网络层数、网络每层节点数、学习率和批数据大小；本发明采用RMSprop优化器；采用RELU函数作为隐藏层的激励函数，采用softmax函数作为输出层的激励函数；对天线组合序号采用独热码编码，编码位宽为第m个测试样本选中的天线组合编码为比特为0或者1；假设第m个测试样本选中的天线组合为l，其独热码B^m中只有一位是其他比特均为0；之后，把归一化后的训练集样本和最大安全速率对应的天线组合序号编码B^m输入模型；通过反向传播算法将模型实际输出的天线组合的编码与预期输出天线组合的编码的误差，利用交叉熵损失函数进行衡量，并逐层向后传播；基于最小化损失函数的原则，网络神经元间的权重值被自动调整并更新；步骤三，使用训练好的模型，以归一化后的第m个测试样本作为输入，输出层第k个神经元输出的概率，记为其中，表示事件发生的概率；具有最大概率序号对应于被选中天线组合序号，记选中天线组合序号为计算可达安全速率。