一种基于可拓展训练网络的智能通信资源分配策略

摘要

本发明属于通信网络技术、智慧城市服务支撑技术领域，具体公开了一种基于可拓展训练网络的智能通信资源分配策略，具体包括：获取基于通信资源的多个训练数据组，训练数据组包括具备拓展性的输入数据和输出参考数据；建立通信资源分配的训练网络；设置迭代方式，采用训练数据组训练该训练网络，当满足迭代条件时得到最优的训练网络。该策略能够对优化训练网络进行动态训练，避免训练网络固化，能够适应一般化的优化场景，可以通过调整输入与输出端变量，实现对训练网络的动态调整，一般性与可拓展性强，且消耗算力适中，计算用时较短，适合工程实践应用。

说明书

技术领域

本发明属于通信网络技术、智慧城市服务支撑技术领域，特别涉及一种基于可拓展训练网络的智能通信资源分配策略。

背景技术

下一代无线通信网络(即5G移动通信网络)中的技术服务指标相比于当前使用的4G网络将会有显著提升。尤其是吞吐量、用户接入数量、能效等指标，为了适应新型用户需求，如高清视频、虚拟现实(VR)数据业务传输等，需要计以十倍地提高。故此，传统蜂窝小区基站的业务量大增，从而导致了传统上以基站为核心的蜂窝通信网络难以为继。为解决海量数据以及海量用户的通信需求，一方面除了加大投入通信资源以外，提升所投入的通信资源的利用效率亦至关重要。

一般来说，通信资源具体可以指三种资源，一是频谱资源，二是设备资源，三是电力资源。在移动通信领域，频谱资源是推动产业发展的核心资源，是承载无线业务的基础。在今天以及可见的未来的技术条件下，每个用户在进入网络的时候，都要占用一定且有限的的频谱资源，否则就不能够进行有效通信。也就是说，频谱资源决定着整个网络的接入用户数量和吞吐量，且同一频谱资源不可被多个用户同时使用，具备稀缺性。设备资源指的是为了实现一个蜂窝小区内的通信需求而需要投入的通信设备，包括基站，中转站以及室内外天线等。如何在多个基站所组成的蜂窝小区之间合理调配这两项资源，决定着整个无线通信网络的性能与服务质量。电力资源也关系着通信服务质量的优劣，尤其是终端设备，靠电池供电，如何减少能耗，实现绿色通信，是5G通信研究领域的一个热门话题。然而，在通信网络环境复杂时，尤其是涉及到多用户场景，在给定一个优化目标(如吞吐量最大化、稳定性最大化、能耗最小化等)的前提下，资源优化配置问题通常是一个NP困难问题。这意味着要解决这样的优化问题，除了个别可以用凸优化转化以外，通常来说要用穷举的办法，但这样的方法由于计算量极大，会消耗很大的算力，而且需要的计算时间也很长。

在工程实践中，基于穷举的优化配置方法实用性并不大。工程实践上，通常会对一些长期以来积累的经验法则加以整合，得到一套基于经验的分配算法，用以大致靠近最优解。然而，这种方法虽然有效，但是可靠性存疑，在复杂条件下产生的优化结果有可能还会离最优解所得到的系统性能存在一段可观的差距，且无法通过这种经验法则本身来验证优化结果的最优性。这样一来，由多蜂窝小区组成的多用户优化场景的资源优化配置问题无法得到很好地解决，并且较低的通信资源利用率长期制约了无线通信网络性能和服务质量的进一步提高。

发明内容

本发明的目的在于提供一种基于可拓展训练网络的智能通信资源分配策略，从而克服由多蜂窝小区组成的多用户优化场景的资源优化配置问题无法得到很好地解决的缺陷。

本发明的另一目的在于提供一种基于可拓展训练网络的智能通信资源分配策略，从而克服现有的分配算法消耗过高算力，计算时间超出工程实践限制的缺陷。

为实现上述目的，本发明提供了一种基于可拓展训练网络的智能通信资源分配策略，具体包括：

S101，获取基于通信资源的多个训练数据组，所述训练数据组包括具备拓展性的输入数据和输出参考数据；

S102，建立通信资源分配的训练网络：

S＝{K|(n₁,n₂,...,n_K)}>

式(1)中，其中K表示训练深度，n_k表示第k层的计算节点个数；

S103，设置迭代方式，采用所述训练数据组训练所述训练网络，当满足迭代条件时得到最优的训练网络。

优选的，上述技术方案中，步骤S103中采用所述训练数据组训练所述训练网络具体包括以下步骤：

S201，获取具备拓展性的输入数据X＝[x₁,x₂,...,x_M]^T及输出参考数据Y＝[y₁,y₂,...,y_N]^T；

S202，初始化计算节点连接的权重值w(k_l,k_t)和节点的激活阈值θ(k_l)：

w(k_l,k_t),θ(k_l)＝Rand(-2.4/n_l-1,2.4/n_l-1)>

其中，w(k_l,k_t)表示相邻的k_l号计算节点到k_t号计算节点连接的权重；

S203，激活训练网络的层级节点，其输入输出关系为：

式(2)中，Sigmoid函数为激活函数；

S204，训练所述训练网络，迭代开始，通过对比训练网络实际输出的优化结果与标准优化参考结果Y＝[y₁,y₂,...,y_N]^T来调整每次迭代后的计算节点连接权重w(k_l,k_t)和节点的激活阈值θ(k_l)，从而使得训练后的进行迭代更新后逐渐逼近Y＝[y₁,y₂,...,y_N]^T。

优选的，上述技术方案中，步骤S204中通过对比训练网络实际输出的优化结果与标准优化参考结果Y＝[y₁,y₂,...,y_N]^T来调整计算节点连接权重w(k_l,k_t)和节点的激活阈值θ(k_l)具体包括：

首先计算末端层级误差为：

根据末端层级误差计算出输出层误差梯度为：

获取末端层级计算节点连接修正因子为：

其中α为学习速率，是根据经验人为进行设定的系统参数；

最后，新的末端层级计算节点连接权重按照如下公式(7)进行更新：

w(K_l,K_t)←w(K_l,K_t)+Δw(K_l,K_t)>

除了末端层级以外，其他层级的计算节点连接修正因子从末端层级的误差梯度逐步回推，首先依如下公式(8)得到各层级节点的误差梯度：

由此得到计算节点连接修正因子：

并更新相应的计算节点连接权重：

w(k_l,k_l+1)←w(k_l,k_l+1)+Δw(k_l,k_l+1)>

节点的激活阈值θ(k_l)根据误差梯度进行相应的调整，首先计算修正因子：

根据修正因子得更新后的θ(k_l)：

θ(k_l)←θ(k_l)+Δθ(k_l)。>

优选的，上述技术方案中，步骤S204中训练后的优化结果会逼近标准优化参考结果，其精度由绝对平方误差表征，如公式(13)所示：

优选的，上述技术方案中，所述迭代方式为无穷迭代，所述计算节点连接权重w(k_l,k_t)和节点的激活阈值θ(k_l)根据实时数据进行实时的后验调整。

优选的，上述技术方案中，所述迭代方式为有穷迭代，所述有穷迭代可选用以下三种中的任一种作为终止条件：第一种为训练次数达到规定次数；第二种为训练数据规模达到规定要求；第三种为训练后网络输出结果精度达到规定要求。

优选的，上述技术方案中，训练终止后所述节点连接权重w(k_l,k_t)和节点的激活阈值θ(k_l)的更新计算即固化。

优选的，上述技术方案中，具备拓展性的输入数据能够添加新的数据类别，也能够删除旧的数据类别。

优选的，上述技术方案中，步骤S103训练过程中所述训练数据组选取方法采用重复数据组训练法或随机数据组训练法。

与现有的技术相比，本发明具有如下有益效果：

1.本发明中的基于可拓展训练网络的智能通信资源分配策略，该策略利用可拓展训练网络和大数据处理技术，能够对优化训练网络进行动态训练，避免训练网络固化，对通信网络环境和用户接入的变化能够有较好的应变能力，鲁棒性强，能够适应一般化的优化场景，可以通过调整输入与输出端变量，实现对训练网络的动态调整，一般性与可拓展性强，并且在训练数据组充足的情况下，优化结果可以无限逼近最优解，其产生结果相对可靠，次优性可通过差分算法进行检验，且消耗算力适中，计算用时较短，适合工程实践应用。

2.该策略可以采用动态(实时)训练方法，对通信网络环境和用户接入的变化能够有较好的应变能力，鲁棒性强。

3.该策略前期网络训练过程较长，但在后期，对于训练后的网络来说，在面对实时输入数据时，只需要执行简单的加法、乘法运算即可，因此需要的算力适中，计算时间较短，符合工程实践应用要求，具备较强的实用性。

4.该策略的算法复杂度不随输入变量的增加而呈现指数变化趋势，具备在大范围异构网络、超密集多用户场景中进行一般化推广的良好前景。

附图说明

图1是根据本发明的基于可拓展训练网络的智能通信资源分配策略的流程图。

图2是根据本发明训练网络的结构图。

图3是根据本发明的结构图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

如图1所示，该实施例中的基于可拓展训练网络的智能通信资源分配策略，具体包括：

步骤S101，获取基于通信资源的多个训练数据组，训练数据组包括具备拓展性的输入数据和输出参考数据。

一般来说，一个设计合理的训练网络可以给由多个蜂窝小区构成的通信网络提供一种自适应机制，用以调整其系统配置参数和资源分配，从而使得某种优化目标逼近最优。而训练用的数据组越多，训练的次数越多，训练网络也就越完善，输出的调控方案也就越精确，越接近最优解。除了训练网络本身的结构以外，训练数据组和训练过程，在很大程度上决定了整个训练网络的优化性能。因此，该实施例中首先给出训练数据组的结构和生成办法。一个训练数据组，包括输入数据和输出参考数据。其中输入数据包含了多个方面的通信网络信息，其中主要有信道质量、接入设备数、通信吞吐量、小区内人人流量、电力消耗情况、有无突发性事件、天气状况等等信息的历史数据，以矩阵表示，记为X＝[x₁,x₂,...,x_M]^T。但需要特别注意的是，输入数据是具备可拓展性的，可以添加新的数据类别，也可以删除旧的数据类别。在计算机复杂度和算力允许的条件下，数据类别越全面，则后续的训练效率越高，优化配置结果越精确。同时，X＝[x₁,x₂,...,x_M]^T中各个元素的数学性质也不必相同，有些可能是实数，有些仅可取自然数、整数，有的为二进制变量，只可取0或1。输出参考数据是通过实时监测或穷举计算得到的历史实际最优输出，记为Y＝[y₁,y₂,...,y_N]^T，该分配结果使得网络的某种通信性能达到最优化，如最大化吞吐量，最大化资源利用率，最小化能耗等等。同样地，Y＝[y₁,y₂,...,y_N]^T中各个元素的数学性质也不必相同。Z＝{X,Y}构成了一组完整的训练数据组，这样的训练数据组越多，则训练网络的训练效率越高，可训性和训练方法越多样。通常Z＝{X,Y}是通过历史实测数据配合穷举算法或者其他精度较高但用时较长的算法得出的；但实际训练过程中，由于训练所需数据量极大，有可能会造成训练数据组不够用的情况，在这种情况下，该实施例提出以下两种训练方案：

一、重复数据组训练法：即以一定的频率或者训练间隔来重复应用同一系列的训练数据组反复训练网络。在训练网络达到饱和态之前，不同的节点权重会对同一组重复数据产生同向叠加变化，从而进一步提高网络的训练效果和优化配置精度。

二、随机数据组训练法：在已收集的历史输入数据中寻找其数学规律和统计学分布规律，然后总结成一个统计学分布模式，然后利用该模式大量生成随机训练数据组，然后再用穷举的办法找出最优的输出数据作为输出参考数据来组成一组完整的训练数据组，然后用来训练网络。

步骤S102，建立通信资源分配的训练网络。

训练网络的结构也是很重要的，合理的训练网络结构能够大大提升训练的效率和输出结果的精度，因此，该实施例中规定了训练网络的基本结构和表示法。一个训练网络的结构，有两个元素组成，第一是训练深度，即训练网络的层级数(包括输入与输出层)；第二是每个训练层级的计算节点个数。如此一来，则我们提出用一下的表示法表征一个无反馈型全连训练网络的结构：

S＝{K|(n₁,n₂,...,n_K)}>

其中K表示训练深度，n_k表示第k层的计算节点个数，具体如图2所示。

S103，设置迭代方式，采用训练数据组训练所述训练网络，当满足迭代条件时得到最优的训练网络，采用训练后的训练网络进行通信资源分配。

具体的，如何执行训练网络内部的自适应机制以逼近最优解，关乎训练网络的效率，也是该实施例中分配策略的核心所在，该实施例中的训练算法可以分为如下几步执行：

一、初始化：主要对两个物理量进行初始化，其中一个是计算节点连接的权重值w(k_l,k_t)，表示相邻的k_l号计算节点到k_t号计算节点连接的权重；另外一个是节点的激活阈值θ(k_l)。采用随机初始化办法，两者的初始值以随机方式从以下范围内选出：

w(k_l,k_t),θ(k_l)＝Rand(-2.4/n_l-1,2.4/n_l-1)>

二、计算节点激活：作为无反馈全连训练网络，除输入层之外，每个层级计算节点从上一层级的所有计算节点中收集输出，并乘以相应的连接权重后相加，并用Sigmoid函数作为激活函数，其输入输出关系如下：

通过一系列训练过程，最后一层节点受到激活后的输出即为训练输出结果，其值通过与Y＝[y₁,y₂,...,y_N]^T比较，可以得到训练效果和精度等反映训练网络性能的基本信息。其中，训练结果会逼近最优参考结果，直接由精度判断两者的逼近程度，其精度由绝对平方误差表征，数学表达式给出如下：

三、训练：训练的目的和内容主要是通过对比训练网络实际输出的优化结果与标准优化参考结果Y＝[y₁,y₂,...,y_N]^T来调整计算节点连接权重w(k_l,k_t)和节点的激活阈值θ(k_l)，从而使得以迭代的方式逐渐逼近Y＝[y₁,y₂,...,y_N]^T。具体来说，首先要计算末端层级(即输出层)误差如下：

然后可以根据末端层级误差计算出末端层级误差梯度如下：

据此，可以得到末端层级计算节点连接修正因子：

其中α被称为学习速率，是一个根据经验人为进行设定的系统参数。

最后，新的末端层级计算节点连接权重可以按照如下方式进行更新：

w(K_l,K_t)←w(K_l,K_t)+Δw(K_l,K_t)>

除了末端层级以外，其他层级的计算节点连接修正因子可以从末端层级的误差梯度逐步回推，首先依如下公式得到各层级节点的误差梯度：

由此可以得到计算节点连接修正因子

并更新相应的计算节点连接权重如下：

w(k_l,k_l+1)←w(k_l,k_l+1)+Δw(k_l,k_l+1)>

除了计算节点连接权重w(k_l,k_t)需要根据输出层结果进行调整之外，节点的激活阈值θ(k_l)也需要借由误差梯度进行相应的调整。具体调整办法规定如下，首先计算修正因子：

根据修正因子易得：

θ(k_l)←θ(k_l)+Δθ(k_l)。>

下面通过具体的一个简化场景和算例来说明其优化过程，以OFDM多载波无线通信系统中的子载波重置优化场景为例，具象化所提出之基于可拓展训练网络的智能通信资源分配策略的优化过程。简言之，即给出多个子载波的独立衰落信道增益，挑选出最优子载波，数学上可以表示为：

采用一个两输入(即有两个子载波信道增益信息输入)，两输出(即两个选择参量，该参量为“1”时则代表所对应的子载波被使用，“0”则代表所对应的子载波不被使用)，中间层数为1，中间层有2个计算节点的简化优化系统模型，所提出的表示法可以表示为：

S＝{3|(2,2,2)} (15)

X＝[|h(1)|²,|h(2)|²]^T>

Y＝[i(1),i(2)]^T>

并且，可以通过简单地数学计算和分析得到

假设第一轮输入数据为X＝[|h(1)|²,|h(2)|²]^T＝[0.0438,0.7228]^T，则相应地输出参考为Y＝[i(1),i(2)]^T＝[0,1]^T，通过随机初始化的方法得到：

初始计算节点连线权重(按照节点顺序编号)：w(1,3)＝-1.5330、w(1,4)＝-2.1838、w(2,3)＝1.0712、w(2,4)＝-0.7323、w(3,5)＝0.3056、w(3,6)＝-1.1480、w(4,5)＝0.9854、w(4,6)＝0.7213。

初始计算节点激活阈值：θ(3)＝5.4353、θ(4)＝4.2426、θ(5)＝2.9900、θ(6)＝3.1515

此时输入X＝[|h(1)|²,|h(2)|²]^T＝[0.0438,0.7228]^T，经训练网络依照上述随机生成的初始计算节点连线权重和初始计算节点激活阈值处理，得到实际输出Y_K＝[i_K(1),i_K(2)]^T＝[0.0483,0.0409]^T。则绝对平方误差为SSE＝0.9222。

由提出之算法通过计算误差与误差梯度后更新相应的计算节点连线权重和计算节点激活阈值后得到新的值：

第二轮计算节点连线权重(按照节点顺序编号)：w(1,3)＝-1.5331、w(1,4)＝-2.1837、w(2,3)＝1.0710、w(2,4)＝-0.7322、w(3,5)＝0.3056、w(3,6)＝-1.1478、w(4,5)＝0.9854、w(4,6)＝0.7216。

第二轮计算节点激活阈值：θ(3)＝5.5713、θ(4)＝4.2424、θ(5)＝2.9923、θ(6)＝3.1138。

第二轮实际输出Y_K＝[i_K(1),i_K(2)]^T＝[0.0483,0.0409]^T，绝对平方误差为SSE＝0.9222。

同理重复到第三轮得到：

第三轮计算节点连线权重(按照节点顺序编号)：w(1,3)＝-1.5331、w(1,4)＝-2.1837、w(2,3)＝1.0707、w(2,4)＝-0.7320、w(3,5)＝0.3056、w(3,6)＝-1.1475、w(4,5)＝0.9853、w(4,6)＝0.7219。

第三轮计算节点激活阈值：θ(3)＝5.5846、θ(4)＝4.2421、θ(5)＝2.9964、θ(6)＝3.0838。

第三轮实际输出Y_K＝[i_K(1),i_K(2)]^T＝[0.0482,0.0424]^T，绝对平方误差为SSE＝0.9193。可以发现绝对平方误差开始下降。

令该迭代训练过程重复100遍，则得到

第100轮计算节点连线权重(按照节点顺序编号)：w(1,3)＝-1.5350、w(1,4)＝-2.1825、w(2,3)＝1.0392、w(2,4)＝-0.7114、w(3,5)＝0.3043、w(3,6)＝-1.1088、w(4,5)＝0.9839、w(4,6)＝0.7626。

第100轮计算节点激活阈值：θ(3)＝5.6153、θ(4)＝4.2136、θ(5)＝3.1763、θ(6)＝-2.1419。

第100轮实际输出Y_K＝[i_K(1),i_K(2)]^T＝[0.0405,0.8938]^T，绝对平方误差为SSE＝0.0129。可以发现绝对平方误差发生了数量级上的显著下降。

使得该迭代训练过程重复500遍，则得到

第500轮计算节点连线权重(按照节点顺序编号)：w(1,3)＝-0.5601、w(1,4)＝0.5629、w(2,3)＝0.3624、w(2,4)＝0.1442、w(3,5)＝-0.1161、w(3,6)＝-0.6535、w(4,5)＝0.7307、w(4,6)＝1.1667。

第500轮计算节点激活阈值：θ(3)＝3.7203、θ(4)＝3.5934、θ(5)＝1.2720、θ(6)＝2.4856。

第500轮实际输出Y_K＝[i_K(1),i_K(2)]^T＝[0.0271,0.9648]^T，绝对平方误差为SSE＝0.0020。可以发现绝对平方误差发生了数量级上的显著下降，并稳定收敛到0.0020左右，即实际输出Y_K＝[0.0271,0.9648]^T与参考输出Y＝[i(1),i(2)]^T＝[0,1]^T的差异极小，可以认为训练网络通过迭代训练后有效地逼近了最优解，而计算节点连线权重和计算节点激活阈值也发生了稳定收敛，由这一算例给出的结果显示了所提出算法的稳定性和实用性。

综上所述，从本质上来说，本发明所提出的基于可拓展训练网络的智能通信资源分配策略是一种自适应的迭代优化机制。本发明的可拓展性很强，而且具备一般性。具体来说，本发明提出的核心算法不局限于某种特定的通信资源分配场景，也不局限于特定的输入、输出层设计。依据目前的大数据处理技术和云端数据库，可以很方便地对输入、输出层进行调整和增删操作。而资源优化配置的场景可以通过对标准输出参考Y＝[y₁,y₂,...,y_N]^T的调整而改变。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。