技术领域
本发明涉及无线通信的功率控制技术领域,特别涉及一种基于卷积神经网络的远端射频端功率控制方法。
背景技术
随着下一代移动通信系统研究的深入开展,人们对通信服务质量的需求日益增大;同时,无线通信系统中用户越来越密集使得原本匮乏的无线资源愈演愈烈。因此,适当的无线资源的管理和分配变得越来越重要。
云无线接入网采用光纤拉远结合远端射频端(Remote Radio Head,RRH)小区部署,能够有效提升小区部署便捷性,实现更密集小区覆盖;同时,基带处理单元集中化处理,使得各个覆盖区域用户数量改变时,可直接在基带资源池内进行集中共享资源的管理和分配。基于深度神经网络的深度学习技术可以通过简单的反向传播算法来解决复杂的非线性问题,而不需要推导复杂的数学模型,被广泛应用于各个领域解决非线性的问题。
现有功率控制的研究中,一般发射功率优化问题是非凸优化问题,不能通过直接求解优化问题得到发射功率的闭式解,而是采用加权最小均方误差等迭代算法找到次优解。当用户数量增加时,迭代次数呈现爆发式增长,导致计算复杂度过高,从而影响了实时性要求。
发明内容
本发明的目的在于提供一种基于卷积神经网络的远端射频端功率控制方法,以解决现有技术所存在的通过加权最小均方误差算法进行远端射频端功率控制,计算复杂度高且实时性差的问题。
为解决上述技术问题,本发明的实施例提供如下方案:
一种基于卷积神经网络的远端射频端功率控制方法,包括以下步骤:
根据云无线接入网络中小区内用户的位置以及多径衰落,计算小区内用户的信道增益;
利用所述小区内用户的信道增益训练卷积神经网络,计算射频端给每个用户的发射功率;
根据所述卷积神经网络中射频端给每个用户的发射功率,利用基于自适应矩估计的随机梯度下降算法优化所述卷积神经网络的神经元权重和偏置,使损失函数最小化,完成卷积神经网络的训练;
根据所述小区内用户的信道增益,利用完成训练的卷积神经网络得到射频端分配给每个用户的最优发射功率。
优选地,在基于OFDMA的云无线接入网络下行链路传输场景中,在每个小区中央部署一个远端射频端实现小区覆盖,所有的远端射频端采用相同带宽信道传输,各个远端射频端间共享频谱资源,第n个远端射频端覆盖范围内总的发射功率为:
其中,p
优选地,小区内用户的信道增益与小区内用户的多径衰落与路径损耗有关,第n个远端射频端到用户k的信道增益为:
h
其中,φ
优选地,所述卷积神经网络结构包括卷积部分、全连接部分以及Sigmoid部分。
优选地,卷积部分由N
优选地,所述卷积神经网络的训练过程包括前向传播和反向传播两部分;前向传播将输入数据由底层向高层进行计算,每层数据的输入是上一层的输出;反向传播计算卷积神经网络的梯度,并根据计算出的梯度,利用基于自适应矩估计的随机梯度下降算法更新卷积神经网络的神经元权重和偏置,使得损失函数最小化。
优选地,所述卷积神经网络的输入数据是远端射频端覆盖范围内归一化用户信道增益,输出数据是相应的远端射频端分配给用户的归一化发射功率;
第n个远端射频端归一化输入向量
其中,
所述卷积神经网络的输出数据是第n个远端射频端分配给用户的归一化发射功率向量
优选地,通过加权最小均方误差算法求解远端射频端给用户的最优发射功率
在对卷积神经网络训练过程中,利用基于自适应矩估计的随机梯度下降算法训练卷积神经网络模型,使得损失函数最小化。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,根据云无线接入网络中小区内用户的位置以及多径衰落,计算小区内用户的信道增益;利用该信道增益训练卷积神经网络,计算射频端给每个用户的发射功率;基于自适应矩估计的随机梯度下降算法优化卷积神经网络的神经元权重和偏置,最小化损失函数,完成卷积神经网络的训练;根据用户的信道增益和完成训练的卷积神经网络得到射频端分配给每个用户的最优发射功率。本发明能够实现功率分配的实时性处理,并有效降低功率控制的计算复杂度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于卷积神经网络的远端射频端功率控制方法的流程图;
图2是本发明实施例提供的基于OFDMA的云无线接入网下行链路传输场景示意图;
图3是本发明实施例提供的卷积神经网络的结构示意图;
图4是本发明实施例提供的卷积神经网络的训练流程示意图;
图5是本发明实施例提供的训练集和测试集的损失和准确率曲线示意图;
图6是本发明实施例提供的运行时间曲线对比示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明针对现有的基于OFDMA的云无线接入网下行链路传输场景中,通过加权最小均方误差算法进行远端射频端功率控制,计算复杂度高且实时性差的问题,提供一种基于卷积神经网络的远端射频端功率控制方法,该方法通过深度学习技术离线训练卷积神经网络,利用训练完成的卷积神经网络模型,以更低的复杂度以及较少的计算时间获得射频端给用户的最优发射功率。
如图1所示,本发明实施例提供的基于卷积神经网络的远端射频端功率控制方法,包括以下步骤:
S01,根据云无线接入网络中小区内用户的位置以及多径衰落,计算小区内用户的信道增益;
S02,利用所述小区内用户的信道增益训练卷积神经网络,计算射频端给每个用户的发射功率;
S03,根据所述卷积神经网络中射频端给每个用户的发射功率,利用基于自适应矩估计的随机梯度下降算法优化所述卷积神经网络的神经元权重和偏置,使损失函数最小化,完成卷积神经网络的训练;
S04,根据所述小区内用户的信道增益,利用完成训练的卷积神经网络得到射频端分配给每个用户的最优发射功率。
本发明实施例所述的基于卷积神经网络的远端射频端功率控制方法,根据云无线接入网络中小区内用户的位置以及多径衰落,计算小区内用户的信道增益;利用该信道增益训练卷积神经网络,计算射频端给每个用户的发射功率;基于自适应矩估计的随机梯度下降算法优化卷积神经网络的神经元权重和偏置,最小化损失函数,完成卷积神经网络的训练;根据用户的信道增益和完成训练的卷积神经网络得到射频端分配每个用户的最优发射功率,能够有效降低计算的复杂度,实现功率分配的实时性处理。
为了更好地理解本发明实施例所述的基于卷积神经网络的远端射频端功率控制方法,下面对其实施方式进行详细说明:
首先在基于OFDMA的云无线接入网下行链路传输场景中,多个虚拟机(VirtualMachine,VM)集中在基带资源池中,远端射频端通过大带宽低时延的前向链路连接到基带资源池,前向链路采用标准的eCPRI(enhanced CPRI)接口,远端射频端为覆盖范围内的用户提供服务。
如图2所示,图2为基于OFDMA的云无线接入网下行链路传输场景示意图,在每个小区中央部署一个远端射频端实现小区覆盖,每个远端射频端配有L根发射天线,远端射频端间距离为R,小区半径大于R/2,所有的远端射频端采用相同带宽信道传输,即各个远端射频端间共享频谱资源。
系统中所有远端射频端的集合为:
其中,N表示第N个远端射频端。
本实施例中,小区内每个用户最多被一个远端射频端所服务,且用户位置服从泊松点分布,当用户处于小区覆盖重合区域时,会接收到来自邻近远端射频端的同频干扰,所有用户的集合为:
其中K
假设第n个远端射频端最大发射功率限制为p
本实施例中,小区内用户的信道增益与其多径衰落与路径损耗有关,第n个远端射频端到用户k的信道增益为:
h
其中,φ
本实施例中基于卷积神经网络的远端射频端功率控制方法的卷积神经网络结构如图3所示,卷积神经网络结构由卷积部分、全连接(Fully Connected,FC)部分以及Sigmoid部分组成。
本实施例中,卷积部分由N
其中,卷积层对输入数据进行卷积,提取输入数据的特征,假设输入数据的大小为L×1;第i个子块的卷积层深度是C
ReLU层将非线性引入卷积神经网络,缓解过拟合现象;池化层对输入的数据进行特征压缩,以提取重要的数据特征同时减少运算量,将卷积核大小设置为
本实施例中,全连接部分将卷积部分的输出进行合并,并且转化为大小是L
本实施例中,Sigmoid部分将全连接部分的输出作为其输入,则第i个Sigmoid部分输出是
本实施例中,卷积神经网络的输入数据是远端射频端覆盖范围内归一化用户信道增益,输出数据是相应的远端射频端分配给用户的归一化发射功率。
第n个远端射频端归一化输入向量
其中,
则,卷积神经网络的输出数据是第n个远端射频端分配给用户的归一化发射功率向量
本实施例中,卷积神经网络的训练过程分为前向传播和反向传播两部分,即前向传播和反向传播两个子过程。前向传播是将输入数据由底层向高层进行计算,每层数据的输入是上一层的输出。反向传播是计算卷积神经网络的梯度,并根据计算出的梯度,利用基于自适应矩估计的随机梯度下降算法更新卷积神经网络的神经元权重与偏置,使得损失函数最小化。
卷积神经网络训练过程如图4所示。首先将卷积神经网络的神经元权重与偏置随机初始化;将归一化输入向量输入到卷积神经网络中,经过前向传播得到卷积神经网络的输出数据;计算卷积神经网络的梯度;利用基于自适应矩估计的随机梯度下降算法更新卷积神经网络的神经元权重与偏置,使得损失函数最小化,得到远端射频端功率控制的卷积神经网络最优模型。
本实施例中,通过加权最小均方误差算法求解远端射频端给用户的最优发射功率
在对卷积神经网络训练过程中,利用基于自适应矩估计的随机梯度下降算法训练卷积神经网络模型,使得损失函数最小化。
本实施例中,可根据小区内任意归一化处理后的用户信道增益,通过已训练好的卷积神经网络,确定远端射频端最优发射功率。针对基于卷积神经网络的远端射频端功率控制方法,已训练好的卷积神经网络是通过加权最小均方误差算法求解远端射频端最优发射功率的逼近器,因此,基于卷积神经网络的远端射频端功率控制方法能达到与采用加权最小均方误差算法相似的性能。此外,虽然训练卷积神经网络需要大量的计算,但是本实施例可以离线训练卷积神经网络,对于已经训练好的卷积神经网络可以以较低的开销解决远端射频端功率控制问题,有效降低了计算的复杂度,实现了功率分配的实时性处理。
图5为训练集和测试集的损失和准确率曲线示意图,由图5可知,当卷积神经网络的训练次数Epoch为90时,已训练好的卷积神经网络模型在测试集上达到95.3%准确率,卷积神经网络模型鲁棒性非常好,可以很好的根据用户信道增益预测远端射频端给用户的发射功率。
图6为运行时间曲线对比示意图,由图6可知,随着平均用户数的增长,基于卷积神经网络的远端射频端功率控制方法与基于加权最小均方误差算法进行远端射频端功率控制的运行时间都会增加,但是,基于卷积神经网络的远端射频端功率控制方法在平均用户数量增加时运行时间远低于基于加权最小均方误差算法进行远端射频端功率控制的运行时间,并且两种算法的运行时间差距随着平均用户数的增加而增大。
综上,本实施例所述的基于卷积神经网络的远端射频端功率控制方法,将深度学习技术应用到无线通信领域,在基于OFDMA的云无线接入网下行链路传输场景中,实现远端射频端功率控制,可减少运行时间,满足实时性要求,并降低计算复杂度。将本实施例所述的基于卷积神经网络的远端射频端功率控制方法应用于下一代移动通信技术,不仅能够满足实时性的需求,而且能够节约设计成本,简化设计流程,同时为远端射频端功率控制提供新思路,适应场景具有一般性。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
机译: 基于客户端的显示状况的从服务器到客户端的多媒体数据传输控制方法,基于客户端的显示状况的从客户端到多媒体数据自适应解码的方法和模块,基于服务器的多媒体数据从客户端到客户端的传输到客户端的控制方法和客户端服务器系统
机译: 用于基于多位卷积神经网络的基于多位卷积神经网络的存储单元的存储单元,用于基于多位卷积神经网络的基于存储的内存应用的存储器阵列结构及其计算方法
机译: 功率输入端与输出端远端的电源线质量相同的半导体存储器件