一种异构网络中用户关联的GA-BPNN方法技术

本发明专利技术公开了一种异构网络中用户关联的GA‑BPNN方法，其特征在于该方法首先对其进行数学建模，然后利用贪婪算法获得足够样本，然后对建立的BP神经网络进行训练，最终得到能够得到近似贪婪算法性能的神经网络，基本步骤包括：建立网络、样本预处理、训练和输出结果。本发明专利技术以优化问题已平衡网络吞吐量和基站负载为目标，同时考虑了用户的数据速率要求，能以合理的计算复杂度逼近最优解，并能够同时给出合适的CoMP簇选择结果。

【技术实现步骤摘要】
一种异构网络中用户关联的GA-BPNN方法
本专利技术属于通信的
，特别涉及异构网络中用户关联的方法。
技术介绍
在传统的同构网络中，用户通常根据参考信号接收强度(ReferenceSignalReceivingPower，RSRP)或者信干噪比(SignaltoInterferenceandNoiseRatio，SINR)选择关联基站(BaseStation，BS)。然而，这类用户关联算法在异构网络中不再适用。异构网络中，宏基站(MacroBS，MBS)的发射功率通常比微小站(SmallBS，SBS)大得多。比如，宏基站的发射功率可达40Watt，而微小站的传输功率为1Watt或者更低。相比于SBS，来自MBS的RSRP或者SINR要高得多，因此大多数用户将与MBS关联，从而导致MBS负载过重而SBS可能空载，此时用户体验和网络吞吐量没有得到提升，而SBS空载产生了大量的电力资源浪费。小区覆盖扩展(CellRangeExpansion，CRE)技术通过增加偏移量，可是更多的用户与SBS关联。但是，位于扩展的覆盖区域内的用户会受到来自己MBS信号的严重干扰，导致用户体验下降。由此可见，异构网络中需要更优越的用户关联算法。近期，相关文献将异构网络的用户关联问题建模成优化问题，并针对优化问题提出大量的算法。有一种做法是将用户关联建模成相应的因子图(factorgraph)，并提出了一种分布式的置信传播(beliefpropagation)算法。但是，这种做法中没有考虑现实场景中的QoS需求对算法的限制。贪婪算法也是一种常用的解决用户关联问题的算法。针对合适的目标函数，通常能够利用贪婪算法获得最优解。但是，贪婪算法需要对所有可能解进行遍历，因而需要相当大的计算量，所以很难应用于现实系统中。
技术实现思路
基于此，因此本专利技术的首要目地是提供一种异构网络中用户关联的GA-BPNN(GreedyAlgorithm-basedBPNN，GA-BPNN)方法，该方法以优化问题已平衡网络吞吐量和基站负载为目标，同时考虑了用户的数据速率要求，能以合理的计算复杂度逼近最优解，并能够同时给出合适的CoMP簇选择结果。本专利技术的另一个目地在于提供一种异构网络中用户关联的GA-BPNN方法，该方法能够显著地降低计算复杂度和计算时长，同时获得接近最优的关联结果，提高了关联效率。为实现上述目的，本专利技术的技术方案为：一种异构网络中用户关联的GA-BPNN方法，其特征在于该方法首先对其进行数学建模，将用户关联问题的目标函数建模为：其中，0＜λ＜1表示网络吞吐量在目标函数中的权重，表示用户k在过去一段时间内获得的平均数据率，然后利用贪婪算法获得足够样本，然后对建立的BP神经网络进行训练，最终得到能够得到近似贪婪算法性能的神经网络，基本步骤包括：建立网络、样本预处理、训练和输出结果。进一步，为了减少计算量，根据实际情况合理地缩小可能解的搜索范围，将用户的服务基站限制在与其相邻的3个MBS和5个SBS之中。所述GA-BPNN的工作流程为：101、建立网络；建立一个4层的BP神经网络，包括一个输入层，两个隐层和一个输出层。其中，每个隐层都包含10个神经元。GA-BPNN方法的目标是针对任意用户k，输入其对应的O2中基站的相关信息后即可得到最优的用户关联结果。根据O2的定义以及公式给出的目标函数，将BP神经网络的输入定义如下的16维向量：对于每个用户，GA-BPNN输出一个表明最优关联基站ID的值。综上所述，GA-BPNN每层的神经元数量为分别为16∶10∶10∶1。输入层和隐层的传递函数选用tansig函数，输出层则选用purelin函数。每次训练中采用Levenberg-Marquardt(L-M)方法对神经元连接的权重进行调整。102、样本预处理；对BPNN进行训练和测试的数据样本来自于对前文所述的贪婪算法进行大量实验得到的数据。每个样本包括输入向量和一个输出的最优解，数据样本的结构如下：其中，yk是贪婪算法判定的用户k的关联基站ID，即因此，为了保障神经网络性能，需要对样本进行入以下预处理：1021、数据分类：将全部数据样本分成两个相互独立的集合：训练集和测试集；训练集的样本只用于对神经网络进行训练；测试集中的样本则只用来测试BP神经网络的性能。使用相同的数据样本对神经网络进行训练和测试，容易加速训练的收敛，是神经网络陷入局部最优。因此，为了保障BP神经网络的性能，必须避免训练集和测试集中出现相同的样本。1022、数据随机化：顺序上相连的样本容易出现较强的相似性。如果直接用来进行训练，也容易令BP神经网络陷入局部最优。为了避免这种情况，应对样本进行随机化处理。1023、数据归一化数据样本的归一化有两个重要的目标：一是降低数据处理的复杂度、加快收敛；二是消除数据的物理意义，避免出现冲突。为此，将样本中的数据映射到[0，1]范围内。103、训练。利用预处理后的样本对设置好的BP神经网络进行训练。初始时，BP神经网络中权重是随机选取的。每次训练会根据输出的误差对权重进行调整，直到误差下降到给定的目标。然后利用测试样本检验BP神经网络的性能。如果能够满足要求，则保存当前网络。105、输出结果。对于用户k，将如公式(12)所示的输入向量输入到训练好的神经网络中，即可得到最有的关联基站ID。这个过程既可以在计算单元中并行处理，也可以有由每个用户独立完成，因而在实际系统中能够进一步缩短计算时间。本专利技术提出了解决异构网络中用户关联问题的GA-BPNN方法。该方法能够显著地降低计算复杂度和计算时长，同时获得接近最优的关联结果。在考虑使用CoMP技术提升用户体验的场景中，GA-BPNN方法还能够提供适当的CoMP簇选择。仿真结果验证了GA-BPNN方法模拟贪婪算法的精确度可达到88％，而计算时长仅为贪婪算法的1/8。附图说明图1是本专利技术所实施宏小区构成的异构网络的拓扑图。图2是本专利技术所实施BP神经网络结构图。图3是本专利技术所实施的GA-BPNN的工作流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。考虑一个由N个宏小区构成的异构网络。每个宏小区由一个位于中心的宏基站(MBS)，以及围绕在宏基站周围的M个微小站(SBSs)构建而成。共有K个用户随机分布在网络中。令Ψ表示网络中全部基站组成的集合，其中的前N个元素表示MBS的id。具体来说，Ψ的结构如下：上述异构网络的拓扑如图1所示。上述异构网络中，假设全部基站工作在相同的频段上。在LTE系统中资源分配的基本单位为资源块(ResourceBlock，RB)。因此，假设系统的总带宽为BHz，被分为NRB个RB，每个RB的带宽则为b＝B/NRBHz。同时，假设所有的基站在实施传输之前可以知道瞬时信道新信息，因而能够根据这些信息计算最优的用户关联结果。一个用户在进入网络的初期，必须要根据给定的规则与其中一个基站进行关联。与用户关联的基站将保留用户的注册信息，并向用户传输控制信息及数据信息。这个基站为用户的服务基站。在同构网络中，用户通常根据接收到的最大的RSRP(Refer本文档来自技高网...

【技术保护点】
1.一种异构网络中用户关联的GA‑BPNN方法，其特征在于该方法首先对其进行数学建模，将用户关联问题的目标函数建模为：

【技术特征摘要】
1.一种异构网络中用户关联的GA-BPNN方法，其特征在于该方法首先对其进行数学建模，将用户关联问题的目标函数建模为：其中，0＜λ＜1表示网络吞吐量在目标函数中的权重，表示用户k在过去一段时间内获得的平均数据率，然后利用贪婪算法获得足够样本，然后对建立的BP神经网络进行训练，最终得到能够得到近似贪婪算法性能的神经网络，基本步骤包括：建立网络、样本预处理、训练和输出结果。2.如权利要求1所述的异构网络中用户关联的GA-BPNN方法，其特征在于将用户的服务基站限制在与其相邻的3个MBS和5个SBS之中。3.如权利要求2所述的异构网络中用户关联的GA-BPNN方法，其特征在于所述GA-BPNN的工作流程为：101、建立网络；建立一个4层的BP神经网络，包括一个输入层，两个隐层和一个输出层，其中，每个隐层都包含10个神经元；102、样本预处理；对BPNN进行训练和测试的数据样本来自于贪婪算法进行大量实验得到的数据，每个样本包括输入向量和一个输出的最优解，数据样本的结构如下：其中，yk是贪婪算法判定的用户k的关联基站ID，即103、训练；利用预处理后的样本对设置好的BP神经网络进行训练；104、输出结果。4.如权利要求3所述的异构网络中用户关联的GA-BPNN方法，其特征在于所述步骤101中，GA-BPNN方法的目标是针对任意用户k，输入其对应的Ωk中基站的相关信息后即可得到最优的用户关联结果，根据Ωk的定义以及公式给出的目标函数，将BP神经网络的输入定义如下的16维向量：对于每个用户，GA-BPNN输出一个表明最优关联基站ID的值。5.如权利要求4所述的异构网络中用户关联的GA-...

【专利技术属性】
技术研发人员：张学，于佳，岳胜，江巧捷，常洪涛，苏蕾，刘远彬，
申请(专利权)人：广东南方电信规划咨询设计院有限公司，
类型：发明
国别省市：广东,44