一种基于深度学习的毫米波通信系统中的功率控制方法技术方案

本发明专利技术公开一种基于深度学习的毫米波通信系统中的功率控制方法，首先，收集环境内D2D设备和蜂窝设备的地理位置信息，构造两个大小为M×M的密度网格矩阵来表示链路收发机的位置；然后，收集训练数据集，构建卷积神经网络框架，并初始化神经网络权重；最后，将训练数据集输入至神经网络中，构建神经网络的输出和标签之间的MSE作为损失函数，并选择一个梯度下降算法优化神经网络的权重；完成训练并保存神经网络。本发明专利技术克服了毫米波网络环境中蜂窝设备和D2D设备的干扰问题，用卷积神经网络对收发机的相对位置进行特征提取，以监督学习的方式逼近传统算法来学习设备位置到最优功率分配的映射关系。

【技术实现步骤摘要】
一种基于深度学习的毫米波通信系统中的功率控制方法
本专利技术涉及通信系统物理层技术，具体的涉及无线通信系统资源分配技术，尤其涉及一种基于深度学习的毫米波通信系统中的功率控制方法。
技术介绍
随着5G通信技术的普及与推广，如何提高资源分配的效率成为研究热点，其中在毫米波通信环境中，由于其可用频带极宽、方向性强、保密性好、干扰很小等优点，目前被广泛的运用于商业环境。而现实环境往往复杂多变，用户数量繁多、用户类型复杂都考验着通信网络的性能。比如在毫米波设备对设备(D2D)蜂窝网络中，环境内有D2D设备对和蜂窝设备，它们之间由于距离短或者发射功率高的原因往往会成为彼此的干扰源，如何进行适当的功率分配以平衡D2D设备对和蜂窝设备之间干扰以及最大化数据速率成为研究的新方向，这也是本专利技术的核心问题。另外，毫米波D2D蜂窝网络环境中典型的功率分配算法是加权最小均方误差算法(WMMSE)，一般通过将目标问题等效为加权均方误差(MSE)最小化问题，它可以找到满足系统中所有用户和速率最大化性能的最优解，但该算法典型的缺点是收敛性能差，而缓慢的收敛会导致比较高的计本文档来自技高网...

【技术保护点】
1.一种基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，包括以下步骤：/n(1)收集环境内D2D设备和蜂窝设备的地理位置信息，构造两个大小为M×M的密度网格矩阵来表示链路收发机的位置；/n(2)将相应用户位置的信道增益输入到WMMSE算法，得到相应样本下的最优功率分配策略p

【技术特征摘要】
1.一种基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，包括以下步骤：
(1)收集环境内D2D设备和蜂窝设备的地理位置信息，构造两个大小为M×M的密度网格矩阵来表示链路收发机的位置；
(2)将相应用户位置的信道增益输入到WMMSE算法，得到相应样本下的最优功率分配策略p*，收集训练数据集；
(3)确定训练集和测试集的分割比例；
(4)构建卷积神经网络模型，并初始化神经网络权重；
(5)将训练数据集输入至神经网络中，构建神经网络的输出和标签之间的MSE作为损失函数，并选择一个梯度下降算法优化神经网络的权重；
(6)当损失函数小于预设值或达到迭代次数时，完成训练并保存神经网络；
(7)测试阶段由测试集作为输入数据验证性能。


2.根据权利要求1所述的基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，步骤(2)所述的训练集包括收发机的密度网格矩阵和相应的最优功率分配标签数据。


3.根据权利要求1所述的基于深度学习的毫米波通信系统中的功率控制方法，其特征在于，所述步骤(2)实现过程如下：
生成随机用户收发机之间的距离在[5,65]中均匀分布，以网格的形式将区域量化，构造两个大小1000×1000的密度网格矩阵，神经网络卷积层中的卷积滤波器将直接作用于网格矩阵，由卷积滤波器提取收发机对附近收发机产生的以及受到的干扰特征以及链路的信道增益信息。
...

【专利技术属性】
技术研发人员：李君，朱明浩，仲星，王秀敏，李正权，
申请(专利权)人：南京信息工程大学滨江学院，
类型：发明
国别省市：江苏;32