一种基于卷积神经网络的远端射频端功率控制方法技术

本发明专利技术公开了一种基于卷积神经网络的远端射频端功率控制方法，包括：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。本发明专利技术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。

【技术实现步骤摘要】
一种基于卷积神经网络的远端射频端功率控制方法
本专利技术涉及无线通信的功率控制
，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。
技术介绍
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(RemoteRadioHead，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，导致计算复杂度本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的远端射频端功率控制方法，其特征在于，包括以下步骤：/n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；/n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；/n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；/n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。/n

【技术特征摘要】
1.一种基于卷积神经网络的远端射频端功率控制方法，其特征在于，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。


2.根据权利要求1所述的基于卷积神经网络的远端射频端功率控制方法，其特征在于，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，pn,k表示第n个远端射频端分配给用户k的下行链路发射功率；假设第n个远端射频端最大发射功率限制为pnmax，则系统中第n个远端射频端覆盖范围内的总发射功率需满足0＜pn≤pnmax。


3.根据权利要求1所述的基于卷积神经网络的远端射频端功率控制方法，其特征在于，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：
hn,k＝|φn,k|2βdn.k-α
其中，φn,k是第n个远端射频端到用户k的多径衰落，服从均值为0、方差为1的循环对称复高斯分布；βdn.k-α是第n个远端射频端到用户k的路径损耗，β与α为路径损耗参数，dn.k是第n个远端射频端到用户k的距离。


4.根据权利要求1所述的基于卷积神经网络的远端射频端功率控制方法，其特征在于，所述卷积神经网络结构包...

【专利技术属性】
技术研发人员：陈月云，谢雅婷，买智源，杨美婕，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11