一种深度学习的放大转发协作网络能效性资源分配方法组成比例

本发明专利技术公开了一种深度学习的放大转发协作网络能效性资源分配方法。首先，构建了由两个独立的全连接(FC)子网络组成的组合深度神经网络(CDNN)模型，其中一个子网络用来确定源节点的功率分配，另外一个用来决定中继节点的功率分配。另外，为CDNN模型输出层设计基于反正切函数的激活函数，以逼近功率因子的分配，采用整流线性单元(ReLU)函数进一步滤掉输出的负中继节点功率权重，从而同时实现了中继节点的选择及其功率分配。设计的激活函数与基于Sigmoid激活函数相比，被证明能够根据信道增益为无线节点分配更合适的功率值。通过仿真结果也证明本发明专利技术提出的CDNN模型和传统的“固定源节点功率”方法相比，在能效性及中断概率两方面的性能上得到了提升。方面的性能上得到了提升。方面的性能上得到了提升。

【技术实现步骤摘要】
一种深度学习的放大转发协作网络能效性资源分配方法


[0001]本专利技术属于无线协作通信
，具体为一种深度学习的放大转发协作网络能效性资源分配方法。

技术介绍

[0002]随着5G通信技术的快速发展，复杂的网络结构带来的高耗成为5G规模商用的拦路虎，如何改进技术，大幅减少5G网络高能耗刻不容缓。而协作通信技术在多用户环境下，每个单天线用户之间共享彼此的天线，从而形成一种虚拟的多天线系统，以实现发送分集，提高系统的传输性能。协作通信技术在5G通信领域具有非常广阔的应用前景。其中放大转发(amplify
‑
and
‑
forward，AF)协作比解码转发(Decoding
‑
and
‑
forward，DF)协作网络部署更加便宜，对于网络运营商来说非常具有吸引力。而AF协作技术研究中，中继选择和联合功率优化对提高网络能效有非常重要的意义。但是，一方面，AF协作网络中源节点和多个中继节点的联合功率优化包括连续变量和组合变量，是一个非凸问题，现在的研究方法只有在已知源节点功率的前提下才能解决；另一方面，当从可用的中继节点中选择数量不固定的一组中继节点进行协作，并尝试在各自的功率约束下优化波束成型矢量时，只能使用穷举搜索(exhaustive search，ES)法解决，这导致了极其高的复杂性。
[0003]深度学习利用足够的神经元和隐藏层来逼近复杂问题，是执行大量非凸和非线性问题的理想选择。因此，将深度学习应用于多中继AF协作系统，对优化资源分配问题具有重要意义。

技术实现思路

[0004]针对上述问题本专利技术提供了一种深度学习的放大转发协作网络能效性资源分配方法。
[0005]为了达到上述目的，本专利技术采用了下列技术方案：
[0006]本专利技术提供一个组合深度神经网络模型(combinational deep neural network，CDNN)：包括两个独立的全连接(fully connected，FC)子网络，表示为SF1和SF2，两个子网络均由有限个子模块串联组成，SF1子网络用来决定中继节点的功率分配，该子网络除了最后一个子模块，其他子模块都由一个全连接层后跟双曲正切函数组成，该子网络最后一个子模块由一个全连接层后跟自定义的激活函数组成，最后一个子模块的隐藏节点数目和放大转发协作网络中潜在中继节点的数目相同，每一个输出对应一个中继节点功率分配；SF2子网络用于决定源节点的功率分配，该子网络除最后一个子模块，其他子模块都由一个全连接层后跟整流线性单元(ReLU)组成，该子网络最后一个子模块由一个全连接层跟一个自定义的激活函数组成，输出为源节点的功率。
[0007]本专利技术还提供一种深度学习的放大转发协作网络能效性资源分配方法，包括以下步骤：
[0008]步骤1，建立放大转发协作网络最小化能耗的源节点与中继节点功率分配联合优
化模型；
[0009]步骤2，构建组合深度神经网络模型；
[0010]步骤3，对构建的组合深度神经网络模型进行训练；
[0011]步骤4，用训练学习到的组合深度神经网络模型进行测试。
[0012]进一步，所述步骤1中放大转发协作网络最小化能耗的源节点与中继节点功率分配联合优化模型的建立包括以下步骤：
[0013](1)放大转发协作网络系统总速率的计算；
[0014](2)放大转发协作网络最小化能耗的源节点与中继节点功率分配联合优化模型的建立。
[0015]更进一步，所述步骤(1)中放大转发协作网络系统包括一个源节点和一个目的节点,N个潜在中继节点；所述放大转发协作网络系统总速率的计算，包括如下过程：
[0016]假定源节点到目的节点、源节点到所有潜在中继节点、所有潜在中继节点到目的节点间的信道状态已知；
[0017]进一步假设传输时隙分成两部分，在第一部分时间段，源节点广播信息到目的节点及所有潜在中继节点，称广播阶段；在第二部分时间段，中继节点转发从源节点接收的信息，称协作阶段；
[0018]在广播阶段，源节点发射信号x，目的节点和任一中继节点接收的信号分别为：
[0019][0020][0021]式中，p
s
为源节点的发射功率，假设源节点发射的信号x的幅值为1，h
s,d
和h
s,i
分别是源节点到目的节点、源节点到中继节点i的信道增益，w
s,d
和w
s,i
是在广播阶段，目的节点及中继节点i的接收噪声；假设所有中继节点和目的节点接收的噪声服从复高斯分布，均值为零；
[0022]在协作阶段，目的节点接收中继节点放大转发的信号为：
[0023][0024]式中，中继节点接收噪声的方差；h
i,d
是中继节点i到目的节点的信道增益；w
r,d
是目的节点在协作阶段的接收噪声，是中继节点i的功率归一化因子；向量是所有潜在中继节点的转发功率向量，[
·
]T
表示矩阵或向量取转置，α
i
表示中继节点i的转发功率，向量向量
[0025]合并式(1)和(3)，可以得到：
[0026][0027]根据式(4)，得到目的节点的信噪比：
[0028][0029]式中，表示目的节点接收噪声的方差，H
H
表示向量H取转置，f
H
表示向量f取转置；W
H
表示向量W取转置；
[0030]放大转发协作网络系统目的节点的得到的总速率为：
[0031]R
d
＝Blog2(1+γ
d
)
ꢀꢀꢀ
(6)
[0032]式中，B为信道的带宽。
[0033]所述步骤(2)中放大转发协作网络最小化能耗的源节点与中继节点功率分配联合优化模型及约束条件为：
[0034][0035]满足：R
d
≥R
th
ꢀꢀꢀ
(7b)
[0036]0＜p
s
＜P
smax
ꢀꢀꢀ
(7c)
[0037][0038][0039]式中，f
H
f表示所有中继节点的功率和，R
th
表示系统速率要求，P
smax
是源节点的功率阈值，表示每个中继节点的转发功率的阈值，是所有中继节点转发功率和的阈值；(7b)表示放大转发协作网络系统所需的速率约束；(7c)表示源节点的功率约束；(7d)表示每个中继节点的功率限制；(7e)表示所有中继节点的总功率约束。
[0040]进一步，所述一种深度学习的放大转发协作网络能效性资源分配方法的步骤2中构建的组合深度神经网络模型用于决定源节点和中继节点的功率分配的具体步骤如下：
[0041](1)将归一化的信道增益一维向量包括源节点到目的节点，源节点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种组合深度神经网络模型，其特征在于：包括两个独立的全连接子网络，表示为SF1和SF2，两个子网络均由有限个子模块串联组成，SF1子网络用来决定中继节点的功率分配，该子网络除了最后一个子模块，其他子模块都由一个全连接层后跟双曲正切函数组成，该子网络最后一个子模块由一个全连接层后跟自定义的激活函数组成，最后一个子模块的隐藏节点数目和放大转发协作网络中潜在中继节点的数目相同，每一个输出决定一个中继节点的功率分配；SF2子网络用于决定源节点的功率分配，该子网络除最后一个子模块，其他子模块都由一个全连接层后跟整流线性单元组成，该子网络最后一个子模块由一个全连接层跟一个自定义的激活函数组成，输出为源节点的功率。2.一种深度学习的放大转发协作网络能效性资源分配方法：其特征在于，包括以下步骤：步骤1，建立放大转发协作网络最小化能耗的源节点与中继节点功率分配联合优化模型；步骤2，构建组合深度神经网络模型；步骤3，对构建的组合深度神经网络模型进行训练；步骤4，用训练学习到的组合深度神经网络模型进行测试。3.根据权利要求2所述的一种深度学习的放大转发协作网络能效性资源分配方法，其特征在于：所述步骤1中放大转发协作网络最小化能耗的源节点与中继节点功率分配联合优化模型的建立包括以下步骤：步骤1，放大转发协作网络系统总速率的计算；步骤2，放大转发协作网络最小化能耗的源节点与中继节点功率分配联合优化模型的建立。4.根据权利要求3所述的一种深度学习的放大转发协作网络能效性资源分配方法，其特征在于：所述步骤1中放大转发协作网络系统包括一个源节点和一个目的节点,N个潜在中继节点；所述放大转发协作网络系统总速率的计算，包括如下过程：假定源节点到目的节点、源节点到所有潜在中继节点、所有潜在中继节点到目的节点间的信道状态已知；进一步假设传输时隙分成两部分，在第一部分时间段，源节点广播信息到目的节点及所有潜在中继节点，称广播阶段；在第二部分时间段，中继节点转发从源节点接收的信息，称协作阶段；在广播阶段，源节点发射信号x，目的节点和任一中继节点接收的信号分别为：在广播阶段，源节点发射信号x，目的节点和任一中继节点接收的信号分别为：式中，p
s
为源节点的发射功率，假设源节点发射的信号x的幅值为1，h
s,d
和h
s,i
分别是源节点到目的节点、源节点到中继节点i的信道增益，w
s,d
和w
s,i
是在广播阶段，目的节点及中继节点i的接收噪声；假设所有中继节点和目的节点接收的噪声服从复高斯分布，均值为零；在协作阶段，目的节点接收中继节点放大转发的信号为：
式中，中继节点接收噪声的方差；h
i,d
是中继节点i到目的节点的信道增益；w
r,d
是目的节点在协作阶段的接收噪声，是中继节点i的功率归一化因子；向量是所有潜在中继节点的转发功率向量，[
·
]
T
表示矩阵或向量取转置，α
i
表示中继节点i的转发功率，向量向量合并式(1)和(3)，可以得到：根据式(4)，得到目的节点的信噪比：式中，表示目的节点接收噪声的方差，H
H
表示向量H取转置，f
H
表示向量f取转置；W
H
表示向量W取转置；放大转发协作网络系统目的节点的得到的总速率为：R
d
＝Blog2(1+γ
d
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式中，B为信道的带宽。5.根据权利要求3所述的一种深度学习的放大转发协作网络能效性资源分配方法，其特征在于：所述步骤2中放大转发协作网络最小化能耗的源节点与中继节点功率分配联合优化模型及约束条件为：满足：R
d
≥R
th
ꢀꢀꢀꢀ
(7b)0＜p
s
＜P
smax
ꢀꢀꢀꢀ
(7c)(7c)
式中，f
...

【专利技术属性】
技术研发人员：郭艳艳，
申请(专利权)人：山西大学，
类型：发明
国别省市：