一种深度学习开发平台资源的分配方法组成比例

本发明专利技术提供一种深度学习开发平台资源的分配方法，涉及人工智能技术领域。该深度学习开发平台资源的分配方法，包括以下步骤：S1、搭建系统模型，构建深度神经网络，优化频谱资源的传输速率，并且完成算法的前向传输过程；S2、构建频谱资源的迭代更新数据流，深层次构造深度神经网络；S3、将能量效率作为奖惩值，采用强化学习机制来构建误差函数，利用梯度下降法训练深度神经网络的权值，完成算法的反向训练过程；S4、深度神经网络经过强化，自主设置频谱资源分配方案，输出最优平台资源分配方案。通过该分配方法优化频谱传输速率和系统能耗，提高收敛速度，同时优化了频谱利用效率，最大限度地实现频谱资源的高效分配管理。地实现频谱资源的高效分配管理。

【技术实现步骤摘要】
一种深度学习开发平台资源的分配方法


[0001]本专利技术涉及人工智能
，具体为一种深度学习开发平台资源的分配方法。

技术介绍

[0002]无线电频谱资源是指不用人工波导而在空间传播的3000GHz以下的一种可以被利用来为社会创造财富的无线电磁波，就其本质而言，它是一种在一定条件下可以重复利用的，不可消耗的人类共享的宝贵自然资源，人类对无线电频谱资源的需求就像车辆必须行驶在道路上一样，所有无线电业务的开展都离不开无线电频谱资源，使得该资源的利用率急剧膨胀，各种无线电技术与应用的竞争愈加激烈，使无线电频谱资源的稀缺程度不断加大。
[0003]随着无线网络中通信设备数量的急剧增加和业务需求的多样化，有限的频谱资源与人们日益增长的无线频谱需求之间的矛盾日渐突出和加剧，当前无线通信领域面临着智能化、宽带化、多元化、综合化等诸多技术挑战，无线网络环境变得日益复杂多样和动态多变，此外，绿色网络和智慧网络等新概念的提出，使频谱资源管理的优化目标日趋多样化，优化效果也各有不同。
[0004]基于上述分析，现有的频谱资源利用虽然广泛且深入，但整体的区域利用率较差，频谱资源无法进行最优的利用，也不能最大限度地实现频谱资源的高效管理，因此，为解决上述问题，提出一种深度学习开发平台资源的分配方法。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种深度学习开发平台资源的分配方法，解决了无法优化频谱利用，最大限度地实现频谱资源的高效管理的问题。
[0006]为实现以上目的，本专利技术通过以下技术方案予以实现：一种深度学习开发平台资源的分配方法，包括以下步骤：
[0007]S1、搭建系统模型，再基于频谱资源的传输速率和系统能耗，构建深度神经网络，优化频谱资源的传输速率，并且完成算法的前向传输过程；
[0008]S2、构建频谱资源的频率分配、功率分配和拉格朗日乘子的迭代更新数据流，并以此为基础，深层次构造深度神经网络；
[0009]S3、在执行频率分配方案和功率分配方案后，观测系统能量效率，将能量效率作为奖惩值，采用强化学习机制来构建误差函数，并且利用梯度下降法来训练深度神经网络的权值，完成算法的反向训练过程；
[0010]S4、深度神经网络经过前向传输过程和反向训练过程的反复迭代和更新优化，能够自主设置频谱资源分配方案的偏重程度，并按照高效分配速度，以及满足标准的收敛条件时，输出最优平台资源分配方案。
[0011]优选的，所述S1步骤中，频谱资源分配的基本算法框架为以下步骤：
[0012]S101、首先以DQN为基础，以深度神经网络描述值网络，将值网络作为评判模块，基
于值网络来搜索当前值网络在观测状态下的各种动作；
[0013]S102、通过与环境进行实时交互联系，并且将状态、动作和奖惩值存储在记忆单元中；
[0014]S103、最后采用强化学习算法来反复训练值网络，选择能获得最大价值的动作作为频谱资源输出标准，以此完成频谱资源的合理分配。
[0015]优选的，所述S2步骤中，频谱资源分配的基本算法流程为以下步骤：
[0016]S201、采用增广拉格朗日乘子法将频谱资源传输速率约束优化问题转化为无约束优化问题；
[0017]S202、将移动用户与基站的接入关系和移动用户干扰信息作为输入，依次迭代，形成数据流；
[0018]S203、再根据迭代更新数据流来构造深度神经网络，包括输入层、频率分配层、功率分配层、乘子层和输出层，深度取决于各自的迭代更新次数；
[0019]S204、利用构造的深度神经网络，将观测到的用户接入信息和干扰信息作为输入，输出每种频谱分配方案和功率分配方案的数值，取其中的最大值最为该时刻的资源分配策略。
[0020]优选的，所述资源分配策略形成过程中，用户接入信息被认为是固定不变的信息，即时刻观测到的用户接入信息与时刻观测到的用户接入信息相同。
[0021]优选的，所述S3步骤中，反向训练过程包括：首先构造误差函数，采用反向传播算法，使损失函数值趋于最小化，并且沿着损失函数梯度下降方向逐层修正信道增益和噪声，同时获取的频谱分配方案和功率分配方案，作为最优资源分配策略。
[0022]优选的，所述S1步骤中，系统模型主要由微基站、移动用户和中心控制节点组成，同时系统采用集中式控制，进行信道增益、噪声功率等精确信道状态信息，且每个授权移动用户仅需要将位置信息、干扰和传输速率通过导频信号传输给中心控制节点，由中心控制节点制定频谱分配方案。
[0023]优选的，所述S4步骤中，通过在深度神经网络中添加一次批标准化运算，用在小批次系统模型训练中加速模型收敛和解决模型过拟合的问题，以此满足标准的收敛条件。
[0024]本专利技术提供了一种深度学习开发平台资源的分配方法。具备以下有益效果：
[0025]本专利技术通过构建深度神经网络，优化传统传输系统的传输速率，完成算法的前向传输过程，同时将能量效率作为奖惩值，采用强化学习机制来构建误差函数，利用梯度下降法来训练深化神经网络的权值，完成算法的反向训练过程，既可以强化自身筛选信息的能力，也可以自主设置资源分配方案的偏重程度，整体收敛速度快，在传输速率和系统能耗的优化方面更强，同时更加优化了频谱的利用，最大限度地实现频谱资源的高效管理。
具体实施方式
[0026]下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]本申请提供了一种深度学习开发平台资源的分配方法。
[0028]本专利技术提供一种深度学习开发平台资源的分配方法，包括以下步骤：
[0029]S1、搭建系统模型，再基于频谱资源的传输速率和系统能耗，构建深度神经网络，优化频谱资源的传输速率，并且完成算法的前向传输过程；
[0030]S2、构建频谱资源的频率分配、功率分配和拉格朗日乘子的迭代更新数据流，并以此为基础，深层次构造深度神经网络；
[0031]S3、在执行频率分配方案和功率分配方案后，观测系统能量效率，将能量效率作为奖惩值，采用强化学习机制来构建误差函数，并且利用梯度下降法来训练深度神经网络的权值，完成算法的反向训练过程；
[0032]S4、深度神经网络经过前向传输过程和反向训练过程的反复迭代和更新优化，能够自主设置频谱资源分配方案的偏重程度，并按照高效分配速度，以及满足标准的收敛条件时，输出最优平台资源分配方案。
[0033]与现有技术相比，该针对频谱资源的分配方法，通过构建深度神经网络，优化传统传输系统的传输速率，完成算法的前向传输过程，同时将能量效率作为奖惩值，采用强化学习机制来构建误差函数，利用梯度下降法来训练深化神经网络的权值，完成算法的反向训练过程，既可以强化自身筛选信息的能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习开发平台资源的分配方法，其特征在于：包括以下步骤：S1、搭建系统模型，再基于频谱资源的传输速率和系统能耗，构建深度神经网络，优化频谱资源的传输速率，并且完成算法的前向传输过程；S2、构建频谱资源的频率分配、功率分配和拉格朗日乘子的迭代更新数据流，并以此为基础，深层次构造深度神经网络；S3、在执行频率分配方案和功率分配方案后，观测系统能量效率，将能量效率作为奖惩值，采用强化学习机制来构建误差函数，并且利用梯度下降法来训练深度神经网络的权值，完成算法的反向训练过程；S4、深度神经网络经过前向传输过程和反向训练过程的反复迭代和更新优化，能够自主设置频谱资源分配方案的偏重程度，并按照高效分配速度，以及满足标准的收敛条件时，输出最优平台资源分配方案。2.根据权利要求1所述的一种深度学习开发平台资源的分配方法，其特征在于：所述S1步骤中，频谱资源分配的基本算法框架为以下步骤：S101、首先以DQN为基础，以深度神经网络描述值网络，将值网络作为评判模块，基于值网络来搜索当前值网络在观测状态下的各种动作；S102、通过与环境进行实时交互联系，并且将状态、动作和奖惩值存储在记忆单元中；S103、最后采用强化学习算法来反复训练值网络，选择能获得最大价值的动作作为频谱资源输出标准，以此完成频谱资源的合理分配。3.根据权利要求1所述的一种深度学习开发平台资源的分配方法，其特征在于：所述S2步骤中，频谱资源分配的基本算法流程为以下步骤：S201、采用增广拉格朗日乘子法将频谱资源传输速率约束优化问题转化为无约束优化问题；S202、将移动用户与基站的接入关系和...

【专利技术属性】
技术研发人员：许建，
申请(专利权)人：枣庄市益力安科技发展有限公司，
类型：发明
国别省市：