一种面向用户为中心网络基于深度学习的功率控制方法与流程

本发明涉及无线通信技术领域，特别涉及机器学习中的深度学习技术和未来移动通信系统中超密集网络场景下用户为中心的干扰管理

背景技术：

未来网络的一项公认的关键技术是通过网络密集部署来满足日益增长的数据速率需求。目前，超密集组网(ultra-densenetwork,udn)被认为是满足2020年以及未来移动数据流量需求的主要技术手段。超密集组网基于蜂窝网络的小覆盖大容量，通过增加基站部署密度，能够在保持高的数据速率的状态下提供无缝连接，实现容量和频率复用效率的巨大提升。udn带来干扰严重和频繁切换等问题，但是随着网络密集化部署，使得每个用户周围潜在服务站点数增多，使得每个用户可能动态选择周围若干个站点组成基站簇(transmissionpointgroup,tpg)来协调为其服务。因此，为了解决可能超密集网络带来的问题，并且挖掘站点密集化带来的潜能，学术界和工业界提出了用户为中心网络(user-centricwirelessnetwork,ucn)。

ucn主要是通过虚拟化来实现，小区虚拟化的核心思想是资源分配是以用户为中心的方式进行，从而保证“始终如一”的用户体验。每个用户选择若干个条件较好的基站(如距离最近、信干噪比最大的基站等)组成基站簇，这些基站簇内小区间通过协作为用户提供传输服务。用户为中心的无线网络是从用户的视角重新定义传统蜂窝网络中的小区概念，去除了传统小区边界，使用户感觉始终处于小区中心。以用户为中心的网络架构强调用户在网络中的中心地位，以用户为单位定义基站簇，并随着用户移动而快速更新，其本质是逻辑连接保持不变。

在用户为中心网络中，给定用户的基站簇内所有小区可以通过协作为该用户进行干扰管理。但是，现有的多小区协作干扰管理机制都是以基站为中心的，这些机制根据基站分布、基站负载等条件进行干扰协调。为了智能识别每个用户的信道条件、数据需求，并灵活组织用户的基站簇，应该进行用户为中心的干扰管理。

然而，以用户为中心的动态聚簇方案会使得基站簇重叠并带来严重的耦合干扰，使得用户调度，tpg构建以及资源分配间协调变得非常复杂。目前大多数工作已经以数值方式解决了该场景下的联合优化问题，一般通过进行许多次迭代算法，例如加权最小均方误差(weightedminimummeansquareerror，wmmse)，来获得最优或接近最优的解。然而，对于诸如收发器设计之类的实时应用，由于其计算复杂，这些算法的实现在实际应用中价值有限。

随着机器学习尤其是深度学习的快速发展，许多无限领域中的干扰管理问题中已经考虑应用最近的深度学习的进展，旨在通过使用深度神经网络(deepneuralnetwork，dnn)来学习算法输入-输出间的映射并且通过简单的运算即可产生输出。但浅层的dnn拟合能力有限，而随着问题规模的增加，拟合性能会持续降低；对于更深层的网络而言，应用具有较低权重数的深度卷积神经网络(convolutionalneuralnetwork，cnn)来改善性能，但也会存在梯度消失和梯度爆炸的问题，导致拟合效果达不到预期。

因此，本发明提出了一种基于残差结构的卷积神经网络，目的是学习以用户为中心网络下重新设计的wmmse算法。对于ucn中的干扰管理问题，推导出基于wmmse的多小区联合功率控制算法，以便生成大量接近最优的训练标签。随后训练网络以最小化wmmse的均方误差(meansquareerror，mse)。训练完成后，给定输入信道信息的情况下，通过较少的计算可以产生与wmmse类似的输出，保证了调度实时性的要求。

技术实现要素：

本发明的基于具有残差结构的卷积神经网络的以用户为中心的功率控制主要分为两个部分。首先建模基站密集部署下以用户为中心的多小区联合功控场景，设计该场景下的信道增益实数化下的加权最小均方误差(weightedminimummeansquareerror，wmmse)算法——ucn-wmmse算法，通过多次随机撒点产生大量信道，运行ucn-wmmse算法计算得到最优功率解，作为模型训练标签，将信道-功率对输入深度学习模型；第二步，利用上述算法产生大量训练数据，首先分为训练集和测试集，训练集分批馈入多层具有残差结构(即带有捷径的卷积神经网络)、3x3或1x1的卷积层、批归一化层、激活层的卷积神经网络中，通过反向传播更新网络中各层的权重，不断能降低模型预测功率和标签功率的平均最小均方差(rootmeansquareerror，rmse)的损失函数，直至测试集的损失函数不再下降代表算法收敛，模型训练完成。具体如下：

在ucn中，用户选取参考信号接收功率(referencesignalreceivedpower，rsrp)最大的个基站作为其服务基站簇，的大小是预先设定的，它的大小决定了算法的计算复杂度和网络的和速率性能。设计机制在算法迭代过程中更新——迭代过程中，当某个基站分配给用户功率阈值过小时，以用户为中心的基站簇中剔除该基站，后续迭代该用户的基站簇不再考虑剔除基站的影响。

如图3所示，基于wmmse的以用户为中心网络下的功率控制算法首先将复信道增益用其模值|hij|表达，然后用线性接收机ui对接收信号进行估计，假设估计信号和噪声向量ni互相独立，那么最小均方差mse可以表示为：

其中为用户集，为用户k的服务基站簇，vij为基站j给用户i的发射功率。

通过引入权重矩阵wi，原始和速率最大化问题可以转化为等价形式：

其中pj为基站j的发射功率预算。

基于基站为中心的无协作预编码wmmse算法，设计以用户为中心网络下的多小区联合功控算法；首先将复数域的信道通过取模值得到实数域的信道增益作为算法输入，接收信号为多小区的信号进行合并，将以用户为中心网络下的干扰管理问题建模为非凸优化问题，优化目标为各基站的分配功率；通过引入线性接收机和权重矩阵，将该单变量非凸优化问题转变为三变量的优化问题，进而通过块对角化法分别对各变量进行拉格朗日和二分法优化求解，输出为各基站到各用户的分配功率。具体算法流程如下所示：

步骤210，通过多次运行该算法可以产生大量的输入输出数据，输入为网络随机撒点产生的网络信道状态信息，输出为不同基站分配给不同用户的功率。

步骤220，具有多层残差结构的卷积神经网络模型具体结构组成如图1所示，深度残差卷积神经网络架构根据输入输出和目标进行重新设计，输入为标准化后的基站和用户间的信道状态信息(channelstateinformation，csi)，处理为单通道的二维矩阵经过16个3x3的卷积核后，再通过批归一化层和relu激活层；输出连续经过3具有捷径的残差结构块，每个残差结构都由3个卷积层、批归一化层和relu激活层构成，残差结构的输入和输出间存在直连通道也成为捷径，用于梯度保留和传导，已解决深层网络中的梯度消失问题；输出通过全连接层和重新设计的激活函数，输出为各基站分配给用户的连续功率。

输出激活层为y＝min(relu(x),p)，其中x为输出激活层的输入，p为各基站的功率预算，relu为常用激活函数relu＝max(0,x)。该函数目标为使得基站分配给用户的功率在0到p之间，同时保证了非线性未丢失。

步骤230，训练数据分批馈入网络进行反向传播更新网络的各项参数权重，最小化损失函数，损失函数设计为模型预测功率矩阵与wmmse算法输出功率矩阵的frobenius，即与算法210的最小均方误差，表示如下

其中θ为网络的全部权重参数不，p为预测功率矩阵，pucn-wmmse为算法210的输出，d为整体数据集合。

与本发明相关的现有技术

现有技术一的技术方案

一种用户为中心的功率控制机制主要分为两个部分。第一，用户根据自身信道条件确定基站簇大小，并选取周围基站组成基站簇，根据本发明提出的功率控制机制，为每个用户都进行干扰协调。第二，用户为中心的功率控制机制考虑了基站调度间的相关性，通过本发明提出的基于相关性的基站调度机制，确定用户在何种条件下为自身用户提供正常传输服务，以及在何种条件下为其他用户进行采取降功率策略。

在ucn中，用户选取参考信号接收功率(referencesignalreceivedpower,rsrp)最大的基站作为其服务tp(transmissionpoint)，服务tp为用户提供数据传输。并且，用户根据自身到其服务tp的距离决定基站簇的大小。具体地，基站簇的范围是以用户为中心，以μr(μ≥1)为半径的圆。其中μ是基站簇半径因子，它为对所有用户都一样的常数，r用户离服务tp的距离，它随着每个用户的变化而变化，故基站簇半径μr对于每个用户来说是不同的，它考虑了每个用户的干扰情况。根据覆盖性能和容量性能随基站簇半径因子μ的变化情况，得到最优的μ值。

选定基站簇后，将基站簇内除了服务tp的基站作为协作tp，给定用户的协作tp为该用户进行干扰协调。具体地，由于用户基站簇内小区rsrp都较大，对用户产生干扰较大，故当用户被调度时，用户的协作tp采取发空白帧降功率为自身用户服务，这时称这些基站处于非活跃(inactive)模式。当基站为自身用户进行正常的数据传输时，称基站处于活跃(active)模式。引入功控因子σ，σ定义为基站处于非活跃模式和活跃模式下发射功率的比值。当基站采取发空白帧机制时，σ＝0；当基站采取功率控制机制时，0＜σ＜1。根据覆盖性能和容量性能随σ的变化情况，得到最优的功控因子。

现有技术一的缺点

该方案中用户根据自身到其服务tp的距离决定基站簇的大小，但当用户距离其他基站较远时，极有可能该用户无法形成服务基站簇，导致该用户始终得不到基站的调度；此外，另一种极端情况是当大量用户集中在某一个基站周围时，基站没有足够的资源服务所有用户，同时调度的复杂度很高。另外，由于没有有效的基于优化算法的功率控制机制，该算法没有考虑整体网络的联合协调使得网络的总性能最大化。

本发明所要解决的技术问题

本发明考虑在ucn中，用户选取参考信号接收功率(referencesignalreceivedpower，rsrp)最大的个基站作为其服务基站簇，的大小是预先设定的，它的大小决定了算法的计算复杂度和网络的和速率性能，通过仿真确定合理的服务基站簇大小，同时该基站排序方法建簇方案保证所有用户初始化均可以得到基站的调度。

然后设计基于wmmse的以用户为中心网络下的功率控制算法，由于实际网络中的信道状态信息为复信号，在算法中采用该信号的模值作为算法的输入，基于wmmse的功率控制算法考虑全局网络的干扰协调，通过迭代计算得到不同基站的功率分配策略使得网络的和容量最大化。

现有技术二的技术方案

现有基于深度学习的功率控制机制考虑以基站为中心的场景或者考虑k条单天线的收发对，然后建模为如下优化问题：

s.t.0≤pi≤pmax

其中pi为每个收发对的功率分配，hi,i为收发端间的信道状态，j为发送端集合，i为接收端集合。w为带宽，n0为噪声功率谱密度，pmax为基站最大功率约束。

然后利用一些基于wmmse或者注水定理等算法求解该非凸优化问题，得到大量输入输出数据，作为训练样本。

深度学习模型通常采用较浅的三层全连接层和非线性激活层构成，或者采用较深的卷积神经网络，包括卷积层、非线性激活层和全连接层构成。

将训练数据分批馈入深度学习模型进行反向传播，更新网络的权重参数，输出预测功率分配结果。

现有技术二的缺点

该方案考虑以基站为中心的蜂窝网络场景或者简单的多条收发对场景，不考虑站点间的协作以挖掘复用增益，基站的资源没有得到充分使用，小区边缘用户的干扰较大，与小区中心用户的性能具有较大差异。

浅层的深度神经网络对于规模较大的网络拟合性能较差，尤其是在以用户为中心的网络下，不同用户簇可能重合，且簇间的干扰相互耦合，干扰协调和调度极为复杂。

深层的神经网络具有较好的拟合能力，然而存在梯度消失和梯度爆炸的问题，即随着网络的加深，深层的网络参数可能趋于0或者很大，这个时候网络的拟合性能反而变差。

本发明所要解决的技术问题

本发明为基于具有残差结构的卷积神经网络的以用户为中心的功率控制，主要分为两个部分。首先针对ucn机制下的干扰管理问题，设计基于wmmse的多小区联合功率控制算法，为每个用户都进行干扰协调，充分挖掘站点间的协作增益，消除小区边缘用户和中心用户的性能差异。

然后通过大量网络随机撒点并运行上述算法产生结果作为第二阶段的训练样本；设计具有残差结构的卷积神经网络模型以解决梯度消失和梯度爆炸的问题，通过反向传播训练网络的最优参数，提升网络的拟合能力，使得网络拟合输出误差最小。

有益效果

针对以用户为中心网络，本发明设计了以用户为中心的功率控制机制，可以根据每个用户的信道状况确定自身的服务基站簇，并通过干扰协调明确了基站的具体功率分配策略，相比于以基站为中心的协作方案，提升了网络的整体性能和边缘用户的服务质量。

基于具有残差结构的卷积神经网络模型，通过对以用户为中心的功率控制算法的拟合，有效降低了迭代算法计算的复杂度，在部署中以更高效、更实时的方式使得网络作出准确的功率分配决策。

该网络结构相比一些其他深度学习方法具有更深层的网络，但具有梯度消失避免机制，使得拟合效果更好，近似达到迭代算法的运行效果。

附图说明

图1是本发明的以用户为中心的网络场景图；

图2是本发明设计的带残差结构的卷积神经网络图；

图3是本发明的算法实施流程图；

图4是不同算法的和速率累积分布曲线。

具体实施方式

本发明实施案例结合附图做详细说明。

附图1是用户为中心的功率控制机制以及基站调度相关性场景示意图。本发明主要应用于密集小站部署的同构网络中，即在lte网络中部署大量的小站，基站和用户均配备多天线。通常情况下，多个小站分布具有随机性。所有bs和用户随机放置在1000x1000米的超密集方形区域中，遵循独立的泊松点过程分布。采用两部分组成的信道模型：1)路径损耗模型是pli,j＝146.1+37.6log10di,j(db)，其中di,j(以km为单位)是用户i和bsj间的距离；2)采用平坦的瑞利衰落，其中信道的每个元素是独立同分布的具有零均值和单位方差的复高斯随机变量。在ucn中，用户选取rsrp最大的个基站作为其服务基站簇，同频下非服务基站对该用户具有干扰。

图2是本发明设计的带残差结构的卷积神经网络图。输入为标准化的csi矩阵，处理为一个通道的二维矩阵，首先经过一层卷积层、批归一化层和一层激活函数后，通过连续三个残差结构。每个残差结构都由三个卷积层、批归一化层和激活函数层的复合结构组成，残差结构的输入和输出通过一条捷径链路相连接。最后的输出会通过一层全连接层和激活层输出最终的功率预测结果，该激活层重新设计以满足基站功率预算，relumodified＝max(relu,pmax)，其中relu为常用激活函数relu＝max(0,x)。

图3为本发明的算法实施流程图。具体流程如下所示：

步骤200，首先将收集全局网络的复信道增益，用其模值|hij|表达，标准化为[-1,1]的实数域二维矩阵。

步骤210，基于wmmse设计以用户为中心网络下的多小区功率控制算法，具体如下所述：

首先用线性接收机ui对接收信号进行估计，假设估计信号和噪声向量ni互相独立，那么最小均方差mse可以表示为：

其中为用户集，为用户k的服务基站簇，vij为基站j给用户i的发射功率。

通过引入权重矩阵wi，原始和速率最大化问题可以转化为等价形式：

其中pj为基站j的发射功率预算。

利用块对角化方法通过固定另外两个变量然后更新第三个变量的方式分别得到三个变量的闭式解，具体算法流程如下所示：

步骤220，通过多次算法210可以产生大量的输入输出数据，输入为网络随机撒点产生的网络信道状态信息，输出为不同基站分配给不同用户的功率。具有多层残差结构的卷积神经网络模型具体结构组成如图2所示，包括标准化的csi输入矩阵，通过一层卷积层、批归一化层和一层激活函数后，通过连续三个残差结构。每个残差结构都由三个卷积层、批归一化层和激活函数层的复合结构组成，残差结构的输入和输出通过一条捷径链路相连接。最后的输出会通过一层全连接层和激活层输出最终的功率预测结果，该激活层重新设计以满足基站功率预算，relumodified＝max(relu,pmax)，其中relu为常用激活函数relu＝max(0,x)。

步骤230，训练数据分批馈入网络进行反向传播更新网络的各项参数权重，最小化损失函数，损失函数为与算法210的最小均方误差，表示如下

其中θ为网络的全部权重参数不，p为预测功率矩阵，pucn-wmmse为算法210的输出，d为整体数据集合。

图4给出了本发明的功率控制方法与其他方案相比的和率性能，其他方案包括：1)随机功率分配策略，基站对连接用户进行随机功率分配；2)最大功率分配，其中每个基站将所有资源随机分配给一个服务用户；3)深度神经网络模型；4卷积神经网络模型；5)本发明设计的ucnnet，具有残差结构的卷积神经网络拟合模型；6)本发明设计的用户为中心网络下的基于wmmse算法干扰协调与功率控制算法。从图中可以观察到对于基站和用户比为1:1的场景，基于深度学习算法的拟合模型优于两个启发式方案基线。对于协作资源分配问题，三层的深度神经网络模型具有拟合能力的瓶颈，深度的卷积神经网络模型可能会发生梯度消失的问题，与算法210相比，总拟合性能分别为69.12％和83.01％。本发明的和容量表现非常接近算法210的表现，说明本发明在用户为中心场景下的拟合能力强于其他基于深度学习的方案。