CN110635833B - 一种基于深度学习的功率分配方法及分配装置 - Google Patents

Abstract

本发明实施例提供了一种基于深度学习的功率分配方法及分配装置，其中方法包括：获取用户的信道矩阵；对信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵；基于等效信道特征值以及用户的预设功率限制参数，生成用户的信道特征信息；将信道特征信息输入预先训练好的全连接神经网络模型中，得到用户的数据流数；基于用户的数据流数，等效信道特征值，以及左酉矩阵，构建用户的功率分配协方差矩阵；基于用户的功率分配协方差矩阵，为用户分配传输功率。本发明实施例能够提高分配传输功率的效率。

Description

一种基于深度学习的功率分配方法及分配装置

技术领域

本发明涉及无线通信技术领域，特别是涉及一种基于深度学习的功率分配方法及分配装置。

背景技术

MIMO(Multiple-Input Multiple-Output，多入多出)技术，是一种能够利用发射端的多个天线各自独立发送信号，同时在接收端用多个天线接收并恢复原信息的技术，随着通信技术不断发展，MIMO技术已经成为无线通信***的关键技术之一。

MIMO技术可以应用于单用户MIMO信道场景或者MIMO-MAC(MIMO-Multiple AccessChannel，多址接入信道)信道场景中，其中，单用户MIMO信道场景是针对单个接入***的用户而言，MIMO-MAC信道场景是针对多个接入***的用户而言，可以认为，单用户MIMO信道场景是MIMO-MAC场景的一种特殊情况。对于单用户MIMO信道场景和MIMO-MAC场景，都需要计算用户的功率分配协方差矩阵，从而根据功率分配协方差矩阵为用户分配传输功率。

现有技术在为用户分配传输功率时，通常采用注水算法计算出用户的功率分配协方差矩阵。然而，现有技术利用注水算法计算用户的功率分配协方差矩阵时，均需要进行多次迭代计算，这种多次迭代的计算方法不仅计算量大，而且计算复杂度高，不利于快速为用户分配传输功率。

发明内容

本发明实施例的目的在于提供一种基于深度学习的功率分配方法及分配装置，以实现降低计算功率分配协方差矩阵过程中的计算复杂度，从而提高分配传输功率的效率。具体技术方案如下：

第一方面，本发明实施例提供了一种基于深度学习的功率分配方法，所述方法包括：

获取用户的信道矩阵；

对所述信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，其中，所述等效信道特征值为与所述信道矩阵对应的等效信道中所包括的多个正交信道各自对应的奇异值；

基于所述等效信道特征值以及所述用户的预设功率限制参数，生成所述用户的信道特征信息；

将所述信道特征信息输入预先训练好的全连接神经网络模型中，得到所述用户的数据流数，所述数据流数用于表示为用户分配的数据流量大小；

基于所述用户的数据流数，所述等效信道特征值，以及所述左酉矩阵，构建所述用户的功率分配协方差矩阵；

基于所述用户的功率分配协方差矩阵，为所述用户分配传输功率。

可选的，当所述用户的数量为一个时，该用户处于多入多出MIMO信道场景，所述基于所述等效信道特征值，所述左酉矩阵，以及所述用户的数据流数，计算所述用户的功率分配协方差矩阵的步骤，包括：

基于该单个用户的等效信道特征值，左酉矩阵，以及该单个用户的数据流数，计算该单个用户的功率分配协方差矩阵；

所述基于所述用户的功率分配协方差矩阵，为所述用户分配传输功率的步骤，包括：

基于该单个用户的功率分配协方差矩阵，为该单个用户分配传输功率。

可选的，当所述用户的数量为多个时，所述用户处于多址接入信道MIMO-MAC信道场景，所述基于所述等效信道特征值，所述左酉矩阵，以及所述用户的数据流数，计算所述用户的功率分配协方差矩阵的步骤，包括：

针对所述多个用户中的每个用户，基于与各用户对应的等效信道特征值，所述左酉矩阵，以及所述数据流数，计算各用户的功率分配协方差矩阵；

所述基于所述用户的功率分配协方差矩阵，为所述用户分配传输功率的步骤，包括：

基于各用户对应的功率分配协方差矩阵，为各用户分配传输功率。

可选的，所述对所述信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵的步骤，包括：

利用第一预设表达式，对所述信道矩阵进行奇异值分解处理，所述第一预设表达式为：

SVD(H)＝UΛV^H

式中，H表示信道矩阵，SVD(H)表示对H进行奇异值分解处理，U表示左酉矩阵，Λ表示对角矩阵，V表示H的右酉矩阵，V^H表示V的共轭转置矩阵。

可选的，所述全连接神经网络模型的训练过程包括：

构建初始全连接神经网络模型，所述初始全连接神经网络模型至少包括1层输入层，3层隐藏层，以及1层输出层；

获取样本信道矩阵的样本信道特征信息，以及各样本信道特征信息对应的数据流数标签；

将各样本信道特征信息，以及各样本信道特征信息对应的数据流数标签输入所述初始全连接神经网络模型，训练得到所述全连接神经网络模型。

第二方面，本发明实施例提供了一种基于深度学习的功率分配装置，所述装置包括：

第一获取模块，用于获取用户的信道矩阵；

处理模块，用于对所述信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，其中，所述等效信道特征值为与所述信道矩阵对应的等效信道中所包括的多个正交信道各自对应的奇异值；

生成模块，用于基于所述等效信道特征值以及所述用户的预设功率限制参数，生成所述用户的信道特征信息；

输入模块，用于将所述信道特征信息输入预先训练好的全连接神经网络模型中，得到所述用户的数据流数，所述数据流数用于表示为用户分配的数据流量大小；

第一构建模块，用于基于所述用户的数据流数，所述等效信道特征值，以及所述左酉矩阵，构建所述用户的功率分配协方差矩阵；

分配模块，用于基于所述用户的功率分配协方差矩阵，为所述用户分配传输功率。

可选的，当所述用户的数量为一个时，该用户处于多入多出MIMO信道场景，所述第一构建模块具体用于：

基于该单个用户的等效信道特征值，左酉矩阵，以及该单个用户的数据流数，计算该单个用户的功率分配协方差矩阵；

所述分配模块具有用于：

基于该单个用户的功率分配协方差矩阵，为该单个用户分配传输功率。

可选的，当所述用户的数量为多个时，所述用户处于多址接入信道MIMO-MAC信道场景，所述第一构建模块具体用于：

针对所述多个用户中的每个用户，基于与各用户对应的等效信道特征值，所述左酉矩阵，以及所述数据流数，计算各用户的功率分配协方差矩阵；

所述分配模块具有用于：

基于各用户对应的功率分配协方差矩阵，为各用户分配传输功率。

可选的，所述处理模块具体用于：

利用第一预设表达式，对所述信道矩阵进行奇异值分解处理，所述第一预设表达式为：

SVD(H)＝UΛV^H

式中，H表示信道矩阵，SVD(H)表示对H进行奇异值分解处理，U表示左酉矩阵，Λ表示对角矩阵，V表示右酉矩阵，V^H表示V的共轭转置。

可选的，本发明实施例的基于深度学习的功率分配装置还包括：

第二构建模块，用于构建初始全连接神经网络模型，所述初始全连接神经网络模型至少包括1层输入层，3层隐藏层，以及1层输出层；

第二获取模块，用于获取样本信道矩阵的样本信道特征信息，以及各样本信道特征信息对应的数据流数标签；

训练模块，用于将各样本信道特征信息，以及各样本信道特征信息对应的数据流数标签输入所述初始全连接神经网络模型，训练得到所述全连接神经网络模型。

第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现本发明实施例第一方面提供的基于深度学习的功率分配方法的方法步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行本发明实施例第一方面提供的基于深度学习的功率分配方法的方法步骤。

本发明实施例提供的一种基于深度学习的功率分配方法及分配装置，在获取用户的信道矩阵后，通过预设奇异值分解算法对信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，然后基于等效信道特征值以及用户的预设功率限制参数，生成用户的信道特征信息，再将信道特征信息输入预先训练好的全连接神经网络模型中，得到用户的数据流数，进而基于用户的数据流数，等效信道特征值，以及左酉矩阵，构建用户的功率分配协方差矩阵，再基于用户的功率分配协方差矩阵，为用户分配传输功率，可见，本发明实施例能够通过全连接神经网络模型得到用户的数据流数，再基于数据流数构建用户的功率分配协方差矩阵，而不需要再使用现有的注水算法计算用户的功率分配协方差矩阵，从而避免因注水算法多次迭代计算造成的计算量大、复杂度高的问题，从而提高分配传输功率的效率。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于深度学习的功率分配方法的一种流程示意图；

图2为本发明实施例提供的基于深度学习的功率分配方法的另一种流程示意图；

图3为本发明实施例的全连接神经网络模型的结构示意图；

图4为本发明实施例提供的基于深度学习的功率分配装置的一种结构示意图；

图5为本发明实施例提供的基于深度学习的功率分配装置的另一种结构示意图；

图6为本发明实施例的基于深度学习的功率分配方法和现有注水算法的***速率对比图；

图7为本发明实施例在决定数据流数在不同天线数量下的正确率对比图；

图8为本发明实施例的功率分配方法与现有注水算法的速率累积分布函数对比图；

图9为本发明实施例提供的电子设备的一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种基于深度学习的功率分配方法，该过程可以包括以下步骤：

S101，获取用户的信道矩阵。

本发明实施例的功率分配方法可以应用于单用户MIMO信道场景或者MIMO-MAC信道场景中。可以根据与信号发射端连接的用户的信道估计，从而得到用户的信道矩阵。本发明实施例中的用户可以指用户终端，例如，移动电话，平板电脑等。

需要说明的是，当为MIMO信道场景时，可以只获取该单个用户的信道矩阵；当为MIMO-MAC信道场景时，对于接入的多个用户，可以分别获取各个用户的信道矩阵。

参考图1，S102，对信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵。

奇异值分解是常用的信道处理方法，本发明实施例可以对信道矩阵进行奇异值分解，分解后，可以得到该信道矩阵的等效信道，以及等效信道特征值，以及左酉矩阵。所说的等效信道是对信道矩阵经奇异值分解后得到的等效的信道，例如，原本的信道矩阵为4×4矩阵，则其可以被分解为4个4×1的正交信道，这4个正交信道组成一组等效信道，每个正交信道对应一个信道特征值，或者称为奇异值，用户表示该正交信道的信道响应。

需要说明的是，当为MIMO信道场景时，可以只对该单个用户的信道矩阵进行奇异值分解处理；当为MIMO-MAC信道场景时，对于接入的多个用户，可以对各个用户的信道矩阵分别进行奇异值分解处理。

对于一个用户数量为K的MIMO-MAC***，其最大化***容量表示为：

式中，I为加性高斯白噪声，用户i∈{1,2,3,...,K}的功率限制参数为P_i，j∈{1,2,3,...,K}，H_i表示第i个用户的信道响应，S_i表示功率分配矩阵，G_i表示多用户等效为单用户时的信道响应，维度为接收和发送天线数量n_R×n_T。

通过上式可以将多用户注水转化为单用户注水，则用户i的等效信道表示为：

式中，H_j表示用户j的信道响应矩阵，S_j表示用户j的功率分配矩阵。

通过对用户的等效信道进行单用户注水，可以简化传统注水算法的计算复杂度。

作为本发明实施例一种可选的实施方式，可以利用第一预设表达式，对信道矩阵进行奇异值分解处理，第一预设表达式为：

SVD(H)＝UΛV^H

式中，H表示信道矩阵，SVD(H)表示对H进行奇异值分解处理，U表示左酉矩阵，Λ表示H的对角矩阵，V表示H的右酉矩阵，V^H表示V的共轭转置矩阵。其中，信道特征值可以表示为

其中，N_R为接收天线数量。

参考图1，S103，基于等效信道特征值以及用户的预设功率限制参数，生成用户的信道特征信息。

本发明实施例可以利用计算得到的效信道特征值，以及预设设定好的用户的功率限制参数，共同构建该用户的信道特征信息。例如，可以将信道特征信息表示为：

其中，λ_i表示信道矩阵的第i个特征值，

表示λ_i的平方，i∈{1,2,3,...,n_R}，P表示功率限制参数。当然，可以为不同的用户设置不同的上述功率限制参数。

需要说明的是，当为MIMO信道场景时，可以只生成该单个用户的信道特征信息；当为MIMO-MAC信道场景时，对于接入的多个用户，可以为各个用户分别生成对应的信道特征信息。

S104，将信道特征信息输入预先训练好的全连接神经网络模型中，得到用户的数据流数。

在得到用户的信道特征信息后，可以将用户的信道特征信息输入预先训练好的全连接神经网络模型中，从而得到用户的数据流数。其中，数据流数用于表示为用户分配的数据流量大小，可以理解的是，由于数据流数能够用于表示为用户分配的数据流量大小，而数据流量与传输功率正相关，因此，本发明实施例可以基于数据流数为用户进行传输功率分配。

需要说明的是，当为MIMO信道场景时，可以只将该单个用户的信道特征信息输入模型，从而得到该单个用户的信道特征信息；当为MIMO-MAC信道场景时，对于接入的多个用户，可以将各个用户的信道特征信息分别输入模型，从而分别得到各个用户对应的数据流数。

参考图1，S105，基于用户的数据流数，等效信道特征值，以及左酉矩阵，构建用户的功率分配协方差矩阵。

本发明实施例中，通过步骤S104得到用户的数据流数后，可以基于该数据流数，以及步骤S101得到的用户的等效信道特征值，以及左酉矩阵，共同构建用户的功率分配协方差矩阵。

示例性地，可以先通过上述数据流数，等效信道特征值，计算该用户的功率分配向量，然后再基于功率分配向量和左酉矩阵，计算用户的功率分配协方差矩阵。其具体过程可以为：

计算得到的用户的数据流数表示为

则功率分配向量中的元素可以表示为：

式中，p_j表示等效信道j上的功率分配大小，P_i表示用户i的功率限制，λ_j表示信道特征值，b表示中间变量，a表示等效信道的第

个特征值的平方。在进行对比时，为避免当

大于现有注水算法得到的数据流数时，造成的功率分配向量出现负元素，在

时，可以减小

值，直至功率分配向量不存在负元素，需要说明的是，由于神经网络输出的数据流数具有高正确率，在神经网络输出的数据库流数大于现有注水算法到的数据流数时，即

时，可转为正确数据流数

通过上式计算每一个功率分配向量中的元素，然后得到功率分配向量，表示为

然后，根据所得到的功率分配向量以及左酉矩阵，可以构建用户的功率分配协方差矩阵，表示为：

式中，S表示功率分配协方差矩阵，U表示左酉矩阵，U^H表示左酉矩阵的共轭转置矩阵。

作为本发明实施例一种可选的实施方式，当用户的数量为一个时，此时用户处于MIMO信道场景，则可以基于该单个用户的等效信道特征值，左酉矩阵，以及该单个用户的数据流数，计算该单个用户的功率分配协方差矩阵。

作为本发明实施例一种可选的实施方式，当用户的数量为多个时，用户处于多址接入信道MIMO-MAC信道场景，则可以针对多个用户中的每个用户，基于与各用户对应的等效信道特征值，左酉矩阵，以及数据流数，计算各用户的功率分配协方差矩阵。

参考图1，S106，基于用户的功率分配协方差矩阵，为用户分配传输功率。

在确定用户的功率分配协方差矩阵后，由于功率分配协方差矩阵中携带有该用户的功率分配信息，因此可以基于用户的功率分配协方差矩阵为用户分配传输功率。

作为本发明实施例一种可选的实施方式，当用户的数量为一个时，此时用户处于MIMO信道场景，则可以基于该单个用户的功率分配协方差矩阵，为该单个用户分配传输功率。

作为本发明实施例一种可选的实施方式，当用户的数量为多个时，用户处于多址接入信道MIMO-MAC信道场景，则可以基于各用户对应的功率分配协方差矩阵，为各用户分配传输功率。

如图2所示，本发明实施例的全连接神经网络模型的训练过程包括：

S201，构建初始全连接神经网络模型。

本发明实施例构建的初始全连接神经网络模型如图3所示，至少包括1层输入层，3层隐藏层，以及1层输出层。

采用的神经网络为全连神经网络，图中的圆圈表示节点，则神经网络的输入节点数可以为N_R+1，隐藏层为3层，输出节点数可以为N_R，其中N_R为天线个数，假设每一层的节点数为n，则激活函数表示为：

式中，

表示激活函数，

表示神经网络模型的每个节点的输出，e表示自然常数，j∈{1,2,3,...,n}，n为正整数。

S202，获取样本信道矩阵的样本信道特征信息，以及各样本信道特征信息对应的数据流数标签。

本发明实施例可以利用数量为D的样本信道特征信息及各样本信道特征信息对应的数据流数标签，对初始全连接神经网络模型进行训练。其训练过程可以参照现有的神经网络训练过程，本发明实施例在此不再赘述。

S203，将各样本信道特征信息，以及各样本信道特征信息对应的数据流数标签输入初始全连接神经网络模型，训练得到全连接神经网络模型。

在训练过程中，每次迭代得到用户i的等效信道特征值

以及功率限制参数P_i，构成神经网络的样本信道特征信息，表示为：

神经网络输出标签可以为注水算法得到的数据流数N_i，并将数据流数N_i进行Onehot(独热编码)映射。需要说明的是，当为单个用户时，该用户的样本信道特征信息可以表示为：

数据流数N经过Onehot编码映射后为y_i，损失函数可以为交叉熵函数，表示为：

式中，loss_i表示损失函数，y_i表示数据流数N经过Onehot编码的映射，

表示神经网络模型的每个节点的输出，i表示变量，j∈{1,2,3,...,n}。

本发明实施例中，将数据流数进行Onehot映射的过程表示为：

式中，N表示数据流数，每个Onehot编码中，数值1所在的位置表示数据流数的大小，例如，[1 0 … 0]表示数据流数为1，[0 1 … 0]表示数据流数为2。

作为本发明实施例一种可选的实施方式，对应MIMO-MAC信道场景，当其中的一个用户的信道状态发生变化，本发明实施例可以为各用户重新分配传输功率。

示例性地，在得到第一个用户到第i个用户的功率分配协方差矩阵后，则需要计算第i+1个用户的等效信道，基于上述计算等效信道的表达式，可以得到用户mod(i+1,K)的等效信道，表示为：

式中，mod(i+1,K)＝k，当i≠K时，表示计算用户i+1的等效信道，当i＝K时，表示计算用户1的等效信道。当所有的用户都已计算出等效信道，即i＝K时，表示完成一次迭代过程，否则，再次构建用户的信道特征信息，重新计算用户的功率分配协方差矩阵。当然，当达到预设的最大迭代次数时，则完成所有用户的深度学习的注水功率分配过程。

本发明实施例提供的一种基于深度学习的功率分配方法，在获取用户的信道矩阵后，通过预设奇异值分解算法对信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，然后基于等效信道特征值以及用户的预设功率限制参数，生成用户的信道特征信息，再将信道特征信息输入预先训练好的全连接神经网络模型中，得到用户的数据流数，进而基于用户的数据流数，等效信道特征值，以及左酉矩阵，构建用户的功率分配协方差矩阵，再基于用户的功率分配协方差矩阵，为用户分配传输功率，可见，本发明实施例能够通过全连接神经网络模型得到用户的数据流数，再基于数据流数构建用户的功率分配协方差矩阵，而不需要再使用现有的注水算法计算用户的功率分配协方差矩阵，从而避免因注水算法多次迭代计算造成的计算量大、复杂度高的问题，从而提高分配传输功率的效率。

本发明实施例提供的一种基于深度学习的功率分配装置的一种具体实施例，与图1所示流程相对应，参考图4，图4为本发明实施例的一种基于深度学习的功率分配装置的一种结构示意图，包括：

第一获取模块301，用于获取用户的信道矩阵。

处理模块302，用于对信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，其中，等效信道特征值为与信道矩阵对应的等效信道中所包括的多个正交信道各自对应的奇异值。

生成模块303，用于基于等效信道特征值以及用户的预设功率限制参数，生成用户的信道特征信息。

输入模块304，用于将信道特征信息输入预先训练好的全连接神经网络模型中，得到用户的数据流数，数据流数用于表示为用户分配的数据流量大小。

第一构建模块305，用于基于用户的数据流数，等效信道特征值，以及左酉矩阵，构建用户的功率分配协方差矩阵。

分配模块306，用于基于用户的功率分配协方差矩阵，为用户分配传输功率。

作为本发明实施例一种可选的实施方式，当用户的数量为一个时，该用户处于MIMO信道场景，第一构建模块具体用于：

基于该单个用户的等效信道特征值，左酉矩阵，以及该单个用户的数据流数，计算该单个用户的功率分配协方差矩阵；

分配模块具有用于：

基于该单个用户的功率分配协方差矩阵，为该单个用户分配传输功率。

作为本发明实施例一种可选的实施方式，当用户的数量为多个时，用户处于多址接入信道MIMO-MAC信道场景，第一构建模块具体用于：

针对多个用户中的每个用户，基于与各用户对应的等效信道特征值，左酉矩阵，以及数据流数，计算各用户的功率分配协方差矩阵；

分配模块具有用于：

基于各用户对应的功率分配协方差矩阵，为各用户分配传输功率。

作为本发明实施例一种可选的实施方式，处理模块具体用于：

利用第一预设表达式，对信道矩阵进行奇异值分解处理，第一预设表达式为：

SVD(H)＝UΛV^H

式中，H表示信道矩阵，SVD(H)表示对H进行奇异值分解处理，U表示左酉矩阵，Λ表示H的对角矩阵，V表示右酉矩阵，V^H表示V的共轭转置。

作为本发明实施例一种可选的实施方式，在图4所示装置的基础上，如图5所示，本发明实施例的基于深度学习的功率分配装置还可以包括：

第二构建模块401，用于构建初始全连接神经网络模型，初始全连接神经网络模型至少包括1层输入层，3层隐藏层，以及1层输出层。

第二获取模块402，用于获取样本信道矩阵的样本信道特征信息，以及各样本信道特征信息对应的数据流数标签。

训练模块403，用于将各样本信道特征信息，以及各样本信道特征信息对应的数据流数标签输入初始全连接神经网络模型，训练得到全连接神经网络模型。

本发明实施例提供的一种基于深度学习的功率分配装置，在获取用户的信道矩阵后，通过预设奇异值分解算法对信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，然后基于等效信道特征值以及用户的预设功率限制参数，生成用户的信道特征信息，再将信道特征信息输入预先训练好的全连接神经网络模型中，得到用户的数据流数，进而基于用户的数据流数，等效信道特征值，以及左酉矩阵，构建用户的功率分配协方差矩阵，再基于用户的功率分配协方差矩阵，为用户分配传输功率，可见，本发明实施例能够通过全连接神经网络模型得到用户的数据流数，再基于数据流数构建用户的功率分配协方差矩阵，而不需要再使用现有的注水算法计算用户的功率分配协方差矩阵，从而避免因注水算法多次迭代计算造成的计算量大、复杂度高的问题，从而提高分配传输功率的效率。

为了将本发明实施例的功率分配方法与现有注水算法进行对比，本发明实施例进行仿真实验，使用复高斯信道作为信道模型，在单用户的情况下，信噪比变化范围为:

MIMO采用两种配置：n_R＝n_T∈{4,8}。

图6为本发明实施例的基于深度学习的功率分配方法和现有注水算法的***速率对比图。由图6可以看到，本发明实施例的基于深度学习的功率分配方法相比现有注水算法的性能在不同的信噪比下都非常接近，原因是：本发明实施例能够通过全连接神经网络模型得到准确的数据流数，因而本发明实施例得到的用户功率分配协方差矩阵绝大部分为最优功率分配矩阵，因而能够与最优功率分配算法，即注水法一样获得较好的***速率。仿真结果表明本发明实施例的功率分配方法能够很好的接近单用户注水算法。

图7为本发明实施例在决定数据流数在不同天线数量下的正确率对比图。仿真使用复高斯信道作为信道模型，在单用户的情况下，信噪比:

天线数量变化范围为：n_R＝n_T＝4:4:32，每个天线数量下的仿真样本数量N＝10000。由图7可以看到，本发明实施例在信噪比为5dB、10dB时，全连接神经网络模型输出的数据流数的正确率均在85％以上，神经网络输出的错误的数据流数也接近正确的数据流数，在神经网络输出等于和大于正确数据流数时，可以得到最优用户功率分配协方差矩阵。该仿真结果表明本发明实施例的功率分配方法能够以很高的正确率选择用户数据流数。

图8为本发明实施例的功率分配方法与现有注水算法的速率累积分布函数对比图，使用复高斯信道作为信道模型，在多用户的情况下，用户数量：K＝4，用户i的限制功率为(3i+2)dB，MIMO采用两种配置为：n_R＝n_T＝8，最大迭代次数设置为n_max＝4。由图8可以看到，本发明实施例的功率分配方法相比现有注水算法的性能非常接近。原因是：本发明实施例在每次迭代中，都能够很好的接近每个用户的最优功率分配协方差矩阵。多用户的功率分配，是将其余用户的干扰及噪声效为等效信道，从而多用户的功率分配可视为对等效信道的功率分配。因而本发明实施例能够通过对等效信道的神经网络决定数据流数选择，得到用户的功率分配协方差矩阵。仿真结果表明，本发明实施例的功率分配方法能够较好的接近MIMO-MAC的注水功率分配方法。

本发明实施例还提供了一种电子设备，如图9所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，

存储器503，用于存放计算机程序；

处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：

获取用户的信道矩阵；

对信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，其中，等效信道特征值为与信道矩阵对应的等效信道中所包括的多个正交信道各自对应的奇异值；

基于等效信道特征值以及用户的预设功率限制参数，生成用户的信道特征信息；

将信道特征信息输入预先训练好的全连接神经网络模型中，得到用户的数据流数，数据流数用于表示为用户分配的数据流量大小；

基于用户的数据流数，等效信道特征值，以及左酉矩阵，构建用户的功率分配协方差矩阵；

基于用户的功率分配协方差矩阵，为用户分配传输功率。

本发明实施例提供的一种电子设备，在获取用户的信道矩阵后，通过预设奇异值分解算法对信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，然后基于等效信道特征值以及用户的预设功率限制参数，生成用户的信道特征信息，再将信道特征信息输入预先训练好的全连接神经网络模型中，得到用户的数据流数，进而基于用户的数据流数，等效信道特征值，以及左酉矩阵，构建用户的功率分配协方差矩阵，再基于用户的功率分配协方差矩阵，为用户分配传输功率，可见，本发明实施例能够通过全连接神经网络模型得到用户的数据流数，再基于数据流数构建用户的功率分配协方差矩阵，而不需要再使用现有的注水算法计算用户的功率分配协方差矩阵，从而避免因注水算法多次迭代计算造成的计算量大、复杂度高的问题，从而提高分配传输功率的效率。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，用以执行如下步骤：

获取用户的信道矩阵；

对信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，其中，等效信道特征值为与信道矩阵对应的等效信道中所包括的多个正交信道各自对应的奇异值；

基于等效信道特征值以及用户的预设功率限制参数，生成用户的信道特征信息；

将信道特征信息输入预先训练好的全连接神经网络模型中，得到用户的数据流数，数据流数用于表示为用户分配的数据流量大小；

基于用户的数据流数，等效信道特征值，以及左酉矩阵，构建用户的功率分配协方差矩阵；

基于用户的功率分配协方差矩阵，为用户分配传输功率。

本发明实施例提供的一种计算机可读存储介质，在获取用户的信道矩阵后，通过预设奇异值分解算法对信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，然后基于等效信道特征值以及用户的预设功率限制参数，生成用户的信道特征信息，再将信道特征信息输入预先训练好的全连接神经网络模型中，得到用户的数据流数，进而基于用户的数据流数，等效信道特征值，以及左酉矩阵，构建用户的功率分配协方差矩阵，再基于用户的功率分配协方差矩阵，为用户分配传输功率，可见，本发明实施例能够通过全连接神经网络模型得到用户的数据流数，再基于数据流数构建用户的功率分配协方差矩阵，而不需要再使用现有的注水算法计算用户的功率分配协方差矩阵，从而避免因注水算法多次迭代计算造成的计算量大、复杂度高的问题，从而提高分配传输功率的效率。

对于装置/电子设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，本发明实施例的装置、电子设备及存储介质分别是应用上述基于深度学习的功率分配方法的装置、电子设备及存储介质，则上述基于深度学习的功率分配方法的所有实施例均适用于该装置、电子设备及存储介质，且均能达到相同或相似的有益效果。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于深度学习的功率分配方法，其特征在于，所述方法包括：

获取用户的信道矩阵；

对所述信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，其中，所述等效信道特征值为与所述信道矩阵对应的等效信道中所包括的多个正交信道各自对应的奇异值；

基于所述等效信道特征值以及所述用户的预设功率限制参数，生成所述用户的信道特征信息；

将所述信道特征信息输入预先训练好的全连接神经网络模型中，得到所述用户的数据流数，所述数据流数用于表示为用户分配的数据流量大小；

基于所述用户的数据流数，所述等效信道特征值，以及所述左酉矩阵，构建所述用户的功率分配协方差矩阵；

基于所述用户的功率分配协方差矩阵，为所述用户分配传输功率；

所述基于所述用户的数据流数，所述等效信道特征值，以及所述左酉矩阵，构建所述用户的功率分配协方差矩阵，包括：

将计算得到的用户的数据流数表示为

则功率分配向量中的元素表示为：

式中，p_j表示等效信道j上的功率分配大小，P_i表示用户i的功率限制，λ_j表示信道特征值，b表示中间变量，a表示等效信道的第

个特征值的平方，_nR表示接收天线数量；

通过计算每一个功率分配向量中的元素，得到用户的功率分配向量，表示为

根据所述用户的功率分配向量以及所述左酉矩阵，构建用户的功率分配协方差矩阵，表示为：

式中，S表示功率分配协方差矩阵，U表示左酉矩阵，U^H表示左酉矩阵的共轭转置矩阵。

2.根据权利要求1所述的方法，其特征在于，当所述用户的数量为单个时，该用户处于多入多出MIMO信道场景，所述基于所述等效信道特征值，所述左酉矩阵，以及所述用户的数据流数，计算所述用户的功率分配协方差矩阵的步骤，包括：

基于该单个用户的等效信道特征值，左酉矩阵，以及该单个用户的数据流数，计算该单个用户的功率分配协方差矩阵；

所述基于所述用户的功率分配协方差矩阵，为所述用户分配传输功率的步骤，包括：

基于该单个用户的功率分配协方差矩阵，为该单个用户分配传输功率。

3.根据权利要求1所述的方法，其特征在于，当所述用户的数量为多个时，所述用户处于多址接入信道MIMO-MAC信道场景，所述基于所述等效信道特征值，所述左酉矩阵，以及所述用户的数据流数，计算所述用户的功率分配协方差矩阵的步骤，包括：

针对所述多个用户中的每个用户，基于与各用户对应的等效信道特征值，所述左酉矩阵，以及所述数据流数，计算各用户的功率分配协方差矩阵；

所述基于所述用户的功率分配协方差矩阵，为所述用户分配传输功率的步骤，包括：

基于各用户对应的功率分配协方差矩阵，为各用户分配传输功率。

4.根据权利要求1所述的方法，其特征在于，所述对所述信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵的步骤，包括：

利用第一预设表达式，对所述信道矩阵进行奇异值分解处理，所述第一预设表达式为：

SVD(H)＝UΛV^H

式中，H表示信道矩阵，SVD(H)表示对H进行奇异值分解处理，U表示左酉矩阵，Λ表示H的对角矩阵，V表示H的右酉矩阵，V^H表示V的共轭转置矩阵。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述全连接神经网络模型的训练过程包括：

构建初始全连接神经网络模型，所述初始全连接神经网络模型至少包括1层输入层，3层隐藏层，以及1层输出层；

获取样本信道矩阵的样本信道特征信息，以及各样本信道特征信息对应的数据流数标签；

将各样本信道特征信息，以及各样本信道特征信息对应的数据流数标签输入所述初始全连接神经网络模型，训练得到所述全连接神经网络模型。

6.一种基于深度学习的功率分配装置，其特征在于，所述装置包括：

第一获取模块，用于获取用户的信道矩阵；

处理模块，用于对所述信道矩阵进行奇异值分解处理，得到等效信道特征值以及左酉矩阵，其中，所述等效信道特征值为与所述信道矩阵对应的等效信道中所包括的多个正交信道各自对应的奇异值；

生成模块，用于基于所述等效信道特征值以及所述用户的预设功率限制参数，生成所述用户的信道特征信息；

输入模块，用于将所述信道特征信息输入预先训练好的全连接神经网络模型中，得到所述用户的数据流数，所述数据流数用于表示为用户分配的数据流量大小；

第一构建模块，用于基于所述用户的数据流数，所述等效信道特征值，以及所述左酉矩阵，构建所述用户的功率分配协方差矩阵；

分配模块，用于基于所述用户的功率分配协方差矩阵，为所述用户分配传输功率；

所述第一构建模块，具体用于：

将计算得到的用户的数据流数表示为

则功率分配向量中的元素表示为：

式中，p_j表示等效信道j上的功率分配大小，P_i表示用户i的功率限制，λ_j表示信道特征值，b表示中间变量，a表示等效信道的第

个特征值的平方，_nR表示接收天线数量；

通过计算每一个功率分配向量中的元素，得到用户的功率分配向量，表示为

根据所述用户的功率分配向量以及所述左酉矩阵，构建所述用户的功率分配协方差矩阵，表示为：

式中，S表示功率分配协方差矩阵，U表示左酉矩阵，U^H表示左酉矩阵的共轭转置矩阵。

7.根据权利要求6所述的装置，其特征在于，当所述用户的数量为单个时，该用户处于多入多出MIMO信道场景，所述第一构建模块具体用于：

基于该单个用户的等效信道特征值，左酉矩阵，以及该单个用户的数据流数，计算该单个用户的功率分配协方差矩阵；

所述分配模块具有用于：

基于该单个用户的功率分配协方差矩阵，为该单个用户分配传输功率。

8.根据权利要求6所述的装置，其特征在于，当所述用户的数量为多个时，所述用户处于多址接入信道MIMO-MAC信道场景，所述第一构建模块具体用于：

针对所述多个用户中的每个用户，基于与各用户对应的等效信道特征值，所述左酉矩阵，以及所述数据流数，计算各用户的功率分配协方差矩阵；

所述分配模块具有用于：

基于各用户对应的功率分配协方差矩阵，为各用户分配传输功率。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存储计算机程序；

所述处理器，用于执行存储器上所存储的程序时，实现权利要求1-5任一项所述的方法步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法步骤。

Images