CN112153615B - 一种多小区蜂窝d2d设备中基于深度学习的用户关联方法 - Google Patents
一种多小区蜂窝d2d设备中基于深度学习的用户关联方法 Download PDFInfo
- Publication number
- CN112153615B CN112153615B CN202010964458.4A CN202010964458A CN112153615B CN 112153615 B CN112153615 B CN 112153615B CN 202010964458 A CN202010964458 A CN 202010964458A CN 112153615 B CN112153615 B CN 112153615B
- Authority
- CN
- China
- Prior art keywords
- neural network
- cellular
- user association
- channel gain
- base station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种多小区蜂窝D2D设备中基于深度学习的用户关联方法,首先,收集环境内终端设备的信道增益信息;其次,运用穷举法得到相应信道增益样本下的最优蜂窝用户关联策略,收集训练数据集;然后,构建卷积神经网络框架,初始化神经网络参数;最后,训练该神经网络:将训练数据集输入至神经网络,构建神经网络的输出和标签之间的MSE作为损失函数,并选择随机梯度下降算法对神经网络的权重进行更新;当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成,保存神经网络。本发明克服了环境中D2D设备对蜂窝设备造成的干扰问题,用卷积神经网络以监督学习的方式逼近传统算法来学习信道增益到最优用户关联策略之间的映射关系。
Description
技术领域
本发明涉及通信***物理层技术,具体的涉及无线通信***资源分配技术,尤其涉及一种多小区蜂窝D2D设备中基于深度学习的用户关联方法。
背景技术
目前,随着5G通信技术的逐步普及以及通信网络形式的多样化,通信网络的资源分配成为研究机构的热点问题。设备对设备(D2D)是一种具有提高频谱和能量效率的技术,并由于这些优点,D2D已经被重新使用作为5G无线网路的关键技术,在D2D链路中,两个相邻的设备可以直接传输数据而无需接入点的帮助。随着基站密集化技术的逐步推进,基站越来越多的出现在人们的生活中,这也意味着基站离我们的距离越来越近了,在蜂窝设备和D2D设备的混合网络中,两种设备同时进行通信势必会引出干扰问题,如何通过基站与蜂窝用户之间关联状态的适当调整,减小来自D2D设备的干扰,使***的速率性能最大化成为新的研究方向,这也是本发明的核心问题。
多小区网络环境中传统的用户关联算法是穷举法,一般先确定目标函数,再通过穷举所有关联策略的可能,比较所有可能策略的性能,最后选择导致最优性能的策略作为最终策略。它可以找到满足***中所有用户最大化性能的最优解,但该算法典型的缺点是收敛性能差,缓慢的收敛会导致很高的计算复杂度,这在大规模网络,尤其是有大量终端设备的通信网络时,穷举算法的计算时间会呈指数增长,无法进行在线决策,这也限制了其应用领域。
目前,深度学习技术利用神经网络的函数逼近特性,近年来在图像处理和语音识别等各个领域得到了广泛的研究。虽然神经网络的训练可能需要一些时间,但由于其训练过程可以离线进行,所以计算复杂度很小,非常适合实时操作。且由于无线通信网络中信道样本采集的便利性和及时性,深度学习在无线通信中的应用也越来越有优势。深度学习中的神经网络可以对传统算法达到很好的的非线性逼近,所以得到广泛的研究,目前常用的神经网络包括深度神经网络(DNN)、卷积神经网络(CNN)、循环神经网络(RNN)。
许多利用神经网络通过链路调度或用户关联实现目标函数最大或最小化的研究受到关注。比如用深度神经网络通过逼近次梯度算法,来实现***频谱效率(SE)最大化或能效(EE)最大化,又或者是通过逼近迭代优化算法,实现***和速率(SR)最大化的目标,卷积神经网络方面,通过利用卷积滤波器对局部特征进行提取,以监督学习的方式实现SE、EE或SR最大化的目标。本发明通过CNN来学习终端设备的信道增益信息到最优蜂窝用户关联策略之间的映射关系。
发明内容
发明目的:本发明提供一种多小区蜂窝D2D设备中基于深度学习的用户关联方法,克服了环境中D2D设备对蜂窝设备造成的干扰问题,用卷积神经网络以监督学习的方式逼近传统算法来学习信道增益到最优用户关联策略之间的映射关系。
技术方案:本发明所述的一种多小区蜂窝D2D设备中基于深度学习的用户关联方法,具体包括以下步骤:
(1)收集环境内终端设备的信道增益信息;
(2)运用穷举法得到相应信道增益样本下的最优蜂窝用户关联策略Z*,收集训练数据集;
(3)确定训练集和测试集的分割比例;
(4)构建卷积神经网络模型,初始化神经网络参数;
(5)将训练数据集输入至神经网络,构建神经网络的输出和标签之间的MSE作为损失函数,并选择随机梯度下降算法对神经网络的权重进行更新;
(6)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成,保存神经网络;
(7)测试阶段由测试集作为输入数据测试性能。
进一步地,步骤(2)所述的训练数据集包括信道增益信息样本和相应的最优用户关联标签数据。
进一步地,步骤(4)所述的卷积神经网络模型构造如下:
一次分布生成16个信道状态信息hij=gijαij,可达速率为:
多小区蜂窝***和速率最大化问题为:
其中,基站索引j∈J,蜂窝设备索引i∈I,D2D设备索引d∈D,蜂窝设备i到基站j之间的关联状态和信道增益表示为Zij、hij,如果Zij=1时表示蜂窝设备i与基站j关联,由这个基站提供数据服务,否则为Zij=0这之间的传输功率表示为pij;D2D链路的信道增益表示为hd,传输功率为pd,默认所有设备以最大功率传输,即pij=pd=pmax,蜂窝设备i到基站j的可达速率Rij,公式中的W是带宽,是环境背景噪声;
进一步地,步骤(4)所述的卷积神经网络的结构包括1层卷积层、3层隐藏层、1层输出层;所述卷积层作为输入层接收信道增益信号,使用2个3×3的卷积核来生成特征图,之后经过由3层全连接层构成的隐藏层,神经元数分别为100、80、50;隐藏层选择ReLU激活函数提供非线性能力,由输出层密集层经过sigmoid函数作激活后产生用户关联策略。
进一步地,步骤(5)所述的损失函数构造如下:
其中,构建神经网络输出预测关联策略Zij和穷举法得到的标签Z*的均方误差作为损失函数L;采用小批次梯度下降算法,每批次包含M个样本,训练周期为γ=300,优化器选择随机梯度下降算法对神经网络的权重和偏置进行更新。
有益效果:与现有技术相比,本发明的有益效果:本发明方法在多小区网络环境中考虑到由基站密集化和多用户共存而导致的链路间干扰问题,通过适当调整***中蜂窝用户与基站的关联策略来缓解该问题;基于多小区环境内设备的信道增益,用卷积神经网络以监督学习的方式学习信道状态信息到最优用户关联策略之间的映射关系;训练好后的卷积神经网络可以进行在线决策,实时提供性能好且可靠的用户关联方案。
附图说明
图1卷积神经网络的结构设计图;
图2具体实例中应用的卷积神经网络结构图;
图3训练阶段小批次梯度下降训练流程图;
图4测试阶段学习流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明所用到的卷积神经网络结构如图1所示,该卷积神经网络负责学习输入信号(设备的信道增益信息)到输出信号(最优用户关联策略)之间的映射关系。整个过程包括训练数据集的收集、神经网络的训练、测试阶段的验证。其具体的实施步骤如下:
步骤1:收集环境内终端设备的信道增益信息。
假设在1km×1km的正方形区域中,有3个基站为环境内的8个终端设备提供通信服务,包括4个蜂窝用户和4对D2D设备对,收发机之间的距离在[5,65]中均匀分布,在瑞利衰落的信道环境下,带宽W=10MHz、N0=-174dBm/Hz、干扰上限值IS=103·N0W。
步骤2:运行穷举法得到相应信道增益样本下的最优蜂窝用户关联策略Z*,收集训练数据集,包括信道增益信息样本和相应的最优用户关联标签;确定训练集和测试集的分割比例。
步骤3:构建卷积神经网络模型,初始化神经网络参数。
构建卷积神经网络的结构,包括1层卷积层、3层隐层、1层输出层,如图2所示。将环境内设备的信道增益作为输入信号输入至卷积神经网络,卷积神经网络的第一部分卷积层作为输入层接收信道增益信号,使用2个3×3的卷积核来生成特征图,之后经过由3层全连接层构成的隐层,神经元数分别为100、80、50。隐层选择ReLU激活函数提供非线性能力,最后由输出层密集层经过sigmoid函数作激活后产生用户关联策略。
多小区蜂窝***和速率最大化问题为:
其中,基站索引j∈J,蜂窝设备索引i∈I,D2D设备索引d∈D,蜂窝设备i到基站j之间的关联状态和信道增益表示为Zij、hij,如果Zij=1时表示蜂窝设备i与基站j关联,由这个基站提供数据服务,否则为Zij=0这之间的传输功率表示为pij;D2D链路的信道增益表示为hd,传输功率为pd,默认所有设备以最大功率传输,即pij=pd=pmax,蜂窝设备i到基站j的可达速率Rij,公式中的W是带宽,是环境背景噪声;
优化问题包含两个约束项:和分别表示每个蜂窝设备仅能由一个基站提供通信服务、每个基站可同时服务的终端最多不超过上限θ个。同时,运行穷举算法,得到相应的最优用户关联策略Z*,重复10万次,得到10万个具有信道增益和相应标签的数据集,再确定训练集和测试集的分割比例为4:1。
步骤4:将训练数据集输入至神经网络,构建神经网络的输出和标签之间的MSE作为损失函数,并选择随机梯度下降算法对神经网络的权重进行更新;当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成,保存神经网络。
训练时构造神经网络的输出值和标签均方误差作为损失函数:
其中,构建神经网络输出预测关联策略Zij和穷举法得到的标签Z*的均方误差作为损失函数L;用小批次梯度下降算法,每批次包含40个样本,即M=40,训练周期γ=300,优化器选择随机梯度下降算法对神经网络的权重和偏置进行更新。具体步骤如下:
1)收集训练数据集,包括将收集环境内设备的信道增益并运行穷举算法得到相应信道增益下的最优蜂窝用户关联策略;
2)采用小批次梯度下降算法训练数据分成多个批次;
3)构建卷积神经网络框架,初始化卷积神经网络参数;
4)对训练数据所有批次进行遍历,构建损失函数;
5)用随机梯度下降算法对神经网络的权重进行更新,直至损失函数小于预设阈值;
6)保存训练好的神经网络。
步骤5:测试阶段由测试集作为输入数据测试性能。
测试阶段,以分割好的样本作为测试集,经过卷积神经网络,最后比较其输出值与标签的误差大小,验证该卷积神经网络实现最优用户关联策略的可靠性。
如图3、图4所示,在瑞利衰落环境中建立信道模型,并收集环境内D2D设备和蜂窝设备的信道增益信息。运行穷举算法得到相应样本下的最优用户关联标签,收集样本和标签并将其构成拥有10万份数据的训练集。设定训练数据集和测试数据集分割比例为4:1。构造卷积神经网络学习框架,由1层卷积层、3层隐藏层和1层输出层构成,卷积层中用2个3×3的卷积核进行卷积计算。将训练数据集送入神经网络,构造神经网路输出和标签的均方误差作为损失函数其中用小批次梯度下降算法将训练数据分为2000批次,每批次的样本数M=40,随机梯度下降算法作为优化器对神经网络的权重进行更新。当损失函数小于0.01或满足300次迭代周期则停止迭代,并保存神经网络。测试阶段将测试数据集输入至训练好的卷积神经网络中,验证其功率分配结果与标签的误差大小小于0.01,证明本发明的可靠性。
本发明在多小区多设备的混合网络环境中,克服了D2D设备通信时对蜂窝设备造成的干扰问题,利用卷积神经网络捕捉大规模网络特征的特性,将其应用于学习环境内设备的信道增益信息到最优蜂窝关联策略之间的映射关系,学习过程以监督学习的方式进行。训练后的神经网络可在实际应用中进行实时的在线决策,同时保证较高的***性能。
Claims (3)
1.一种多小区蜂窝D2D设备中基于深度学习的用户关联方法,其特征在于,包括以下步骤:
(1)收集环境内终端设备的信道增益信息;
(2)运用穷举法得到相应信道增益样本下的最优蜂窝用户关联策略Z*,收集训练数据集;
(3)确定训练集和测试集的分割比例;
(4)构建卷积神经网络模型,初始化神经网络参数;所述卷积神经网络模型构造如下:
一次分布生成16个信道状态信息hij=gijαij,可达速率为:
多小区蜂窝***和速率最大化问题为:
其中,gij为衰落系数,基站索引j∈J,蜂窝设备索引i∈I,D2D设备索引d∈D,蜂窝设备i到基站j之间的预测关联策略和信道增益表示为Zij、hij,如果Zij=1时表示蜂窝设备i与基站j关联,由这个基站提供数据服务,否则为Zij=0这之间的传输功率表示为pij;D2D链路的信道增益表示为hd,传输功率为pd,默认所有设备以最大功率传输,即pij=pd=pmax,蜂窝设备i到基站j的可达速率Rij,公式中的W是带宽,是环境背景噪声;
(5)将训练数据集输入至神经网络,构建神经网络的输出和最优蜂窝用户关联策略之间的MSE作为损失函数,并选择随机梯度下降算法对神经网络的权重进行更新;所述损失函数构造如下:
其中,构建神经网络输出预测关联策略Zij和穷举法得到的最优蜂窝用户关联策略Z*的均方误差作为损失函数L;采用小批次梯度下降算法,每批次包含M个样本,训练周期为γ=300,优化器选择随机梯度下降算法对神经网络的权重和偏置进行更新;
(6)当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成,保存神经网络;
(7)测试阶段由测试集作为输入数据测试性能。
2.根据权利要求1所述的多小区蜂窝D2D设备中基于深度学习的用户关联方法,其特征在于,步骤(2)所述的训练数据集包括信道增益信息样本和相应的最优用户关联策略数据。
3.根据权利要求1所述的多小区蜂窝D2D设备中基于深度学习的用户关联方法,其特征在于,步骤(4)所述的卷积神经网络的结构包括1层卷积层、3层隐藏层、1层输出层;所述卷积层作为输入层接收信道增益信号,使用2个3×3的卷积核来生成特征图,之后经过由3层全连接层构成的隐藏层,神经元数分别为100、80、50;隐藏层选择ReLU激活函数提供非线性能力,由输出层密集层经过sigmoid函数作激活后产生用户关联策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964458.4A CN112153615B (zh) | 2020-09-15 | 2020-09-15 | 一种多小区蜂窝d2d设备中基于深度学习的用户关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964458.4A CN112153615B (zh) | 2020-09-15 | 2020-09-15 | 一种多小区蜂窝d2d设备中基于深度学习的用户关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112153615A CN112153615A (zh) | 2020-12-29 |
CN112153615B true CN112153615B (zh) | 2022-07-12 |
Family
ID=73893513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010964458.4A Active CN112153615B (zh) | 2020-09-15 | 2020-09-15 | 一种多小区蜂窝d2d设备中基于深度学习的用户关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112153615B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113518457B (zh) * | 2021-04-22 | 2024-06-07 | 南京信息工程大学滨江学院 | 基于一维深度卷积神经网络的功率分配策略 |
CN113242066B (zh) * | 2021-05-10 | 2022-07-26 | 东南大学 | 一种多小区大规模mimo通信智能功率分配方法 |
CN114531726B (zh) * | 2021-06-30 | 2024-03-29 | 南京信息工程大学滨江学院 | 基于密集无线网络的功率控制方法 |
CN114367988B (zh) * | 2022-02-11 | 2023-11-17 | 煤炭科学研究总院有限公司 | 一种煤矿自主巡检平台上的机械臂运动规划方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN109639377A (zh) * | 2018-12-13 | 2019-04-16 | 西安电子科技大学 | 基于深度强化学习的频谱资源管理方法 |
WO2019190036A1 (ko) * | 2018-03-27 | 2019-10-03 | 경상대학교산학협력단 | 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치 |
-
2020
- 2020-09-15 CN CN202010964458.4A patent/CN112153615B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
WO2019190036A1 (ko) * | 2018-03-27 | 2019-10-03 | 경상대학교산학협력단 | 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치 |
CN109639377A (zh) * | 2018-12-13 | 2019-04-16 | 西安电子科技大学 | 基于深度强化学习的频谱资源管理方法 |
Non-Patent Citations (2)
Title |
---|
基于强化学习的定向无线通信网络抗干扰资源调度算法;谢添等;《电波科学学报》;20200815(第04期);全文 * |
基于深度强化学习的无线网络资源分配算法;李孜恒等;《通信技术》;20200810(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112153615A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112153615B (zh) | 一种多小区蜂窝d2d设备中基于深度学习的用户关联方法 | |
CN112153616B (zh) | 一种基于深度学习的毫米波通信***中的功率控制方法 | |
Huang et al. | Deep learning for physical-layer 5G wireless techniques: Opportunities, challenges and solutions | |
WO2020253691A1 (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN110417496A (zh) | 一种基于能效的认知noma网络顽健资源分配方法 | |
CN112153617B (zh) | 一种基于集成神经网络的终端设备传输功率的控制方法 | |
CN113115344B (zh) | 基于噪声优化的无人机基站通信资源分配策略预测方法 | |
CN113473580B (zh) | 异构网络中基于深度学习的用户关联联合功率分配方法 | |
CN113596785A (zh) | 基于深度q网络的d2d-noma通信***资源分配方法 | |
CN111328133A (zh) | 基于深度神经网络的v2x资源分配方法 | |
Shodamola et al. | A machine learning based framework for KPI maximization in emerging networks using mobility parameters | |
Lei et al. | Learning-based resource allocation: Efficient content delivery enabled by convolutional neural network | |
CN113784359A (zh) | 一种基于改进bp神经网络算法的动态信道接入方法 | |
CN111010222B (zh) | 一种基于深度学习的大规模mimo下行用户调度方法 | |
CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
US20210376886A1 (en) | Method of Parameter Estimation for a Multi-input Multi-output System | |
CN113518457B (zh) | 基于一维深度卷积神经网络的功率分配策略 | |
CN114567398B (zh) | 一种基于卷积长短时记忆神经网络的频谱感知方法 | |
CN115623575A (zh) | 一种cr-noma场景下的功率分配方法 | |
CN113301576B (zh) | 一种基于改进遗传算法的蜂窝网络资源分配方法 | |
Wang et al. | Joint beamforming and power allocation using deep learning for D2D communication in heterogeneous networks | |
CN107567087A (zh) | 一种基于非正交多址接入技术公平分配双层超密异构网络功率的方法 | |
Li et al. | Adaptive traffic data augmentation using generative adversarial networks for optical networks | |
Dai et al. | Power allocation for multiple transmitter-receiver pairs under frequency-selective fading based on convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210702 Address after: No.333 Xishan Avenue, Xishan District, Wuxi City, Jiangsu Province Applicant after: Binjiang College of Nanjing University of Information Engineering Applicant after: ICTEHI TECHNOLOGY DEVELOPMENT Co.,Ltd. Address before: No.333 Xishan Avenue, Xishan District, Wuxi City, Jiangsu Province Applicant before: Binjiang College of Nanjing University of Information Engineering |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |