CN113242066B - 一种多小区大规模mimo通信智能功率分配方法 - Google Patents

Abstract

本发明公开了一种多小区大规模MIMO通信智能功率分配方法，首先根据传统的基于模型的最优功率分配方法生成数据集，将网络内所有用户的位置信息和信道状态信息作为输入特征，最优功率分配的结果作为输出标签，从而生成一个样本。数据集的每个样本中包含的用户数目都是随机的。进而提出一种基于长短期记忆网络的seq2seq方法，用数据集进行训练，获得用户的位置信息与功率分配策略之间的映射关系。本发明利用通信网络环境特征和信道信息，挖掘用户特征、功率分配与***性能之间的关系，设计出数据驱动的功率分配方法，并且打破了以往基于神经网络的方法只能处理固定用户数目场景的局限性，只需训练单一的网络便可以灵活适应用户数目与位置实时变化的情况。

Description

一种多小区大规模MIMO通信智能功率分配方法

技术领域

本发明涉及一种多小区大规模MIMO通信智能功率分配方法，属于无线通信技术领域。

背景技术

为了满足持续增长的通信设备和数据流量的需求，大规模MIMO技术被提出并在近几年得到长足发展。大规模MIMO网络中基站配备数百根天线以获得空间复用增益，可以实现在相同的时频资源上服务数十个用户，从而有效提高了频谱效率，因此成为5G通信的关键技术之一。导频污染及用户间干扰通常是MIMO***的局限性所在，通常通过合理分配资源以减小干扰、提高频谱效率。而大规模MIMO***由于配置了大规模的天线阵列，网络可以获得更大的空间传输增益，且信道依赖于大尺度衰落，因而资源分配问题较为容易解决。

功率分配是提高通信***容量的关键技术，在学术界已有广泛的研究。但是传统的基于模型的方法都存在求解复杂度高的问题。鉴于数据科学和人工智能的高速发展，基于神经网络的通信***功率控制技术应运而生。使用深度学习技术在大规模MIMO***中利用全连接神经网络拟合传统的最大化最小速率和最大化和速率等功率分配策略已经能够在已知用户位置信息的情况下给出合理的功率分配方案，其性能在逼近传统算法同时大大降低了优化过程的复杂性和处理时间；也有学者在基于动态协作集群的去蜂窝大规模MIMO场景下，训练一个深度神经网络来执行集中式功率分配，或者通过每个接入点训练一个深度神经网络，仅使用本地可用信息作为输入来执行分布式功率分配。还有部分研究利用强化学习的优势来学习功率分配的决策。这些方法充分利用了神经网络学习复杂模式和逼近函数映射的能力，可以在性能逼近传统算法的同时，大大降低线上执行的复杂性和处理时间。但局限性在于这些方法都只针对固定数目的大规模MIMO网络，即小区数(或者接入点数)和用户数目都是固定的。

然而，在实际通信场景中，每个小区不同时刻服务的用户数目是不断变化的，这与之前研究中所作的假设均不符合。尽管深度神经网络具有灵活性和强大的函数拟合能力，但它只能应用于输入和目标可以用固定维数的向量进行合理编码的问题，这给利用神经网络解决无线通信问题带来了巨大的限制。目前的相关研究仍不充分，有学者针对这一问题设计了一个基于卷积神经网络的残差密集连接的深度神经网络用于处理动态变化的活跃用户数目，实现用户的大尺度衰落系数和功率分配策略的映射，该方法限制了每个小区可服务的最大用户数量，将不活跃用户数目的大尺度衰落系数置为0。这样固定网络中最大服务用户数量，将不活跃用户置为0必然会给性能造成一定的损失。本发明从另一个角度出发，受到在文本处理领域中成功应用seq2seq神经网络处理变长文本翻译问题的启发，将动态用户数目的功率分配问题转化成不定长的序列到序列的映射问题，利用seq2seq结构的网络学习其中的映射关系。

发明内容

技术问题：本发明旨在解决现有的基于模型的功率分配方法求解复杂度高、基于深度学习的方法只适用于固定的通信网络规模的缺点，针对多小区大规模MIMO用户数目动态变化的场景，提供了一种基于seq2seq神经网络的功率分配方法。该方法充分利用神经网络挖掘用户信息和功率分配之间的关系，可以使性能逼近传统方法的同时又降低了求解复杂度，更重要的是可以灵活适应通信网络中用户的数目与位置时刻变化的场景。

技术方案：为实现上述发明目的，本发明采用的技术方案是：一种多小区大规模MIMO通信智能功率分配方法。该技术方案包括如下步骤：

步骤一：建立用户数目动态变化的多小区大规模MIMO***模型，设计目标函数。

步骤二：随机设置每个小区用户数目和位置，利用max product SINR方法求解最优功率分配策略，收集用户位置信息和信道状态信息以及对应的最优功率分配结果，进行适当数据预处理，将网络内用户位置信息和信道状态信息作为输入特征，功率分配结果作为输出标签，多次采集形成数据集。

步骤三：搭建用于处理输入和输出皆为变长序列的seq2seq网络模型。

步骤四：利用步骤三搭建的网络在步骤二生成的数据集上进行训练。

步骤五：将当前网络中用户位置和信道状态信息生成的序列输入到训练好的seq2seq网络模型中，得到当前场景下的最优功率分配序列，进行反归一化处理后得到最优功率分配结果。

步骤一中首先建立用户数目动态变化的多小区大规模MIMO***模型。假设大规模MIMO通信网络具有L个小区，每个小区内有一个基站，配备了M根天线。假设每个小区内的用户数目动态变化，第i个小区服务的用户数目用k_i表示，网络内各小区服务用户数集合即可表示为K＝{k_i:i＝1,...,L}，用A_i＝{1,2,...,k_i}来表示第i个小区内的用户编号集合，集合大小由k_i决定，N＝k₁+k₂+...+k_L为当前***内所有用户的总数目。

在小区l中的用户n与基站j之间的信道用

来表示，小区l的基站传输下行信号

其中

是发送给小区l中的用户n的信号，利用预编码矢量

来控制传输的空间方向性，预编码矢量满足||w_l,n||²＝1，ρ_l,n表示基站分配给小区l中用户n的传输功率。进一步地，该大规模MIMO***小区l中用户n的下行频谱效率为：

其中

表示每个相干块中用于下行传输的数据比值，σ²表示噪声功率，SINR的上标dl表示下行链路，E{·}表示求期望，|·|表示求绝对值操作，

表示w_l,n的共轭转置。

为了方便表示，将上述频谱效率重新表示为：

其中

a_l,n和b_i,k,l,n分别表示平均信道增益和平均干扰增益。

步骤一所考虑的目标函数为：

其中

表示一个基站可提供的总传输功率。

步骤二生成数据集。在每一次数据采集过程中，首先在网络区域内随机设置各小区的用户数目k_l以及各个用户的位置x_l,n，之后计算大尺度衰落系数

和信道相关矩阵

利用基于最小均方误差算法的信道估计方法获得估计的信道矢量

计算预编码矢量w_l,n。通过蒙特卡洛法对估计的信道取平均以获得{a_l,n}和{b_i,k,l,n}。通过传统的几何规划求解使目标函数最大化的功率分配策略

定义S＝(s₁,s₂,...,s_N)为一个有序数列，其中s_i＝(G,D,A,I)为一个一维矢量，用于表示***中用户i的有关信息，G＝(g₁,g₂,...,g_L)表示该用户与L个基站之间的信道增益，D＝(d₁,d₂)表示用户的位置信息，A＝(a)表示用户传输的信号量，I＝(i₁,i₂,...,i_N-1)为***中其它用户对该用户的干扰量。N个用户的信息共同组成有序数列S。将S作为输入特征，ρ^*作为输出标签。一次数据采集形成一个样本，最终生成具有大量样本的数据集。为了更好地拟合网络，对样本使用对数变换和标准化处理。

令I的大小固定为网络可服务的最大用户数，对每个样本的I采用末尾填充0的处理方式，将其补充到固定长度。

步骤三中搭建网络模型，搭建的seq2seq模型分为两部分，编码器部分和解码器部分。

为了避免传统循环神经网络(RNN)会出现长期依赖的局限性，编码器部分使用一个长短时记忆网络(LSTM)充分挖掘通信网络中不同位置的用户的相关性。编码器的输入维度设置为步骤二中所述的单个用户的信息的维度，即s_i的维度。编码器按序列S的顺序依次读取序列，从而将不定长的序列转换为固定维度的中间矢量。编码器的处理过程可以表示为：

其中，x_t是时刻t的输入变量，W为神经网络单元的权重矩阵，b表示偏置，σ(·)和g(·)分别表示sigmoid函数和tanh函数，f_t、i_t、C_t、

和o_t皆为处理过程中的中间变量，h_t为LSTM的输出变量，也就是输入信息通过seq2seq网络的编码器后得到的隐藏态，假设在时刻t＝N时完成序列的输入，那么h_N是将所有输入信息进行处理转化为的一个固定长度的上下文矢量。

解码器部分是另一个LSTM网络，需要保证其隐藏层维度和上下文矢量的维度相同。之后连接一个全连接层，将每一步的输出转化为一个值，该值进行反归一化处理后即为seq2seq模型计算出来的分配给当前用户的功率值。

在训练上述建立的神经网络前，首先将模型的参数初始化，并设置批次大小n_batch、训练迭代次数n_epoch。每次输入n_batch个样本的特征部分S，经过编码器得到中间变量h_N，再输入进解码器端，设置一个指导强度因子，在每一步中，以一定概率选择将前一步的输出作为当前的输入变量，否则以对应标签值作为输入变量，之后得到模型的输出矢量

计算损失函数

采用自适应矩估计优化法来更新模型参数。训练完成后冻结网络参数。

步骤五所述的算法应用过程的具体为：将当前网络中用户位置和信道状态信息预处理后生成固定格式的序列，输入进训练好的神经网络模型，得到当前场景下最优的功率分配序列，对其进行反归一化的处理得到最优功率分配结果。

有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：

本发明所提出的一种多小区大规模MIMO通信智能功率分配方法，考虑了在实际场景中用户数目与位置都实时变化的情境。利用长短时记忆网络挖掘不同位置用户的相关性，拟合用户位置信息和信道状态信息与功率分配的映射关系，从而性能可以逼近传统算法，且能实时适应用户数目与位置都不断变化的场景。

附图说明

图1为本发明一种多小区大规模MIMO通信智能功率分配方法的流程图。

图2为本发明实施例中搭建的seq2seq神经网络结构图。

图3、4为本发明实施例中一种多小区大规模MIMO通信智能功率分配方法与传统方法的性能对比图。

具体实施方式

下面将结合本发明实例中的附图和具体实施方式对本发明作进一步地详细说明，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。

以下为本发明的适合于一种多小区大规模MIMO通信智能功率分配方法的实施方式：

步骤一：建立用户数目动态变化的多小区大规模MIMO***模型，设计目标函数。

步骤二：随机设置每个小区用户数目和位置，利用传统优化方法求解最优功率分配策略，收集用户位置信息和信道状态信息以及对应的最优功率分配结果，进行适当数据预处理，将网络内用户位置信息和信道状态信息作为输入特征，功率分配结果作为输出标签，多次采集形成数据集。

步骤三：搭建用于处理输入和输出皆为变长序列的seq2seq网络模型。

步骤四：利用步骤三搭建的网络在步骤二生成的数据集上进行训练。

步骤五：将当前网络中用户位置和信道状态信息生成的序列输入到训练好的seq2seq网络模型中，得到当前场景下的最优功率分配序列，进行反归一化处理后得到最优功率分配结果。

步骤一中首先建立用户数目动态变化的多小区大规模MIMO***模型。本发明实施例假设大规模MIMO通信网络具有L＝4个小区，每个小区覆盖范围为0.5km×0.5km，小区中心有一个基站，配备了M＝100根天线。假设每个小区内的用户数目不固定，第i个小区服务的用户数目用k_i表示，网络内各小区服务用户数集合表示为K＝{k_i:i＝1,...,L}，用A_i＝{1,2,...,k_i}来表示第i个小区内的用户编号集合，集合大小由k_i决定，N＝k₁+k₂+...+k_L为当前***内所有用户的总数目。本发明实施例中将用户集合K设置为[0,5]区间的整数的随机排列。令每个用户与基站的距离都大于35m。假设通信带宽为10MHz，总接收机噪声功率σ²设置为-94dBm。导频复用因子为1。每个用户设备的上行发射功率ρ为20dBm。蒙特卡洛仿真次数设置为100次。

在小区l中的用户n与基站j之间的信道用

来表示，在本发明实施例中，假设其服从瑞利衰落分布：

其中，

是基站侧可获取的空间相关矩阵，该矩阵归一化的迹

是模拟几何路径损耗和阴影衰落的大尺度衰落系数，表示基站j的一根天线与小区l的用户n之间的平均信道增益，将其建模为：

其中γ＝-148dB表示用户和基站之间参考距离为1km时的信道增益中值，α＝3.76是路径损失系数，

是二维平面上用户和基站之间的距离。

信道估计采用标准的最小化均方误差信道估计方法，基站j可获得与小区l中的用户n之间信道的估计为：

其中，

是噪声，

集合P_n＝{l′∈{1,...,L}:n≤k_l′}表示包含用户编号n的所有小区的索引集合，信道估计的误差

独立于

令小区l的基站传输下行信号

其中

是发送给小区l中的用户n的信号，利用预编码矢量

来控制传输的空间方向性，预编码矢量满足||w_l,n||²＝1，ρ_l,n表示传输功率。本发明实施例中使用如下预编码方案：

其中，

则该大规模MIMO***小区l中的用户n的可达下行频谱效率为：

其中

表示每个相干块中用于下行传输的数据比值。

将上述频谱效率重新表示为：

其中

a_l,n和b_i,k,l,n分别表示平均信道增益和平均干扰增益。

步骤一所述的目标函数设计为：

步骤二生成数据集。每生成一条样本，首先需要在网络区域内随机设置各小区的用户数目k_l以及各个用户的位置

之后计算大尺度衰落系数

和信道相关矩阵

利用基于最小均方误差的信道估计方法获得估计的信道矢量

根据上述预编码方案计算预编码矢量w_l,n。通过蒙特卡洛法对估计的信道取平均以获得{a_l,n}和{b_i,k,l,n}。通过传统的几何规划求解使目标函数最大化的功率分配策略

可以将这种用几何规划求功率分配最优解的方法称为max product SINR方法。

定义S＝(s₁,s₂,...,s_N)为一个有序数列，其中s_i＝(G,D,A,I)为一个一维矢量，用于表示***中用户i的有关信息，G＝(g₁,g₂,g₃,g₄)表示该用户与L个基站之间的信道增益，D＝(d₁,d₂)表示用户的位置信息，A＝(a)表示用户传输的信号量，I＝(i₁,i₂,...,i_N-1)为***中其他用户对该用户的干扰量。N个用户的信息共同组成有序数列S。需要注意的是，由于每次的总用户数目是变化的，因此每个样本的大小是不同的。但是由于网络限制，输入特征中每个s_i的维度必须是固定的，s_i中G、D、A大小是固定的，只有I的大小是随N变化的，因此令I的大小固定为网络可服务的最大用户数，在本实施例中，由于设置了用户集合K设置为[0,5]区间的整数的随机排列，因此网络中最大用户数目为14个，对每个样本的I采用末尾填充0的处理方式，将其补充到14个值。那么s_i的长度固定为20。

将S作为输入特征，ρ^*作为输出标签。一次用户的随机撒点生成一个样本，最终生成具有大量样本的数据集。为了更好地拟合网络，对样本使用对数转换和标准化处理。共生成200000个样本。

步骤三中搭建网络模型，搭建的seq2seq模型分为两部分，编码器部分和解码器部分。

为了避免传统循环神经网络(RNN)会出现长期依赖的局限性，编码器部分使用一个长短时记忆网络(LSTM)网络充分挖掘通信网络中不同位置的用户的相关性。编码器的输入维度设置为步骤二中所述的单个用户的信息的维度，即s_i的维度，20。共2个隐藏层，每个隐藏层神经元个数为128。编码器按序列S的顺序依次读取序列，从而将不定长的序列转换为128维的隐藏态。h_N是将所有输入信息进行处理转化为的一个固定长度的中间变量。

解码器部分是另一个LSTM网络，需要保证其隐藏层维度和中间变量的维度相同。之后连接一个全连接层，将每一步的输出转化为一个值，该值进行反归一化处理后即为seq2seq模型计算出来的分配给当前用户的功率值。

步骤四所述的模型训练过程具体为：首先将模型的参数初始化，设置批次大小n_batch＝8、训练迭代次数n_epoch＝40。每次输入n_batch个样本的特征S，经过编码器得到中间变量h_N，再输入进解码器端，设置一个指导强度因子，在每一步中，以一定概率选择将前一步的输出作为当前的输入变量，否则以对应标签值作为输入变量，之后得到模型的输出矢量

计算损失函数

采用自适应矩估计优化法来更新模型参数。训练完成后冻结网络参数。

步骤五所述的算法应用过程的具体为：将当前网络中用户位置和信道状态信息预处理后生成固定格式的序列，输入进训练好的神经网络模型，得到当前场景下最优的功率分配序列，对其进行反归一化的处理得到最优功率分配结果。

本发明通过仿真实验评估该发明提出的一种多小区大规模MIMO通信智能功率分配方法。在seq2seq网络模型训练好并冻结之后，分别利用平均分配方法、max productSINR分配方法和本专利所提的基于seq2seq网络的智能分配方法进行功率分配，图3是采用三种方法后得到的用户平均频谱效率(SE)的累积概率分布(CDF)曲线。可以发现，平均分配方法显然性能最差，训练好的seq2seq功率分配模型则十分逼近max product SINR功率分配方法。

测试集中的样本包含了多种用户数目的情况。图4比较了当***中分别有10、11、12、13、14个用户时，利用本专利所提方法和max product SINR方法分别进行功率分配，可以得到的***和速率的CDF曲线。可以发现基于seq2seq网络的功率分配模型可以很好的适应用户数目变化的情况，计算复杂度大大降低的同时可以保证***和速率性能在各种用户数目的场景下都能逼近传统方法。

本领域普通技术人员可以对实施例中的模块进行自适应性地改变并且把它们设置在与该实施例不同的优化方法或设备中。具体而言，可以把实施例中的多个模块组合成一个模块，或将一个模块分成多个子模块应用于与本实施例相同技术思路的方法或设备中。

Claims (6)

1.一种多小区大规模MIMO通信智能功率分配方法，其特征在于，包括如下步骤：

步骤一：建立用户数目动态变化的多小区大规模MIMO***模型，设计目标函数；

步骤二：随机设置每个小区用户数目和位置，利用max product SINR方法求解最优功率分配策略，收集用户位置信息和信道状态信息以及对应的最优功率分配结果，进行数据预处理，将网络内用户位置信息和信道状态信息作为输入特征，功率分配结果作为输出标签，多次采集形成数据集；

步骤三：搭建用于处理输入和输出皆为变长序列的seq2seq网络模型，seq2seq表示序列到序列；

步骤四：利用步骤三搭建的seq2seq网络模型在步骤二生成的数据集上进行训练；

步骤五：将当前网络中用户位置和信道状态信息生成的序列输入到训练好的seq2seq网络模型中，得到当前场景下的最优功率分配序列，进行反归一化处理后得到最优功率分配结果；

步骤三中搭建seq2seq网络模型的具体过程为：

搭建的seq2seq模型分为两部分：编码器部分和解码器部分；

编码器部分使用一个长短时记忆网络挖掘通信网络中不同位置的用户的相关性；编码器按序列的顺序依次读取序列，从而将不定长的序列转换为固定维度的中间矢量；编码器的处理过程表示为：

其中x_t是时刻t的输入变量，W为神经网络的权重矩阵，b表示偏置，σ(·)和g(·)分别表示sigmoid函数和tanh函数，f_t、i_t、C_t、

和o_t皆为处理过程中的中间变量，h_t为LSTM在时刻t的输出变量，即输入信息通过seq2seq网络的编码器后得到的隐藏态，假设在时刻t＝N时完成序列的输入，那么h_N就是将所有输入信息进行处理转化为的一个固定长度的上下文矢量；下标f对应遗忘门，W_f表示遗忘门的权重矩阵，b_f表示遗忘门偏置参数，i表示输入门，c表示状态单元，o表示输出门；LSTM表示长短时记忆网络；

解码器部分是另一个LSTM网络，其隐藏层维度和上下文矢量的维度相同；该LSTM网络之后连接一个全连接层，将每一步的输出转化为一个值，该值进行反归一化处理后即为seq2seq模型计算出来的分配给当前用户的功率值；

步骤四中seq2seq网络模型训练过程具体为：

首先将seq2seq网络模型的参数初始化，设置批次大小n_batch和训练迭代次数n_epoch；每次输入n_batch个样本的特征S，经过编码器得到中间变量h_N，再输入进解码器端，设置一个指导强度因子，在每一步中，以一定概率选择将前一步的输出作为当前的输入变量，否则以对应标签值作为输入变量，之后得到模型的输出矢量

计算损失函数

ρ^*为使目标函数最大化的功率分配策略，采用自适应矩估计优化法来更新模型参数；训练完成后冻结网络参数。

2.根据权利要求1所述的一种多小区大规模MIMO通信智能功率分配方法，其特征在于，步骤一中建立用户数目动态变化的多小区大规模MIMO***模型的具体步骤包括：

假设大规模MIMO通信网络具有L个小区，每个小区内有一个基站，配备了M根天线；假设每个小区内的用户数目动态变化，第i个小区服务的用户数目用k_i表示，网络内各小区服务用户数集合表示为K＝{k_i:i＝1,...,L}，用A_i＝{1,2,...,k_i}来表示第i个小区内的用户编号集合，集合大小由k_i决定，N＝k₁+k₂+...+k_L为当前***内所有用户的总数目；

在小区l中的用户n与基站j之间的信道用

来表示，小区l的基站传输下行信号

其中

是发送给小区l中的用户n的信号，利用预编码矢量

来控制传输的空间方向性，预编码矢量满足

ρ_l,n表示基站分配给小区l中用户n的传输功率；小区l中用户n的下行频谱效率为：

其中

表示每个相干块中用于下行传输的数据比值，σ²表示噪声功率，SINR的上标dl表示下行链路，E{·}表示求期望，|·|表示求绝对值操作，

表示w_l,n的共轭转置，l、j的范围均为[1,L]，

是维度为M的复数集合,ρ_i,k表示基站分配给小区i中用户k的传输功率，

表示在小区l中的用户n与基站l之间的信道。

3.根据权利要求2所述的一种多小区大规模MIMO通信智能功率分配方法，其特征在于，为了方便表示，所述频谱效率可表示为：

其中

a_l,n和b_i,k,l,n分别表示平均信道增益和平均干扰增益。

4.根据权利要求2所述的一种多小区大规模MIMO通信智能功率分配方法，其特征在于，步骤一所述的目标函数设计为：

其中

表示一个基站可提供的总传输功率。

5.根据权利要求1所述的一种多小区大规模MIMO通信智能功率分配方法，步骤二的具体步骤包括：

在每一次数据采集过程中，首先在网络区域内随机设置各小区的用户数目k_l以及各个用户的位置x_l,n，之后计算大尺度衰落系数

和信道相关矩阵

利用基于最小均方误差算法的信道估计方法获得估计的信道矢量

计算预编码矢量w_l,n；通过蒙特卡洛法对估计的信道取平均以获得{a_l,n}和{b_i,k,l,n}；通过传统的几何规划求解使目标函数最大化的功率分配策略

定义S＝(s₁,s₂,...,s_N)为一个有序数列，其中s_i＝(G,D,A,I)为一个一维矢量，用于表示***中用户i的有关信息，G＝(g₁,g₂,...,g_L)表示该用户与L个基站之间的信道增益，D＝(d₁,d₂)表示用户的位置信息，A＝(a)表示用户传输的信号量，I＝(i₁,i₂,...,i_N-1)为***中其它用户对该用户的干扰量；N个用户的信息共同组成有序数列S；将S作为输入特征，ρ^*作为输出标签；一次数据采集形成一个样本，对样本使用对数变换和标准化处理，最终生成数据集；

下标l表示第l个小区，下标n表示第n个用户，上标j表示第j个基站，a_l,n和b_i,k,l,n分别表示平均信道增益和平均干扰增益，s_i中i的范围是[1,N]。

6.根据权利要求5所述的一种多小区大规模MIMO通信智能功率分配方法，其特征在于，I的大小固定为网络可服务的最大用户数，对每个样本的I采用末尾填充0的处理方式，将其补充到固定长度。

Images