CN113411817A - 基于无线干扰模型的无线***干扰神经网络预测方法 - Google Patents

Abstract

本发明公开一种基于无线干扰模型的无线***干扰神经网络预测方法，包括：步骤1，离线进行预测模型训练：步骤1.1，构建训练数据集；步骤1.2，将训练数据集输入神经网络模型中，经数据训练获得整个无线***的干扰模型；步骤2，在线进行干扰强度预测：步骤2.1，输入待预测的干扰用户资源分配向量到训练完成的神经网络模型中；步骤2.2，计算输出服务用户基站端用户间干扰强度，即上行信干噪比的预测值。本发明所述预测方法使得网络能够利用干扰的本质信息进行更贴切的预测，同时利用调度过程中产生的适量无线资源分配数据和无线测量数据，通过大数据分析和机器学习算法，提供了完整和精确的上行用户干扰建模方案，实施简单，更接近于实际网络场景。

Description

基于无线干扰模型的无线***干扰神经网络预测方法

技术领域

本发明涉及无线通信技术领域，具体涉及一种基于无线干扰模型的无线***干扰神经网络预测方法。

背景技术

为了有效提高网络容量，5G中使用了超密集网络(Ultra-dense Network，UDN)作为关键技术之一，通过密集部署基站降低基站与终端用户的传输距离，进而提高频谱效率，但是小基站的密集部署带来的严重的同信道干扰(Co-channel Interference，CCI)为无线通信网络带来了新的挑战。

借助5G网络架构中心单元(Centralized Unit，CU)集中化处理的特性，应用机器学习算法，挖掘隐藏在网络运行过程中产生的巨量无线资源分配数据和无线测量数据中的干扰信息，较现有方法不仅更加准确、干扰信息更加全面，同时也更适用于实际无线网络，同样，运用新的干扰建模方案得到的更加准确而信息丰富的干扰模型，也为资源分配方案留出了更大的操作空间。

资源分配中的干扰矩阵扮演着至关重要的作用，现有获取干扰矩阵的方法主要有以下两种：一种是基于扫频数据建立干扰矩阵，另一种是基于手机的测量报告消息建立干扰矩阵。扫频数据中频域信息完整，并带有经纬度信息，能准确地反映采样点上的干扰情况，基于扫频数据生成的干扰矩阵不能反映未知地点处的干扰情况，尤其是在密集网络条件下，较小的位置变动就可能带来较大的干扰变化，测量成本过高，手机测量报告包含有用户的真实干扰情况，但干扰信息只包含信号强的几个邻近小区，因此干扰信息不完整，建立的干扰矩阵有一定误差，而在密集网络下干扰情况更加恶劣复杂，当处于用户数目较多的密集网络中的时候，干扰矩阵建立的敏捷性和准确程度都有更高的要求，但目前方法的非实时性、低效、信息的粗粒度和预测的粗精度无法适应当前的网络情况。

在现有蜂窝网络中，无线资源分配功能由基站完成，各小区基本是相互独立的进行无线资源的管理和分配，为应对小区间干扰，现有网络通过网络单元之间进行协商和信令交互并辅以增强技术进行一定程度的弥补，如借助于基站间的X2接***互信息，通过小区间干扰协调(Inter Cell Interference Coordination，ICIC)或增强型ICIC(enhancedICIC，eICIC)技术解决小区间干扰问题；或借助于协作多点传输(CoordinatedMultiple Points，CoMP)技术，在不同基站之间通过协同处理干扰、或者避免干扰、或者将干扰转化为有用信号，为用户提供更高速率，从而提高网络的利用率，对于ICIC和eICIC技术，由于其严重依赖于信令交换，因此其所能传递的干扰信息极为有限，导致传递干扰信息的粒度较差；且信令传输需要时间，使得时效性受到严重影响，同时UDN中的大量相邻小区将造成可观的信令交换开销，影响网络性能，而CoMP技术则需要对信道进行大量的测量，需要消耗大量导频资源；且需要消耗大量计算资源对信号进行处理计算。

此外也存在新的构建干扰矩阵的方法，有的技术方案基于传统多层神经网络使用运行数据进行训练再对样点上的干扰情况进行预测的方法，无需额外的硬件或导频资源占用，即可精细而较为准确的获取各用户间的干扰关系与强度，构建干扰矩阵，基于传统神经网络训练需要大量数据进行离线训练，再进行在线预测，并且预测完全基于大量训练数据集，没有考虑干扰和环境的实际情况，预测的精度难以得到保证，同时需要大量数据集也导致数据收集时间长，收敛缓慢实时性差，无法满足实际部署的精度和实时性需求，第四种方法是基于线性回归，与传统神经网络方法一样需要大量离线数据进行训练，同样有着数据集收集时间长对变化感知能力不强等缺点，不同之处在于是尝试拟合数据成线性，同样没有考虑干扰和环境的实际情况，并且我们已经推导可知干扰情况表现为非线性，线性回归预测的精度将会非常差，同样无法很好地满足构建干扰模型的需求。

基于扫频数据建立干扰矩阵需要物理设备部署，不便于实施。基于手机测量报告消息建立干扰矩阵仅包含周围强干扰基站信息，当处于用户数目较多的密集网络中时，信息不够完整，因而无法进行有效的干扰避免，不能很好的切合实际场景，这样的构建方法影响了干扰矩阵的完整性，基于传统神经网络和基于线性回归的方法都需要离线训练并且需要数据量大，都没有考虑干扰和环境的实际情况，预测的精度难以得到保证，收敛缓慢实时性差，无法满足实际部署的复杂需求。现有的基于信令交换(如ICIC，eICIC)的干扰协调方案由于其严重依赖于信令交换，因此其所能传递的干扰信息极为有限，导致传递干扰信息的粒度较差；且信令传输需要时间，使得时效性受到严重影响，同时UDN中的大量相邻小区将造成可观的信令交换开销，影响网络性能，而基于协作的干扰方案(如CoMP)则需要对信道进行大量的测量，需要消耗大量导频资源；且需要消耗大量计算资源对信号进行处理计算，总体开销巨大。

基于终端地理位置信息和传播损耗模型计算无线干扰虽然理论上也可行，但在现实中很明显存在两方面问题：一是无线***实际上难以随时获得移动终端的地理位置信息；二是传播损耗模型一般只用于仿真评估、网络规划等场景中，并不能真正准确反映现实情况中的电波传播情况，现网中模型计算值与实测值相差达到5～10dB是相当常见的。

基于现有技术存在的如上技术问题，本发明公开一种基于无线干扰模型的无线***干扰神经网络预测方法。

发明内容

为解决现有技术存在的上述技术问题，本发明提供一种基于无线干扰模型的无线***干扰神经网络预测方法。

本发明采用以下技术方案：

本发明提供一种基于无线干扰模型的无线***干扰神经网络预测方法，包括：

步骤1，离线进行预测模型训练：

步骤1.1，构建训练数据集；

步骤1.2，将训练数据集输入神经网络模型中，经数据训练获得整个无线***的干扰模型；

步骤2，在线进行干扰强度预测：

步骤2.1，输入待预测的干扰用户资源分配向量到训练完成的神经网络模型中；

步骤2.2，计算输出服务用户基站端用户间干扰强度上行信干噪比(UplinkSignal-to-noise Ratio，UL-SINR)的预测值。

进一步地，步骤1.1中，构建训练数据集通过：用户U_m每使用一个资源块(ResourceBlock，RB)，数据集中就会存储这个RB上所有用户的资源分配指示变量以及基站端测量的用户U_m在此RB上的UL-SINR作为一条数据，记此用户的数据集为D_m＝

其中w⁽ⁱ⁾为资源分配向量数据，

为SINR(dB)数据，k为每个基站中连接的用户数，N为数据总条数，Q为用户总数，用户U_Q-k+1、U_Q-k+2、...、U_Q属于基站SBS_Q/k。

进一步地，步骤1.2中，神经网络模型包括一个输入层、一个或多个隐藏层和一个输出层组成，每层由若干单元组成。

进一步地，步骤1.2中，神经网络模型采用Huber函数作为损失度量函数，如下式(1)所示：

其中：y代表数据的真实值，f(x)代表预测值，参数δ为0.1-10的常数，Huber函数在误差值小于切分点δ时为平方损失函数，而大于切分点时是线性函数。

进一步地，步骤1.1中，构建训练数据集包括：收集在无线网络中利用调度过程中产生的无线资源分配信息和无线测量信息，完成网络中干扰的建模；对收集的数据进行清洗，剔除被调度次数极少以至于无法被正常预测干扰的用户的相关数据后，按照各个用户整理为训练数据集。

进一步地，步骤1.2中，神经网络模型的激活函数采用对数函数，根据信干噪比(Signal-to-noise Ratio，SINR)的物理含义推导如下：

在移动通信网络的上行方向，用户U_m发射的上行信号到达归属小区C_jm基站的有用信号接收功率为下式(2)：

其中：

为用户U_m到归属小区C_jm的信道增益，P_m表示用户m的发射功率；

与用户U_m占用相同无线资源的其它小区用户U_n到达小区C_jm基站的干扰信号功率为下式(3)：

其中：

为用户U_n到小区C_jm的信道增益，P_n表示用户n的发射功率；

用户U_m的信号在归属小区C_jm基站端的信干噪比如下式(4)：

其中：N_m为与用户U_m复用相同无线资源的其它用户的集合，w_n∈{0，1}表示用户n是否在当前资源上对用户m造成干扰，σ²为噪声功率；

令

为SINR的倒数，

为干扰用户U_m对当前服务用户U_n造成干扰的信干比(Signal-to-interference Ratio，SIR)的倒数，

为服务用户U_m的接收信号信噪比(Signal-to-noise Ratio，SNR)的倒数，由于实际场景中使用的UL-SINR通常以dB为单位，将算法的优化目标变为UL-SINR的dB值更加符合实际需求，则上式(4)转化为SINR的dB值表达式如下式(5)：

进一步地，步骤1.2中，神经网络输入数据为资源分配向量w＝{w_n}，激活函数为对数函数-10lg(x)，神经网络输出γ为UL-SINR预测值，所述神经网络的结构为两层全连接单输出结构，此结构根据SINR的dB值表达式设计，如下式(6)：

由上式可见，将此式带入设计的两层全连接神经网络之中，神经网络输入数据为资源分配向量w，输入节点数为w_n向量中的用户个数，输出节点仅为1个作为SINR预测，第一层输入的w乘以对应权重

后线性叠加并加上偏置

得到第二层节点的输入值，第二层节点通过对数激活函数f(x)＝-10lg(x)输出便为SINR预测值，并且训练过程中能挖掘获得的参数亦直接对应于用户间的SIR和用户的SNR；

采用SIR与SNR的dB值作为神经网络需要学习调整的参数，SINR表达式调整为下式(7)：

其中：

为以dB表示的，干扰用户U_m对当前服务用户U_n造成干扰的SIR，

为以dB表示的，服务用户U_m的接收信号的SNR。

与现有技术相比，本发明的优越效果在于：

本发明所述的基于无线干扰模型的无线***干扰神经网络预测方法，根据干扰特性设计专用神经网络的激活函数、结构、参数调整方式，使得网络能够利用干扰的本质信息进行更贴切的预测，同时利用调度过程中产生的适量无线资源分配数据和无线测量数据，通过大数据分析和机器学习算法，提供了完整和精确的上行用户干扰建模方案，实施简单，更接近于实际网络场景，根据仿真结果得出本提案的预测整体性能较现有技术更优，实现了更实时、高效、更高精度的干扰预测。

附图说明

图1为本发明实施例中神经网络的结构示意图；

图2为本发明对比例中不同数据集规模下的各方案的SINR预测误差示意图；

图3为本发明对比例中不同数据集规模下的各方案的干扰源分析挖掘性能示意图；

图4为本发明对比例中不同训练数据集规模下的各方案中各用户获得干扰模型的平均耗时的示意图；

图5为本发明对比例中不同预测精度下的不同方案的各用户平均训练耗时的示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合具体实施方式对本发明进行进一步的详细描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

实施例

所述基于无线干扰模型的无线***干扰神经网络预测方法，包括：

步骤1，离线进行预测模型训练：

步骤1.1，构建训练数据集；

步骤1.2，将训练数据集输入神经网络模型中，经数据训练获得整个无线***的干扰模型；

步骤2，在线进行干扰强度预测：

步骤2.1，输入待预测的干扰用户资源分配向量到训练完成的神经网络模型中；

步骤2.2，计算输出服务用户基站端用户间干扰强度UL-SINR的预测值。

在本实施例的步骤1，根据干扰物理特性设计神经网络模型；

在本实施例的步骤2，运用机器学习算法训练预测模型，输入数据为历史的无线资源分配数据(如每资源块使用情况)和网络测量数据(如上行信干噪比)，至模型训练完成；

在本实施例的步骤2，在线进行干扰强度预测，将不同干扰情况下对应的输入数据输入预测模型，输出对应的干扰预测结果。

在上述实施例中，无需额外硬件部署，收集在无线网络中产生的大量数据，即可完成网络中干扰的精确建模；

步骤3中，不同干扰情况下包括单个干扰用户、多个干扰用户。

步骤1.1中，构建训练数据集通过：用户U_m每使用一个RB，数据集中就会存储这个RB上所有用户的资源分配指示变量以及基站端测量的用户U_m在此RB上的UL-SINR作为一条数据，记此用户的数据集为

其中w⁽ⁱ⁾为资源分配向量数据，

为SINR(dB)数据，k为每个基站中连接的用户数，N为数据总条数，Q为用户总数，用户U_Q-k+1、U_Q-k+2、...、U_Q属于基站SBS_Q/k。

步骤1.2中，神经网络模型采用Huber函数作为损失度量函数：

其中y代表数据的真实值，f(x)代表预测值，参数δ为0.1-10的常数，Huber函数在误差值小于切分点δ时为平方损失函数，而大于切分点时是线性函数，减小了对异常值的敏感度问题，且处处可导，更加适合用于此场景中神经网络的参数学***方误差损失函数，即损失函数计算的损失值为网络输出预测值和真实值的平方误差大小，根据损失值进行反向传播调整参数，从而实现参数有效地学***方损失函数极易受异常值的影响，异常值可能导致计算的损失值突然非常大，导致网络参数学***方误差函数无法很好的适应无线网络信道环境剧烈变化的特性。

步骤1.1中，构建训练数据集包括：收集在无线网络中利用调度过程中产生的无线资源分配信息和无线测量信息，完成网络中干扰的建模；对收集的数据进行清洗，剔除被调度次数极少以至于无法被正常预测干扰的用户的相关数据后，按照各个用户整理为训练数据集。

神经网络模型的激活函数采用对数函数，根据信干噪比SINR的物理含义推导如下：

在移动通信网络的上行方向，用户U_m发射的上行信号到达归属小区C_jm基站的有用信号接收功率为：

其中

为用户U_m到归属小区C_jm的信道增益；

与用户U_m占用相同无线资源的其它小区用户U_n到达小区C_jm基站的干扰信号功率为：

其中

为用户U_n到小区C_jm的信道增益；

用户U_m的信号在归属小区C_jm基站端的信干噪比为：

其中，N_m为与用户U_m复用相同无线资源的其它用户的集合，w_n∈{0，1}表示用户n是否在当前资源上对用户m造成干扰，σ²为噪声功率；

令

为SINR的倒数，

为干扰用户U_m对当前服务用户U_n造成干扰的信干比的倒数，

为服务用户U_m的接收信号信噪比的倒数，由于实际场景中使用的UL-SINR通常以dB为单位，将算法的优化目标变为UL-SINR的dB值更加符合实际需求，则上式转化为SINR的dB值表达式：

要挖掘的干扰关系即为上式中的所有SIR与SNR，通过数据挖掘获得的干扰关系(即SIR与SNR)信息有助于ICIC、eICIC提升性能；SINR预测可辅助后续资源管理算法，由上式可见，UL-S1NR的dB表达式为首先计算用户间的SIR和SNR的线性叠加运算，再进行非线性的对数运算，和神经网络的运算逻辑类似，所以本方案中考虑使用神经网络算法可以实现对用户间的SIR与服务用户的SNR的挖掘，并且能够预测在给定RB分配模式下，服务用户的UL-SINR。

步骤1.2中，如图1所示，神经网络的结构为两层全连接单输出结构，神经网络模型包括一个输入层、一个或多个隐藏层和一个输出层组成，每层由若干单元组成，神经网络输入数据为资源分配向量w＝{w_n}，激活函数为对数函数-10lg(x)，神经网络输出γ为UL-SINR预测值，此结构根据SINR的dB值表达式设计：

由上式可见，将此式带入设计的两层全连接神经网络之中，神经网络输入数据为资源分配向量w，输入节点数为w_n向量中的用户个数，输出节点仅为1个作为SINR预测，第一层输入的w乘以对应权重

后线性叠加并加上偏置

得到第二层节点的输入值，第二层节点通过对数激活函数f(x)＝-10lg(x)输出便为SINR预测值，本实施例设计的专用神经网络完整地实现了UL-SINR的计算过程，并且训练过程中参数调整也能挖掘获得SIR和SNR；

由于神经网络的对数函数的定义域非负，且根据的物理含义可知功率值均非负，所以作为神经网络中需要学习调整的参数，必须保证在学习调整过程中非负性，同时考虑对应的值均较小(一般小于0.01)，且数量级差异巨大，同样为SIR倒数的各未知参数，服务用户与弱干扰用户间对应的SIR倒数值大致在10^-2～10^-3的数量级，而与强干扰用户的SIR倒数值则会接近1附近。而相比于SNR倒数所在的10^-7～10^-8的数量级，所以神经网络学习调整过程很难在如此大的数量级范围内保持相同的微调精度，造成精确性无法保证以至于降低SINR预测的准确性；

因此本实施例采用SIR与SNR的dB值作为神经网络需要学习调整的参数，SINR表达式调整为：

其中，

通过这一处理使得参数满足非负性的同时物理含义也更为明确，调整之后的参数值绝对值基本落在10⁰～10¹数量级，这样的数值量级使得神经网络能够实现高精度调整，从而使SINR预测得以更加精确。

对比例

基于上述实施例中提供的所述基于无线干扰模型的无线***干扰神经网络预测方法，采用性能比对的方式对上述仿真场景中的Q个用户进行UL-SINR预测的性能进行评估与对比，对比方案为线性回归算法预测方法和传统神经网络预测方法，评估指标为同等数据量的预测准确度对比、同等数据量的训练时间对比和同等训练时间的预测准确度对比。

由于上述实施例中主要考虑的是同频干扰，且用户的发射功率可在小基站侧检测得到，所以可以通过统计干扰信号强度的多次平均值得到干扰强度平均值和小基站侧检测到的UE_{_i}的信号强度的多次平均值得到接收信号强度平均值，UL-SINR实际值为后者与前者的比值，根据UL-SINR实际值就可以计算获得预测的平均均方根误差大小。

其中，仿真参数如下表所示：

仿真参数表

表1

如图2所示，评估UL-SINR预测性能的评估指标为预测值和真实值的平均均方根误差(即Average RMSE(dB))，图中，LRA表示线性回归算法预测方法，MLP_old表示传统神经网络预测方法，MLP_old表示上述实施例中述及的神经网络预测方法，三种方法的预测精度随着训练数据量增加的对比情况，三个方案的预测误差均随这数据量的增加下降，但上述实施例中的神经网络方案在相同训练数据量下预测精度远好于其他两个方案，其中训练数据量为二十万时的Average RMSE(dB)分别为：线性回归方法3.21dB，传统神经网络方法0.36dB，新版神经网络方法0.19dB，线性回归方案预测误差远远大于其他两个方案，并且传统神经网络方案20万条数据的预测精度新版神经网络仅需1万条数据就能达到，所需数据量大小减少了一个量级，可以看出上述实施例中的方法预测性能一直优于两种对比方案，预测精度远优于线性回归，相较于传统神经网络方法精度提升了近50％，新版神经网络方案的SINR预测精度的性能优势非常突出。

如图3所示，干扰源识别性能的评估指标为预测值SIR和真实值的平均均方根误差(即Average RMSE(dB))，即三种方法的干扰源识别性能随着训练数据量增加的对比情况，由上图可知，上述实施例述及的神经网络算法的干扰源识别性能均优于传统神经网络算法和线性回归算法，且随着训练数据集规模的增大优势愈发增大，当每用户数据量达到10000样本时上述实施例述及的神经网络算法的干扰源识别性能预测误差便能小于0.5dB，达到性能要求；而当每用户数据量达到200000样本时，上述实施例述及的神经网络算法的预测误差已经达到0.10dB，远优于神经网络算法的0.25dB和线性回归算法的2.59dB，所以新版神经网络算法在干扰源识别方面的性能优势非常突出。

评估UL-SINR预测耗时的评估指标为平均每用户训练时间，三种方法的预测耗时随着训练数据量增加的对比情况如图4所示，上述实施例中的预测方法预测耗时一直优于传统神经网络方法，虽然慢于线性回归方法但是由于线性回归方法不需要多次迭代且预测精度非常差所以没有可比性，新版神经网络方案在相同数据集规模下，平均训练耗时相比传统神经网络方案低1个数量级，上述实施例的方法可以实现秒级预测，时间性能优势非常突出。

通过确定性能指标(通常为预测误差，如平均预测RMSE)，能够较为精确的确定最佳的训练数据集规模，既可避免规模过小造成的预测精度不足，也可以避免规模过大造成收集数据与训练的耗时增加，影响模型的时效性，各干扰建模方案在一定的平均预测RMSE下，每用户平均所需的训练耗时如图5所示，可以看出上述实施例的预测方法在同样预测精度的情况下训练耗时比传统神经网络方法低了两个数量级，更是远远优于预测耗时优于线性回归方法，传统神经网络算法在达到预测误差小于0.5dB的条件下耗时比新版神经网络算法大两个数量级，新版神经网络算法的平均每用户所需的训练时间小于1s，实现了精度需求下的亚秒级运算，实时性非常强；而传统神经网络算法则需要约25.3s，线性回归算法甚至达不到精度需求，说明上述实施例中的方法对UL-SINR预测的性能较已有方法是有巨大优势的。

本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书界定。

Claims (7)

1.一种基于无线干扰模型的无线***干扰神经网络预测方法，其特征在于，包括：

步骤1，离线进行预测模型训练：

步骤1.1，构建训练数据集；

步骤1.2，将训练数据集输入神经网络模型中，经数据训练获得整个无线***的干扰模型；

步骤2，在线进行干扰强度预测：

步骤2.1，输入待预测的干扰用户资源分配向量到训练完成的神经网络模型中；

步骤2.2，计算输出服务用户基站端用户间干扰强度上行信干噪比UL-SINR的预测值。

2.根据权利要求1所述的基于无线干扰模型的无线***干扰神经网络预测方法，其特征在于，步骤1.1中，构建训练数据集通过：用户U_m每使用一个资源块RB，数据集中就会存储这个RB上所有用户的资源分配指示变量以及基站端测量的用户U_m在此RB上的UL-SINR作为一条数据，记此用户的数据集为

其中w⁽ⁱ⁾为资源分配向量数据，

为UL-SINR(dB)数据，k为每个基站中连接的用户数，N为数据总条数，Q为用户总数，用户U_Q-k+1、U_Q-k+2、...、U_Q属于基站SBS_Q/k。

3.根据权利要求2所述的基于无线干扰模型的无线***干扰神经网络预测方法，其特征在于，步骤1.2中，神经网络模型包括一个输入层、一个或多个隐藏层和一个输出层组成，每层由若干单元组成。

4.根据权利要求3所述的基于无线干扰模型的无线***干扰神经网络预测方法，其特征在于，步骤1.2中，神经网络模型采用Huber函数作为损失度量函数，如下式(1)所示：

其中y代表数据的真实值，f(x)代表预测值，参数δ为0.1-10的常数，Huber函数在误差值小于切分点δ时为平方损失函数，而大于切分点时是线性函数。

5.根据权利要求1所述的基于无线干扰模型的无线***干扰神经网络预测方法，其特征在于，步骤1.1中，构建训练数据集包括：收集在无线网络中利用调度过程中产生的无线资源分配信息和无线测量信息，完成网络中干扰的建模；对收集的数据进行清洗，剔除被调度次数极少以至于无法被正常预测干扰的用户的相关数据后，按照各个用户整理为训练数据集。

6.根据权利要求1所述的基于无线干扰模型的无线***干扰神经网络预测方法，其特征在于，步骤1.2中，神经网络模型的激活函数采用对数函数，根据信干噪比SINR的物理含义推导如下：

在移动通信网络的上行方向，用户U_m发射的上行信号到达归属小区

基站的有用信号接收功率为下式(2)：

其中：

为用户U_m到归属小区

的信道增益，P_m表示用户m的发射功率；

与用户U_m占用相同无线资源的其它小区用户U_n到达小区

基站的干扰信号功率为下式(3)：

其中：

为用户U_n到小区

的信道增益,P_n表示用户n的发射功率；

用户U_m的信号在归属小区

基站端的信干噪比如下式(4)：

其中，N_m为与用户U_m复用相同无线资源的其它用户的集合，w_n∈{0，1}表示用户n是否在当前资源上对用户m造成干扰，σ²为噪声功率；

令

为SINR的倒数，

为干扰用户U_m对当前服务用户U_n造成干扰的信干比SIR的倒数，

为服务用户U_m的接收信号信噪比SNR的倒数，由于实际场景中使用的UL-SINR通常以dB为单位，将算法的优化目标变为UL-SINR的dB值更加符合实际需求，则上式(4)转化为SINR的dB值表达式如下式(5)：

7.根据权利要求6所述的基于无线干扰模型的无线***干扰神经网络预测方法，其特征在于，步骤1.2中，神经网络输入数据为资源分配向量w＝{w_n}，激活函数为对数函数-10lg(x)，神经网络输出γ为UL-SINR预测值，此结构根据SINR的dB值表达式设计，如下式(6)：

由上式可见，将此式带入设计的两层全连接神经网络之中，神经网络输入数据为资源分配向量w，输入节点数为w_n向量中的用户个数，输出节点仅为1个作为SINR预测，第一层输入的w乘以对应权重

后线性叠加并加上偏置

得到第二层节点的输入值，第二层节点通过对数激活函数f(x)＝-10lg(x)输出便为SINR预测值，并且训练过程中挖掘获得的参数亦直接对应于用户间的SIR和用户的SNR；

采用SIR与SNR的dB值作为神经网络需要学习调整的参数，SINR表达式调整为下式(7)：

其中，

为以dB表示的，干扰用户U_m对当前服务用户U_n造成干扰的SIR，

为以dB表示的，服务用户U_m的接收信号的SNR。

Images