申请/专利权人：东南大学

申请日：2022-05-06

公开（公告）日：2024-04-02

公开（公告）号：CN114867090B

主分类号：H04W52/02

分类号：H04W52/02;H04W52/24;H04W52/28;H04W24/02;H04W24/06;G06N3/0442;G06N3/048;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.08.23#实质审查的生效;2022.08.05#公开

摘要：本发明公开了一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法。其中，方法包括：首先基于用户移动的超密集网络UDN网络模型，定义网络的平均能效函数，将不同时刻基站休眠带来的基站状态切换功率也考虑其中。然后生成信道数据集，其中每条样本是一段时间里随着用户移动而变化的信道信息形成的序列。进而提出一种基于LSTM神经网络的决策优化方法，其输入为信道信息序列，输出为基站休眠与功率分配策略，LSTM网络将平均能效函数的相反数作为损失函数，指导网络进行无监督训练。本发明采用无监督学习，免去传统机器学习先求最优解来生成标签的步骤，降低了训练数据集获取难度。

主权项：1.一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法，其特征在于，包括步骤：（1）建立用户可移动的超密集网络UDN网络模型，同时考虑基站休眠和功率分配策略，设计能效为目标的优化函数；（2）使用UDN网络模型生成信道数据集，其中每条样本是一段时间里随着用户移动而变化的信道信息形成的序列；（3）构建LSTM神经网络，学习信道序列与基站休眠及功率分配策略的映射；（4）将网络中缓存的信道序列输入训练好的网络模型，得到输出，并转化为当前时刻的基站休眠与功率分配策略；所述步骤（1）还包括以下步骤：（1.1）假设在兴趣区域里，UDN网络部署了M个微基站，并服务了在区域内随机移动的K个用户，基站集合与用户集合分别用，表示；（1.2）考虑在T长的时间片段中的下行传输，在第t个时刻，基站m与用户k之间的信道增益用表示，整个网络的信道便为；（1.3）目标优化函数为T个时间片段内的网络总体能效的均值： ； ； ；此处能效采用了普遍的定义，即系统用户和速率与系统消耗的总功率之比；其中，，分别为t时刻基站m唤醒时用于空调、电源和信号处理工作消耗的功率，用于服务终端用户的发射功率，由于唤醒和休眠状态切换消耗的功率；为基站m的最大发射功率；表示基站m在t时刻的功率分配策略，其取值在0到1之间，为的归一化表示；表示基站m在t时刻的休眠策略，取值为0表示处于休眠状态，取值为1表示处于唤醒状态；（1.4）组成能耗的三项，，，由给出的基站休眠策略及功率分配策略确定，其数学关系表示为： ； ； ； 为微基站功放效率，，，分别为微基站处于活跃状态和休眠状态消耗的功率，微基站由于切换状态产生的能量消耗功率；所述步骤（2）还包括以下步骤：（2.1）考虑LSTM的输入为L长的序列，在每一次样本生成过程中，生成L+T-1个时刻的用户位置，并计算对应的信道；然后使用宽L的滑动窗处理得到T条L长的信道信息序列，作为一个样本；（2.2）将信道序列中的每个维的信道信息元素，展开为维的向量；（2.3）对序列的每一维数据做标准化预处理，利于特征提取；所述步骤（3）建立了LSTM网络作为基站休眠与功率分配决策模型，包括：（3.1）LSTM网络依次输入上述T条L个连续时刻的信道序列，输出序列最后时刻的基站休眠及功率分配策略，将目标平均能效函数的相反数作为损失函数，并采用无监督方式指导网络进行训练；（3.2）LSTM网络在处理序列后，经过全连接层和Sigmoid激活函数得到输出；网络输出表示为=，由输出得到当前时刻基站休眠及功率分配策略的方式为： ； ；其中，为微基站的休眠阈值；将网络输出视作对每个微基站分配的发射功率，当为微基站分配的功率过低时，对网络能效提升不明显时，直接将该微基站休眠处理。

全文数据：

权利要求：

百度查询： 东南大学 一种基于LSTM无监督学习的UDN基站休眠与功率分配联合优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD