[发明专利]一种多小区大规模MIMO通信智能功率分配方法

说明书

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、功率分配与系统性能之间的关系，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。

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系统的局限性所在，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系统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系统容量的关键技术，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系统功率控制技术应运而生。使用深度学习技术在大规模MIMO系统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系统模型，设计目标函数。