一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法
技术领域
1.本发明涉及一种基于transformer模型的多小区大规模mimo场景下的功率分配方法，属于无线通信、深度学习领域。
背景技术：2.无线通信技术已经成为了一种广泛使用的与我们的生产生活息息相关的通信方式。几十年来，无线语音和数据通信的数量一直以指数级的速度增长。随之相伴的一个重要问题是，如何发展现有的无线通信技术，以满足不断增长的需求与不断上升的服务质量期望。随着5g的正式商用，5g时代已经到来，大规模多输入多输出(mimo)技术是一个很有价值的解决方案，此技术是指在基站端配置数量庞大的大规模天线阵列来同时服务于多个用户，它能够获得更好的空间分集及空间复用效果，且能够更有效地避免干扰，成为了解决通信数据服务需求的关键技术之一。蜂窝网络由一组基站(bs)和一组用户设备(ue)组成。每个ue连接到一个bs，bs为其提供服务。下行链路(dl)是从bs发送到各自终端的信号，上行链路(ul)是从终端发送到各自bs的传输。
3.在大规模mimo网络中，资源分配对于处理用户间干扰非常重要。与传统系统相比，massive mimo中的许多资源分配问题更容易解决，因为信道硬化使得效用函数仅依赖于长时间稳定的大规模衰落系数。在资源管理中，首先考虑基站的功率分配，基站对该服务小区内的所有用户分配不同的功率，以达到减小干扰增加网络吞吐量的目的，其优化问题通常是非凸的并且很难直接求解，传统解决方法大多基于迭代算法逐次逼近最优解，复杂度高。另一方面，基于人工智能的快速发展，功率分配可以利用训练深度神经网络模型来解决，使用神经网络模型强大的预测能力解决问题。有些方法利用传统迭代法获得最优标签，使用深度学习模型进行有监督训练，将用户的位置或者信道信息与最优功率分配做映射。也有学者使用强化学习的策略选择能力，将功率分配问题转化成马尔科夫问题进行求解。基于深度学习的算法避免了传统的最优算法所需要的迭代与时间成本，训练完成的模型基于线性运算，复杂度低，但这些模型大多只适用于用户数目确定的情况，针对不同的用户数目，需要使用不同的样本集训练得到不同参数与不同结构的神经网络模型，而实际情况中用户数量往往会发生变化。
4.本发明中引入了当前热门的transformer模型，并依据功率分配的问题对模型进行了修改，经过一定数据训练后得到的模型可以同时处理某场景下不同用户数量时的功率分配问题，而不需要针对不同的用户数目重新构建与训练模型，且最终的效果可以逼近复杂的传统迭代优化算法。
技术实现要素：5.发明目的：本发明是为了解决传统方法求解功率分配问题复杂度高而深度学习方法往往需要根据不同数目的用户训练不同的网络模型的问题，提供一种用户数动态变换场
景下多小区大规模mimo智能通信的功率分配方法。
6.本发明采用的技术方案：
7.一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法，包括如下步骤：
8.(1)构建用户数目动态变化场景下的多小区大规模mimo网络通信模型，计算得到用户的信道状态信息，并以此构建每个用户的自身特征与其周边环境特征作为其特征向量。
9.(2)设置不同的用户数目与用户位置，建立优化目标函数，使用传统几何规划方法得到最优功率分配作为标签，计算此功率分配下的用户频谱效率。
10.(3)搭建针对此场景下的transformer网络模型。
11.(4)构建深度学习所需要的数据集，用于训练模型，输入是用户的自身特征与其周边环境特征，输出是用户被其小区基站所分配的功率，训练直到模型收敛。
12.优选地，步骤(1)的具体步骤包括：
13.(1.1)设定要仿真的多小区多用户场景的参数信息，本文考虑一个带有l个小区的大规模mimo网络的下行(dl)传输，每个小区包括一个带有m个天线的bs和k个ues，设定用户的上行传输功率p
ul
、基站端最大信号发射功率p
max
、带宽w；确定信道建模方式；建立要仿真区域的二维坐标系，确定每个bs的位置，另外在每个小区随机生成k个ue的位置信息，数量k的大小与位置(x,y)都不固定；
14.(1.2)信道建模假设其服从瑞利分布，用表示小区l中bsj到uek之间的信道。
[0015][0016]
其中，是基站端的空间相关矩阵。
[0017]
利用导频信号与mmse信道估计，得到预编码向量满足||w
li
||2＝1。
[0018]
优选地，步骤(1.2)的具体步骤包括：
[0019]
(1.2.1)位置确定后可以计算得到小区l从bsj到uek的距离利用无线信号自由空间路径损耗公式计算出api发射的信号到uej位置时的大尺度衰落系数，计算出每一对bs到ue的大尺度衰落系数矩阵，小区l从bsj到uek的一个天线的大尺度衰落系数为
[0020][0021]
υ确定了在参考距离为1km处的中间信道增益。在理论研究中，参数υ和α可以根据众多已建立的传播模型之一来计算；
[0022]
(1.2.2)利用基于导频的信道训练来估计信道向量。假设bs和ues是完全同步的，并根据时分双工(tdd)协议进行操作，其中dl数据传输阶段在ul之前是一个信道估计的训练阶段。导频重用因子为1，每个单元中的ue使用相同的导频。利用每个ue的总ul导频功率和标准mmse估计技术，bsj得到的估计为：
[0023][0024]
其中，噪声其中，噪声p
tr
指上行导频总功率。
[0025]
(1.2.3)预编码的设计考虑到ul-dl对偶性，ul和dl信道在一个相干块内是相互作用的，这使得bs也可以使用ul信道估计来计算/选择预编码向量。选择一种常见的启发式方法，使用m-mmse预编码：
[0026][0027]
(1.3)利用上述信道信息矩阵与预编码信息，根据每个ue连接的ap，计算ap对于ue的信号与干扰；
[0028]
小区l中的bs传输dl信号，是信号功率。
[0029][0030][0031]
上式第一项为有效信号，第二项为小区内其他用户对目标用户的干扰，第三项为小区外其他用户对目标用户的干扰，第四项为噪声，是独立的可加性接收机噪声。
[0032]
优选地，步骤(2)的具体步骤包括：
[0033]
(2.1)计算所有用户的频谱效率的估计值se；
[0034]
小区j中uek的dl遍历信道容量估计为：
[0035][0036]
τc表示相干时间与相干带宽的乘积，τd表示相干时间中下行数据传输的时长。
[0037]
其中，计算用户端的sinr如下；
[0038]
[0039]
表示求期望值。
[0040]
(2.2)目标函数选定为最大化有效sinr乘积：
[0041][0042]
选定此目标函数是因为考虑到：
[0043][0044]
寻求最大化se之和的下界，其中“1+”项在每个对数中被忽略，这对高sinr的用户影响不大，但会低估信号较弱的用户的频谱效率。因此，与直接最大化se和相比，最大化有效sinr乘积能够使得信号最弱的ues可以拥有更高的se。此目标函数也保证了每个ue都得到一个非零的se，因此这个效用函数比最大化se之和更公平。
[0045]
(2.3)最终的优化目标定为：
[0046][0047][0048]
此优化问题可以转化为一个几何规划问题被有效解决，通过变量的变换转化为凸规划问题，使用传统优化方法得到最终的最优输出功率p＝(ρ1，...，ρn)，用户数量之和
[0049]
优选地，步骤(3)的具体步骤包括：
[0050]
(3.1)针对本文要解决的问题建立transformer模型，与经典的处理文本翻译的transformer模型不同，本文的通信系统中，用户数量虽然会发生改变，但每个用户始终对应一个所分配的功率，所以输出网络序列长度与输入序列长度始终相等，且一一对应。每一个用户的输入特征维度较高，而输出的每一个功率值的维度为1，考虑将transformer模型decoder部分进行修改，修改后的模型针对每一个用户进行处理，不再需要序列化输入，而是直接将用户的自身特征与对其产生影响的周边环境特征串联，作为一个特征向量作为输入，该用户的最优功率分配值为输出，修改后的模型更易训练。
[0051]
(3.2)修改后的transformer模型的decoder部分输入只有一部分，即为encoder的输出，关于q、k、v注意力的计算方式不变，为：
[0052][0053]
其中，表示dk特征向量维度大小。
[0054]
优选地，步骤(4)的具体步骤包括：
[0055]
(4.1)数据集的样本特征包含用户特征与环境特征两部分，用户特征包括用户接收到的信息s，用户位置(x，y)，用户与l个基站之间的信道增益(g1，...，g
l
)，其周边环境特征包括其他所有用户对该用户的干扰(i1，...，in)，用户自己对自己的干扰设置为0，n指环境中所有用户数量之和。
[0056]
(4.2)因为环境中用户的数目n是动态变化的，所以干扰向量的长度会随着用户数量的变化而变化。考虑与处理文本transformer模型类似的做法，使用padding将所有环境特征向量补齐到同一长度。如果用户数目小于模型所能解决的最大用户数目nmax，则对于该环境特征向量长度不足处补零，所以最终构建的特征向量为(s，x，y，g1，...，g
l
，i1，...，in，padding)，padding＝(0，...，0)，使得输入特征维度一致。数据集标签为使用传统优化方法得到的每一个用户的最优输出功率；
[0057]
(4.3)利用仿真器生成用户特征数据与标签，由于修改后的transformer模型针对每一个用户进行一次处理，所以针对用户数目相对较少的场景，模拟一次通信得到的样本会大于少量用户的情况，所以要适当增加用户较少的场景模拟次数，使得最终得到的用户样本中，处于不同数目场景的用户数量保持基本一致。
[0058]
(4.4)在训练时选择合适的batchsize以及迭代次数epoch，损失函数设计为预测的最优功率与真实最优功率p
*
之间的mse，即不断重复训练的过程，直到网络收敛，损失趋于稳定。
[0059]
有益效果：
[0060]
本发明可以解决多小区大规模mimo动态用户数目场景下的功率分配，效果逼近传统优化算法的结果，使用同一个模型可以解决用户位置与数量发生变化的不同场景。模型参数训练好之后，在使用模型进行预测时复杂度低。
附图说明
[0061]
图1为本发明实施一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法流程图；
[0062]
图2为本发明实施使用的transformer模型结构图；
[0063]
图3为本发明针对新的用户数据获得其功率分配方案的模型使用流程图；
[0064]
图4为本发明实施例性能效果对比图。
具体实施方式
[0065]
下面结合附图和实施例对本发明的技术方案作进一步的说明。
[0066]
图1展示了本发明实施一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法流程图，包括：
[0067]
步骤s1：构建多小区动态用户数目场景下的大规模mimo网络通信模型，计算得到用户的信道状态信息，并以此构建每个用户的自身特征与其周边环境特征作为其特征向量。
[0068]
步骤s11：设定要仿真的多小区多用户场景，小区数设置为4，在每个小区随机生成
k个ue(用户)的位置信息，k≤6，即总用户数目n≤24，每个小区的面积为250
×
250m，构成一个1000
×
1000m的多小区场景，每个小区包含一个基站bs位于小区正中间，每个bs的天线数量m＝100，用户的上行传输功率＝100mw，网络中局部散射模型中的角标准差为10度，带宽为5mhz，接收机硬件噪声强度为7db，信道建模方式参照瑞利信道建模；
[0069]
步骤s12：信道建模假设其服从瑞利分布，用表示小区l中bsj到uek之间的信道。
[0070][0071]
其中，是基站端的空间相关矩阵。
[0072]
利用导频信号与mmse信道估计，得到预编码向量满足||w
li
||2＝1。
[0073]
步骤s121：位置确定后可以计算出每一对bs到ue的大尺度衰落系数矩阵，小区l从bsj到uek的一个天线的大尺度衰落系数为
[0074][0075]
γ确定了在参考距离为1km处的中间信道增益。γ为-148db，α为3.76；
[0076]
步骤s122：预编码的设计考虑到ul-dl对偶性，ul和dl信道在一个相干块内是相互作用的，这使得bs也可以使用ul信道估计来计算/选择预编码向量。选择一种常见的启发式方法与m-mmse预编码：
[0077][0078]
步骤s13：利用上述信道信息矩阵与预编码信息，根据每个ue连接的bs，计算bs对于ue的信号与干扰；
[0079]
小区l中的bs传输dl信号给用户是信号功率。
[0080][0081]
上式第一项为有效信号，第二项为小区内其他用户对目标用户的干扰，第三项为小区外其他用户对目标用户的干扰干扰，第四项为噪声，是独立的可加性接收机噪声。
[0082]
步骤s2：设置不同的用户数目与用户位置，建立优化目标函数，使用传统方法计算最优功率分配，计算此功率分配下的用户频谱效率。
[0083]
步骤s21：目标函数选定为最大化有效s1nr乘积：
[0084]
[0085]
步骤s22：最终的优化目标为：
[0086][0087][0088]
此优化问题可以转化为一个几何规划问题被有效解决，得到最终的最优输出功率p＝(ρ1，...，ρn)。本文基站当用户数量较少时基站平均可以给每个用户分配更多的功率。
[0089]
步骤s3：搭建针对此场景下的transformer网络模型。
[0090]
步骤s31：图2展示了本发明所使用的修改过的将transformer模型结构图，其中激活函数包含有gelus。gelus可以看成dropout、zoneout、relus的综合，gelus对于输入乘以一个0，1组成的mask，而该mask的生成则是依概率随机依赖于输入。
[0091]
gelu(x)＝xp(x＜＝x)＝xφ(x)
[0092]
这里φ(x)是正态分布的概率函数，对于假设为标准正太分布的gelu(x)近似计算的数学公式如下：
[0093][0094]
修改后的transformer模型的decoder部分输入只有一部分，即为encoder的输出，关于q、k、v注意力的计算方式不变，为：
[0095][0096]
其中，表示dk特征向量维度大小。本文的特征向量长度为31。
[0097]
步骤s32：针对本文要解决的问题，修改后的transformer模型针对每一个用户进行处理，不再需要序列化输入，而是直接将用户的自身特征与对其产生影响的周边环境特征串联，作为一个特征向量作为输入，该用户的最优功率分配值ρ
*
为标签。
[0098]
步骤s4：构建深度学习所需要的数据集，用于训练模型，输入是用户的自身特征与其周边环境特征，输出是用户被其小区基站所分配的功率，训练直到模型收敛。产生新的用户数据输入模型，得到最优功率分配结果。
[0099]
步骤s41：数据集的用户特征包含本身特征与环境特征两部分，用户本身特征包括用户接受到的信息s，用户位置(x，y)，用户与每个基站之间的信道增益(g1，...，g
l
)，全局特征包括其他所有用户对该用户的干扰(i1，...，in)，标签为使用传统优化方法得到最终的最优输出功率ρ
*
；n指环境中所有用户数量之和。n是动态变化的，使用padding将所有环境特征向量补齐到同一长度，最终构建的特征向量为(s，x，y，g1，...，g
l
，i1，...，i
n-1
，padding)，padding＝(0，...，0)，使得输入特征长度一致为31。
[0100]
步骤s42：利用仿真器生成用户特征数据与标签，由于修改后的transformer模型针对每一个用户进行一次处理，所以针对用户数目相对较少的场景，模拟一次通信得到的样本会大于少量用户的情况，适当增加用户较少的场景模拟次数。最终得到160000个训练样本，验证集与测试集样本数量均为训练样本的10％。
[0101]
步骤s43：在训练时batchsize为512，损失函数设计为预测的最优功率与真实最优功率p
*
之间的mse，即不断重复训练的过程，直到网络收敛，损失趋于稳定，一共迭代了150次。
[0102]
步骤s44：使用训练完毕后的transformer模型可以处理新的用户数据，如图3所示，将每个用户的特征构建为(s，x，y，g1，...，g
l
，i1，...，i
n-1
，padding)的形式输入模型，即可得到最优功率分配输出。图4展示了本文模型在不同用户数目下功率分配的性能，明显高于平均分配，且足以逼近复杂的传统迭代算法。
[0103]
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
技术特征：1.一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法，其特征在于，包括如下步骤：(1)构建用户数目动态变化场景下的多小区大规模mimo网络通信模型，计算得到用户的信道状态信息，并以此构建每个用户的自身特征与其周边环境特征作为其特征向量；(2)设置不同的用户数目与用户位置，建立优化目标函数，使用传统几何规划方法得到最优功率分配作为标签，计算此功率分配下的用户频谱效率；(3)搭建针对此场景的transformer网络模型；(4)构建深度学习所需要的数据集，用于训练模型，输入是用户的特征向量，输出是用户被其小区基站所分配的功率，训练直到模型收敛。2.根据权利要求1所述的一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法，其特征在于：所述步骤(1)的具体步骤包括：(1.1)设定要仿真的多小区多用户场景的参数信息，对于一个带有l个小区的大规模mimo网络的dl传输，每个小区包括一个带有m个天线的bs和k个ue，设定用户的上行传输功率p
ul
、基站端最大信号发射功率p
max
、带宽w；建立要仿真区域的二维坐标系，确定每个bs的位置，另外在每个小区随机生成k个ue的位置信息，数量k的大小与位置(x,y)都不固定；(1.2)信道建模假设其服从瑞利分布，用表示小区l中bs
j
到ue
k
之间的信道；其中，是基站端的空间相关矩阵；利用导频信号与mmse信道估计，得到预编码向量满足||w
li
||2＝1；(1.3)利用上述信道信息矩阵与预编码信息，根据每个ue连接的bs，计算bs对于ue的信号与干扰；小区l中的bs传输dl信号,ρ
lk
是信号功率；上式第一项为有效信号，第二项为小区内其他用户对目标用户的干扰，第三项为小区外其他用户对目标用户的干扰干扰，第四项为噪声，是独立的可加性接收机噪声。3.根据权利要求2所述的一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法，其特征在于：所述步骤(1.2)的具体步骤包括：(1.2.1)位置确定后计算得到小区l从bs
j
到ue
k
的距离利用无线信号自由空间路径损耗公式计算出ap
i
发射的信号到ue
j
位置时的大尺度衰落系数，计算出每一对bs到ue的大尺度衰落系数矩阵，小区l从bs
j
到ue
k
的一个天线的大尺度衰落系数为的一个天线的大尺度衰落系数为
υ确定了在参考距离为1km处的中间信道增益，参数υ和α根据众多已建立的传播模型之一来计算；(1.2.2)利用基于导频的信道训练来估计信道向量；假设bs和ues是完全同步的，并根据tdd协议进行操作，其中dl数据传输阶段在ul之前是一个信道估计的训练阶段；导频重用因子为1，每个单元中的ue使用相同的导频；利用每个ue的总ul导频功率和标准mmse估计技术，bs
j
得到的估计为：其中，噪声其中，噪声ρ
tr
指上行导频总功率；(1.2.3)预编码的设计考虑到ul-dl对偶性，ul和dl信道在一个相干块内是相互作用的，这使得bs也使用ul信道估计来计算/选择预编码向量；选择一种常见的启发式方法,使用m-mmse预编码：4.根据权利要求1所述的一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法，其特征在于：所述步骤(2)的具体步骤包括：(2.1)计算所有用户的频谱效率的估计值se；小区j中ue
k
的dl遍历信道容量估计为：τ
c
表示相干时间与相干带宽的乘积，τ
d
表示相干时间中下行数据传输的时长；其中，计算用户端的sinr如下；其中，计算用户端的sinr如下；表示求期望值；(2.2)目标函数选定为最大化有效sinr乘积：选定此目标函数是因为考虑到：
寻求最大化se之和的下界，其中“1+”项在每个对数中被忽略，这对高sinr的用户影响不大，但会低估信号较弱的用户的频谱效率；因此，与直接最大化se和相比，最大化有效sinr乘积能够使得信号最弱的ues可以拥有更高的se；此目标函数也保证了每个ue都得到一个非零的se，因此这个效用函数比最大化se之和更公平；(2.3)最终的优化目标定为：(2.3)最终的优化目标定为：此优化问题转化为一个几何规划问题被有效解决，通过变量的变换转化为凸规划问题，使用传统优化方法得到最终的最优输出功率p＝(ρ1,
…
,ρ
n
)，用户数量之和5.根据权利要求1所述的一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法，其特征在于：所述步骤(3)的具体步骤包括：(3.1)本文的通信系统中，用户数量虽然会发生改变，但每个用户始终对应一个所分配的功率，所以输出网络序列长度与输入序列长度始终相等，且一一对应；每一个用户的输入特征维度较高，而输出的每一个功率值的维度为1，将transformer模型decoder部分进行修改，修改后的模型针对每一个用户进行处理，不再需要序列化输入，而是直接将用户的自身特征与对其产生影响的周边环境特征串联，作为一个特征向量作为输入，该用户的最优功率分配值为输出，修改后的模型更易训练；(3.2)修改后的transformer模型的decoder部分输入只有一部分，即为encoder的输出，关于q、k、v注意力的计算方式不变，为：6.根据权利要求1所述的一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法，其特征在于：所述步骤(4)的具体步骤包括：(4.1)数据集的样本特征包含用户特征与环境特征两部分，用户特征包括用户接收到的信息s，用户位置(x,y)，用户与l个基站之间的信道增益(g1,
…
,g
l
),其周边环境特征包括其他所有用户对该用户的干扰(i1,
…
,i
n
)，用户自己对自己的干扰设置为0，n指环境中所有用户数量之和；(4.2)因为环境中用户的数目n是动态变化的，所以干扰向量的长度会随着用户数量的变化而变化；使用padding将所有环境特征向量补齐到同一长度；如果用户数目小于模型所能解决的最大用户数目nmax，则对于该环境特征向量长度不足处补零，所以最终构建的特征向量为(s，x,y，g1,
…
,g
l
，i1,
…
,i
n
，padding)，padding＝(0,
…
,0)，使得输入特征维度一致；数据集标签为使用传统优化方法得到的每一个用户的最优输出功率；(4.3)利用仿真器生成用户特征数据与标签，由于修改后的transformer模型针对每一个用户进行一次处理，所以对于用户数目相对较少的场景而言，模拟一次通信得到的样本
会大于少量用户的情况，所以要适当增加用户较少的场景模拟次数，使得最终得到的用户样本中，处于不同数目场景的用户样本数量保持基本一致；(4.4)在训练时选择合适的batchsize以及迭代次数epoch，损失函数设计为预测的最优功率与真实最优功率p
*
之间的mse，即不断重复训练的过程，直到网络收敛，损失趋于稳定。
技术总结本发明公开了一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法，包括：构建用户数目动态变化场景下的大规模MIMO网络通信环境模型，在仿真环境中产生不同数量不同位置的用户数据，计算用户的信道状态信息，得到每个用户的自身特征与其周边环境特征合并为其特征向量，作为输入提供给Transformer网络；使用传统几何规划方法得到最优功率分配作为Transformer网络的输出标签，经过训练优化神经网络的参数，使其收敛到一个稳定状态。计算基于不同功率分配算法的用户频谱效率用于评估其性能。本发明可以在较少的计算资源和成本下逼近复杂的传统算法，同时不需要针对不同的用户数目训练不同的网络。不需要针对不同的用户数目训练不同的网络。不需要针对不同的用户数目训练不同的网络。
技术研发人员：杨绿溪 邓淼佩 周婷 张明寒 李春国 黄永明
受保护的技术使用者：东南大学
技术研发日：2022.05.07
技术公布日：2022/7/5
