一种基于改进卷积神经网络的Massive MIMO多用户调度方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115987338A(43)申请公布日2023.04.18(21)申请号202211650751.9(22)申请日2022.12.21(71)申请人南京邮电大学地址210000江苏省南京市鼓楼区新模范马路66号(72)发明人潘甦刘晟(74)专利代理机构南京经纬专利商标代理有限公司32200专利代理师朱小兵(51)Int.Cl.H04B7/0413(2017.01)H04B7/0456(2017.01)H04W4/30(2018.01)H04B7/06(2006.01)G06N3/0464(2023.01)权利要求书2页说明书12页附图3页(54)发明名称一种基于改进卷积神经网络的MassiveMIMO多用户调度方法(57)摘要本申请涉及一种基于改进卷积神经网络的MassiveMIMO多用户调度方法。该方法包括：基站按照顺序扫描模拟预编码DFT码本，并结合用户反馈的信道状态信息，从各码本矩阵中选择出最佳码本，以确定5G通信系统下用户的最佳信道矩阵，采用改进后的粒子群算法对卷积神经网络的网络结构参数的进行分析，确定用于MassiveMIMO多用户调度的卷积神经网络的网络结构参数，以构建最佳卷积神经网络模型进行训练，获得基于卷积神经网络的MassiveMIMO多用户调度模型，在5G通信系统下的工业物联网场景中，将当前待调度用户的最佳信道矩阵，输入MassiveMIMO多用户调度模型对当前的最佳调度用户集进行预测，获得最佳调度用户集。由此，降低了计算负载。CN115987338ACN115987338A权利要求书1/2页1.一种基于改进卷积神经网络的MassiveMIMO多用户调度方法，其特征在于，所述方法包括：步骤1，基站按照顺序扫描模拟预编码DFT码本，并结合用户反馈的信道状态信息，从各所述码本矩阵中选择出最佳码本，以确定5G通信系统下用户的最佳信道矩阵；步骤2，采用改进后的粒子群算法对卷积神经网络的网络结构参数的进行分析，确定用于MassiveMIMO多用户调度的卷积神经网络的网络结构参数，以构建用于MassiveMIMO多用户调度的最佳卷积神经网络模型；步骤3，采用5G通信系统下用户的最佳信道矩阵作为训练样本，对所述最佳卷积神经网络模型进行训练，获得基于卷积神经网络的MassiveMIMO多用户调度模型；步骤4，在5G通信系统下的工业物联网场景中，采用步骤1的方式获取当前待调度用户的最佳信道矩阵，输入所述MassiveMIMO多用户调度模型对当前的最佳调度用户集进行预测，获得最佳调度用户集。2.根据权利要求1所述的方法，其特征在于，所述基站按照顺序扫描模拟预编码DFT码本，并结合用户反馈的信道状态信息，从各所述码本矩阵中选择出最佳码本，以确定5G通信系统下用户的最佳信道矩阵，包括：将空间根据基站天线数Nr与用户天线数Nt进行划分，分别将Nr个和Nt个不同角度的阵列响应向量写入一个矩阵中，构建模拟预编码DFT码本；基站按照顺序扫描模拟预编码DFT码本，并结合用户反馈的信道状态信息，从所述模拟预编码DFT码本中选择角度，实现最佳波束赋型，以确定5G通信系统下用户的最佳信道矩阵。3.根据权利要求1所述的方法，其特征在于，所述采用改进后的粒子群算法对卷积神经网络的网络结构参数的进行分析，确定用于MassiveMIMO多用户调度的卷积神经网络的网络结构参数，以构建用于MassiveMIMO多用户调度的最佳卷积神经网络模型，包括：预先对各个参数进行设置，设置卷积神经网络的网络结构的取值范围，并依据取值范围随机生成N组网络结构参数组合，作为初始种群P中的N个粒子；以N组网络结构参数组合构建N个网络模型，采用样本数据对N个网络模型进行训练和检验，得到N个网络模型的预测正确率，以N个网络模型的预测正确率作为适应度函数，根据适应度函数，计算每个粒子的适应值；将其当前位置的适应值与其历史最佳位置对应的适应值比较，如果当前位置的适应值更高，则用当前位置更新历史最佳位置；将其当前位置的适应值与其全局最佳位置对应的适应值比较，如果当前位置的适应值更高，则用当前位置更新全局最佳位置；根据自适应速度更新与位置更新方法更新每个粒子的速度与位置；直至达到终止条件，输出卷积神经网络最佳网络结构参数组合，否则返回所述根据适应度函数，计算每个粒子的适应值的步骤；以输出的卷积神经网络最佳网络结构参数组合作为用于MassiveMIMO多用户调度的卷积神经网络的网络结构参数，以构建用于MassiveMIMO多用户调度的最佳卷积神经网络模型。4.根据权利要求3所述的方法，其特征在于，所述自适应速度更新与位置更新方法的表2CN115987338A权利要求书2/2页达式为：r(t+1)＝4r(t)(1‑r(t))，r