一种基于改进卷积神经网络的Massive MIMO多用户调度方法

技术领域

本申请涉及无线通信技术领域，特别是涉及一种基于改进卷积神经网络的Massive MIMO多用户调度方法。

背景技术

目前，5G通信系统得到了广泛应用，然而由于物联网海量的节点，所以对5G和B5G(超5代移动通信)网络提出了支持大量接入用户数的要求。大规模多输入多输出天线系统(Massive Multiple Input Multiple Output，Massive MIMO)技术是解决上述难题的有效途径之一，其核心思想是在基站端配置大量的天线，并通过分割空间资源来同时支持多用户通信，这就使得系统可以在同一时频资源上服务多个用户，然而实际接入网络用户数目常大于系统可同时服务的数量，因此必须在接入用户中高效的选出最佳用户进行资源分配(即多用户调度)，而在工业物联网存在海量节点的情况下，对调度算法的复杂度提出了挑战。

影响调度算法复杂度的另一环节在于选择用户的方法，由于在多用户MIMO中，用户同时占用频带资源。需要用预编码消除用户间干扰，使用ZF预编码将完全消除用户间干扰，但用户预编码矩阵随用户组合而变化，即用户的可达速率会影响用户选择的结果，已选用户集合会反过来影响预编码矩阵，进而影响用户的可达速率。而在使用MMSE预编码矩阵最小化干扰时，用户间干扰依旧存在，所以已选用户的干扰会影响用户的可达速率，正是这一问题阻止了用户选择方法直接选择“最佳”用户以实现最高吞吐量。最优方法是穷举搜索，比较不同用户组合下的系统吞吐量，以找到最佳用户组合。但很明显穷举法计算量过大。因此现有方法基本使用贪婪算法，然而，贪婪算法仍然需要比较不同用户组合的吞吐量，需要大量的SVD(singular value decomposition，奇异值分解)过程来计算不同用户组合时用户的可达速率，从而会产生巨大的计算负载。

发明内容

基于此，有必要针对上述技术问题，提供一种能够降低计算负载的基于改进卷积神经网络的Massive MIMO多用户调度方法。

一种基于改进卷积神经网络的Massive MIMO多用户调度方法，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，以构建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Massive MIMO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，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Massive MIMO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，将当前待调度用户的最佳信道矩阵，输入所述Massive MIMO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。

在其中一个实施例中，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N

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。

在其中一个实施例中，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Massive MIMO多用户调度的卷积神经网络的网络结构参数，以构建用于Massive MIMO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Massive MIMO多用户调度的卷积神经网络的网络结构参数，以构建用于Massive MIMO多用户调度的最佳卷积神经网络模型。

在其中一个实施例中，所述自适应速度更新与位置更新方法的表达式为：

r(t+1)＝4r(t)(1-r(t)),r(0)＝rand

其中，ω为惯性权重，ω

当

/>

当

其中，k为当前迭代次数，M为总迭代次数，

在其中一个实施例中，所述采用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Massive MIMO多用户调度模型，包括：

通过穷举算法，获取在5G通信系统下用户的最佳信道矩阵作为训练样本集；

采用所述训练样本集对所述最佳卷积神经网络模型进行离线训练，直至所述最佳卷积神经网络模型满足收敛条件，获得基于卷积神经网络的Massive MIMO多用户调度模型。

上述基于改进卷积神经网络的Massive MIMO多用户调度方法，通过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，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Massive MIMO多用户调度的卷积神经网络的网络结构参数，以构建用于Massive MIMO多用户调度的最佳卷积神经网络模型，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Massive MIMO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。由此，使用基于卷积神经网络的深度学习方法可以大大降低调度算法的计算量，降低了传统用户调度复杂度，降低了计算负载。

附图说明

图1为一个实施例中基于改进卷积神经网络的Massive MIMO多用户调度方法方法的流程示意图；

图2为一个实施例中5G通信系统的工业物联网用户的调度场景示意图；

图3为一个实施例中天线阵子阵列示意图；

图4为一个实施例中卷积神经网络结构示意图；

图5为一个实施例中基于改进后的粒子群算法实现卷积神经网络网络结构参数优化的流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种基于改进卷积神经网络的Massive MIMO多用户调度方法，以该方法应用于终端为例进行说明，包括以下步骤：

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，从各码本矩阵中选择出最佳码本，以构建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Massive MIMO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。

其中，改进后的粒子群算法，可以是对粒子群优化算法(PSO)改进后的粒子群算法。

其中，粒子群优化算法(PSO)是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，通常认为它是群集智能(Swarm intelli gence,SI)的一种。其自身的局限性也很明显。随着迭代次数的增加，其他粒子会加速向临时最优解靠拢，此时速度与位置更新操作将很难增加种群的多样性，造成种群个体间的差异性逐渐缩小，若此临时最优解为该函数问题的某一局部最优解，那么种群个体将很难跳出临时最优解所影响的局部范围，从而导致算法陷入局部最优，出现早熟收敛的现象。而且在迭代过程中也是很容易出现某一个个体是局部最优解，导致收敛缓慢，进而可能导致算法早熟。在实际的研究和应用中，遇到的函数问题大多是高维的、多极值的，粒子群算法就很容易陷入局部最优的怪圈，不能搜索到全局最优解。

其中，改进后的粒子群算法，能平衡全局搜索能力与局部搜索能力，提高了粒子群算法的搜索效率。

改进后的粒子群算法主要参数包括：种群大小N，粒子维度D，迭代次数M，惯性权重ω和学习因子c

r(t+1)＝4r(t)(1-r(t)),r(0)＝rand

其中，ω

其中，针对自适应速度更新与位置更新方法，采用一种依据迭代次数自适应更改的种群位置更新方法，在未改进的粒子群优化算法(PSO)中，由于迭代后期，粒子不断改变位置，由此粒子变得越来越相似，容易导致算法陷入局部最优。而主要原因是：在种群更新时，是以上一个粒子的位置与该粒子更新速度直接相加得到下一粒子位置，从而导致在迭代后期陷入局部最优。本申请将粒子群优化算法(PSO)改进为基于非线性函数的自适应速度更新与位置更新方法，能平衡全局搜索能力与局部搜索能力，提高了粒子群算法的搜索效率，防止在迭代后期陷入局部最优，自适应速度更新与位置更新方法的表达式为：

当

当

其中，k为当前迭代次数，M为总迭代次数，

步骤3，对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，将当前待调度用户的最佳信道矩阵，输入Massive MIMO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。

其中，Massive MIMO多用户调度模型用于基站端，基站端包括一个基站与多个工业物联网用户节点，基站以最大吞吐量为标准做最佳用户集选择。如图2所示的5G通信系统的工业物联网用户的调度场景示意图，在G通信系统的工业物联网用户的调度场景中，考虑基于Massive MIMO多用户Hybrid Beam Forming(HBF)系统的下行链路，基站端配置N

在一个示例中，对于的单个小区，假设总共有N

其中，Hybrid Beam Forming(HBF)系统中，混合预编码由模拟预编码器

x＝F

其中F

其中，H

其中，s

其中，H

由于毫米波波长短，具有高自由空间路径损耗，为了体现毫米波信道的有限散射和稀疏低秩，所以毫米波传播环境通常用簇聚信道模型来描述，即S-V模型。该模型将毫米波信道矩阵描述为

其中，L是多径的总数，L

上述基于改进卷积神经网络的Massive MIMO多用户调度方法，通过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Massive MIMO多用户调度的卷积神经网络的网络结构参数，以构建用于Massive MIMO多用户调度的最佳卷积神经网络模型，对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Massive MIMO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Massive MIMO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，使用基于卷积神经网络的深度学习方法可以大大降低调度算法的计算量，降低了传统用户调度复杂度，降低了计算负载。

在一个实施例中，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，包括：

将空间根据基站天线数N

其中，将空间根据基站天线数N

在一个示例中，如图3所示，图3中的θ代表天线阵子发射波束角度，d代表天线阵子之间的距离，则可推出相邻阵子之间的时间差τ为：

其中，c为光速，则相邻阵子之间的相位差Δ

代入ε＝2πf，

所以考虑为均匀平面阵时，a

其中，e是自然常数。

根据上述分析，则模拟预编码DFT码本可表示为：

其中，模拟预编码DFT码本中δ

在其中一个实施例中，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Massive MIMO多用户调度的卷积神经网络的网络结构参数，以构建用于Massive MIMO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Massive MIMO多用户调度的卷积神经网络的网络结构参数，以构建用于Massive MIMO多用户调度的最佳卷积神经网络模型。

其中，如图4所示的卷积神经网络结构示意图，主要是由输入图像通过和多个可训练的滤波器和可加偏置进行卷积，卷积后在G1层产生多个特征映射图，然后特征映射图中每组的每个像素再进行求和，加权值，加偏置，通过一个激活函数得到多个S2层的特征映射图。这些映射图再进过滤波得到G3层。这个层级结构再和S2一样产生S4。最终，这些像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。

其中，如图5所示，基于改进后的粒子群算法实现卷积神经网络网络结构参数优化的流程图。由于卷积神经网络(CNN)复杂的网络结构和众多阈值参数，在使用改进后的粒子群算法优化卷据神经网络的过程中可以类型分成两类：结构型优化、参数型优化。结构型优化方案实质上是将卷积神经网络的结构参数作为用一个粒子的不同维度来表示。如将图4中的G1，G3层的卷积核个数，卷积核大小，激活函数类型，S2，S4层的池化类型用一个粒子的不同维度来表示。如果初始化种群为N个粒子，那么粒子群算法的建模应为以N个8维粒子作为一个种群进行随机初始化，随机初始化的范围如表1所示，将卷积神经网络M次训练的预测正确率作为适应度函数，不断通过速度位置更新公式进行速度与位置的更新迭代，以寻到应用场景下最优的卷积神经网络结构。具体算法步骤如下：

41)构建N个8维粒子群，初始化粒子群相关参数；根据表1中范围随机生成N个粒子。并且将N个卷积神经网络的训练结果的均方差值作为自适应函数。

42)计算粒子适应度函数值，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。

43)计算粒子适应度函数值，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。

44)更新粒子的速度与位置。

45)如果算法满足停止条件，即均方差值低于某个要求值或者迭代次数到达最大迭代次数。全局最佳位置粒子即为最佳网络结构参数组合。否则返回步骤42继续搜索。

表1，基于改进后的粒子群算法的卷积神经网络结构参数及范围

/>

而采用未改进的粒子群优化算法对卷积神经网络的网络结构参数优化的方法主要实现是将G1，G3层中所有卷积核的实际阈值与偏置通过粒子的不同维度进行表示。然后通过粒子群算法进行搜索最优阈值。当时此未改进的粒子群优化算法有一个很大的弊端，如表1范围所示，如果选择卷积核的个数为15个，卷积核的大小为5x5。那么图1所示的卷积神经网络中阈值数与偏置数将达到2*15*5*5+2*15＝780个。那么粒子维度也将达到780。在如此高纬度的搜索下，粒子群算法的性能将大大下降。从而在迭代次数来临之前无法获得全局最优粒子，从而对卷积神经网络的优化微乎其微。所以本申请选择结构型优化方案以实现对卷积神经网络的优化，则可以防止在迭代后期陷入局部最优的问题。

在其中一个实施例中，自适应速度更新与位置更新方法的表达式为：

r(t+1)＝4r(t)(1-r(t)),r(0)＝rand

其中ω

当

当

/>

其中，k为当前迭代次数，M为总迭代次数，

在一个实施例中，采用5G通信系统下用户的最佳信道矩阵作为训练样本，对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Massive MIMO多用户调度模型，包括：

通过穷举算法，获取在5G通信系统下用户的最佳信道矩阵作为训练样本集；采用训练样本集对最佳卷积神经网络模型进行离线训练，直至最佳卷积神经网络模型满足收敛条件，获得基于卷积神经网络的Massive MIMO多用户调度模型。

本申请的核心在于改进卷积神经网络的网络结构设计和在改进卷积神经网络的基础上使用卷积神经网络在基站端建立基于卷积神经网络的Massive MIMO多用户调度模型，通过将最佳信道矩阵输入Massive MIMO多用户调度模型，预测最佳调度用户集。针对Massive MIMO多用户调度模型的预测精度问题，可通过改进后的粒子群算法(IPSO)进行网络结果参数上的优化，将Massive MIMO多用户调度模型作为改进粒子群算法中的粒子维度，通过粒子不断地位置更新与种群迭代，求最佳种群即最佳卷积神经网络网络结构，从而实现基于改进后的粒子群算法的Massive MIMO多用户调度模型。而针对粒子群优化算法的易陷入局部最优问题，通过设计一种自适应的惯性权重与随着迭代次数变化的位置更新方案，防止算法在收敛后期，粒子越来越相似，导致陷入局部最优。

通过上述方法建立起的基于改进后的粒子群算法的Massive MIMO多用户调度模型适用于在Massive MIMO工业物联网多用户调度场景下对最优调度集进行预测，相对于传统调度方案，该方法完全通过用户信道矩阵的矩阵特性进行最佳调度集的预测，不需要进行复杂的SVD计算与可达速率的计算，在摆脱用户速率和用户集的耦合的同时，降低了多用户调度的计算复杂度，提高工业物联网场景下多用户调度的速度。

上述基于改进卷积神经网络的Massive MIMO多用户调度方法，通过卷积神经网络处理矩阵的特性，将大规模MIMO中的用户信道矩阵作为卷积神经网络输入，以最佳调度用户集作为输出，由于卷积神经网络(CNN)能通过信道状态矩阵进行最佳用户组合预测，可摆脱用户速率和用户集的耦合，因此使用基于卷积神经网络的深度学习方法可以大大降低调度算法的计算量，降低了传统用户调度复杂度。

进一步地，将卷积神经网络的网络结构参数作为Particle Swarm Optimization(PSO)算法中粒子的维度，同时通过改进后的粒子群算法的迭代寻优，求得最佳网络参数模型，从而提高网络的预测精度与训练速度。改进后的粒子群算法是基于非线性函数的粒子群算法权值的自适应，能平衡全局搜索能力与局部搜索能力，提高了粒子群算法的搜索效率；一种新型的种群更新方式，防止在迭代后期陷入局部最优。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。