摘 要

云无线接入网络（C-RAN）已经成为下一代无线通信（5G）的关键支持技术，可以满足大量增长的无线数据流量的需求。然而，云无线接入网络中的资源分配仍需进一步改善，以达到在长时间运行期间最小化功耗和满足无线用户需求的目标。

为了优化C-RAN中存在的资源分配问题，本文提出了一种新的基于深度学习的近似方法。关键思想是将资源分配算法的输入和输出视为未知的非线性映射，并使用深度神经网络（DNN）对其进行逼近。如果非线性映射可以通过中等大小的DNN准确学习，那么节点管控和资源分配几乎可以实时完成，因为通过DNN传递输入只需要少量的简单操作。

本文解决了无线资源管理应用中基于DNN算法近似的理论和实践问题。本文首先从理论上通过完全连接的DNN确定一类“可学习”的优化算法。然后将重点放在基于DNN的近似算法，所选择要近似的算法为经改进后的Beamforming算法--根据Beamforming算法计算出在不同数量RRH基站和用户配置下最佳权重分配，并根据它来确定RRH基站的打开或关闭，以此同时实现节点管控和传输优化功能。本文证明了使用DNN近似改进后的Beamforming算法可以获得相当准确的DNN神经网络。在实现方面，使用大量的数值仿真来证明，与改进后的Beamforming算法相比，DNN可以在计算时间内实现数量级的加速。

其中主要贡献为使用了神经网络来近似资源分配算法，并获得了比原资源分配算法更快的数据处理速度和更好的效果，成功使用DNN神经网络解决了云无线接入网中存在的资源分配问题。

关键词：云无线接入网；深度学习；资源分配；Beamforming算法;

Abstract

Cloud-Channel Radio Access Network (C-RAN) has become the key support technology for next-generation wireless communications (5G) and can meet the growing demand for wireless data traffic. However, the resource allocation in the cloud radio access network still needs further improvement in order to achieve the goal of minimizing power consumption and meeting the needs of wireless users during long-term operation.

In order to optimize the resource allocation problem in C-RAN, this paper proposes a new approximation method based on deep learning. The key idea is to treat the input and output of the resource allocation algorithm as an unknown nonlinear mapping and use a deep neural network (DNN) to approximate it. If the nonlinear mapping can be accurately learned with medium-sized DNNs, node management and resource allocation can be done almost in real time, because passing the input through the DNN requires only a few simple operations.

This paper addresses the theoretical and practical issues of approximation based on DNN algorithm in wireless resource management applications. In this paper, we first determine a class of "learnable" optimization algorithms through fully connected DNNs. Then, we will focus on the DNN-based approximation algorithm. The algorithm to be approximated is the improved Beamforming algorithm. According to the Beamforming algorithm, the optimal weight distribution is calculated based on different RRH base stations and user configurations, and is determined based on it. The RRH base station is turned on or off to achieve node control and transmission optimization at the same time. In this paper, it is proved that using the DNN to improve the Beamforming algorithm can get quite accurate DNN neural network. In terms of implementation, a large number of numerical simulations are used to prove that compared with the improved Beamforming algorithm, DNN can achieve an order of magnitude acceleration in computing time.

The main contribution is to use a neural network to approximate the resource allocation algorithm, and obtain faster data processing speed and better results than the original resource allocation algorithm. The DNN neural network is successfully used to solve the existing resources in the cloud wireless access network. Allocation problems.

Keywords: cloud radio access network; deep learning; resource allocation; Beamforming；

目 录

摘要 I

Abstract II

1 绪论 1

1.1课题研究背景及意义 1

1.2国内外研究现状 1

1.3本文的研究内容及章节安排 2

2 相关理论及关键技术 4

2.1云无线接入网（C-RAN） 4

2.2深度神经网络（DNN） 5

2.3波束赋形 6

2.4本章小结 7

3 节点管控算法和DNN模型的分析与设计 8

3.1需求分析 8

3.2基于DNN的算法近似 8

3.3系统模型设计 9

3.4 Beamforming算法 10

3.5 DNN模型设计 11

3.5本章小结 13

4 神经网络设置 14

4.1网络结构 14

4.2数据生成 14

4.3训练阶段 14

4.4测试阶段 14

4.5本章小结 15

5 系统测试 16

5.1仿真建立 16

5.2参数选择 16

5.3训练效果图 16

5.4 CDF图 17

5.5计算速度 18

5.6本章总结 18

6 总结和展望 20

6.1全文总结 20

6.2展望 20

参考文献 22

致谢 24

第一章 绪论

1.1 课题研究背景及意义

根据调查显示，传统无线接入网存在以下三个特点：其一，每一个基站只能接收到某个区域里的信号，因为连线的数量是固定的，只有这个区域内才能搜索到信号；其二，每个工作点在独立工作时受到系统容量的限制；其三，一般情况下，每个RRH基站都是以垂直的方法为基础，每个RRH基站一般都是基于专有平台开发的“垂直解决方案”。这样一来，就导致了基站的数量巨大，在建设过程中需要耗费高额的建设和维护费用^[1]。此外，有些工作站点在很多情况下都没有使用到，站点之间没有联通，没有共享处理的功能。为解决这一系列问题，引出了新的网络结构--云无线接入网络（C-RAN，Cloud Radio Access Networks）。

云无线接入网络（C-RAN）已成为下一代无线通信的关键支持技术。与基带处理单元（BBU，BaseBand Units）和无线电台位于一起的传统RAN不同，C-RAN采用独立的BBU和远程无线电设计。所有DSP（Digital Signal Processing）处理器都被移入云中的中央BBU池，分布式射频拉远头（RRH，Remote Radio Heads）负责通过前端链路将接收到的无线电信号的无线电信号压缩并转发至BBU。在云无线接入网中，RRH只需要维护一些基本的传输功能，大大降低了设计和运营成本，使得大规模的高密度网络部署成为可能[2]。而且，这种集中式体系结构可以轻松收集和分析运行时系统的统计数据。

云无线接入网络（C-RAN）可以满足大量增加的无线数据流量的需求。然而，云无线接入网络中的资源分配仍需进一步改善，以达到在长时间运行期间最小化功耗和满足无线用户需求的目标。因此资源管理任务（如发射功率控制，发射/接收波束形成器设计以及用户准入控制）对于未来的无线网络至关重要。

1.2 国内外研究现状

资源管理任务（如发射功率控制，发射/接收波束赋形器设计）对于未来的无线网络至关重要。为得出最优的资源管理方案进行了广泛的研究：请参阅最近的综述文章[2]，[3]。数十年来，数学优化在解决无线资源管理问题方面发挥了核心作用。众所周知的用于这种目的的优化算法包括为功率管控开发的算法（如：SCALE算法）、发射/接收波束赋形算法（如：Beamforming算法）、接纳控制算法（如：凸优化近似算法）等等。这些算法都属于迭代算法，它们将给定的一组实时网络参数（如信道实现和信噪比规范）作为其输入，运行一些（可能是代价高昂的）迭代，并生成“优化”资源分配战略作为其产出。尽管通过数值模拟和理论分析已经观察到许多这些算法的优异性能，但在实际系统中实施它们仍面临许多严重的障碍^[3]。特别是，这些算法所带来的高计算成本一直是最具挑战性的问题之一。例如，Beamforming型算法需要在每次迭代中进行复杂的操作，如矩阵求逆和矩阵的平方等。由于无线资源管理任务通常在毫秒的时间帧内执行（由于快速变化的系统参数，例如信道条件，用户数量等），因此这些算法的计算要求使得实时实施具有挑战性。

而近些年，人工智能风暴席卷全球，而作为人工智能的一个分支----深度学习也在高速发展中。无论是工业界、学术界还是人民群众都投身到了深度学习的洪流之中，在工业界，谷歌（Google）、脸书（Facebook）、百度、阿里巴巴等一系列国内外大公司纷纷对外公开宣布了人工智能将作为他们下一个战略重心。在工具方面，谷歌、脸书、百度、微软、亚马逊等公司相继开源了各自的深度学习框架^[4]。由于深度学习的研究极大的促进了人工智能和机器学习的发展，深度学习受到了世界各国许多互联网公司及研究人员的重视。目前，深度学习广泛应用于语音识别，图像识别和自然语言处理等领域，并获得了巨大而飞快的进展。就国内而言，基于深度学习的人脸识别就早已经开始在许多火车站检票口投入试用。可以说，接下来的几年以至于十几年，深度学习都将飞速发展，并将为人们的生活带来很大的改变。

在机器学习领域，近年来已经有几次尝试使用DNN近似迭代优化算法。例如参考文献[4]中就提到使用多层网络来近似迭代软阈值算法（ISTA）进行稀疏优化，ISTA算法首先通过一系列迭代操作来“展开”迭代，并且它的每次迭代都被一层网络模拟。然后通过离线训练学习网络的参数。这些算法或多或少地基于相同的“展开”思想，因为迭代具有简单的结构，所以这是可行的，但是，对于复杂的算法，迭代是否可以使用神经网络的结构化层进行明确建模并不是一个清晰的问题。就前人们的一些工作而言，大多数的重点都是信号建模或者展开某些算法而不是算法近似，因此，基于DNN的算法近似是一个新兴且很大程度上尚未开发的主题。

1.3 本文的研究内容及章节安排

本文利用深度学习框架，来解决云无线接入网中的大规模节点管控及传输优化问题，根据节点负载、用户分布以及网络信道状态信息，动态调整节点数目，并优化传输波束赋形，从而提供能耗低、效率高的通信服务，将改进后的Beamforming波束赋形算法的输入和输出视为未知的非线性映射，并使用深度神经网络（DNN）对其进行逼近。通过中等规模的DNN准确学习非线性映射，实时完成资源分配。

本文所提出的优化方法不同于传统优化思路，本文采用深度学习的方法，实现了对优化问题的求解，与传统优化算法相比，在复杂度方面更具优势，准确度也很好，所训练出的神经网络功能非常接近所近似的算法。通过对课题的研究，实现与测试完成了本论文，本文的主要内容如下所示：

第1章介绍了课题的研究背景、意义和国内外发展现状。

第2章介绍了设计和实现云无线接入网中基于深度学习的节点管控和传输优化的相关技术。详细介绍了深度神经网络算法（DNN）的结构、用途及其应用领域，分析了深度神经网络算法（DNN）工作的原理。同时介绍了Beamforming波束赋形算法的原理及应用领域。

第3章本章主要介绍对云无线接入网中基于深度学习的节点管控和传输优化系统的分析与设计。对该系统进行需求分析，并根据需求完成系统的框架设计-----改进后的Beamforming波束赋形算法的输入和输出视为未知的非线性映射，并使用深度神经网络（DNN）对其进行逼近。

第4章本章介绍云无线接入网中基于深度学习的节点管控和传输优化系统的搭建和实现方法。定义改进后的Beamforming算法的数据格式、深度神经网络（DNN）的训练方式和训练后的深度神经网络（DNN）的测试方案。

第5章对云无线接入网中基于深度学习的节点管控和传输优化系统的测试。设置相关训练参数，选择测试信道模型，得出相关指标数据并将改进后的Beamforming算法与训练后的深度神经网络（DNN）进行性能比较。

第6章对于本文进行总结， 并指出此次设计的系统的缺点，以及改进的方向与未来发展的方向。

第二章 相关理论及关键技术

2.1 云无线接入网（C-RAN）

无线接入网可以为某个设备（移动电话或一台计算机）提供与核心网的接入功能，可以不间断的向用户提供高品质的数据服务，但是传统无线接入网在运行和维护过程中存在着一些问题，比如基站数量巨大而导致的高额能耗、无法以低成本的要求来满足大容量的需求，并且在互联网业务急速增长的时代会给核心网带来非常巨大的压力。这些问题都导致了移动运营商的利润下降，因此，为解决这些问题，一种新的网络框架诞生了----云无线接入网（C-RAN）。

云无线接入网（C-RAN）即所有基带资源放入BBU池中进行集中处理、RRH以互相协作式的方式进行工作和实时云计算的无线网络架构，实现更加简洁易于管理和维护的无线移动网络。云无线接入网（C-RAN）被认为是当今最有希望解决下一代移动通信（5G）技术服务需求问题的关键核心技术方案之一，云无线接入网（C-RAN）架构与传统接入网架构相比具有很大的性能上的优势，已有大量研究表明云无线接入网（C-RAN）能有效的提升网络的频谱利用率和能源利用率^[5]。

云无线接入网（C-RAN）主要由集中式的BBU虚拟基站池、分布式RRH和用户群三个部分组成。云无线接入网（C-RAN）的RRH远端射频头是直接与BBU云基带池相连，而不再是与单一固定的BBU直接相连，每个RRH都是独立的，RRH传输的数据（发送或接受的数据）通过资源调度和共享在虚拟基站中进行集中处理，其中虚拟基站的处理的数据量和处理方式则有一个实时虚拟基带池进行分配。云无线接入网（C-RAN）的结构图如图2.1所示。

图2.1 云无线接入网（C-RAN）框架结构图

2.2 深度神经网络（DNN）

为了迎合当今深度学习的新潮流和更好的解决C-RAN中的资源分配问题，引入了深度学习中的神经网络。本文所搭建的系统是基于深度学习中的深度神经网络算法（DNN）来实现的。

深度神经网络（DNN）是近几年机器学习领域的热门话题，深度神经网络（DNN）动机在于建立并模拟人类大脑多神经元工作的方式进行分析学习，仿照人脑的机制来处理数据，成功的将以往机器学习中的识别率和学习率提高了一个显著的档次。与循环神经网络（RNN）、卷积神经网络（CNN）主要区别在于深度神经网络算法（DNN）特指全连接的神经元结构，并不包含卷积单元或时间上的关联^[6]。

深度神经网络（DNN）系统按不同层的位置来划分，深度神经网络（DNN）内部的神经网络层可以分为三类，包括输入层、隐藏层、输出层，其中相邻层的节点之间都存在着连接，相同层和跨层节点之间都不存在互相连接关系，深度神经网络中的每一层都可以看作是一个逻辑回归模型。深度神经网络（DNN）结构如图2.2所示。

一般深度神经网络（DNN）的第一层是输入层（Input Layer），中间层是隐藏层，最后一层是输出层，其中为增强模型的表达和学习能力，隐藏层可以有很多层，每一层都可以拥有很多神经元，但是隐藏层越多，每一层的神经元数量就越多，隐藏层模型的复杂度也就更高。在深度神经网络（DNN）中各层之间是全连接的，可以理解为第j层的某个神经元一定与第j 1层的任意一个神经元连接。就第一层来说，输入层（Inpute Layer）的神经元个数应该与输入的参数个数相同，即输入层的神经元个数等于训练一次神经网络所输入的参数数量^[7]。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：