买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜东南大学申请的专利一种基于一维卷积神经网络的多用户功率分配方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115361731B 。

龙图腾网通过国家知识产权局官网在2025-02-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210993312.1，技术领域涉及：H04W52/22；该发明授权一种基于一维卷积神经网络的多用户功率分配方法是由李莹绣;吴炳洋设计研发完成，并于2022-08-18向国家知识产权局提交的专利申请。

本一种基于一维卷积神经网络的多用户功率分配方法在说明书摘要公布了：本发明公开了一种基于一维卷积神经网络的多用户功率分配方法，包括：1、初始化单小区多用户系统模型；2、使用改进后的基于二次变换的多比例分式规划算法收集用于神经网络训练的数据集；3、设计具体的一维卷积神经网络结构；4、使用均方误差损失函数形式训练一维卷积神经网络；5、保存一维卷积神经网络结构。本发明改进了基于二次变换的多比例分数规划方法，并使用一维卷积神经网络进行学习。本发明以小区中各用户的信道状态信息作为输入，以多比例分数规划算法下的各用户功率向量作为输出，对一维卷积神经网络进行监督学习训练，本发明能够在实现接近分数规划算法的同时降低计算复杂度。

本发明授权一种基于一维卷积神经网络的多用户功率分配方法在权利要求书中公布了：1.一种基于一维卷积神经网络的多用户功率分配方法，其特征在于，包括以下步骤：S1:初始化下行单小区多用户系统模型，基站配备多根天线，用户侧均为单天线，基站能获取到所有用户的信道状态信息，用户i的归一化可达数据速率为： 其中hi为第i个用户信道向量，为第i个用户信道向量的转置，H为转置运算符，wi为第i个用户的预编码向量，为第i个用户侧的噪声方差，pi为分配给第i个用户的传输功率，满足0≤pi≤Pmax，pj为分配给第j个用户的传输功率，满足j≠i且0≤pj≤Pmax，Pmax为基站的最大发射功率；S2：收集数据集，包括各用户的信道状态信息矩阵H与基于二次变换的多比例分数规划FP算法下的功率分配结果p*；S3:设计一维卷积神经网络的层数及卷积核数量，初始化一维卷积神经网络的权重和偏置；S4:训练一维卷积神经网络，采取均方误差作为损失函数形式，以最小化预测功率向量p与步骤S2中基于二次变换的多比例分数规划算法下功率分配向量p*之间的误差；S5:当迭代训练次数大于等于2000次或损失函数误差小于10-3时，保存当前一维卷积神经网络的权重和偏置；所述S2具体包括以下步骤：S2-1:初始化辅助变量γ和y；S2-2:初始化迭代计数器counter＝0；S2-3:更新辅助变量y中第i个参数yi： 其中γi为初始化辅助变量γ中的第i个参数，K为基站中的用户数量；S2-4:更新辅助变量γ中第i个参数γi： S2-5:更新功率向量p中的第i个功率结果pi： S2-6:计数器counter＝counter+1；S2-7:重复S2-3至S2-6直至counter≥1000；S2-8:输出基于二次变换的多比例分数规划FP算法下的功率分配结果p*；所述S3中，由于一维卷积神经网络只能处理实数，而用户信道状态信息为复数形式，因此，定义一维卷积神经网络的输入为：v＝absvecHHH2其中vec函数实现了HHH的向量化，abs函数实现了对每一个复数取模，H为用户的信道状态信息矩阵，HH用户的信道状态信息矩阵的转置，则一维卷积神经网络的输入尺寸为K2×1，其中K为基站中的用户数量；因此，使用一维卷积神经网络学习处理后的输入v到输出功率向量的映射关系,包含输入层、三个卷积模块、两个全连接层以及输出层；所述S4具体包括以下步骤：S4-1:基于深度学习的特性，收集用户与基站之间的信道状态信息，使用基于二次变换的多比例分数规划FP算法得到对应的功率向量p*，重复S4-1中得到的训练数据；S4-2:将步骤S4-1中得到的训练数据样本按照4:1:1的比例随机分成训练集、验证集和测试集；S4-3:训练初始化结构的一维卷积神经网络，构建损失函数LFP： 其中，Pout为一维卷积神经网络的输出结果，PFP为FP算法得到的最优功率分配结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：211102 江苏省南京市江宁区东南大学路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。