基于迁移学习的无线通信网络性能优化方法

本发明属于通信，具体涉及一种无线通信网络性能优化方法，可用于无线通信网络。

背景技术：

1、在无线通信网络性能优化中，当数据样本数量充足时，可以采用大规模数据对神经网络进行训练以实现模型拟合，从而实现网络性能优化。但是当无线通信网络数据集样本量不足时，往往难以直接对数据集进行模型拟合和优化。因此，如何实现小样本数据集的网络性能优化是目前亟待解决的问题。

2、迁移学习是一种利用已有知识来加快新任务学习的方法，可以解决目标域样本数量不足的问题。因此，可以用于小样本无线通信网络性能优化，使得无线通信网络性能优化的过程更加高效和有效。

3、al-kaseem b r等人在其发表的论文“a new intelligent approach foroptimizing6lowpan mac layer parameters”中旨在选择无线通信网络中的最佳mac参数设置，以减少过度冲突、数据包丢失和延迟，提出了一个人工神经网络ann来查找最有效的mac参数输入与作为输出的吞吐量之间的相关性，将mac层参数用作神经网络的输入，以预测吞吐量和延迟，然后使用优化算法最小化延迟以提升网络吞吐量。该方法由于未考虑无线通信网络数据样本量不足的情况，限制了无线通信网络性能的优化。

4、深圳万知达技术转移中心有限公司在其申请号为cn201910804972.9的专利文献中公开了“一种基于深度强化学习的异构云无线接入网资源分配方法”，其针对无线网络环境的复杂性和动态多变性，引入迁移学习算法，利用迁移学习的小样本学习特性，使得深度强化学习算法在少量样本的情况下也能获得最优的资源分配策略，能够在最大化整个网络总吞吐量同时，满足业务队列稳定性的要求。该方法只对总吞吐量最大化，未考虑无线通信网络其他的性能指标的优化。

5、东南大学在其申请号为cn114885340a的专利文献中公开了“一种基于深度迁移学习的超密集无线网络功率分配方法”，其基于超密集网络udn网络模型，定义以能效为目标的功率分配优化问题，然后分别模拟“熟悉”通信网络与“陌生”通信网络，生成各自的有监督数据集，其中每条样本是用户与基站间的信道状态信息与传统方法计算得到的最优功率分配，进而采用基于深度迁移神经网络模型使用上述两个通信网络的数据，在学习信道状态信息与最优功率分配映射的同时，通过对抗训练的权重学习网络获得“熟悉”通信网络的样本权值，利用“熟悉”通信网络的数据提升该神经网络在“陌生”通信网络的预测效果。但该方法仅实现无线网络的功率分配，并未涉及无线通信网络性能优化。

技术实现思路

1、本发明的目的在于克服上述现有技术的不足，提出一种基于迁移学习的无线通信网络性能优化方法，以实现样本量不足场景下的无线通信网络性能优化。

2、为实现上述目的，本发明的技术方案包括如下步骤：

3、(1)构建初始数据集，并进行类别划分：

4、获取三种地形下的无线通信网络数据，分别为山区地形、平原地形和丘陵地形，并通过箱线图对这些数据进行处理，以去除异常值及空值，再进行标准化，构成初始数据集；

5、将初始数据集依据样本数量划分为数据样本量充足的数据集和小样本数据集两部分，其中，数据样本量充足的数据集包含山区地形数据集和平原地形数据集，小样本数据集为丘陵地形数据集；

6、(2)根据初始数据集的特征，选用包括输入层，4个隐藏层及输出层的神经网络模型，模型损失函数l采用均方误差mse；

7、(3)分别利用山区地形数据集、平原地形数据集和山区地形+平原地形数据集，通过梯度下降法对神经网络模型进行训练，得到对应的三个神经网络预训练模型；

8、(4)利用山区地形数据集预训练模型对山区地形无线通信网络性能进行优化，利用平原地形数据集预训练模型对平原地形无线通信网络性能进行优化；

9、(5)利用丘陵地形数据集通过梯度下降法分别对三个神经网络预训练模型进行迁移学习微调，选择损失函数值最小的模型作为微调后的神经网络模型，其输入为m维变量，输出为关键性能指标；

10、(6)改变m维输入变量中某一维变量x的值，固定其他输入变量的值，并将该变量x和其他变量的值输入到微调后的神经网络模型中，得到变量x与关键性能指标之间的函数关系，并对变量x进行调整，实现对丘陵地形数据无线通信网络性能的优化。

11、本发明与现有技术相比，具有如下优点：

12、第一，本发明利用神经网络模型拟合无线通信网络数据，得到数据字段和关键性能指标间的函数关系，可以通过该函数关系图直观的调整数据字段的值，实现对应关键性能指标的优化；

13、第二，本发明由于采用了迁移学习技术对神经网络模型进行微调，解决了无线通信网络数据样本量不足的问题，减少了对数据样本量的需求，提升了网络优化的决策速度，且无需限制通信网络场景，具有广泛的适用性。

技术特征：

1.一种基于迁移学习的无线通信网络性能优化方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤(1)中采用箱线图对无线通信网络数据进行处理，实现如下：

3.根据权利要求1所述的方法，其特征在于，步骤(1)中对处理后的数据集进行标准化，是将各维数据调整为具有相同方差和均值的数值，以确保不同量级的特征在同一维度上进行比较和加权，避免量纲带来的偏差和误导，构成初始数据集。

4.根据权利要求1所述的方法，其特征在于，步骤(2)中根据初始数据集的特征选用神经网络模型，实现如下：

5.根据权利要求1所述的方法，其特征在于，步骤(2)中采用均方误差mse作为神经网络模型的损失函数l，其表示：

6.根据权利要求1所述的方法，其特征在于，步骤(3)中利用每个数据样本量充足的初始数据集分别通过梯度下降法对神经网络模型进行训练，实现如下：

7.根据权利要求1所述的方法，其特征在于，步骤(4)利用山区地形数据集预训练模型对山区地形无线通信网络性能进行优化，利用平原地形数据集预训练模型对平原地形无线通信网络性能进行优化，实现如下：

8.根据权利要求1所述的方法，其特征在于，步骤(5)中利用小样本数据集通过梯度下降法分别对每个神经网络预训练模型进行迁移学习微调，实现如下：

9.根据权利要求1所述的方法，其特征在于，步骤(6)中确定变量x与关键性能指标之间的函数关系，实现如下：

10.根据权利要求1所述的方法，其特征在于，步骤(6)中对变量x进行调整，实现小样本数据集无线通信网络性能的优化，是通过观察变量x和关键性能指标的函数关系图，找到关键性能指标最大或最小时x对应的取值，将每一个x调整为该对应的取值，实现对关键性能指标的优化。

技术总结本发明公开了一种基于迁移学习的无线通信网络性能优化方法，主要解决现有技术在无线通信网络数据样本量不足时无法进行网络性能优化的问题。其方案是：获取山区、平原、丘陵三种地形下的无线通信网络数据并进行处理和类别划分；分别用这三种地形数据集训练选取的神经网络得到对应的三个预训练模型；利用丘陵地形数据集分别微调这三个预训练模型，选择损失函数值最小的模型为微调后的神经网络；分别用山区地形预训练模型、平原地形预训练模型、微调后神经网络模型得到各自对应的山区、平原、丘陵数据集中数据字段与关键性能指标关系并调整数据字段，以优化无线通信网络性能。本发明能减少对数据样本量的需求，提升网络优化的决策速度，可用于无线通信网络。技术研发人员：刘雪芳,刘伟,周奕名受保护的技术使用者：西安电子科技大学技术研发日：技术公布日：2024/7/25