一种基于神经网络的上下行非对称子载波聚合方法及系统与流程
本发明涉及通信，尤其涉及一种基于神经网络的上下行非对称子载波聚合方法及系统。
背景技术：
1、电力线载波通信作为电力系统特有的、基本的通信方式在推进新型电力系统建设过程中发挥着重要作用。而正交频分复用(orthogonal frequency divi sion mu ltiplexing，ofdm)技术以及抗干扰能力强、传输速率快、频谱利用率高及多信道传输等显著优势有力地提高了电力线网络传输质量，成为了电力线载波通信的关键技术之一。然而，电网的快速发展使得现有电力线通信技术难以满足巨大的电力业务通信需求。
2、目前，为了满足电力业务通信需求，主要是利用电力线ofdm子载波非对称聚合技术，以实现上下行非对称子载波的有效聚合，提高传输带宽和数据传输速率，进而实现电力线通信频谱资源的高效利用。然而，传统的电力线通信ofdm子载波非对称聚合技术没有考虑到业务价值对上下行非对称带宽分配的影响，并且仅基于固定频段和固定子载波进行聚合，缺少灵活性，在子载波迁移时忽略了子载波的边际贡献度与业务重要度对子载波聚合效益提升的影响，导致电力线通信系统性能较差。
技术实现思路
1、本发明实施例提供一种基于神经网络的上下行非对称子载波聚合方法及系统，考虑子载波迁入或迁出节点带宽集合对节点带宽集合整体贡献的影响，对子载波进行合作映射，实现对子载波的动态调度与资源分配的优化。
2、为了解决上述技术问题，本发明实施例提供了一种基于神经网络的上下行非对称子载波聚合方法，包括：
3、实时获取若干个待映射的第一子载波的第一状态数据；其中，所述第一状态数据包括信道增益和噪声功率；
4、将所有所述第一子载波的第一状态数据输入至合作映射模型，并根据所述合作映射模型的输出，分别将各所述第一子载波迁入对应的第一节点带宽集合，获得各所述第一节点带宽集合对应的第二节点带宽集合；其中，所述合作映射模型是对合作映射神经网络进行训练后得到的，所述第一节点带宽集合为上行带宽集合或者下行带宽集合，电力系统的一个通信节点对应一个上行带宽集合和一个下行带宽集合；
5、遍历每个第二节点带宽集合，获取当前遍历的第二节点带宽集合中的各所述第一子载波的边际贡献度和预设使用成本，然后将边际贡献度小于预设使用成本的第一子载波迁出当前遍历的第二节点带宽集合并迁入其他的第二节点带宽集合。
6、实施本发明实施例，将实时获取的若干个待映射的第一子载波的信道增益和噪声功率，输入至由合作映射神经网络训练得到的合作映射模型，以实现第一子载波与第一节点带宽集合的合作映射，并根据合作映射模型的输出，分别将各个第一子载波迁入对应的上行带宽集合或者下行带宽集合，并且将完成子载波迁入的上行带宽集合或者下行带宽集合作为第二节点带宽集合，实现带宽资源的优化分配和利用，接着遍历每个第二节点带宽集合，考虑将第一子载波迁入第二节点带宽集合或迁出第二节点带宽集合对第二节点带宽集合整体贡献影响，获取当前遍历的第二节点带宽集合中的各个第一子载波的边际贡献度和预设使用成本，然后将边际贡献度小于预设使用成本的第一子载波迁出当前遍历的第二节点带宽集合并迁入其他的第二节点带宽集合，避免带宽资源的浪费，通过比较第一子载波的边际贡献度与第一子载波的预设使用成本的大小关系，对第一子载波进行合作迁移，实现对第一子载波的动态调度与资源分配的优化，有效提升网络的性能和稳定性，确保网络通信的畅通，为通信网络的稳定运行和优化发展提供了重要的支持。
7、作为优选方案，所述遍历每个第二节点带宽集合，获取当前遍历的第二节点带宽集合中的各所述第一子载波的边际贡献度和预设使用成本，然后将边际贡献度小于预设使用成本的第一子载波迁出当前遍历的第二节点带宽集合并迁入其他的第二节点带宽集合，具体为：
8、遍历每个第二节点带宽集合，获取当前遍历的第二节点带宽集合中的各所述第一子载波的边际贡献度和预设使用成本，若任意一个所述第一子载波的边际贡献度小于预设使用成本，则将边际贡献度小于预设使用成本的第一子载波迁出当前遍历的第二节点带宽集合，并向下一个遍历的第二节点带宽集合发起迁入请求；
9、响应任意一个第二节点带宽集合接收到迁入请求，在当前的第二节点带宽集合内的子载波数量小于预设阈值时，计算所述迁入请求对应的第一子载波在当前的第二节点带宽集合中的边际贡献度和预设使用成本，若所述迁入请求对应的第一子载波在当前的第二节点带宽集合中的边际贡献度大于预设使用成本，则将所述迁入请求对应的第一子载波迁入当前的第二节点带宽集合。
10、实施本发明实施例的优选方案，遍历每个第二节点带宽集合，若当前遍历的第二节点带宽集合中的任意一个第一子载波的边际贡献度小于预设使用成本，则将该第一子载波迁出当前遍历的第二节点带宽集合，并向下一个遍历的第二节点带宽集合发起迁入请求，当第二节点带宽集合接收到迁入请求时，只有在当前的第二节点带宽集合内的子载波数量小于预设阈值并且请求迁入的第一子载波在当前的第二节点带宽集合中的边际贡献度大于预设使用成本的情况下，才能允许请求迁入的第一子载波迁入该第二节点带宽集合，以避免在子载波的合作迁移过程中第二节点带宽集合内的子载波映射数量超出预设范围而造成部分带宽集合内的带宽资源匮乏的异常情况。
11、作为优选方案，所述第一节点带宽集合的获取，具体为：
12、获取多个第一带宽分配个体；其中，所述第一带宽分配个体包括所述电力系统的若干个通信节点的上行带宽和下行带宽；
13、按照预设的适应度函数算法，根据各所述第一带宽分配个体对应的子载波承载的业务数据密度、业务数据价值、业务优先级、子载波带宽和数据传输时延，计算各所述第一带宽分配个体的适应度函数值，然后基于各所述第一带宽分配个体的适应度函数值，从所有所述第一带宽分配个体筛选出q个第一带宽分配个体，并将筛选出的第一带宽分配个体作为第二带宽分配个体；其中，q≥2；
14、将任意每两个第二带宽分配个体进行配对，并以配对成功的两个第二带宽分配个体作为个体组合，然后将各所述个体组合中的一个第二带宽分配个体的基因与另一个第二带宽分配个体的基因进行融合交叉变异，获得各所述个体组合对应的两个第三带宽分配个体；
15、计算各所述第三带宽分配个体的适应度函数值，然后按照适应度函数值最高的第三带宽分配个体，对所述电力系统进行上下行带宽分配，获得所述电力系统的多个所述第一节点带宽集合。
16、实施本发明实施例的优选方案，考虑到各个第一带宽分配个体对应的子载波承载的业务数据密度、业务数据价值、业务优先级、子载波带宽和数据传输时延等多个指标能够有效反映各个第一带宽分配个体的带宽分配策略合理性和频谱价值，根据上述指标计算各个第一带宽分配个体的适应度函数值，以衡量各个第一带宽分配个体的生存能力，并基于各个第一带宽分配个体的适应度函数值，筛选出不少于2个第一带宽分配个体，以作为第二带宽分配个体，然后将任意每两个第二带宽分配个体进行配对，并对配对成功的两个第二带宽分配个体的基因进行融合交叉变异，以融合第二带宽分配个体的优良基因而得到对应的两个第三带宽分配个体，进而提高第二带宽分配个体的生存能力，最后在第三带宽分配个体中寻找具备最高适应度函数值的第三带宽分配个体，并根据该第三带宽分配个体对电力系统进行上下行带宽分配，使得电力线通信业务价值达到最优，提高电力线通信系统的频谱利用率和数据传输效率。
17、作为优选方案，所述将任意每两个第二带宽分配个体进行配对，并以配对成功的两个第二带宽分配个体作为个体组合，然后将各所述个体组合中的一个第二带宽分配个体的基因与另一个第二带宽分配个体的基因进行融合交叉变异，获得各所述个体组合对应的两个第三带宽分配个体，具体为：
18、将任意每两个第二带宽分配个体进行配对，并以配对成功的两个第二带宽分配个体作为个体组合；
19、遍历每个个体组合的每个第二带宽分配个体，以当前遍历的第二带宽分配个体作为第四带宽分配个体、以与当前遍历的第二带宽分配个体配对成功的第二带宽分配个体作为第五带宽分配个体，若所述第五带宽分配个体中的第二基因的排列顺序与所述第四带宽分配个体中的任意一个第一基因的排列顺序相同，则将当前的第二基因与当前的第一基因进行融合，获得所述第五带宽分配个体对应的融合基因，然后按照预设的交叉变异算法，将所述第四带宽分配个体中的各所述第一基因和所述第五带宽分配个体对应的各所述融合基因进行交叉变异，获得当前遍历的第二带宽分配个体对应的第三带宽分配个体。
20、实施本发明实施例的优选方案，将任意每两个第二带宽分配个体进行配对，并以配对成功的两个第二带宽分配个体作为个体组合，然后遍历每个个体组合的每个第二带宽分配个体，在遍历过程中先对同一个体组合的两个第二带宽分配个体中排列顺序相同的基因进行融合，得到融合基因，然后按照预设的交叉变异算法，将当前遍历的第二带宽分配个体的基因与融合基因进行交叉变异，以获得当前遍历的第二带宽分配个体对应的第三带宽分配个体，从而有效融合优良基因，提高带宽分配个体的生存能力。
21、作为优选方案，所述合作映射模型的构建，具体为：
22、获取若干个第二子载波的第二状态数据、以及各所述第二子载波的期望映射结果，并以所有所述第二子载波的第二状态数据、以及所有所述第二子载波的期望映射结果作为训练数据集；
23、预先构建合作映射神经网络；其中，所述合作映射神经网络包含输入层、隐藏层和输出层；
24、将所有所述第二子载波的第二状态数据输入至所述合作映射神经网络，以使所述合作映射神经网络输出各所述第二子载波的节点带宽集合映射结果，然后对比所有所述第二子载波的节点带宽集合映射结果和期望映射结果，获得所述合作映射神经网络的误差，接着按照预设的权重更新算法，根据所述合作映射神经网络的误差，对所述合作映射神经网络的网络参数进行更新，并将完成网络参数更新的合作映射神经网络作为所述合作映射模型。
25、实施本发明实施例的优选方案，将若干个第二子载波的第二状态数据、以及各个第二子载波的期望映射结果，作为训练数据集，然后利用训练数据集对预先构建的合作映射神经网络进行训练，并在训练过程中通过对比所有第二子载波的节点带宽集合映射结果和期望映射结果，获得合作映射神经网络的误差，接着根据合作映射神经网络的误差对合作映射神经网络的网络参数进行更新，以提升合作映射模型的合作映射精度，进而优化子载波的迁移效果。
26、作为优选方案，所述将所有所述第一子载波的第一状态数据输入至合作映射模型，并根据所述合作映射模型的输出，分别将各所述第一子载波迁入对应的第一节点带宽集合，获得各所述第一节点带宽集合对应的第二节点带宽集合，具体为：
27、将所有所述第一子载波的第一状态数据输入至预先构建的合作映射模型，获得各所述第一子载波与各所述第一节点带宽集合的映射关系；
28、遍历每个第一子载波，若当前遍历的第一子载波与任意一个所述第一节点带宽集合的映射关系为当前遍历的第一子载波映射到当前的第一节点带宽集合中，则将当前遍历的第一子载波迁入当前的第一节点带宽集合，在完成对所有所述第一子载波的遍历之后，以当前的第一节点带宽集合作为对应的所述第二节点带宽集合。
29、实施本发明实施例的优选方案，通过预先构建的合作映射模型，基于各个第一子载波的第一状态数据，分析各个第一子载波与各个第一节点带宽集合的映射关系，然后再遍历每个第一子载波，如果当前遍历的第一子载波与任意一个第一节点带宽集合的映射关系为当前遍历的第一子载波映射到当前的第一节点带宽集合中，则将当前遍历的第一子载波迁入当前的第一节点带宽集合，实现第一节点带宽集合的合理配置。
30、为了解决相同的技术问题，本发明实施例还提供了一种基于神经网络的上下行非对称子载波聚合系统，包括：
31、数据获取模块，用于实时获取若干个待映射的第一子载波的第一状态数据；其中，所述第一状态数据包括信道增益和噪声功率；
32、子载波映射模块，用于将所有所述第一子载波的第一状态数据输入至合作映射模型，并根据所述合作映射模型的输出，分别将各所述第一子载波迁入对应的第一节点带宽集合，获得各所述第一节点带宽集合对应的第二节点带宽集合；其中，所述合作映射模型是对合作映射神经网络进行训练后得到的，所述第一节点带宽集合为上行带宽集合或者下行带宽集合，电力系统的一个通信节点对应一个上行带宽集合和一个下行带宽集合；
33、子载波迁移模块，用于遍历每个第二节点带宽集合，获取当前遍历的第二节点带宽集合中的各所述第一子载波的边际贡献度和预设使用成本，然后将边际贡献度小于预设使用成本的第一子载波迁出当前遍历的第二节点带宽集合并迁入其他的第二节点带宽集合。
34、作为优选方案，所述子载波迁移模块，具体包括：
35、子载波迁出单元，用于遍历每个第二节点带宽集合，获取当前遍历的第二节点带宽集合中的各所述第一子载波的边际贡献度和预设使用成本，若任意一个所述第一子载波的边际贡献度小于预设使用成本，则将边际贡献度小于预设使用成本的第一子载波迁出当前遍历的第二节点带宽集合，并向下一个遍历的第二节点带宽集合发起迁入请求；
36、请求响应单元，用于响应任意一个第二节点带宽集合接收到迁入请求，在当前的第二节点带宽集合内的子载波数量小于预设阈值时，计算所述迁入请求对应的第一子载波在当前的第二节点带宽集合中的边际贡献度和预设使用成本，若所述迁入请求对应的第一子载波在当前的第二节点带宽集合中的边际贡献度大于预设使用成本，则将所述迁入请求对应的第一子载波迁入当前的第二节点带宽集合。
37、作为优选方案，所述的一种基于神经网络的上下行非对称子载波聚合系统，还包括：
38、带宽分配模块，用于获取多个第一带宽分配个体；其中，所述第一带宽分配个体包括所述电力系统的若干个通信节点的上行带宽和下行带宽；按照预设的适应度函数算法，根据各所述第一带宽分配个体对应的子载波承载的业务数据密度、业务数据价值、业务优先级、子载波带宽和数据传输时延，计算各所述第一带宽分配个体的适应度函数值，然后基于各所述第一带宽分配个体的适应度函数值，从所有所述第一带宽分配个体筛选出q个第一带宽分配个体，并将筛选出的第一带宽分配个体作为第二带宽分配个体；其中，q≥2；将任意每两个第二带宽分配个体进行配对，并以配对成功的两个第二带宽分配个体作为个体组合，然后将各所述个体组合中的一个第二带宽分配个体的基因与另一个第二带宽分配个体的基因进行融合交叉变异，获得各所述个体组合对应的两个第三带宽分配个体；计算各所述第三带宽分配个体的适应度函数值，然后按照适应度函数值最高的第三带宽分配个体，对所述电力系统进行上下行带宽分配，获得所述电力系统的多个所述第一节点带宽集合。
39、作为优选方案，所述的一种基于神经网络的上下行非对称子载波聚合系统，还包括：
40、模型构建模块，用于获取若干个第二子载波的第二状态数据、以及各所述第二子载波的期望映射结果，并以所有所述第二子载波的第二状态数据、以及所有所述第二子载波的期望映射结果作为训练数据集；预先构建合作映射神经网络；其中，所述合作映射神经网络包含输入层、隐藏层和输出层；将所有所述第二子载波的第二状态数据输入至所述合作映射神经网络，以使所述合作映射神经网络输出各所述第二子载波的节点带宽集合映射结果，然后对比所有所述第二子载波的节点带宽集合映射结果和期望映射结果，获得所述合作映射神经网络的误差，接着按照预设的权重更新算法，根据所述合作映射神经网络的误差，对所述合作映射神经网络的网络参数进行更新，并将完成网络参数更新的合作映射神经网络作为所述合作映射模型。
技术特征：
1.一种基于神经网络的上下行非对称子载波聚合方法，其特征在于，包括：
2.如权利要求1所述的一种基于神经网络的上下行非对称子载波聚合方法，其特征在于，所述遍历每个第二节点带宽集合，获取当前遍历的第二节点带宽集合中的各所述第一子载波的边际贡献度和预设使用成本，然后将边际贡献度小于预设使用成本的第一子载波迁出当前遍历的第二节点带宽集合并迁入其他的第二节点带宽集合，具体为：
3.如权利要求1所述的一种基于神经网络的上下行非对称子载波聚合方法，其特征在于，所述第一节点带宽集合的获取，具体为：
4.如权利要求3所述的一种基于神经网络的上下行非对称子载波聚合方法，其特征在于，所述将任意每两个第二带宽分配个体进行配对，并以配对成功的两个第二带宽分配个体作为个体组合，然后将各所述个体组合中的一个第二带宽分配个体的基因与另一个第二带宽分配个体的基因进行融合交叉变异，获得各所述个体组合对应的两个第三带宽分配个体，具体为：
5.如权利要求1所述的一种基于神经网络的上下行非对称子载波聚合方法，其特征在于，所述合作映射模型的构建，具体为：
6.如权利要求1所述的一种基于神经网络的上下行非对称子载波聚合方法，其特征在于，所述将所有所述第一子载波的第一状态数据输入至合作映射模型，并根据所述合作映射模型的输出，分别将各所述第一子载波迁入对应的第一节点带宽集合，获得各所述第一节点带宽集合对应的第二节点带宽集合，具体为：
7.一种基于神经网络的上下行非对称子载波聚合系统，其特征在于，包括：
8.如权利要求7所述的一种基于神经网络的上下行非对称子载波聚合系统，其特征在于，所述子载波迁移模块，具体包括：
9.如权利要求7所述的一种基于神经网络的上下行非对称子载波聚合系统，其特征在于，还包括：
10.如权利要求7所述的一种基于神经网络的上下行非对称子载波聚合系统，其特征在于，还包括：
技术总结
本发明公开了一种基于神经网络的上下行非对称子载波聚合方法及系统，包括：实时获取若干个待映射的第一子载波的第一状态数据；将所有第一子载波的第一状态数据输入至由合作映射神经网络训练后得到的合作映射模型，并根据合作映射模型的输出，分别将各第一子载波迁入对应的上行带宽集合或者下行带宽集合，获得第二节点带宽集合；遍历每个第二节点带宽集合，获取当前遍历的第二节点带宽集合中的各第一子载波的边际贡献度和预设使用成本，然后将边际贡献度小于预设使用成本的第一子载波迁出当前遍历的第二节点带宽集合并迁入其他的第二节点带宽集合。采用本发明实施例，对子载波进行合作映射与迁移，实现对子载波的动态调度与资源分配的优化。
技术研发人员：施展,付佳佳,亢中苗
受保护的技术使用者：广东电网有限责任公司
技术研发日：
技术公布日：2024/9/23