基于深度學習的用戶時延預測
發(fā)布時間：2020-12-10 04:22
近年來隨著移動通信技術的快速發(fā)展,第五代移動通信技術(5G)正趨于成熟,2019年,我國的工業(yè)和信息化部分別向中國移動、中國電信、中國聯(lián)通、中國廣電發(fā)放5G的商用牌照,四大運營商正厲兵秣馬,加快5G移動通信網(wǎng)絡的建設工作。在5G網(wǎng)絡規(guī)劃與優(yōu)化環(huán)節(jié)中一個重要的部分就是基站選址,合理的基站選址能在滿足覆蓋范圍和用戶服務質量的前提下極大的節(jié)約成本。傳統(tǒng)的定點路測、定量覆蓋方法難以滿足快速、全面、準確評估網(wǎng)絡性能的要求。系統(tǒng)級網(wǎng)絡性能仿真雖能實現(xiàn)精確分析,但海量的計算量和時間開銷使得其無法在實際的網(wǎng)絡規(guī)劃中應用。深度學習作為人工智能技術的一個重要分支,近年來在各個領域都受到了研究人員的高度重視。目前來說,將人工智能技術應用于社會的各個領域是一種必然的趨勢,人工智能技術在醫(yī)療、安防、自動駕駛等領域已經(jīng)取得了一定的研究成果。針對傳統(tǒng)網(wǎng)絡規(guī)劃與優(yōu)化方法的缺點,本文引入了深度神經(jīng)網(wǎng)絡模型,提出了一種用戶時延的預測方式可用于5G的基站選址,滿足實際網(wǎng)絡規(guī)劃的需求。本文的主要研究內容和創(chuàng)新點如下所示:本文提出了一種柵格級的用戶時延預測的方法,該方法將系統(tǒng)仿真和深度神經(jīng)模型融為一體,先利用射線追蹤模型與5G...
【文章來源】：安徽大學安徽省 211工程院校
【文章頁數(shù)】：65 頁
【學位級別】：碩士
【部分圖文】：
常見激活函數(shù)圖
第三章深度神經(jīng)網(wǎng)絡模型與三視圖特征模型16圖3.4神經(jīng)網(wǎng)絡模型Fig.3.4Neuralnetworkmodel(2)(1)(1)(1)(1)33113223333kwxwxwxb（3.6）(2)(1)(1)(1)(1)11111221331lfwxwxwxb（3.7）(2)(1)(1)(1)(1)22112222332lfwxwxwxb（3.8）(2)(1)(1)(1)(1)33113223333lfwxwxwxb（3.9）進而，上述神經(jīng)網(wǎng)絡的最終輸出結果為：(2)(2)(2)(2)(2)(2)(2)W,b1111221331h=fwl+wl+wl+l（3.10）上述計算過程就是著名的前向傳播過程，即信號從輸入層出發(fā)，遍歷所有的神經(jīng)元，最終到達輸出神經(jīng)元。所有神經(jīng)元都與下一層的神經(jīng)元全連接（即與下一層的所有神經(jīng)元都相連），同一層的神經(jīng)元互不相連，神經(jīng)元之間也禁止跨層連接。相比單層感知機而言，多層神經(jīng)網(wǎng)絡的學習能力要優(yōu)秀得多，前向傳播算法已經(jīng)不能滿足多層神經(jīng)網(wǎng)絡的學習能力，需要求助于學習能力更強的學習算法。3.2.3誤差反向傳播算法誤差反向傳播（ErrorBackPropagation簡稱BP）算法是最成功的神經(jīng)網(wǎng)絡學習算法之一，目前大部分的神經(jīng)網(wǎng)絡學習算法都是以BP算法為基礎演變而來的。BP算法不僅僅只應用于多層前饋神經(jīng)網(wǎng)絡，還可以用于其他更復雜、更有效的學習算法如卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等。BP算法的基本思想如下：(1)前向傳播過程：將訓練數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡中，數(shù)據(jù)經(jīng)過輸入層、隱藏層最終到達輸出層；
BP算法中變量符號Figure3.5VariablesymbolinBPalgorithm
【參考文獻】：
期刊論文
[1]基于3D射線跟蹤模型的5G高精度仿真研究[J]. 趙靜,張中華,吳威. 信息通信. 2020(03)
[2]基于AI三維建模仿真的5G網(wǎng)絡精確規(guī)劃[J]. 林侃. 信息與電腦(理論版). 2020(04)
[3]Clustering in the Wireless Channel with a Power Weighted Statistical Mixture Model in Indoor Scenario[J]. Yupeng Li,Jianhua Zhang,Pan Tang,Lei Tian. 中國通信. 2019(07)
[4]基于3D射線追蹤模型的場景化覆蓋提升研究與應用[J]. 劉毅,吳德勝,劉亞. 電信技術. 2019(03)
[5]AI for 5G: research directions and paradigms[J]. Xiaohu YOU,Chuan ZHANG,Xiaosi TAN,Shi JIN,Hequan WU. Science China(Information Sciences). 2019(02)
[6]激活函數(shù)在卷積神經(jīng)網(wǎng)絡中的對比研究[J]. 田娟,李英祥,李彤巖. 計算機系統(tǒng)應用. 2018(07)
[7]基于改進sigmoid激活函數(shù)的深度神經(jīng)網(wǎng)絡訓練算法研究[J]. 黃毅,段修生,孫世宇,郎巍. 計算機測量與控制. 2017(02)
[8]基于卷積神經(jīng)網(wǎng)絡的微博情感傾向性分析[J]. 劉龍飛,楊亮,張紹武,林鴻飛. 中文信息學報. 2015(06)
[9]基于深度網(wǎng)絡的可學習感受野算法在圖像分類中的應用[J]. 王博,郭繼昌,張艷. 控制理論與應用. 2015(08)
[10]MLP神經(jīng)網(wǎng)絡定點計算及誤差分析[J]. 都軍偉,王永綱,李凱. 中國科學技術大學學報. 2009(06)
本文編號：2908073
【文章來源】：安徽大學安徽省 211工程院校
【文章頁數(shù)】：65 頁
【學位級別】：碩士
【部分圖文】：
常見激活函數(shù)圖
第三章深度神經(jīng)網(wǎng)絡模型與三視圖特征模型16圖3.4神經(jīng)網(wǎng)絡模型Fig.3.4Neuralnetworkmodel(2)(1)(1)(1)(1)33113223333kwxwxwxb（3.6）(2)(1)(1)(1)(1)11111221331lfwxwxwxb（3.7）(2)(1)(1)(1)(1)22112222332lfwxwxwxb（3.8）(2)(1)(1)(1)(1)33113223333lfwxwxwxb（3.9）進而，上述神經(jīng)網(wǎng)絡的最終輸出結果為：(2)(2)(2)(2)(2)(2)(2)W,b1111221331h=fwl+wl+wl+l（3.10）上述計算過程就是著名的前向傳播過程，即信號從輸入層出發(fā)，遍歷所有的神經(jīng)元，最終到達輸出神經(jīng)元。所有神經(jīng)元都與下一層的神經(jīng)元全連接（即與下一層的所有神經(jīng)元都相連），同一層的神經(jīng)元互不相連，神經(jīng)元之間也禁止跨層連接。相比單層感知機而言，多層神經(jīng)網(wǎng)絡的學習能力要優(yōu)秀得多，前向傳播算法已經(jīng)不能滿足多層神經(jīng)網(wǎng)絡的學習能力，需要求助于學習能力更強的學習算法。3.2.3誤差反向傳播算法誤差反向傳播（ErrorBackPropagation簡稱BP）算法是最成功的神經(jīng)網(wǎng)絡學習算法之一，目前大部分的神經(jīng)網(wǎng)絡學習算法都是以BP算法為基礎演變而來的。BP算法不僅僅只應用于多層前饋神經(jīng)網(wǎng)絡，還可以用于其他更復雜、更有效的學習算法如卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等。BP算法的基本思想如下：(1)前向傳播過程：將訓練數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡中，數(shù)據(jù)經(jīng)過輸入層、隱藏層最終到達輸出層；
BP算法中變量符號Figure3.5VariablesymbolinBPalgorithm
【參考文獻】：
期刊論文
[1]基于3D射線跟蹤模型的5G高精度仿真研究[J]. 趙靜,張中華,吳威. 信息通信. 2020(03)
[2]基于AI三維建模仿真的5G網(wǎng)絡精確規(guī)劃[J]. 林侃. 信息與電腦(理論版). 2020(04)
[3]Clustering in the Wireless Channel with a Power Weighted Statistical Mixture Model in Indoor Scenario[J]. Yupeng Li,Jianhua Zhang,Pan Tang,Lei Tian. 中國通信. 2019(07)
[4]基于3D射線追蹤模型的場景化覆蓋提升研究與應用[J]. 劉毅,吳德勝,劉亞. 電信技術. 2019(03)
[5]AI for 5G: research directions and paradigms[J]. Xiaohu YOU,Chuan ZHANG,Xiaosi TAN,Shi JIN,Hequan WU. Science China(Information Sciences). 2019(02)
[6]激活函數(shù)在卷積神經(jīng)網(wǎng)絡中的對比研究[J]. 田娟,李英祥,李彤巖. 計算機系統(tǒng)應用. 2018(07)
[7]基于改進sigmoid激活函數(shù)的深度神經(jīng)網(wǎng)絡訓練算法研究[J]. 黃毅,段修生,孫世宇,郎巍. 計算機測量與控制. 2017(02)
[8]基于卷積神經(jīng)網(wǎng)絡的微博情感傾向性分析[J]. 劉龍飛,楊亮,張紹武,林鴻飛. 中文信息學報. 2015(06)
[9]基于深度網(wǎng)絡的可學習感受野算法在圖像分類中的應用[J]. 王博,郭繼昌,張艷. 控制理論與應用. 2015(08)
[10]MLP神經(jīng)網(wǎng)絡定點計算及誤差分析[J]. 都軍偉,王永綱,李凱. 中國科學技術大學學報. 2009(06)
本文編號：2908073
本文鏈接：http://www.lk138.cn/kejilunwen/xinxigongchenglunwen/2908073.html
