基于深度學(xué)習(xí)的用戶時延預(yù)測
發(fā)布時間:2020-12-10 04:22
近年來隨著移動通信技術(shù)的快速發(fā)展,第五代移動通信技術(shù)(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(luò)的建設(shè)工作。在5G網(wǎng)絡(luò)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(wù)質(zhì)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(zhǔn)確評估網(wǎng)絡(luò)性能的要求。系統(tǒng)級網(wǎng)絡(luò)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(luò)規(guī)劃中應(yīng)用。深度學(xué)習(xí)作為人工智能技術(shù)的一個重要分支,近年來在各個領(lǐng)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(shù)應(yīng)用于社會的各個領(lǐng)域是一種必然的趨勢,人工智能技術(shù)在醫(yī)療、安防、自動駕駛等領(lǐng)域已經(jīng)取得了一定的研究成果。針對傳統(tǒng)網(wǎng)絡(luò)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(luò)模型,提出了一種用戶時延的預(yù)測方式可用于5G的基站選址,滿足實際網(wǎng)絡(luò)規(guī)劃的需求。本文的主要研究內(nèi)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(yù)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(xué)安徽省 211工程院校
【文章頁數(shù)】:65 頁
【學(xué)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(luò)模型與三視圖特征模型16圖3.4神經(jīng)網(wǎng)絡(luò)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(jìn)而,上述神經(jīng)網(wǎng)絡(luò)的最終輸出結(jié)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(dá)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(jī)而言,多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)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(luò)的學(xué)習(xí)能力,需要求助于學(xué)習(xí)能力更強(qiáng)的學(xué)習(xí)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(luò)學(xué)習(xí)算法之一,目前大部分的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法都是以BP算法為基礎(chǔ)演變而來的。BP算法不僅僅只應(yīng)用于多層前饋神經(jīng)網(wǎng)絡(luò),還可以用于其他更復(fù)雜、更有效的學(xué)習(xí)算法如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等。BP算法的基本思想如下:(1)前向傳播過程:將訓(xùn)練數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中,數(shù)據(jù)經(jīng)過輸入層、隱藏層最終到達(dá)輸出層;
BP算法中變量符號Figure3.5VariablesymbolinBPalgorithm
【參考文獻(xiàn)】:
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(luò)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(yīng)用[J]. 劉毅,吳德勝,劉亞. 電信技術(shù). 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(luò)中的對比研究[J]. 田娟,李英祥,李彤巖. 計算機(jī)系統(tǒng)應(yīng)用. 2018(07)
[7]基于改進(jìn)sigmoid激活函數(shù)的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法研究[J]. 黃毅,段修生,孫世宇,郎巍. 計算機(jī)測量與控制. 2017(02)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)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(xué)報. 2015(06)
[9]基于深度網(wǎng)絡(luò)的可學(xué)習(xí)感受野算法在圖像分類中的應(yīng)用[J]. 王博,郭繼昌,張艷. 控制理論與應(yīng)用. 2015(08)
[10]MLP神經(jīng)網(wǎng)絡(luò)定點計算及誤差分析[J]. 都軍偉,王永綱,李凱. 中國科學(xué)技術(shù)大學(xué)學(xué)報. 2009(06)
本文編號:2908073
【文章來源】:安徽大學(xué)安徽省 211工程院校
【文章頁數(shù)】:65 頁
【學(xué)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(luò)模型與三視圖特征模型16圖3.4神經(jīng)網(wǎng)絡(luò)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(jìn)而,上述神經(jīng)網(wǎng)絡(luò)的最終輸出結(jié)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(dá)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(jī)而言,多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)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(luò)的學(xué)習(xí)能力,需要求助于學(xué)習(xí)能力更強(qiáng)的學(xué)習(xí)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(luò)學(xué)習(xí)算法之一,目前大部分的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法都是以BP算法為基礎(chǔ)演變而來的。BP算法不僅僅只應(yīng)用于多層前饋神經(jīng)網(wǎng)絡(luò),還可以用于其他更復(fù)雜、更有效的學(xué)習(xí)算法如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等。BP算法的基本思想如下:(1)前向傳播過程:將訓(xùn)練數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中,數(shù)據(jù)經(jīng)過輸入層、隱藏層最終到達(dá)輸出層;
BP算法中變量符號Figure3.5VariablesymbolinBPalgorithm
【參考文獻(xiàn)】:
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(luò)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(yīng)用[J]. 劉毅,吳德勝,劉亞. 電信技術(shù). 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(luò)中的對比研究[J]. 田娟,李英祥,李彤巖. 計算機(jī)系統(tǒng)應(yīng)用. 2018(07)
[7]基于改進(jìn)sigmoid激活函數(shù)的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法研究[J]. 黃毅,段修生,孫世宇,郎巍. 計算機(jī)測量與控制. 2017(02)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)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(xué)報. 2015(06)
[9]基于深度網(wǎng)絡(luò)的可學(xué)習(xí)感受野算法在圖像分類中的應(yīng)用[J]. 王博,郭繼昌,張艷. 控制理論與應(yīng)用. 2015(08)
[10]MLP神經(jīng)網(wǎng)絡(luò)定點計算及誤差分析[J]. 都軍偉,王永綱,李凱. 中國科學(xué)技術(shù)大學(xué)學(xué)報. 2009(06)
本文編號:2908073
本文鏈接:http://www.wukwdryxk.cn/kejilunwen/xinxigongchenglunwen/2908073.html
最近更新
教材專著