💥💥💥💞💞💞 欢迎来到本博客 ❤️❤️❤️💥💥💥
🎉 作者研究： 🏅🏅🏅 主要研究方向是电力系统和智能算法、机器学习和深度学习。目前熟悉python网页爬虫、机器学习、群智能算法、深度学习的相关内容。希望将计算机和电网有效结合！ ⭐️⭐️⭐️

🎉🎉 欢迎您的到来 🎉🎉

⛅⛅⛅ 📃 个人主页： 科研室 🌈🌈🌈

📚📚📚📋 所有代码目录： ​ ​电气工程科研社​ ​👨‍💻👨‍💻👨‍💻

【现在公众号名字改为：荔枝科研社】

👨‍🎓 博主课外兴趣： 中西方哲学，送予读者：

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。在我这个专栏记录我有空时的一些哲学思考和科研笔记：​ ​ 科研和哲思。 ​ ​建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

📋📋📋 本文目录如下： ⛳️⛳️⛳️

目录

​ ​ 1 概述 ​ ​

​ ​ 2 数学模型 ​ ​

​ ​ 3 算例与仿真 ​ ​

​ ​ 4 Matlab代码、Python代码及文章详细讲解 ​ ​

​ ​ 5 写在最后 ​ ​

1 概述

在本文中，使用深度学习来解决大规模 MIMO 网络 DL 中的最大最小和最大功率分配问题。受到最近机器学习技术 [5] 的成功应用爆炸式增长的启发，这些技术展示了深度神经网络学习丰富模式和近似任意函数映射的能力 [5]、[6]。特别是，我们旨在证明神经网络可以有效地使用 UE 的位置（可以通过全球定位系统轻松获得）以获得接近最佳的性能。这可以显着降低功率分配的复杂性（因为需要简单的矩阵向量运算），因此可以实时执行功率分配，即跟随 UE 位置的变化。对此，训练这样的神经网络相当方便，因为通过运行现成的优化算法很容易获得训练样本。在 [7] 中也考虑了无线网络中无线电资源分配的深度学习，其中用于和速率最大化的 WMMSE 算法已由完全连接的前馈神经网络模拟。

本文使用深度学习在大规模 MIMO 网络的下行链路中执行最大最小和最大推动功率分配。更准确地说，训练深度神经网络以学习用户设备 (UE) 的位置与最佳功率分配策略之间的映射，然后用于预测一组新 UE 位置的功率分配曲线。与传统的面向优化的方法相比，深度学习的使用显着改善了功率分配的复杂性-性能权衡。特别是，所提出的方法不需要计算任何统计平均值，而是使用标准方法所必需的，并且能够保证接近最佳的性能。

2 数学模型

详细数学模型和解释见第4部分。

3 算例与仿真

4 Matlab代码、Python代码及文章详细讲解

本文仅展现部分代码，全部代码见：🍞正在为您运送作品详情

%Cell 1
input_positions_reshaped = [input_positions_cell1;input_positions_cell2;input_positions_cell3;input_positions_cell4];

Input_tr_cell1 = [real(input_positions_reshaped); imag(input_positions_reshaped)];

Input_tr_normalized_cell1 = (Input_tr_cell1 - mean(Input_tr_cell1,2))./std(Input_tr_cell1,0,2);

Input_tr_dB_cell1 = 10*log10(Input_tr_cell1);

Input_tr_dB_normalized_cell1 = (Input_tr_dB_cell1 - mean(Input_tr_dB_cell1,2))./std(Input_tr_dB_cell1,0,2);

%Cell 2
input_positions_reshaped = [input_positions_cell2;input_positions_cell3;input_positions_cell4;input_positions_cell1];

Input_tr_cell2 = [real(input_positions_reshaped); imag(input_positions_reshaped)];

Input_tr_normalized_cell3 = (Input_tr_cell2 - mean(Input_tr_cell2,2))./std(Input_tr_cell2,0,2);

Input_tr_dB_cell2 = 10*log10(Input_tr_cell2);

Input_tr_dB_normalized_cell2 = (Input_tr_dB_cell2 - mean(Input_tr_dB_cell2,2))./std(Input_tr_dB_cell2,0,2);

%Cell 3
input_positions_reshaped = [input_positions_cell3;input_positions_cell4;input_positions_cell1;input_positions_cell2];

Input_tr_cell3 = [real(input_positions_reshaped); imag(input_positions_reshaped)];

Input_tr_normalized_cell3 = (Input_tr_cell3 - mean(Input_tr_cell3,2))./std(Input_tr_cell3,0,2);

Input_tr_dB_cell3 = 10*log10(Input_tr_cell3);

Input_tr_dB_normalized_cell3 = (Input_tr_dB_cell3 - mean(Input_tr_dB_cell3,2))./std(Input_tr_dB_cell3,0,2);

%Cell 4
input_positions_reshaped = [input_positions_cell4;input_positions_cell1;input_positions_cell2;input_positions_cell3];

Input_tr_cell4 = [real(input_positions_reshaped); imag(input_positions_reshaped)];

Input_tr_normalized_cell4 = (Input_tr_cell4 - mean(Input_tr_cell4,2))./std(Input_tr_cell4,0,2);

Input_tr_dB_cell4 = 10*log10(Input_tr_cell4);

Input_tr_dB_normalized_cell4 = (Input_tr_dB_cell4 - mean(Input_tr_dB_cell4,2))./std(Input_tr_dB_cell4,0,2);

5 写在最后

部分理论引用网络文献，若有侵权请联系博主删除。