1.一种适用于工业物联网通信学习性能均衡的功率分配方法,其特征在于,包括下述步骤:构建边缘智能工业物联网框架,搭建多个神经网络分类模型,并基于历史样本数据对神经网络分类模型进行预训练;
根据IIoT设备产生的数据集类型对用户进行分组,组的数量对应神经网络分类模型的数量;
获取IIoT设备采集到的不同类型的数据集,根据不同类型的数据集训练对应的神经网络分类模型;
获取每个蜂窝区域内IIoT设备的信道状态信息,计算每个IIoT设备的上行通信的可达速率;
构建每个神经网络分类模型对应的经验误差函数,计算多个神经网络分类模型的平均分类误差;
构建优化问题,所述优化问题在最小化平均分类误差值的同时,最大化用户中的最小可达速率,将最小化平均分类误差值与用户中的最小可达速率的差值作为优化目标;
基于MM算法和DC算法将优化问题转换为凸问题,迭代求解得到功率分配的局部最优解;
根据功率分配的局部最优解得到通信速率。
2.根据权利要求1所述的适用于工业物联网通信学习性能均衡的功率分配方法,其特征在于,所述边缘智能工业物联网框架包括一个N根天线的智能边缘服务器和K个单天线用户,边缘智能工业物联网框架用于蜂窝区域,每个宏蜂窝区域包括一个基站、边缘服务器和多个智能工厂,每个智能工厂设有多个通信设备。
3.根据权利要求1所述的适用于工业物联网通信学习性能均衡的功率分配方法,其特征在于,所述多个神经网络分类模型在边缘服务器处搭建,用于处理不同类型的数据。
4.根据权利要求1所述的适用于工业物联网通信学习性能均衡的功率分配方法,其特征在于,所述根据不同类型的数据集训练对应的神经网络分类模型,具体包括:将不同类型的数据集划分为不同的组,且每个组中仅有一种类型的数据集,所述数据集包括:MNIST数据集,数字图像数据集和CIFAR-10数据集;
对应的神经网络分类模型包括CNN模型、SVM模型和VGG模型。
5.根据权利要求1所述的适用于工业物联网通信学习性能均衡的功率分配方法,其特征在于,所述信道状态信息基于导频的信道估计法获取。
6.根据权利要求1所述的适用于工业物联网通信学习性能均衡的功率分配方法,其特征在于,所述计算每个IIoT设备的上行通信的可达速率,基于香农公式计算每个IIoT设备的上行通信的可达速率。
7.根据权利要求1所述的适用于工业物联网通信学习性能均衡的功率分配方法,其特征在于,所述计算每个IIoT设备的上行通信的可达速率,具体表示为:其中,R
8.根据权利要求1所述的适用于工业物联网通信学习性能均衡的功率分配方法,其特征在于,所述构建每个神经网络分类模型对应的经验误差函数,具体表示为:其中,Ψ
9.根据权利要求1所述的适用于工业物联网通信学习性能均衡的功率分配方法,其特征在于,所述构建优化问题,具体表示为:其中,P=[p[1],p[2],......,p[T/T
10.根据权利要求9所述的适用于工业物联网通信学习性能均衡的功率分配方法,其特征在于,基于MM算法和DC算法将优化问题转换为凸问题,具体步骤包括:对于f
构建不等式:
其中,
在不等式的两边同时加上一项
对于f
R
其中,h
通过一阶泰勒展开近似表达f
其中,p
在第n+1次迭代中,R
引入辅助变量z,将优化问题转化为凸问题,表示为:其中,辅助变量z用于解决非光滑算子min。