本发明涉及功率分配，具体涉及一种适用于工业物联网通信学习性能均衡的功率分配方案。
背景技术：
1、随着工业生产中数据的不断增长，物联网利用先进的人工智能算法，如机器学习和深度学习，能够从数据中提取有价值的信息，并为工业生产提供智能化的决策和控制，然而，在工业物联网中，通信延迟是一个严峻的挑战。传统的云计算模式需要将数据发送到远程的云服务器进行处理和分析，这样会导致较高的延迟和不可靠的响应。
2、在现有的资源分配技术中，如专利公开号为cn115802380a的动态不确定场景下认知工业物联网的资源分配方法及装置，针对工业物联网中的时延问题，建立动态不确定场景下的认知工业物联网模型，并基于排队模型建立认知工业物联网时延模型，再通过资源分配保障各业务的时延需求；如专利公开号为cn114745725a的一种基于边缘计算工业物联网的资源分配管理系统，该方法建立基于边缘计算的工业物联网模型下异构任务的重要性模型，对不同任务进行最优分配，实现了减少服务的延迟，提高系统计算资源的利用率。在上述公开的资源分配技术中，仅考虑时变信道下保证iiot设备的通信需求，或仅考虑对工业物联网下异构任务的服务延迟，却都忽视了实际应用中边缘智能带来的学习性能的需求与工业物联网设备通信需求的整体考虑，这使得系统的整体性能大打折扣，也尚未由同时考虑时变信道下工业物联网中设备qos(quality of service)和边缘处训练模型qot(quality of training)二者之间的权衡。
技术实现思路
1、为了克服现有技术存在的缺陷与不足，本发明提供一种适用于工业物联网通信学习性能均衡的功率分配方案，用于解决现有技术尚未考虑在复杂的时变信道下需要同时兼顾多个设备端的通信需求和神经网络分类模型学习性能的问题，以及在功率资源有限的情况下，如何合理地分配通信资源，从而使得在所有用户的qos速率得到保障的前提下最大化边缘处训练模型的qot，提高工业物联网系统的整体性能，本发明具有复杂度低、实用性强、灵活度高、适用范围广、成本低等优点。
2、为了达到上述目的，本发明采用以下技术方案：
3、本发明提供一种适用于工业物联网通信学习性能均衡的功率分配方案，包括下述步骤：
4、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；
5、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；
6、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；
7、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；
8、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；
9、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；
10、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；
11、根据功率分配的局部最优解得到通信速率。
12、作为优选的技术方案，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。
13、作为优选的技术方案，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。
14、作为优选的技术方案，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：
15、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；
16、对应的神经网络分类模型包括cnn模型、svm模型和vgg模型。
17、作为优选的技术方案，所述信道状态信息基于导频的信道估计法获取。
18、作为优选的技术方案，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。
19、作为优选的技术方案，所述计算每个iiot设备的上行通信的可达速率，具体表示为：
20、
21、其中，rk[t]表示在时隙t从iiot设备k接收到信号的可达速率，hk[t]表示的是在时隙t从iiot设备k到边缘服务器的信道向量，pk[t]表示发送信号的功率，n0表示加性高斯白噪声的方差，表示第m组的用户集合。
22、作为优选的技术方案，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：
23、
24、
25、其中，ψm表示神经网络分类模型m的经验误差函数，am和bm表示模型m的训练难度，υm表示用于训练神经网络分类模型m的数据集总数量，am表示神经网络分类模型m的历史样本，dm为神经网络分类模型m对应的数据集中每个样本所需要的比特数量，b表示分配给每个组的带宽，rk[t]表示在时隙t从iiot设备k接收到信号的可达速率，t0表示时隙的时长，t表示上行通信传输的总时间，表示第m组的用户集合。
26、作为优选的技术方案，所述构建优化问题，具体表示为：
27、
28、
29、
30、
31、
32、
33、其中，p＝[p[1]，p[2]，......，p[t/t0]]，表示在t/t0个时隙中分配给k个设备的功率，β表示权重因子，f1(p)表示m个神经网络分类模型的平均分类误差，f2(p)表示k个用户中的最小可达速率，μ为通信所要求的qos速率，rk[t]表示在时隙t从iiot设备k接收到信号的可达速率，t0表示时隙的时长，t表示上行通信传输的总时间，表示所有设备的集合，表示所有时隙的集合，am和bm表示模型m的训练难度，am表示神经网络分类模型m的历史样本，pk[t]表示发送信号的功率，psum表示总功率。
34、作为优选的技术方案，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：
35、对于f1(p)采用mm算法找到其代理函数，具体包括：
36、构建不等式：
37、
38、其中，表示在第n次迭代中第t个时隙分配给第l个设备的功率，是在第n次迭代时所找到的局部最优解，并作为第n+1次迭代时的初始值来构建代理函数，pl[t](n+1)为第n+1次迭代的优化变量；
39、在不等式的两边同时加上一项获得rk[t]的在第n+1次的代理函数表示为：
40、
41、对于f2(p)采用dc算法不断地连续凸逼近函数，将f2(p)中的rk[t]改写成如下的等价形式：
42、rk[t]＝f3(p[t])-f4(p[t])
43、
44、
45、通过一阶泰勒展开近似表达f4(p[t])为：
46、
47、
48、其中，p*[t](n)表示在第n次迭代时分配给所有用户的最佳功率所组成的功率向量，用于第n+1次迭代；
49、在第n+1次迭代中，rk[t]近似表达为：
50、
51、引入辅助变量z，将优化问题转化为凸问题，表示为：
52、
53、
54、
55、
56、
57、其中，辅助变量z用于解决非光滑算子min。
58、本发明与现有技术相比，具有如下优点和有益效果：
59、(1)本发明提出的平衡通信与学习性能的功率分配方案，能够很好的适应未来通信中大规模异构任务的边缘智能的工业物联网场景，针对由于通信资源有限的情况，通过对边缘智能与通信设备进行整体的考虑，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，构建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的优化问题，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，在保证了各通信设备的通信服务质量的同时，最大化了分类模型的分类准确度。
60、(2)本发明在构建优化问题时通过引入权重因子，一方面使分类准确度和通信速率的值在同一数量级，另一方面通过调节权重因子大小使得通信服务质量和分类准确度兼顾，且通过调节权重因子能灵活地适应不同应用场景的需求，应用范围更加广泛。
61、(3)通过仿真实验对比，相较于传统的只考虑学习性能或者只考虑通信性能的功率分配方案，本发明无论是在学习性能还是在通信速率方面都有着极大的提升，而且，本发明考虑了更为复杂的时变信道下多用户的时隙级别的功率分配更贴合于实际的应用场景。
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案，其特征在于，包括下述步骤：
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案，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案，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案，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：
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案，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案，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案，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：
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案，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：
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案，其特征在于，所述构建优化问题，具体表示为：
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案，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：
