辅导DNN程序、代作DNN的资源分配框架

我们提出了一种基于DNN的资源分配框架，来优化CRN的性能，而不管CRN的EE如何。它由三层组成，即输入层，多个隐藏层和输出层。输入是具有连续概率密度函数的瞬时信道功率增益 、 和 ，输出是 或 ，隐藏层和输出层的激活函数是ReLU，即 ，其中 和 分别表示神经单元的输入和输出，后面给出了网络结构的详细参数，为了获得每个神经元的权重，需要对DNN进行训练，训练数据通过[6]提出的传统资源分配策略或[5]给出的节能资源分配策略获得，瞬时信道功率增益 、 和 是具有连续的概率密度函数，信道gSS，gSP和hPS是瑞利分组衰落，分别是指数分布1，0.5和0.5的指数分布

例如指数分布，令 =[     ]表示第i个输入训练过程的向量，输出数据分别由 和 表示，使用传统的方案，可以获得具有大量训练数据的集合，在训练过程中，应用均方误差最小化准则[13]，并且由于可以以分布式方式实施，因此利用小批量梯度下降算法来更新权重值。

期中 表示CBS的节能最优发射功率， 和 分别对应ATP和AIP约束的双变量。在（6）式中， 是一个非负成本因子，在[5]中双变量是通过亚梯度法得到的。与SE最大化问题类似，由参数 带入优化问题（5-7）中，然后求出 ，不断用亚梯度法更新 ，在允许误差内，此时的 为最大能效。

每个隐层的神经元数量为200.训练过程基于使用[5]和[6]中提出的具有107信道实现的方案获得的数据。 测试结果通过使用103通道实现获得。 仿真设置来自[5]的设置。 恒定电路功率和放大器系数PC和ζ分别设置为0.05W和0.2。 噪音的方差是0.01。  Pp为60 mW。 用于更新μ和λ的次梯度方法的所有迭代步长都是0.1。 信道gSS，gSP和hPS是瑞利分组衰落，分别是指数分布1，0.5和0.5的指数分布