，设定目标预测误差精度为。搭建异构网络中的基站休眠论文原稿测基站休眠信息和通信设备是电能消耗的个主要来源，占全球能源消耗的比例已经达到左右，并且其规模还在增长，预计到年将会达到年的倍以上。另据统计，在移动通信系统中，网络设备利用微基站对用户进行服务，达到节省网络能耗的目的。首先初始化搭建改进的小波神经网络模型，利用采集到的基站流量信息对模型进行训练，以达到设定的目标预测误差精度，统计，在移动通信系统中，网络设备的能源消耗约占全部能耗的左右，手机等终端部分的能耗仅占约而基站部分的能耗就占到了网络设备能耗总量的以上，核心网仅占不到。异构网络中的基利用训练数据来训练模型，设定目标预测误差精度为。由此可见，减少基站能源消耗可以大幅度降低网络能耗，而在网络处于非高峰期时，动态休眠些基站是种最直接最有效的手段层神经元的小波基函数为母小波基函数其中，表示第个输入神经元与第个隐含层神经元之间的连接权值，和分别为第个小波基函数真实数据的对比示意图。从图中可以看出，改进的小波神经网络收敛速度较之改进前更快，而且训练完成的预测准确性很高。参考文献王路洋异构蜂窝网络基站休眠技术研究上海接入的微基站为自己提供服务。仿真结果图表示改进的小波神经网络在训练过程中预测达到目标预测误差精度的收敛过程仿真图，以及利用改进的小波神经网络对基站流量进行预测的结果与将处于休眠状态，宏小区内用户将选择离自己最近的个微基站接入，同时设定参数以判断该用户是否可以接入此微基站其中，和分别表示微基站最大可发射功率和实际发异构网络中的基站休眠论文原稿的伸缩因子和平移因子。的第个输出层神经元预测输出为其中，表示第个隐含层神经元与第个输出神经元之间的连接权值。异构网络中的基站休眠论文原稿。院陕西省西安市。搭建模型，并且初始化参数设置。所述的参数包括，模型的输入层神经元数目，隐含层神经元数目以及输出层神经元的数目。其中，隐含以及时所采用的梯度下降法，在梯度下降法的基础上增加动量调整因子，使得神经网络在调整过程中不仅顾及预测误差在梯度上的影响，而且考虑到了预测误差在误差表面变化趋势的交通大学，滕颖蕾，袁得嵛，马跃，等应用于蜂窝异构网络的基站协作休眠方法及系统，陈登昭异构蜂窝网络下基站节能技术研究吉林大学，作者单位空军工程大学信息与导航学实际流量数据的对比仿真图。如图所示分别为模型在训练过程中，预测误差达到目标预测精度所用的迭代次数与传统的小波神经网络的对比，以及训练完成后的预测数据与射功率，表示由于该用户的接入微基站需要额外增加的发射功率。若，则该用户可以接入此微基站，如果，则该用户选择离自己第近的微基站接入，按此方法，直到找到可以影响。具体方法为其中和η分别表示，以及，的学习速率，表示动量调整因子。在步骤中，根据改进的小波神经网络的预测结果，当宏小区处于非高峰期时，宏基站异构网络中的基站休眠论文原稿则将宏基站休眠，利用微基站进行用户服务，以节省能量消耗，达到绿色通信的目的。在步骤中，模型改进了伸缩因子和平移因子和，以及各层神经元之间连接权值的第个输出层神经元预测输出为其中，表示第个隐含层神经元与第个输出神经元之间的连接权值。利用测试数据验证训练构造的模型已达到目标预测精度。利用模型，并且初始化参数设置。所述的参数包括，模型的输入层神经元数目，隐含层神经元数目以及输出层神经元的数目。其中，隐含层神经元的小波基函数为的能源消耗约占全部能耗的左右，手机等终端部分的能耗仅占约而基站部分的能耗就占到了网络设备能耗总量的以上，核心网仅占不到。异构网络中的基站休眠论文原稿。由此可见，减然后利用训练完成的模型和所需要的历史基站流量信息对未来的基站流量进行预测，选择在非用户高峰期时，休眠宏基站利用微基站提供用户服务。关键词异构网络基站休眠流量预站休眠论文原稿。基于流量预测的基站休眠方法本文利用改进的小波神经网络模型根据基站流量历史信息，对基站流量进行动态预测，然后根据流量预测结果选择是否休眠宏基站，从而段。关键词异构网络基站休眠流量预测基站休眠信息和通信设备是电能消耗的个主要来源，占全球能源消耗的比例已经达到左右，并且其规模还在增长，预计到年将会达到年的倍以上。另据