通过集成深度神经网络实现最优功率控制
使用嵌入先验知识的 HetGNN 及参数共享方案来学习多用户多小区网络中的最优功率控制策略,相比于 DNN,其拥有更低的样本复杂度和较小的网络规模。
Nov, 2020
该论文研究了在具有不同数量活跃用户的多小区 Massive MIMO 系统中的总谱效率(SE)优化问题,并针对性地提出了一种深度学习解决方案来实现实时计算。研究结果表明,所提出的神经网络解决方案在保证计算速度的同时,只损失了 2% 的总谱效率。
Jan, 2019
本文介绍了一种基于深度神经网络的无监督学习框架,以解决多用户干扰信道中的功率控制问题,该问题的目标是在用户的最低数据速率或 QoS 要求和功率预算限制下最大化网络总速率,并使用两个新的深度学习(DL)解决方案:DIPNet 和 DEPNet,这些解决方案不仅可以提高可达数据速率,而且可以实现零约束违规概率。
May, 2023
本文提出使用图神经网络(GNNs)解决功率控制问题,并设计了干扰图卷积神经网络(IGCNet)来学习最佳功率控制。IGCNet 在无监督的情况下展现出了较好的性能,并且可以解决传统算法下的功率控制问题。
Jul, 2019
本文提出了一种基于深度学习的功率控制算法,用于解决无蜂窝网络下具有最大最小用户公平性问题的大规模多输入多输出系统中的最大最小速率优化问题,使用无监督学习的方法使深度神经网络学习最佳用户功率分配方案,模型训练快速且灵活,性能显著且具有较低的计算复杂度和快速实现优势,同时提出了一个在线学习阶段,在处理速度较快的情况下实现了接近最优的性能。
Feb, 2021
本论文研究基于对手机器学习的对功率分配的攻击,其中基站通过使用深度神经网络(DNN)将其传输功率分配给多个正交子载波来为多个用户设备(UE)提供服务。 训练相应于回归模型的 DNN 以通道增益为输入并返回传输功率作为输出。研究了对单个 UE 或所有 UE 进行的攻击,并与基准进行比较,表明对手攻击在减少通信速率方面比基准攻击更有效。
Sep, 2021
本文研究了基于模型驱动的电力分配算法在具有干扰多接入信道(IMAC)的无线蜂窝网络中的应用。通过深度强化学习(DRL)的两步训练框架,采用深度 Q 网络(DQN)和深度 Q 学习算法(DQL)从离线学习中获得指定数据集,而对于在线学习过程中的真实数据来说,DQN 可进一步微调。这种方法比现有的 DQL 训练方法更好,具有很好的推广能力。
Dec, 2018
通过利用网络拓扑结构创建图神经网络架构并使用反事实优化方法学习最优功率分配决策,实现在一定网络配置范围内,保证最低速率限制,达到平均用户速率和第 5 百分位用户速率之间的平衡。
Feb, 2020
本文旨在解决异构网络在 5G 系统中网络流量爆炸的问题,提出了一个新的基于卷积神经网络的子信道和功率分配算法,以最大化 EE 性能,与传统迭代方法相比,运行时间低至 6.76%仍能达到全局最优解。
Mar, 2019
本文提出了一种名为异构干扰图神经网络(HIGNN)的无监督学习框架来解决异构设备对设备网络中功率控制 / 波束成形的挑战,该框架可以实现对小型网络的训练,并展现出强大的性能表现。
Apr, 2021