本研究探讨了在多小区 Massive MIMO 系统中最大化总和频谱效率的数据和导频功率优化问题，提出了一种新的基于最小均方误差加权的优化算法，并结合深度学习训练卷积神经网络来实现数据和导频功率控制的联合优化，数值结果表明，在四小区系统中，神经网络得到的解与静态点相比少 1%，将总和频谱效率损失控制在 2% 以内。

Mar, 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

通过使用深度学习在大规模 MIMO 网络下行链路中执行最小最大功率分配和最大乘积功率分配，神经网络可以通过学习用户设备（UE）的位置和最优功率分配策略之间的映射，预测新的 UE 位置的功率分配配置，并比传统的优化方法具有更好的性能 - 复杂度平衡，不需要计算任何统计平均值，能够保证接近最优的性能。

Dec, 2018

基于深度学习的无监督式深度学习的联合功率分配和波束形成设计方案可以提高频谱效率，并且相较于传统方法具有较高的计算效率。

Jun, 2024

研究提出了一种基于深度神经网络的功率控制方法，使用多层全连接的神经网络模型有效解决了多用户干扰信道下的非凸优化问题，并在训练阶段利用无监督学习策略直接最大化输出节点的和，在标准对称多用户高斯干扰信道方面，通过多个神经网络的集成优化方法可以在计算复杂性大幅降低的基础上显著提高性能。

Jul, 2018

本篇论文研究了在无网格网络中，如何利用贝叶斯优化使无线电资源管理机制更加高效，实现整体人均谱效率最大化。

Dec, 2022

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

本文提出一种灵活的载波分配方法，能够联合优化具有相关瑞利衰落信道的多小区大规模多输入多输出系统中的上行和下行数据传输，在最小化加权上下行谱效率之和的约束下，通过利用最大比处理获得的符号误差率的闭式表达式进行优化问题的建模，并使用两种连续的算法来解决组合优化问题和功率控制。数值结果表明，所提出的算法比以前的算法更快地收敛到更好的用户最小和谱效率。

Jun, 2021

本研究使用深度学习研究了多用户多输入单输出系统中的快速下行波束成形算法，其中基站的每个发射天线都有自己的功率约束。研究关注信干噪比（SINR）平衡问题，首先设计了快速次梯度算法，然后提出了一种基于卷积网络和原问题的对偶性的深度神经网络结构来学习最优波束成形。最后，开发了一种算法泛化的方法，以适应不断变化的用户和天线数量，实现了更好的性能与复杂度的平衡。

Feb, 2020

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