Jun, 2019

5G 网络的深度强化学习：联合波束形成、功率控制和干扰协调

PDF
TL;DR本文讨论了如何使用深度强化学习来优化 5G 网络中的波束成形、功率控制和干扰协同，并将其构建为一个非凸优化问题，以最大化信号干扰加噪声比（SINR）; 该算法在子 6 GHz 和毫米波（mmWave）频段的语音无线电和数据无线电中都取得了更好的性能。
发现论文，激发创造
  • 基于深度学习的联合多用户 MISO 功率分配与波束形成设计

    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

  • 毫米波非正交多址通信中的深度强化学习：联合功率分配和混合波束成形

    本论文介绍了使用深度强化学习和控制理论方法 (DRL) 实现毫米波非正交多址接入 (NOMA) 系统的联合功率分配和混合波束成形，通过考虑用户之间的相互干扰并同时满足高速率需求，模拟结果表明该方法比时分复用多址 (TDMA) 和非线视距 (NLOS)-NOMA 方法在用户总速率方面效果更好，且该方法独立于信道响应。

    May, 2022

  • 深度强化学习在蜂窝网络中联合频谱和功率分配中的应用

    本文提出了一个学习框架来优化无线网络的频谱和功率分配，使用两种分别针对离散和连续变量的强化学习算法来同时执行和训练，模拟结果表明该方案优于基于分数规划的算法和以往基于深度强化学习的解决方案。

    Dec, 2020

  • 高移动毫米波系统的深度学习协同波束成形

    本文提出一种整合了机器学习和协调波束成形技术的解决方案，以克服毫米波系统中窄波束的使用以及高度移动用户在基站之间切换等挑战，并支持高度移动的毫米波应用，同时实现可靠的覆盖、低延迟和可忽略的训练开销。

    Apr, 2018

  • 基于深度学习的下行波束成形优化与天线功率约束算法及实验演示

    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

  • 深度强化学习的毫米波非正交多址下行系统联合功率分配和波束成形器

    该研究使用深度强化学习方法，对毫米波条件下的非正交多址接入进行了功率分配和波束成形的优化，以达到用户总速率最大化，并在模拟结果中表现出较其他方法更佳的效果。

    May, 2022

  • 无探索的联合波束赋型学习强化策略：一种批量约束的离线策略

    通过深度强化学习技术解决网络参数优化问题，实现速率最大化，涉及功率控制、波束成形和干扰抵消等方面，以提高采样效率和降低算法在商业网络中的风险。

    Oct, 2023

  • 基于公平性驱动的 DRL 算法在 RIS 增强的 5G 网络中实现无缝三维无人机连接性优化

    本文研究了可重构智能表面（RIS）辅助的大规模多输入多输出系统在三维中为扩展无线蜂窝覆盖的问题，其中多个 RIS 分别装备有一组被动元件，部署以同时服务多个无人机（UAV）的基站（BS）在 5G 无线通信的时频资源中。通过联合优化 BS 的发送波束形成参数和 RIS 的相移参数来最大化 UAV 的最小信干噪比（SINR），并确保 UAV 之间的公平性。我们提出了两种新颖的算法来解决这个问题，并利用深度确定性策略梯度作为最优化方法来求解 BS 的波束形成矩阵和 RIS 的相移参数。通过模拟结果证明了我们提出的解决方案的有效性，并得出了一些有见地的观察结果。

    Nov, 2023

  • 利用 5G MIMO 数据进行机器学习：应用于深度学习中的波束选择

    本文提出了一种方法将车辆交通模拟器和光线追踪模拟器结合起来，生成代表 5G 情境的信道实现，并描述了一个特定的数据集，用于研究基于毫米波的车辆对基础设施的波束选举技术，并利用这个方法生成的数据集进行分类，回归和强化学习问题的实验。

    Jun, 2021

  • 认知无线电频谱共享的智能功率控制：深度强化学习方法

    本文提出了一种基于深度强化学习的方法，用于共享主要用户和次要用户之间的频谱，并设计了一组空间部署的传感器节点以帮助感知无线环境中的接收信号强度信息，从而使得次要用户可以与主要用户有效地交互以达到传输数据的设定目标状态。

    Dec, 2017