Jun, 2020

加权 MMSE 波束成型算法的深层展开

PDF
TL;DR本文提出了将深度展开应用于加权最小均方误差算法（WMMSE）的新方法，以在 MISO 下行通道中计算尽可能大的加权和速率，通过仿真实验表明，相较于传统方法，深度展开可以更好地权衡性能与计算复杂度。
downlink beamformingweighted minimum mean square error algorithmdeep unfoldingmiso downlink channelprojected gradient descent
发现论文，激发创造
  • 多用户干扰网络波束成形的深度图解

    利用图神经网络优化多用户多输入多输出无线自组织干扰网络中的波束成形，性能表现优于传统的 WMMSE 方法和基于学习的最新方法。

    Apr, 2023

  • 使用图神经网络展开 WMMSE 以实现有效功率分配

    本文提出了一种混合方法，通过模型与数据驱动组件结合的方式解决了单跳自组织无线网络中的最优功率分配问题，并在此基础上提出了一种新型的神经网络架构 — 折叠 WMMSE（UWMMSE），其中可学习的权重是通过 GNNs 参数化的，最后，我们证明了这个网络架构是置换等变的，从而可以负责不同的网络拓扑和拥塞情况。

    Sep, 2020

  • 深度展开式多细胞 MU-MIMO 相关和速率最大化

    在多小区 MIMO 网络中，使用加权最小均方误差算法进行协作加权和速率最大化是一项重要而困难的问题。 在本文中，我们介绍了一种称为 GCN-WMMSE 的结构，它利用了图信号处理的思想，在多小区 MU-MIMO 干扰信道中进行收发机设计。与传统的迭代算法相比，它具有低数量的可训练参数和高效率，大大减少了在分布式部署中的开销，并实现了与 WMMSE 算法相似的性能。

    Feb, 2022

  • 利用图神经网络和深度算法展开实现高效的功率分配

    研究单跳自组织无线网络中最优功率分配问题，使用基于图神经网络的混合神经体系结构，提出了一种展开 WMMSE 算法（UWMMSE），它的可学习权重通过多个功率分配问题的基于梯度的下降方法来训练，达到可比较 WMMSE 的性能并显著降低计算复杂度，数值实验说明了该现象。

    Nov, 2020

  • 迭代算法诱导的深度展开神经网络：多用户 MIMO 系统的预编码设计

    本文提出了一种基于优化理论的算法框架，采用深度展开神经网络求解多用户 MIMO 系统中的前编码设计问题，并实现了一个基于 WMMSE 算法的高效 IAIDNN，有效地降低了计算复杂度，同时保持了 WMMSE 算法的性能。

    Jun, 2020

  • 用于 MISO 下行波束形成优化的深度学习框架

    本文提出了一种基于深度学习框架和专家知识的下行波束成形优化方法，构建了三个波束成形神经网络用于三种典型优化问题，并在模拟结果中表明该方法具有较快的实现速度和显著降低的计算复杂度。

    Jan, 2019

  • 深度展开用于下一代收发器

    本文介绍了深度展开（deep-unfolding）在矩阵参数下的收发机设计以及其最新进展，阐述了将其应用于下一代先进收发机设计方面的努力，并提出了未来研究的一些开放性问题。

    May, 2023

  • 基于图的算法展开：用于无线网络中的能量感知功率分配

    我们开发了一种新颖的基于图的可训练框架，用于最大化无线通信网络中的功率分配的加权和能效（WSEE）；为解决问题的非凸性，我们提出了模块化结构并提供了基于图卷积神经网络（GCNs）的可学习组件，通过梯度下降法进行模型训练，它已经证明可以推广到不同网络拓扑结构，并且具有优越的性能和鲁棒性。

    Jan, 2022

  • 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

  • 基于深度学习的大规模 MIMO 系统中的和谱效率最大化优势

    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