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
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
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
本篇论文提出通过使用图神经网络解决大规模射频资源管理问题,通过设计有效的神经网络结构和理论分析,证明了信息传递图神经网络不仅满足置换等变性,而且能够适用于大规模问题且效率高,进一步通过分布式优化算法分析了方法的性能和泛化性,提供解释性和理论保证。
Jul, 2020
无线网络中的动态优化策略是一个重要的研究领域,本文提出了一种使用图神经网络的方法,将分布式代理之间的动态相互作用建模,并在网络优化问题中实现了较好的泛化能力验证
Nov, 2023
利用 Lyapunov 优化方法,最大化实现长期平均通信链路数目,以优化功率控制,改善图神经网络在资源受限的无线系统中的学习性能。
May, 2024
为了在未来的无线网络中实现高数据速率和无处不在的连接,本文提出了一种基于图神经网络的边更新机制,以高效地管理射束形成和功率分配等无线电资源,并在典型的无线电资源管理问题中取得了比现有方法更高的总速率和更短的计算时间。
Dec, 2022
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
本文提出了一种基于深度神经网络的学习算法来近似数值优化算法,在无线资源管理的应用中,此算法可以在几乎实时完成资源分配,大大提高了计算效率。同时,本文也在理论和实践两方面讨论了基于深度神经网络的算法逼近,并在实现方面用大量数值模拟来证明该算法相对于基于优化的最先进的功率分配算法可以实现几个数量级的加速。
May, 2017