GBLinks:面向超密集 D2D mmWave 网络的基于 GNN 的波束选择和链路激活
该论文提出了一种双分图神经网络框架,用于多天线波束成形优化,可实现可扩展性,通过联合训练可以普遍适用于任意 MU-MISO 系统,并验证了其在传统方法上的优越性。
Jul, 2022
本文提出了一种基于图嵌入的设备对设备网络链路调度方法,利用机器学习技术取代传统的数学优化技术,从而减少计算复杂度,增加可扩展性,并且在大规模的场景中仍具有良好的通用性,且只需少量的训练样本就可实现接近最优的表现。
Jun, 2019
本文介绍一种新型系统化波束控制方案,针对超密集的毫米波网络的波束管理问题。在基于联邦学习的波束管理方案中,使用了双层深度 Q 网络(DDQN),非原始数据聚合可以在减少切换成本的同时,理论上保护用户隐私。模拟结果证明了本文所提出的方案的性能增益。
Oct, 2022
本文提出了基于深度学习和超分辨技术的低开销光束和功率分配方法,以应对多用户毫米波网络中用户和车辆的移动、不必要的光束重新选择和定位等难题,并通过理论和数值分析结果证明了该方法的有效性。
May, 2023
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。
Jun, 2019
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
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
本文介绍了一个用于蜂窝网络下的组播设备对设备通信资源分配的框架,主要通过混合整数非线性规划来解决干扰问题和优化资源利用效率,提供了贪心算法和启发式算法来优化研究结果。
Mar, 2015
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
通过研究使用射频信号的射束管理协议,利用人工智能和机器学习的方法,探索如何在分布式多输入多输出系统中通过少量的近似数据来可靠地预测最佳的射束 / 接入点组合。
Dec, 2023