云无线接入网络中波束成形和前传量化的联合优化深度学习方法
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
本文提出了一种基于深度学习的资源分配策略,通过优化带宽和传输功率来最小化基站的总功耗,并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明,相对于全连接神经网络,在 QoS 保证方面,级联神经网络的性能更好。
Mar, 2020
本文研究了在无线网络中解决分布式非凸约束优化问题的深度学习框架,其中使用基于本地信息的有效状态分配。通过引入深度神经网络,将原始问题转化为基于非凸约束的 DNN 的训练任务,并开发了一种基于原始 - 对偶方法的约束训练策略,为分布式实现开发了一种新的输出二值化技术。实验结果证实了该方法的有效性。
May, 2019
研究了基于混合波束成形的云无线电接入网络中远程无线电头的模拟和数字部分的优化,考虑了理想和不完美的信道状态信息,使用加权下行总速率和网络能源效率最大化的目标进行联合优化,同时满足前传链路宽带限制、每个无线电头功率限制和射频波束成形矩阵常模约束,提出了块协调 下降算法。并探讨了不完美信道状态信息对性能的影响,应用采样平均近似扩展算法。 数值结果证实了所提出方案的有效性,表明所提出的算法对估计误差具有鲁棒性。
Feb, 2019
使用深度学习方法优化毫米波通信中的 MIMO 系统天线选择和混合波束成形器设计问题,能够比传统技术提高一个数量级的频谱效率,并且快于传统方法 10 倍,适用于数字移动设备。
May, 2019
通过深度强化学习控制前传带宽压缩,该方法在不同的前传负载水平下实现了显著的前传带宽利用率和空中接口吞吐量提升,并能够满足预定的前传时延约束。
Nov, 2023
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
本文介绍了一种名为 CECIL 的云端协同学习算法,利用深度神经网络优化 Fog 无线接入网络(FRAN)中的云端和边缘计算,以及前传接口。通过将云和边缘计算纳入联合优化框架,以及使用中央计算和分布式决策,并使用上下行前传协调来实现端到端的训练和去中心化的实时推断。
Mar, 2021
本文使用深度学习方法解决毫米波环境下单路径通道中的自适应和序列波束形成设计问题,通过设计一个新颖的深度神经网络,根据基站已有的信息并逐步设计适应性感知矢量,以学习主路径角度到达(AOA)。结果表明,与现有的自适应和非自适应波束形成方案相比,该神经网络具有显著更好的 AOA 获取性能。
Dec, 2020
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