MMFeb, 2022

深度展开式多细胞 MU-MIMO 相关和速率最大化

PDF
TL;DR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。
multicell mimo networksweighted minimum mean squared error algorithmtransceiver designgcn-wmmsedistributed deployment
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

  • 加权 MMSE 波束成型算法的深层展开

    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。

    Jun, 2020

  • 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

  • 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

  • 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

  • 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

  • 利用 MMSE 处理和集中式实现使无线电磁波干扰下的无细胞 Massive MIMO 更具竞争力

    通过不同合作程度验证第一次全面分析了无细胞 Massive MIMO 技术，发现使用全局或本地 MMSE 最小均方误差组合可以大大超越传统蜂窝 Massive MIMO 和小区网络，优于最大比合并，集中式实现可以最大化 SE 同时大大降低前端信号，成为操作无细胞 Massive MIMO 网络的首选方式，并探究了非线性解码。

    Mar, 2019

  • 在受限多小区网络中提升总速率性能：一种低信息交换方法

    在现有的网络基础设施限制下，本论文探讨了在实际部署的多小区网络中最大化总速率性能的技术。我们提出了一种创新方法，将基站之间信息交换的需求大幅减少至几位比特，相较于传统方法需要数百位比特的交换方式。这种方法不仅解决了当前网络基础设施所带来的限制，而且在这些约束条件下展示出显著改进的性能。

    Apr, 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

  • 空间相关瑞利衰落通道下的无小区大规模 MIMO 上行性能

    本文研究了具有多天线接入点 (APs) 和空间相关的 Rician 衰落信道的实用无细胞 massive MIMO 系统，分别采用最大比值 (MR)/ 本地最小均方误差 (L-MMSE) 组合和基于相位感知 MMSE、相位感知逐元 MMSE 和线性 MMSE（LMMSE）估计量的最优大尺度淡化译码，导出了具有 MR 组合的新闭式 SE 表达式。数值结果验证了所推导表达式的有效性，并表明 SE 受空间相关性的影响。同时也观察到，L-MMSE 和 MR 组合之间的性能差距随着每个 AP 的天线数量和 LMMSE 估计器的 SE 低于其他估计器而增大，其原因是缺乏相移知识。

    Oct, 2021