多用户干扰网络波束成形的深度图解
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
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
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
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
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
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
本文使用图神经网络(GNNs)学习图模型和马尔可夫链的随机场(MRF)来解决无线通信中的大规模 MIMO 检测问题,实验表现出比基于置信传播(BP)的 MMSE(minimum mean-squared error)基准检测器更好的性能。
Jul, 2020
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
本文提出了基于图神经网络的 MP 检测器后验分布启发式微调的新框架,同时提出了两种基于神经网络的检测器,其中 GEPNet 检测器最大化检测性能,GPICNet 检测器平衡性能和复杂度,仿真结果显示,GEPNet 检测器在各种配置下的性能接近最大似然性能,GPICNet 检测器比 BPIC 检测器的多路复用增益翻倍。
Jun, 2022
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