Feb, 2024

利用深度展开优化无线网络：两种深度展开机制的比较研究

PDF
TL;DR在这项研究中，我们对两种深度展开机制进行了比较研究，以便在下一代无线网络中有效地进行功率控制。通过分数规划转换，我们设计了两个解决方案来解决非凸能效问题。第一个解决方案是数值解，而第二个解决方案是封闭形式的解决方案。基于第一个解决方案，我们设计了一个半展开深度学习模型，将无线通信领域的领域知识与数据驱动的深度学习的最新进展结合在一起。此外，我们基于封闭形式解决方案的亮点设计了一个完全展开的深度学习模型，充分利用了具有表达性的封闭形式功率控制解决方案和深度学习的进展。在模拟结果中，我们比较了所提出的深度学习模型和迭代解决方案在准确性和推理速度方面的性能，以展示它们在实时应用于下一代网络的适用性。
deep unfolding mechanismspower controlnext generation wireless networksenergy efficiencydeep learning models
发现论文，激发创造
  • 通信系统的深度展开：调查与新方向

    本文介绍了一种名为 deep unfolding 的方法，它将迭代优化算法和神经网络工具相结合，可以有效解决机器学习、信号处理、图像处理和通信系统等一系列任务。此次调查重点讨论了在多天线（MIMO）无线系统中，信号检测和预编码以及纠错码的置信传播解码等领域中应用深度展开的情况。实验表明，这种新兴的范式在通信系统中有着显著的效果和通用性。最后，我们总结了一些尚待进一步研究和未来研究方向。

    Jun, 2019

  • 深度展开用于下一代收发器

    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

  • 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

  • 无监督深度展开 PGD 用于无线系统中的发射功率分配

    本文提出了一种基于深度神经网络和无监督学习方法实现的传输功率控制算法，在稠密的设备与设备之间通信场景中的实验表明，该算法可以获得比迭代算法更好的性能，且迭代次数降低了两倍以上。

    Jun, 2023

  • 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

  • 通过图神经网络的反事实优化进行无线电力控制

    通过利用网络拓扑结构创建图神经网络架构并使用反事实优化方法学习最优功率分配决策，实现在一定网络配置范围内，保证最低速率限制，达到平均用户速率和第 5 百分位用户速率之间的平衡。

    Feb, 2020

  • 基于深度学习的无蜂窝式大规模 MIMO 网络功率控制

    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

  • 带 QoS 保证的功率控制：一个可微投影无监督学习框架

    本文介绍了一种基于深度神经网络的无监督学习框架，以解决多用户干扰信道中的功率控制问题，该问题的目标是在用户的最低数据速率或 QoS 要求和功率预算限制下最大化网络总速率，并使用两个新的深度学习（DL）解决方案：DIPNet 和 DEPNet，这些解决方案不仅可以提高可达数据速率，而且可以实现零约束违规概率。

    May, 2023

  • 变化用户活动下的基站大规模 MIMO 功率控制：一种深度学习解决方案

    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