一种用于可扩展波束成形优化的二部图神经网络方法
信号处理
2022-07-13 v1 信息论
机器学习
math.IT
摘要
由于能够处理非凸公式，深度学习（DL）技术已被深入研究用于多用户多输入单输出（MU-MISO）下行链路系统的优化。然而，现有深度神经网络（DNN）固定的计算结构在系统规模（即天线或用户数量）方面缺乏灵活性。本文提出了一种二部图神经网络（BGNN）框架，这是一种专为多天线波束成形优化设计的可扩展DL解决方案。首先将MU-MISO系统表征为一个二部图，其中两个不相交的顶点集分别由发射天线和用户组成，并通过成对边连接。这些顶点互连状态由信道衰落系数建模。因此，一个通用的波束成形优化过程被解释为在带权二部图上的计算任务。该方法将波束成形优化过程划分为专用于各个天线顶点和用户顶点的多个子操作。分离的顶点操作带来了与系统规模无关的可扩展波束成形计算。顶点操作由一组共同构成BGNN架构的DNN模块实现。在所有天线和用户上复用相同的DNN，使得所得学习结构对网络规模具有灵活性。BGNN的组件DNN在大量具有随机变化网络规模的MU-MISO配置上联合训练。因此，训练好的BGNN可普遍应用于任意MU-MISO系统。数值结果验证了BGNN框架相对于传统方法的优势。
引用
@article{arxiv.2207.05364,
title = {A Bipartite Graph Neural Network Approach for Scalable Beamforming Optimization},
author = {Junbeom Kim and Hoon Lee and Seung-Eun Hong and Seok-Hwan Park},
journal= {arXiv preprint arXiv:2207.05364},
year = {2022}
}
备注
accepted for publication on IEEE Transactions on Wireless Communications