基于CNN-LSTM的融合分离深度神经网络用于6G超大规模MIMO混合波束赋形
信号处理
2022-09-27 v1
摘要
在第六代（6G）蜂窝网络中，混合波束赋形将成为一个实时优化问题，且正变得愈发具有挑战性。尽管基于数值计算的迭代方法（如最小均方误差（MMSE）和交替流形优化（Alt-Min））已经能够取得近最优性能，但其计算成本使其不适用于实时应用。然而，近期研究表明，深度神经网络（DNN）等机器学习技术可以学习这些算法在信道状态信息（CSI）与近最优资源分配之间完成的映射，并随后以近实时方式逼近该映射。有鉴于此，我们研究了用于太赫兹（THz）频段超大规模多输入多输出（UM-MIMO）波束赋形挑战的多种DNN架构，并探讨了它们的上下文数学建模。具体而言，我们设计了一种精巧的基于一维卷积神经网络与长短期记忆（1D CNN-LSTM）的融合分离方案，该方案在频谱效率（SE）方面可逼近Alt-Min算法的性能，同时显著减少计算开销。仿真结果表明，所提系统能够达到与数值迭代算法几乎相同的SE水平，而计算成本大幅降低。我们基于DNN的方法还展现出对多样化网络配置的卓越适应性与高可扩展性。尽管当前模型仅处理全连接混合架构，我们的方法也可扩展至处理多种其他网络拓扑。索引术语 6G、CNN、混合波束赋形、LSTM、UM-MIMO
引用
@article{arxiv.2209.12893,
title = {A CNN-LSTM-based Fusion Separation Deep Neural Network for 6G Ultra-Massive MIMO Hybrid Beamforming},
author = {Rafid Umayer Murshed and Zulqarnain Bin Ashraf and Abu Horaira Hridhon and Kumudu Munasinghe and Abbas Jamalipour and MD. Farhad Hossain},
journal= {arXiv preprint arXiv:2209.12893},
year = {2022}
}
备注
17 pages, 14 figures, submitted to IEEE Access Journal