用于 MISO 下行波束成形优化的深度学习框架
信息论
2020-01-15 v2 math.IT
摘要
波束成形是提高多用户多输入单输出 (MISO) 系统接收信号质量的有效手段。传统上，寻找最优波束成形解依赖于迭代算法，这会引入较高的计算延迟，因此不适用于实时实现。在本文中，我们提出了一个用于下行波束成形优化的深度学习框架。具体而言，该解是基于卷积神经网络并利用专家知识（如上下行对偶性和最优解的已知结构）获得的。利用该框架，我们针对三个典型优化问题构建了三个波束神经网络 (BNN)，即信号与干扰加噪声比 (SINR) 均衡问题、功率最小化问题和速率最大化问题。对于前两个问题，BNN 采用监督学习方法；而对于速率最大化问题，则采用了监督与无监督学习的混合方法。仿真结果表明，BNN 能够为 SINR 均衡和功率最小化问题获得近优解，对于速率最大化问题则能获得接近加权最小均方误差算法的性能，同时在所有情况下均显著降低了计算复杂度。总而言之，这项工作为多用户 MISO 系统中最优波束成形的快速实现铺平了道路。
引用
@article{arxiv.1901.00354,
title = {A Deep Learning Framework for Optimization of MISO Downlink Beamforming},
author = {Wenchao Xia and Gan Zheng and Yongxu Zhu and Jun Zhang and Jiangzhou Wang and Athina P. Petropulu},
journal= {arXiv preprint arXiv:1901.00354},
year = {2020}
}