一种基于模型的图神经网络用于预编码学习

利用神经网络学习预编码策略可实现低复杂度的在线部署、对信道损伤的鲁棒性，以及与信道获取的联合优化。然而，现有神经网络在用于学习优化预编码以抑制多用户干扰时，存在训练复杂度高和泛化能力差的问题。这阻碍了它们在用户数时变的实际系统中的使用。本文提出一种图神经网络（GNN）来学习预编码策略，该网络同时利用了预编码策略的数学模型与性质。我们首先表明，当天线数与用户数较大时，普通GNN无法很好地学习信道矩阵的伪逆，且不能泛化到未见过的用户数。随后，我们借助矩阵伪逆的泰勒展开设计了一种GNN，其能够捕捉待聚合的相邻边的重要性，而这对高效学习预编码策略至关重要。仿真结果表明，所提出的GNN能在单小区与多小区多用户多天线系统中以低训练复杂度很好地学习频谱高效与能量高效的预编码策略，并可良好泛化到不同的用户数。