基于到达角的深度强化学习大规模MIMO系统导频分配
信号处理
2021-03-26 v1
摘要
本文利用深度强化学习（DRL）解决了多小区大规模多输入多输出（M-MIMO）系统中的导频污染问题。为此，设计了一种导频分配策略，该策略在保持可容忍的导频污染影响的同时适应信道变化。利用用户的到达角（AoA）信息，给出了一个刻画奖励的代价函数，用以定义系统中的导频污染效应。数值结果表明，基于DRL的方案能够跟踪环境变化，学习近最优的导频分配，并在保持低计算复杂度的同时取得与穷举搜索所得到的最优导频分配相近的性能。
引用
@article{arxiv.2103.13791,
title = {AoA-Based Pilot Assignment in Massive MIMO Systems Using Deep Reinforcement Learning},
author = {Yasaman Omid and Seyed MohammadReza Hosseini and Seyyed MohammadMahdi Shahabi and Mohammad Shikh-Bahaei and Arumugam Nallanathan},
journal= {arXiv preprint arXiv:2103.13791},
year = {2021}
}
备注
submitted to IEEE Communication Letters