数据增强赋能的 MMSE 模型多用户 MIMO 神经预编码
信息论
2022-03-07 v1 信号处理
math.IT
摘要
利用深度学习方法的预编码设计已在多用户多输入多输出（MU-MIMO）系统中被广泛研究。然而，传统神经预编码设计采用基于黑盒的神经网络，可解释性较弱。本文提出一种基于可解释神经预编码网络设计的深度学习方法，即 iPNet。具体而言，iPNet 模拟经典最小均方误差（MMSE）预编码，并在神经网络架构设计中逼近矩阵求逆。所提 iPNet 由一个模型驱动的组件网络（负责增强输入信道状态信息（CSI））和一个数据驱动的子网络（负责根据该增强 CSI 计算预编码）组成。后一数据驱动模块被明确解释为 MMSE 预编码器的无监督学习器。仿真结果表明，通过利用增强的 CSI，所提 iPNet 相较现有黑盒设计取得了显著性能增益，并展现出针对 CSI 失配的增强泛化能力。
引用
@article{arxiv.2203.02196,
title = {Data Augmentation Empowered Neural Precoding for Multiuser MIMO with MMSE Model},
author = {Shaoqing Zhang and Jindan Xu and Wei Xu and NingWang and Derrick Wing Kwan Ng and Xiaohu You},
journal= {arXiv preprint arXiv:2203.02196},
year = {2022}
}