基于深度学习的设备到设备通信资源分配
信息论
2020-11-26 v1 人工智能
math.IT
摘要
本文提出了一种深度学习（DL）框架，用于优化具有设备到设备（D2D）通信的多信道蜂窝系统中的资源分配。其中，D2D用户的信道分配和离散发射功率电平均为整数变量，通过优化二者以在维持蜂窝用户服务质量（QoS）的同时最大化整体频谱效率。根据信道状态信息（CSI）的可用性，考虑了两种不同的配置：1）具有完整CSI的集中式操作，以及2）具有部分CSI的分布式操作，在后一种情况下，CSI根据反馈信道的容量进行编码。所提出的DL框架不为每个信道实现求解资源分配问题，而是利用深度神经网络（DNN）模型来逼近任意信道条件下的最优资源分配策略。此外，我们提出了一种结合监督与无监督学习方法的新训练策略以及一种本地CSI共享策略，以在少量真实标签的基础上强制满足蜂窝用户的QoS约束并有效处理整数优化变量，从而实现近最优性能。仿真结果证实，该方案可在低计算时间内达到近最优性能，这凸显了其实时能力。此外，结果表明不仅资源分配策略，而且CSI编码策略也可由DNN高效确定。我们还表明，所提出的DL框架可轻松扩展至具有不同设计目标的通信系统。
引用
@article{arxiv.2011.12757,
title = {Deep Learning-based Resource Allocation For Device-to-Device Communication},
author = {Woongsup Lee and Robert Schober},
journal= {arXiv preprint arXiv:2011.12757},
year = {2020}
}