基于深度学习的上行多用户SIMO波束成形设计
信息论
2023-09-29 v1 机器学习
信号处理
math.IT
摘要
第五代（5G）无线通信网络的发展对提供高数据速率、广覆盖、低时延和节能性能的无线资源管理方案产生了更大需求。然而，传统方法在计算复杂度和适应动态条件的能力方面存在不足，导致无线资源管理的理论分析与算法方案实际执行之间存在差距。基于深度学习的技术凭借其强大的表征能力，为弥合这一差距提供了有前景的解决方案。我们提出了一种称为NNBF的新型无监督深度学习框架，用于设计上行接收多用户单输入多输出（MU-SIMO）波束成形。主要目标是通过聚焦于最大化总和速率来提升吞吐量，同时提供计算高效的解决方案，这与既有的传统方法形成对比。我们针对多种天线配置进行了实验。实验结果表明，NNBF相比我们的基线方法（即迫零波束成形（ZFBF）和最小均方误差（MMSE）均衡器）表现出更优性能。此外，NNBF对单天线用户设备（UEs）的数量具有可扩展性，而基线方法因矩阵伪逆运算而承受显著计算负担。
引用
@article{arxiv.2309.16603,
title = {Deep Learning Based Uplink Multi-User SIMO Beamforming Design},
author = {Cemil Vahapoglu and Timothy J. O'Shea and Tamoghna Roy and Sennur Ulukus},
journal= {arXiv preprint arXiv:2309.16603},
year = {2023}
}