基于深度学习的多用户连续孔径阵列 (CAPA) 系统波束赋形
信号处理
2024-11-15 v1
摘要
提出一种 DeepCAPA (深度学习用于连续孔径阵列 (CAPA)) 框架，用于学习 CAPA 系统中的波束赋形。首先形式化了波束赋形优化问题，并数学证明最优波束位于由用户共轭信道响应张成的子空间中。当直接应用深度神经网络 (DNN) 求解此问题时，遇到两个挑战：i) 输入和输出空间均为无限维，与 DNN 不兼容。推导了输入和输出的有限维表示以解决此问题。ii) 无闭式损失函数用于训练 DNN。为解决此问题，训练两个额外的 DNN 来近似无闭式表达式的运算，以加快梯度反向传播。为提高学习性能并降低训练复杂度，数学证明了所需学习映射的置换不变性质。进一步地，设计 DNN 为图神经网络以利用这些特性。数值结果表明：i) 提出的 DeepCAPA 框架在谱率效率和推理复杂度方面分别高于匹配滤波和最先进的傅里叶离散化方法，ii) 当 CAPA 系统中天线数量在固定面积内趋于无限时，DeepCAPA 可接近基于空间离散阵列系统波束赋形优化的性能上界。
引用
@article{arxiv.2411.09104,
title = {Deep Learning for Beamforming in Multi-User Continuous Aperture Array (CAPA) Systems},
author = {Jia Guo and Yuanwei Liu and Hyundong Shin and Arumugam Nallanathan},
journal= {arXiv preprint arXiv:2411.09104},
year = {2024}
}
备注
13 pages, 11 figures. arXiv admin note: text overlap with arXiv:2408.11230