PA 非线性下基于高效自预编码器的海量 MU-MIMO 下行链路深度学习
网络与互联网体系结构
2022-02-08 v1 人工智能
神经与进化计算
摘要
本文介绍了一种基于新型高效自预编码器（AP）的深度学习方法，用于海量多输入多输出（mMIMO）下行链路系统，其中基站配备大量天线与节能功率放大器（PAs）并服务多个用户终端。我们提出 AP-mMIMO，一种联合消除多用户干扰并补偿严重非线性（NL）PA 失真的新方法。与先前工作不同，AP-mMIMO 具有低计算复杂度，使其适用于全局节能系统。具体而言，我们旨在利用自预编码器概念设计 PA 感知预编码器与接收解码器，而端到端海量多用户（MU）-MIMO 下行链路使用深度神经网络（NN）设计。最重要的是，所提 AP-mMIMO 适用于时变块衰落信道场景。为处理此类场景，我们考虑两阶段预编码方案：1) 使用 NN 预编码器处理 PA 非线性，2) 使用线性预编码器抑制多用户干扰。NN 预编码器与接收解码器离线训练，当信道变化时仅线性预编码器在线更新。后者使用广泛使用的迫零预编码方案或基于矩阵多项式的低复杂度版本设计。数值仿真表明，与现有文献相比，所提 AP-mMIMO 方法以显著更低复杂度取得了具竞争力的性能。索引词—多用户（MU）预编码，海量多输入多输出（MIMO），能量效率，硬件损伤，功率放大器（PA）非线性，自预编码器，深度学习，神经网络（NN）
引用
@article{arxiv.2202.03190,
title = {Efficient Autoprecoder-based deep learning for massive MU-MIMO Downlink under PA Non-Linearities},
author = {Xinying Cheng and Rafik Zayani and Marin Ferecatu and Nicolas Audebert},
journal= {arXiv preprint arXiv:2202.03190},
year = {2022}
}