基于GNN的MU-MISO网络中和速率最大化波束成形
系统与控制
2023-11-08 v1 系统与控制
摘要
图神经网络（GNNs）在利用无线网络图拓扑结构方面的优势已引起越来越多的关注。本文研究基于GNN的学习方法，用于在满足用户各自数据速率要求和基站功率预算的条件下，多用户多输入单输出（MU-MISO）网络中的和速率最大化。通过将MU-MISO网络建模为图，提出了一种名为CRGAT的基于GNN的架构，直接将信道状态信息映射为波束成形向量。采用带注意力的聚合与残差辅助的组合来增强学习能力并避免过平滑问题。此外，针对基站有限功率预算带来的约束，提出了一种新颖的激活函数。CRGAT以无监督学习方式训练，使用两个提出的损失函数。针对基于学习的方法提出了一种评估方法，基于此验证了所提CRGAT相较于若干凸优化与基于学习的方法的有效性。数值结果揭示了CRGAT的优势，包括毫秒级响应且最优性性能损失有限、对不同用户数与功率预算的可扩展性，以及对不同系统设置的适应性。
引用
@article{arxiv.2311.03659,
title = {GNN-Based Beamforming for Sum-Rate Maximization in MU-MISO Networks},
author = {Yuhang Li and Yang Lu and Bo Ai and Octavia A. Dobre and Zhiguo Ding and Dusit Niyato},
journal= {arXiv preprint arXiv:2311.03659},
year = {2023}
}