不完美MIMO系统的可学习模型驱动性能预测与优化：框架与应用
信息论
2022-07-01 v1 信号处理
math.IT
摘要
针对多输入多输出系统的性能分析与优化的最先进方案，在具有未知干扰和信道状态信息（CSI）不确定性的动态复杂场景中通常会出现性能下降甚至失效。为适应这些极具挑战性的设定并更好地完成这些网络自动调优任务，本文提出了一种通用的可学习模型驱动框架。为说明所提框架的工作原理，我们考虑正则化迫零预编码作为应用实例，并设计了一种轻量级神经网络，基于粗粒度模型驱动近似对和速率与检测误差进行精细预测。然后，我们在学习到的预测器上以迭代方式估计CSI不确定性，并据此优化发射正则化项及后续的接收功率缩放因子。提出了一种基于深度展开投影梯度下降的功率缩放算法，其在收敛速率与鲁棒性之间取得了良好权衡。
引用
@article{arxiv.2206.15072,
title = {Learnable Model-Driven Performance Prediction and Optimization for Imperfect MIMO System: Framework and Application},
author = {Fan Meng and Shengheng Liu and Yongming Huang and Zhaohua Lu},
journal= {arXiv preprint arXiv:2206.15072},
year = {2022}
}
备注
30 pages, 9 figures, submitted to IEEE Transaction on Wireless Communications (major revision)