无小区大规模 MIMO-NOMA 网络中基于机器学习的用户聚类
信号处理
2020-11-17 v1
摘要
非正交多址接入（NOMA）系统优越的频谱效率（SE）和用户公平性特征需要通过更高效地利用用户聚类（UC）来实现。然而，随机 UC 必然导致次优解，而穷举搜索方法则以高复杂度为代价，尤其对于中大型系统而言。为解决该问题，我们提出了两种高效的基于无监督机器学习（ML）的 UC 算法，即 k-means++ 和改进的 k-means++，用于在无小区大规模多输入多输出（CFmMIMO）系统中将用户有效地聚类为互不相交的簇。在接入点采用全导频迫零技术，我们推导了考虑簇内导频污染、簇间干扰以及不完美串行干扰消除影响的求和 SE 的闭式表达式。为全面评估系统性能，我们构建了求和 SE 优化问题，并随后开发了一种简单而高效的迭代算法来求解该问题。此外，还刻画了共址大规模 MIMO-NOMA（COmMIMO-NOMA）系统的性能。数值结果证明了所提 UC 算法相对于其他基准方案的优越性能，同时也验证了在 CFmMIMO 和 COmMIMO 系统中应用 NOMA 的有效性。
引用
@article{arxiv.2011.07549,
title = {Learning-Assisted User Clustering in Cell-Free Massive MIMO-NOMA Networks},
author = {Quang Nhat Le and Van-Dinh Nguyen and Nam-Phong Nguyen and Symeon Chatzinotas and Octavia A. Dobre and Ruiqin Zhao},
journal= {arXiv preprint arXiv:2011.07549},
year = {2020}
}
备注
submitted for possible publication