机器学习赋能的联合天线选择与预编码设计：从离线复杂度到在线性能
信息论
2021-01-19 v1 math.IT
摘要
我们研究了多用户多天线下行链路系统的性能，其中基站（BS）通过共享无线介质服务多个用户。为充分挖掘空间分集同时最小化射频（RF）组件消耗的被动能量，BS 配备 M 条 RF 链与 N 根天线，其中 M < N。在接收导频序列以获取信道状态信息后，BS 确定服务于用户的最佳 M 根天线子集。我们提出一种联合天线选择与预编码设计（JASPD）算法，以在发射功率约束与 QoS 要求下最大化系统和速率。JASPD 通过双迭代算法克服公式化问题的非凸性：内循环依次优化预编码向量，外循环遍历所有有效天线子集。尽管逼近（近）全局最优，JASPD 承受组合复杂度，可能限制其在实时网络操作中的应用。为克服该限制，我们提出一种基于学习的天线选择与预编码设计算法（L-ASPA），其采用 DNN 建立关键系统参数与所选天线间的潜在关系。所提 L-ASPD 对用户数量及其位置、BS 发射功率以及小尺度信道衰落均具鲁棒性。借助训练良好的学习模型，所示 L-ASPD 显著优于基于块对角化的基线方案及一种用于广播系统的学习辅助解，并在有限处理时间内取得高于 JASPA 的有效和速率。此外，我们观察到所提 L-ASPD 可削减 95% 计算复杂度，同时保留超过 95% 的最优性能。
引用
@article{arxiv.2101.07004,
title = {Machine Learning-Enabled Joint Antenna Selection and Precoding Design: From Offline Complexity to Online Performance},
author = {Thang X. Vu and Symeon Chatzinotas and Van-Dinh Nguyen and Dinh Thai Hoang and Diep N. Nguyen and Marco Di Renzo and Bjorn Ottersten},
journal= {arXiv preprint arXiv:2101.07004},
year = {2021}
}
备注
accepted to the IEEE Transactions on Wireless Communications