毫米波MIMO系统中混合预编码的元学习

通过移相器将有限数量的射频链连接到多个天线的混合模拟/数字架构可以有效解决大规模多输入多输出（MIMO）系统中的能耗问题。然而，混合预编码的主要挑战在于模拟和数字预编码器之间的耦合以及恒模约束。通常，针对此问题的传统优化算法要么计算复杂度高，要么性能次优，而基于深度学习的解决方案则表现出较差的扩展性和鲁棒性。本文提出了一种即插即用、无需预训练的解决方案，该方案利用梯度引导的元学习（GGML）框架，通过混合预编码最大化MIMO系统的频谱效率。具体来说，GGML利用梯度信息作为网络输入，以促进梯度信息流的共享。我们保留了传统算法的迭代过程，并利用元学习来交替优化预编码器。仿真结果表明，该方法优于现有方法，对系统参数变化具有鲁棒性，甚至在相同天线数量下，其性能可以超过全数字加权最小均方误差（WMMSE）预编码。