基于模型的 GNN 实现的超稠密无线网络能效波束赋形
信号处理
2024-10-04 v1
摘要
本文探讨了超稠密无线网络中基于深度学习的波束赋形设计，通过整合先验知识和图神经网络 (GNN)，称为 model-based GNN。形式化能效 (EE) 最大化问题，受功率预算和服务质量 (QoS) 要求的约束，该问题基于最小均方误差方案和混合零强化和最大比传输方案进行了重构。基于重构后的问题，设计了实现从信道状态信息到波beamforming 向量之间的映射的 model-based GNN。特别地，采用了多头注意力机制和残差连接来增强特征提取，并设计了一个方案选择模块以提高 GNN 的适应性。采用无监督学习，并提出了多输入训练策略以增强 GNN 的稳定性。数值结果表明，model-based GNN 在超稠密无线网络中实现了毫秒级响应、有限的性能损失，能够针对不同用户和不同信道条件及 QoS 要求进行扩展和适应。
引用
@article{arxiv.2410.02289,
title = {Model-Based GNN Enabled Energy-Efficient Beamforming for Ultra-Dense Wireless Networks},
author = {Rongsheng Zhang and Yang Lu and Wei Chen and Bo Ai and Zhiguo Ding},
journal= {arXiv preprint arXiv:2410.02289},
year = {2024}
}