复平面中的神经网络预编码
机器学习
2026-03-10 v1
摘要
基于深度学习（DL）的多用户多输入单输出（MU-MISO）系统预编码涉及训练 DL 模型将由信道系数衍生的特征映射到由预编码权重衍生的标签。传统方法将复值信道和预编码系数参数化为其实部和虚量分量或幅度和相位。然而，预编码性能取决于信道向量和预编码向量之间内积的幅值，这些幅值对全局相位旋转是不变的。常规表示方法未充分利用这一对称性，导致学习效率低下且泛化性能差。为此，我们提出一种基于复平面（CPS）的 DL 框架，用于对无线信道和加权最小均方误差（WMMSE）预编码器向量进行参数化。通过消除常规表示方法中固有的全局相位冗余，所提框架使 DL 模型能够学习与几何对齐且在物理上具有区分性的信道-预编码映射。我们研究了两种基于实值嵌入和复数球面坐标的 CPS 参数化方法，并与两种基线方法进行了基准测试。仿真结果表明，所提方法在求和速率性能和泛化能力方面均实现了显著提升，而模型复杂度几乎没有增加。
引用
@article{arxiv.2603.07811,
title = {Neural Precoding in Complex Projective Spaces},
author = {Zaid Abdullah and Merouane Debbah and Symeon Chatzinotas and Bjorn Ottersten},
journal= {arXiv preprint arXiv:2603.07811},
year = {2026}
}