具有变化用户活动的蜂窝大规模MIMO中的功率控制：一种深度学习解决方案

本文考虑了具有变化活跃用户数量的多小区大规模MIMO系统中的总频谱效率优化问题。这被表述为一个联合导频和数据功率控制问题。由于该问题是非凸的，我们首先推导了一种新颖的迭代算法，该算法在多项式时间内获得一个驻点。为了实现实时实现，我们还开发了一种深度学习解决方案。所提出的神经网络PowerNet仅使用大尺度衰落信息来预测导频和数据功率。主要新颖之处在于，我们利用问题结构设计了一个单一神经网络，可以处理动态变化的活跃用户数量；因此，PowerNet同时近似了许多具有不同输入和输出数量的不同功率控制函数。这在先前的工作中是不存在的，因此使PowerNet朝着实际有用的解决方案迈出了重要一步。数值结果表明，在一个九小区系统中，每个相干间隔内最多有90个活跃用户，PowerNet的总频谱效率仅比迭代算法损失2%，并且在图形处理单元上的运行时间仅为0.03毫秒。当在训练阶段选择良好的数据标签时，PowerNet可以比使用一个初始点求解优化问题获得更好的总频谱效率。