毫米波与太赫兹 MIMO 系统中波束码本的学习
信息论
2021-02-24 v1 信号处理
math.IT
摘要
毫米波（mmWave）与太赫兹 MIMO 系统依赖预定义的波束成形码本进行初始接入与数据传输。然而，作为预定义码本，它们通常未针对特定环境、用户分布和/或可能的硬件损伤进行优化。这导致码本规模庞大且波束训练开销高，增加了初始接入/跟踪延迟，并使这些系统难以支持高移动性应用。为克服这些限制，本文开发了一个深度强化学习框架，该框架仅依靠接收功率测量、无需任何显式信道知识即可学习如何迭代优化码本波束方向图（形状）。所开发的模型学习如何自主调整波束方向图，以最佳匹配周围环境、用户分布、硬件损伤与阵列几何。此外，该方法不需要任何关于信道、阵列几何、射频硬件或用户位置的知识。为缩短学习时间，所提模型设计了一种新颖的 Wolpertinger 变体架构，能够在大离散动作空间中高效搜索最优策略，这对带有量化相移器的大型天线阵列十分重要。这一复值神经网络架构设计遵循实际射频硬件约束，如恒模与量化相移器约束。基于公开可用的 DeepMIMO 数据集的仿真结果证实了该框架能够在无需任何信道知识的情况下，为视距（LOS）与非视距场景以及带硬件损伤的阵列学习近最优波束方向图。
引用
@article{arxiv.2102.11392,
title = {Reinforcement Learning of Beam Codebooks in Millimeter Wave and Terahertz MIMO Systems},
author = {Yu Zhang and Muhammad Alrabeiah and Ahmed Alkhateeb},
journal= {arXiv preprint arXiv:2102.11392},
year = {2021}
}
备注
Submitted to IEEE, 30 pages, 9 figures. The dataset/code files will be available soon on the DeepMIMO website https://www.deepmimo.net/. arXiv admin note: text overlap with arXiv:2102.09084