基于梯度液体神经网络的鲁棒波束赋形
信息论
2024-11-26 v3 信号处理
math.IT
摘要
毫米波(millimeter-wave, mmWave) 多输入多输出(MIMO)通信依赖于先进的波束赋形技术是满足未来移动通信日益增长需求的关键使能器。然而，大规模城市 mmWave MIMO 通信场景中细胞信道的动态特性带来了诸多挑战，尤其是复杂度和鲁棒性问题。为此，我们提出了一种鲁棒梯度液体神经网络(GLNN)框架，利用基于常微分方程的液体神经元来解决波束赋形问题。具体而言，我们的 GLNN 框架将优化目标函数的梯度作为输入，以提取高阶信道特征信息，然后引入残差连接以减轻训练负担。此外，我们使用流形学习技术压缩波束赋形问题的搜索空间。这些设计使 GLNN 能够在保持低复杂度的同时确保对噪声和高度动态信道的强鲁棒性。大量仿真结果表明，GLNN 可实现比典型迭代算法高达 4.15% 的频谱效率，并将计算时间缩减至常规方法的仅 1.61%。
引用
@article{arxiv.2405.07291,
title = {Robust Beamforming with Gradient-based Liquid Neural Network},
author = {Xinquan Wang and Fenghao Zhu and Chongwen Huang and Ahmed Alhammadi and Faouzi Bader and Zhaoyang Zhang and Chau Yuen and Merouane Debbah},
journal= {arXiv preprint arXiv:2405.07291},
year = {2024}
}
备注
Accepted by IEEE Wireless Communications Letters