基于元学习的毫米波MU-MISO系统鲁棒混合波束成形
信息论
2024-11-26 v1 信号处理
math.IT
摘要
由于低成本和低功耗，混合模拟-数字架构被视为巨型多输入多输出（MIMO）系统的有希望的节能解决方案。关键思想是通过低成本相移器将一个RF链连接到多个天线。然而，由于目标函数非凸且受约束限制，我们提出一种基于梯度引导元学习（GGML）的交替优化框架来解决这一困难问题。该GGML基于元学习的混合波束成形框架“无需训练”且“即插即用”。具体而言，GGML将原始梯度信息输入神经网络，利用梯度下降法从局部视角交替优化子问题，而内嵌于元学习框架中的轻量级神经网络则从全局视角更新。我们还将该框架扩展至考虑信道状态信息不完备的情况。仿真结果表明，GGML可显著提升频谱效率，传统方法的收敛速度提高了8倍。此外，GGML甚至能在相同天线数量下超越全数字加权最小均方误差（WMMSE）波束成形。
引用
@article{arxiv.2411.15762,
title = {Robust Hybrid Precoding for Millimeter Wave MU-MISO System Via Meta-Learning},
author = {Yifan Guo},
journal= {arXiv preprint arXiv:2411.15762},
year = {2024}
}