RS-BNN：用于速率分割多址接入最优波束成形设计的深度学习框架
信号处理
2024-07-10 v1
摘要
速率分割多址接入（RSMA）依赖于波束成形设计，以在频谱效率和能量效率上超越传统的多址接入方案。虽然传统的优化方法（如加权最小均方误差（WMMSE））能够为RSMA波束成形优化获得次优解，但其计算需求很高。一种基于分数规划（FP）的新方法揭示了RSMA的最优波束成形结构（OBS）。该方法结合超平面不动点迭代（HFPI）方法（称为FP-HFPI），提供了具有相同总速率性能但计算复杂度远低于WMMSE的次优波束成形解。受此方法启发，本文提出了一种基于FP-HFPI的新型深度展开框架，称为速率分割波束成形神经网络（RS-BNN），用于展开FP-HFPI算法。数值结果表明，所提出的RS-BNN达到了与WMMSE和FP-HFPI紧密匹配的性能水平，同时显著降低了计算复杂度。
引用
@article{arxiv.2407.06530,
title = {RS-BNN: A Deep Learning Framework for the Optimal Beamforming Design of Rate-Splitting Multiple Access},
author = {Yiwen Wang and Yijie Mao and Sijie Ji},
journal= {arXiv preprint arXiv:2407.06530},
year = {2024}
}