SWIPTNet：基于 GNN 和迁移学习的 SWIPT 统一深度学习框架
信号处理
2025-02-07 v1
摘要
本文研究基于深度学习的方法进行同时无线信息和能量传输 (SWIPT)。针对功率分割 (PS) 接收机和时隙切换 (TS) 接收机，分别建立受质量服务 (QoS) 约束的总速率最大化问题，并通过一种统一的基于图神经网络 (GNN) 的模型求解，称为 SWIPTNet。为了提高 SWIPTNet 的性能，本文首先提出一种单类型输出方法以降低学习复杂度并便于满足 QoS 约束，然后利用拉普拉斯变换增强输入特征的结构信息。此外，我们采用多头注意力和层连接来增强特征提取。进一步，我们在 PS 和 TS 接收机之间实现了迁移学习。消融研究表明了 SWIPTNet 关键组件的有效性。数值结果也表明，SWIPTNet 在实现近最优性能方面具有优势，其毫秒级推理速度远快于传统优化算法。我们还通过快速收敛和表征能力提升展示了迁移学习的有效性。
引用
@article{arxiv.2502.03928,
title = {SWIPTNet: A Unified Deep Learning Framework for SWIPT based on GNN and Transfer Learning},
author = {Hong Han and Yang Lu and Zihan Song and Ruichen Zhang and Wei Chen and Bo Ai and Dusit Niyato and Dong In Kim},
journal= {arXiv preprint arXiv:2502.03928},
year = {2025}
}