Intelligent Resource Allocation in Wireless Communications Systems（阅读笔记）_基于dl的ofdm系统联合信道估计和信号检测方法-CSDN博客

本文链接：https://blog.csdn.net/kopkd/article/details/114869095

无线通信系统中的智能资源分配、

abstract

DL的出现代表了WCS设计中的潜在范例转变，从基于带有假设的数学模型的传统手工方案，到使用大量数据的基于DL的自主方案。在本文中，我们讨论了DL的基本要素，并研究了一种基于DNN的智能RA方案，在该方案中，可以通过DL满足具有各种约束的多个目标。通过仿真确认了基于DNN的RA的最优性和可行性，我们讨论了在WCS的实际应用中仍然存在DL应用问题的一些关键技术挑战。
*

IntroductIon

深度学习（DL）是一种基于深度神经网络（DNN）的技术，它与大脑中神经元的活动有关，并且最近引起了人们的关注。当前对DL的热情主要是由于其在性能上优于常规方案[1，2]方面的显着优势。例如，基于DL的图像分类方案可以比基于分析模型的手工常规方案获得更高的准确性，甚至在某些情况下甚至超过了人类水平的性能[1、2]。 DL的使用不限于简单的分类。它也显示了在更复杂的任务中的显着表现，例如对语义场景的理解[1]。

DL的出现可能会导致研究范式的变化，从基于数学模型的精心设计的方案设计到基于学习的方法（其中通过观察大量数据自主设计合适的方案）的方法（请参阅图。1）。例如，常规的图像分类依赖于手工制造的复杂特征检测器，该检测器经过设计并依赖于专业知识，例如边缘检测器。但是，可以使用具有大量图像数据的DL得出更准确的特征检测器。
在这里插入图片描述

研究人员最近已开始在无线通信系统（WCS）的许多方面中应用DL，尤其是在诸如流量和信道估计之类的分类任务中。例如，在[3]中，显示了可以使用DNN准确确定数据流量的类型。此外，在[4]中，考虑了正交频分复用（OFDM）系统中基于DL的信道估计和信号检测。 DL还已应用于比分类更复杂的任务，例如，用于光无线通信的编码器和解码器[5]和稀疏代码多路访问（SCMA）[6]，它们都是使用基于DNN的自动编码器开发的。

DL的一个有趣特征是DNN可以看作是通用逼近器[7]，它能够逼近任意连续函数，从而可以模拟高度非线性和复杂的系统的行为。而且，以端到端的方式训练DNN可以设计出一种最佳策略，而无需明确解决任何复杂的问题（见图1）。

从这个意义上讲，DL已经被应用于WCS中的资源分配（RA），并且之前已经使用了优化。与传统方法不同，在传统方法中，使用一组假设从分析系统模型中得出RA的最佳策略，基于DL的方法可以适应实际情况，因此可以直接从实际渠道数据中得出最佳策略。环境，从而在实践中带来更高的性能。在基于DL的方法中，即使找到更改信道增益[4，8]等参数，也可以通过找到计算时间短的策略来得出最佳RA的通用求解器。 [7]的作者使用DNN重构基于加权最小均方误差（WMMSE）的方案的发射功率，以解决与其高计算时间相关的问题。在[8]中，为了最大化频谱效率（SE）或能量效率（EE），对发射功率进行了优化，其中通过DL实现了最优的发射功率控制策略，而无需得出明确的数学公式。

在本文中，我们将重点放在通过使用DL在WCS中实现智能RA上。为此，我们首先描述DL的基本原理。然后，我们讨论DNN体系结构，可以对其进行训练以得出RA的通用策略，以实现各种目标，即SE（spectral efficiency 频谱效率）和EE（energy efficiency 能源效率）的最大化以及发射功率的最小化，同时满足对干扰和质量的约束，服务（QoS）。最后，在给出一些关键结论之前，我们阐述了有关DL应用的关键研究挑战。