[论文笔记]DECCO: Deep-Learning Enabled Coverage and Capacity Optimization for Massive MIMO Systems

本文链接：https://blog.csdn.net/m0_37495408/article/details/107084279

序

这是一篇来自IEEE ACCESS的paper（影响因子19年3.745），18年4月发表，到本博客的时间点被引了18次，值得一提的或许是这文的一作是一个IEEE的Fellow YANG YANG。

覆盖范围和系统容量的折衷及联合优化在大规模MIMO无线系统中是重要且有挑战性的。

本文提出的方法名为GAUSS（Group Alignment of User Signal Strength），用来支持大规模MIMO系统的用户调度，为优化覆盖范围和系统容量（CCO, Coverage and Capacity Optimization）提供有效参数。
此外，还提出了一种基于DRL的联合优化覆盖范围和系统容量的算法（DECCO），其使用神经网络动态推到CCO期间的GAUSS和SINR_min。
此外，还提出了一种小区间干扰协调（ICIC）以增强CCO的性能。

经仿真，DECCO可以在系统容量和覆盖范围之间进行平衡，并且可以显著提升频谱效率。

we can set learning clusters to account for learning gains decreasing as opposed to the scale of networks. 未来将在大规模学习中实现覆盖率和容量的优化。

MU-MIMO（多用户MIMO）可获得比SU-MIMO（单用户MIMO）更好的性能，其可以在同一频谱资源上对cell内的多个UE提供服务，借此改善频谱效率。CCO相关的系统参水包括参考信号功率、天线倾角、调度参数等。但是在MU-MIMO系统中配置这些参数以改善CCO是困难的。

具体来讲，用户调度机制负责给具有精确的时间和频率分辨率的BS分配合适的频谱资源，同时考虑信道质量和QoS要求。因此我们可以通过找到合适的调度参数来解决CCO而非调整天线倾角。

paper	时间和会议	方法	目的	不足
[6]A self-optimization method for coverage-capacity optimization in OFDMA networks with MIMO	2011; icst	$\alpha$ -fair （一个优化算法）	改善覆盖范围	仅在SU-MIMO下研究
[7]A novel dynamic Q-learning-based scheduler technique for LTE-advanced technologies using neural networks	2012; IEEE LCN	动态QL	联合优化系统容量和用户公平	仅在SU-MIMO下研究
[8]Joint user scheduling and power allocation for massive MIMO downlink with two-stage precoding	2016; ICCC	JSDM空间划分及复用	联合优化用户调度和功率分配	仅优化系统速率，没考虑覆盖范围
[9]Joint spatial division and multiplexing: Realizing massive MIMO gains with limited channel state information	2012; CISS	MAX user scheduling; Lagrange power optimization	联合优化用户调度和功率分配
[10]User grouping and scheduling for large scale MIMO systems with two-stage precoding	2014; ICC	K-means	用户分组，给不同组分配资源	仅优化系统速率，没考虑覆盖范围