深度学习大规模MIMO中的功率分配

摘要-本文使用深度学习的方法在大规模MIMO网络的下行链路中执行max-min和max-prod功率分配。更确切地说,与传统的面向优化的方法相比,训练深度神经网络来学习用户设备(UE)的位置和最优功率分配策略之间的映射,然后用于预测新的UE集合的功率分配曲线｡与传统的优化定向方法相比,使用深度学习的方法显著提高了功率分配的复杂性-性能折衷｡特别地,所提出的方法不需要计算任何统计平均值,而是需要使用标准方法来计算，并且能够保证接近最优的性能。

1 引言

大规模MIMO是指一种无线网络技术，其中基站(BS_s)配备了大量的天线，通过空间复用技术为众多用户设备(UE)服务。近年来出现了令人兴奋的事态发展。在工业上，这项技术已被纳入5G新无线电标准。在学术界，被认为施加了根本的限制长期的试验性污染问题，终于得到了解决。更准确地说，有些文献中表明，在最优最小均方误差(MMSE)组合/预编码和少量空间信道相关的情况下，上行链路(UL)和下行链路(DL)中的容量随天线数目的增加而增加。结合/预编码和少量空间信道相关，在上行链路(UL)和下行链路(DL)中，容量随天线数目的增加而增加。

在这项工作中，我们使用深度学习来解决大规模MIMO网络DL中的max-min和max-prod功率分配问题。 我们受到最近机器学习技术成功应用的爆炸式增长的启发[5]，它证明了深度神经网络学习丰富模式和逼近任意函数映射的能力[5]，[6]。 特别地，我们的目的是证明UE的位置（可以通过全球定位系统容易地获得）可以被神经网络有效地用于获得接近最佳的性能。 这允许基本上降低功率分配的复杂性（因为需要简单的矩阵矢量运算）并且因此使得可以实时地执行功率分配，即跟随UE的位置的变化。 除此之外，训练这样的神经网