通信最近开源文章笔记：基于梯度的元学习波束赋形_energy-efficient beamforming for riss-aided commun-CSDN博客

本文链接：https://blog.csdn.net/weixin_54434106/article/details/136635462

大家好，今天为大家介绍一篇将在通信领域会议IEEE ICC 2024上报告的文献：Energy-efficient Beamforming for RISs-aided Communications: Gradient Based Meta Learning。

文章代码已开源，欢迎下载！Github Gitee 点击链接下载。

概述

在本项研究中，作者提出了一种名为基于梯度的元学习波束赋形（GBML）的方法，旨在解决多用户多输入单输出（MU-MISO）波束赋形问题。

与传统方法不同，GBML采用梯度作为神经网络的输入，而不是直接将信道矩阵输入到神经网络中。这一方法创新地结合了梯度信息与神经网络的学习能力，将优化空间进行了变换，很大程度上提高了系统的频谱效率，降低了复杂度，具有很高的应用前景。

实验结果显示，GBML不需要预训练，只需较小规模的神经网络即可达到较高的总和速率，显示出其在各种场景和设置中的鲁棒性。

背景引入

6G通信构想，伴随着更多的业务模态，需要更优的技术支持。面向更多的业务模态，需要更先进的波束赋形技术予以支撑。

6G通信构想，伴随着更多的业务模态，需要更优的技术支持。

当前，已有的算法存在着各种各样的问题。基于迭代优化的算法，如WMMSE，常常伴随着大矩阵求逆操作，这不仅伴随着复杂度较大的问题，也出现了算法不稳定的问题。另外，基于深度学习的算法，如DNN及其变种，或者一些基于MAML的方法，在多用户场景下干扰大、鲁棒性弱，性能过低。因此，需要一种更优的方法进行波束赋形。

系统模型与优化问题形成

作者考虑了一个基站（BS）拥有M个天线，通过N个反射元素的可重构智能表面（RIS）向K个单天线用户发送信号的模型。 � 代表基站与RIS之间的信道， � 代表RIS与用户之间的信道。

系统模型示意图

在这样的情况下，优化问题可以被描述为最大化频谱效率，根据香农公式有

SINR： $\gamma_k = \frac{||\mathbf{h}_k^H\mathbf{\Theta G w}_k||^2}{\sigma^2 + \sum_{j \neq k}^K||\mathbf{h}_k^H\mathbf{\Theta G w}_j||^2}$ ，频谱效率： $R(\mathbf{W,\Theta;H,G})=\sum_{k=1}^K \log_2(1+\gamma_k),$

那么优化问题就是

方法介绍

算法流程

对于每一个优化器，首先基于初始值计算频谱效率，然后计算频谱效率的梯度。随后，将梯度输入神经网络，获取本轮波束赋形矩阵的差分。随后，将差分与初始值相加（相移矩阵为相位相加，等价于相乘，因为 $\mathbf \Theta=\text{diag}[e^{j\theta_1}, e^{j\theta_2}, \cdots, e^{j\theta_N}]$ ）。多次累计后，输出最终结果。