基于深度学习的大规模 MIMO电力系统功率分配研究（Matlab&Python代码实现）

wlz249

于 2023-08-20 09:37:57 发布

阅读量152

点赞数

文章标签： python 深度学习 matlab

本文链接：https://blog.csdn.net/weixin_66436111/article/details/127964771

版权

💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥

📋📋📋本文目录如下：⛳️⛳️⛳️

目录

1 概述

2 数学模型

3 算例与仿真

1 概述

在本文中，使用深度学习来解决大规模 MIMO 网络 DL 中的最大最小和最大功率分配问题。受到最近机器学习技术 [5] 的成功应用爆炸式增长的启发，这些技术展示了深度神经网络学习丰富模式和近似任意函数映射的能力 [5]、[6]。特别是，我们旨在证明神经网络可以有效地使用 UE 的位置（可以通过全球定位系统轻松获得）以获得接近最佳的性能。这可以显着降低功率分配的复杂性（因为需要简单的矩阵向量运算），因此可以实时执行功率分配，即跟随 UE 位置的变化。对此，训练这样的神经网络相当方便，因为通过运行现成的优化算法很容易获得训练样本。在 [7] 中也考虑了无线网络中无线电资源分配的深度学习，其中用于和速率最大化的 WMMSE 算法已由完全连接的前馈神经网络模拟。

本文使用深度学习在大规模 MIMO 网络的下行链路中执行最大最小和最大推动功率分配。更准确地说，训练深度神经网络以学习用户设备 (UE) 的位置与最佳功率分配策略之间的映射，然后用于预测一组新 UE 位置的功率分配曲线。与传统的面向优化的方法相比，深度学习的使用显着改善了功率分配的复杂性-性能权衡。特别是，所提出的方法不需要计算任何统计平均值，而是使用标准方法所必需的，并且能够保证接近最佳的性能。

2 数学模型

$\mathbf{v}_{j k}^{\mathrm{M}-\mathrm{MMSE}}=\left(\sum_{l=1}^{L} \sum_{i=1}^{K} \hat{\mathbf{h}}_{l i}^{j}\left(\hat{\mathbf{h}}_{l i}^{j}\right)^{\mathrm{H}}+\mathbf{Z}_{j}\right)^{-1} \hat{\mathbf{h}}_{j k}^{j}$

$\gamma_{j k}^{\mathrm{dl}}=\frac{\rho_{j k}\left|\mathbb{E}\left\{\mathbf{w}_{j k}^{\mathrm{H}} \mathbf{h}_{j k}^{j}\right\}\right|^{2}}{\sum_{l=1}^{L} \sum_{i=1}^{K} \rho_{l i} \mathbb{E}\left\{\left|\mathbf{w}_{l i}^{\mathrm{H}} \mathbf{h}_{j k}^{l}\right|^{2}\right\}-\rho_{j k}\left|\mathbb{E}^{L}\left\{\mathbf{w}_{j k}^{\mathrm{H}} \mathbf{h}_{j k}^{j}\right\}\right|^{2}+\sigma^{2}}$

详细数学模型和解释见第4部分。

3 算例与仿真

wlz249

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
基于深度学习的大规模 MIMO电力系统功率分配研究（Matlab&Python代码实现）

在本文中，使用深度学习来解决大规模 MIMO 网络 DL 中的最大最小和最大功率分配问题。受到最近机器学习技术 [5] 的成功应用爆炸式增长的启发，这些技术展示了深度神经网络学习丰富模式和近似任意函数映射的能力 [5]、[6]。特别是，我们旨在证明神经网络可以有效地使用 UE 的位置（可以通过全球定位系统轻松获得）以获得接近最佳的性能。这可以显着降低功率分配的复杂性（因为需要简单的矩阵向量运算），因此可以实时执行功率分配，即跟随 UE 位置的变化。
复制链接

扫一扫