基于深度学习的多用户Massive MIMO预编码方法

最新推荐文章于 2024-05-31 21:38:22 发布

米朵儿技术屋

最新推荐文章于 2024-05-31 21:38:22 发布

阅读量671

点赞数

分类专栏：计算机科学及电子科技技术专栏文章标签：深度学习预编码算法人工智能

本文链接：https://blog.csdn.net/weixin_70923796/article/details/128402947

版权

计算机科学及电子科技技术专栏专栏收录该内容

64 篇文章 4 订阅 ¥69.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了一种基于深度学习的Massive MIMO预编码方法，以解决传统WMMSE算法计算复杂度高的问题。通过训练神经网络，实现接近WMMSE算法90%以上的性能，同时显著降低计算复杂度和时延。实验表明，这种方法在不同用户和天线数量下表现稳定，且相比于WMMSE，计算速度更快。

摘要由CSDN通过智能技术生成

【摘要】在下行链路传输场景中，发射机处的功率分配和波束赋形设计至关重要。考虑一个多用户Massive MIMO系统中总功率约束下最大化加权和速率问题，经典的WMMSE算法可以获取次优解，但计算复杂度过高。为了降低计算复杂度，提出了一种基于深度学习的快速波束赋形设计方法，该方法可以离线训练深度神经网络，利用训练后的神经网络求解最优波束赋形解，只需要简单的线性和非线性操作即可完成。实验结果显示，该方法可以逼近WMMSE算法精度的90%以上，同时计算复杂度和时延也大大降低。

【关键词】Massive MIMO；预编码；WMMSE；深度学习

0 引言

Massive MIMO是第五代移动通信（5G）的核心技术之一，在提高系统容量和频谱利用率方面起着至关重要的作用[1-2]。在Massive MIMO系统中，设计实时性强、效率高的资源分配算法是一个非常重要的研究方向，特别是在下行传输链路的预编码问题中。传统的基于优化和迭代的预编码算法收敛速度较慢，计算复杂度高[3]，无法满足5G及以上系统实时应用的需求，如自动驾驶车辆和关键任务通信等。即使在毫秒级变化的小范围衰落非实时应用程序中，迭代过程引入的延迟也会使波束赋形解决方案难以满足通信需求。

近年来深度学习࿰