一种基于多智能体的复数值LSTM框架，用于通过Sub-6 GHz信道状态信息（CSI）在干扰网络中实现毫米波（MmWave）的协同波束成形

《IEEE Transactions on Cognitive Communications and Networking》：A Multi-Agent Complex-Valued LSTM Framework for MmWave Coordinated Beamforming in Interference Networks via Sub-6 GHz CSI

毫米波协同波束赋形研究利用历史Sub-6GHz信道状态信息（CSI）预测毫米波波束向量，提出复杂值LSTM模型解决传统DNN处理复数CSI的失真问题，并设计多智能体自监督学习框架降低控制开销，仿真验证了其高效性和低复杂度优势。

　　

摘要：

在这项研究中，我们探讨了用于多小区多用户干扰网络的毫米波协调波束成形（CBF）技术。鉴于获取移动用户精确且及时的毫米波信道信息的挑战，我们利用历史上的6 GHz以下信道状态信息（CSI）来预测毫米波CBF向量。值得注意的是，当6 GHz以下信道和毫米波信道的收发器共址时，它们之间存在相似性，这一点在非独立组网（NSA）双连接网络中得到了观察。因此，我们构建了一个深度神经网络（DNN），将历史上的多链路6 GHz以下CSI映射到毫米波CBF向量。然而，传统的DNN及相关数据处理方法是针对实值数据设计的，当应用于复数值CSI时可能会导致失真。为了解决这个问题，我们采用了一种复数值长短期记忆（CVLSTM）模型，该模型能够捕捉多链路CSI中的时间相关性。此外，我们提出了复数值特征和层归一化方法，分别用于标准化输入特征和中间特征的分布。进一步地，我们提出了一个多智能体自监督学习框架，用于集中训练CVLSTM模型，并在每个链路本地部署该模型，以减少控制和通信开销。我们将总速率目标设置为评价指标，将CVLSTM设置为执行器，从而实现旨在最大化总速率的自监督学习。对于本地执行而言，CVLSTM仅需要单个链路的干扰信号、被干扰信号以及自身的CSI即可预测其波束成形向量。仿真结果验证了我们提出的基于CVLSTM的CBF框架的有效性和优越性，与那些也利用6 GHz以下信道的迭代优化算法和其他波束成形算法相比。此外，我们的结果还展示了CVLSTM模型的鲁棒性和低复杂性。