用于海量MIMO异构网络中实时功率分配的深度学习技术

《PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES INDIA SECTION A-PHYSICAL SCIENCES》：Deep Learning Techniques for Real-Time Power Allocation in Massive MIMO HetNets

　　

摘要

在海量多输入多输出（MIMO）系统中，通过无线通信系统中的下行链路在传输符号之间分配功率，可以降低比特错误率，提升性能和容量。然而，在海量MIMO系统中，动态功率分配面临着诸多挑战。为此，本文提出了一种方法，利用深度学习的多层感知器（MLP）模型来实现动态功率分配，从而解决不同数量用户设备（UE）带来的问题。此外，该方法还能确保通信系统中的自适应输入分配，无需计算统计平均值，也无需采用传统方法来达到最佳性能。为了解决固定上限内输入大小变化的问题，MLP采用了改进的输入结构，对用户设备（UE）的位置进行零填充处理。而零填充方法会无谓地处理这些冗余的零输入。因此，本文采用了循环神经网络（RNN）来捕捉功率分配任务中的时间依赖性和序列模式。RNN能够更好地适应UE数量的变化，并通过利用循环连接提升处理以单元阵列形式存在的动态输入尺寸时的性能和效率。为了优化动态无线通信环境中的功率分配性能，本文提出的编码器-解码器LSTM框架与传统的具有及不具零填充的前馈神经网络（FFNN）模型进行了系统比较。实验结果表明，在最大最小最小均方误差策略下，所提出的LSTM模型可实现16.84 Mbps的数据传输速率、0.84比特/秒/赫兹的频谱效率、0.123的公平性指数，以及0.06的最小均方误差。与基于FFNN的方法相比，所提出的LSTM框架在动态用户场景下能实现大约60%更高的平均频谱效率，同时还能自然支持长度可变的UE输入，无需进行冗余的零填充操作。这些结果表明，该框架在异构海量MIMO系统的实时功率分配中具有更高的预测精度、更好的稳定性以及更低的计算开销。