混合预编码的分解学习框架

《IEEE Open Journal of the Communications Society》：A Decomposed Learning Framework for Hybrid Precoding

　　

摘要：

基于学习的混合预编码已成为大规模天线系统中实现低延迟多用户传输的一种有前景的解决方案。然而，其实际应用往往受到高训练开销以及在不同系统规模下泛化能力差的限制。这些问题的根本原因在于，现有的大多数方法都是利用单个神经网络，在不同的约束条件下学习定义在异构空间上的耦合映射。为了解决这一问题，我们提出了一种学习框架，将该混合预编码任务分解为三个结构上相互独立的子任务：模拟预编码、数字波束成形和功率分配。这一分解是基于结构条件分析得出的，分析表明模拟预编码器和数字预编码器——后者包括波束成形和功率分配——可以设计成部分可分离的形式。基于这些见解，我们为每个子任务设计了专门的神经模块，充分利用它们各自的结构性特征，并以端到端的方式共同训练这些模块。仿真结果表明，所提出的学习框架在频谱效率方面可与基于优化的方法相媲美，同时在大规模场景下（例如1024根天线）进行推理时所需的浮点运算量显著减少。此外，该设计在多种系统规模下都具有较好的泛化能力，还可以轻松适配于其他目标，如能量效率最大化。