在现实的多小区干扰条件下，利用干扰校正的代数投影天线选择技术和认证的图学习方法来优化大规模MIMO系统

《Network》：Interference-Calibrated Algebraically Projected Antenna Selection with Certified Graph Learning for Massive MIMO Under Realistic Multi-Cell Impairments

　　

摘要

本文研究了在现实信道状态信息（CSI）的影响下，通过天线选择来降低大规模多输入多输出（MIMO）基站中射频（RF）链路功率的方法。研究的动机在于传统天线选择目标与多小区操作之间的不匹配，以及估计误差、导频污染、空间相关性和小区间干扰等问题。本文的主要贡献是提出了APCS-Boost-R算法。该算法结合了干扰消除后的D-最优种子序列、投影秩-1交换以及一个校准后的替代方案，该方案包含了用户端的干扰加噪声报告和闭合形式的估计误差校正。APCS-Boost-RG作为可选的图神经网络（GNN）改进版本，在形成代数解后对残差交换进行了排序，并确保了校准替代方案的可行性和性能不下降。在基于第三代合作伙伴项目（3GPP）TR 38.901标准的三小区城市宏基站配置中（每个小区64个天线、16个活跃的RF链路和8个用户），APCS-Boost-R在200次实验中的平均数据传输速率为19.364比特/秒/赫兹，相比APCS-Boost提高了2.58%，相比贪心搜索算法提高了6.76%，相比遗传算法提高了10.16%。APCS-Boost-RG虽然提高了0.019比特/秒/赫兹的性能，但由于需要第二阶段的邻域评估和离线模型维护，因此被视为可选的改进方案。在单独存档的测试记录中，APCS-Boost-R每次三小区实验的耗时为20.376毫秒，而APCS-Boost为12.728毫秒；规范初始化的贪心搜索算法为57.775毫秒，遗传算法为41.302毫秒；而APCS-Boost-RG的耗时为24.0毫秒。在对文档中可重现性进行单独测试时，APCS-Boost-R的重建耗时为毫秒，而完整的APCS-Boost-RG重建耗时为毫秒。额外的对比实验证明了该算法在更丰富的搜索资源、报告不完美、规则化预编码、协调机制、近场敏感性、硬件扰动以及天线数量从32到128、小区数量从1到7的各种配置下的鲁棒性。