一种用于MIMO光无线通信系统中总速率和能效优化的DAE-DNN框架

《Optical Switching and Networking》：A DAE-DNN framework for sum rate and energy efficiency optimization in MIMO optical wireless communication systems

　　摘要
随着下一代无线网络的迅速发展，对能够提供高数据速率、强频谱效率和能源感知性能的通信系统的需求日益增加。当光学无线通信（OWC）与大规模多输入多输出（MIMO）配置结合时，已成为满足这些未来连接需求的有希望的解决方案。本文提出了一种基于深度学习的新型框架，用于提高大规模MIMO-OWC系统的总速率和整体性能。所提出的架构将去噪自动编码器（DAE）与深度神经网络（DNN）集成在一起，以改善信号处理和数据吞吐量。具体而言，DAE用于降维、噪声抑制和从接收信号中提取鲁棒特征，而DNN学习将提取的潜在表示映射起来，以准确预测和优化在不同信道条件下的可实现总速率。该模型使用涉及不同信噪比（SNR）水平、天线配置、用户密度、总接收功率水平和能效条件的多种仿真场景进行训练。为了进一步验证其泛化能力，该框架还在多个固定SNR训练条件下进行了评估，即0 dB、15 dB和30 dB，在这些条件下，它展示了在多种操作条件下的一致性能和强大的适应性。这证明了所提出模型能够在不需要频繁重新训练的情况下有效地泛化到多个通信环境中。通过利用DAE和DNN的互补优势，该框架不仅抑制了干扰并提高了信号质量，还捕获了数据中的复杂非线性关系，从而实现了更高的预测准确性。广泛的仿真结果证实，所提出的DAE-DNN框架的性能明显优于常规方案，如规则化零强迫（RZF）和最大比率传输（MRT）。特别是，与以前的最先进方法相比，它实现了34%的总速率提升。这些发现突显了基于深度学习的设计在未来的高容量和能效OWC系统中的潜力，尤其是在下一代6G及更高级别的无线网络中。未来的工作可能会研究集成注意力机制或基于Transformer的架构，以进一步提高学习效率，并将所提出的框架扩展到动态通信环境中的实时实现和自适应预编码。

引言
无线通信已成为现代数字基础设施的基本支柱，使全球数十亿设备能够实现无缝连接。随着用户对数据量、传输速度和服务可用性的需求不断增加，现有的通信系统正被推向其操作极限。这种日益增长的复杂性促使研究人员探索先进技术，如大规模多输入多输出（MIMO）、毫米波传输和人工智能（AI）驱动的信号处理，以满足下一代网络的要求。在这种情况下，将智能学习机制集成到物理层中成为提高通信效率和适应多样化挑战性操作条件的一个有希望的方向。本研究通过新兴的AI技术（如去噪自动编码器（DAE）[1]，探讨了无线通信系统中的关键挑战，特别是在信道建模、调制、编码和信道估计方面。尽管传统的基于AI的方法提高了通信系统的性能，但在高度动态和易受噪声影响的环境中，它们往往仍然受到限制。最近，如ChannelFormer [2,3]这样的先进神经架构通过将自动编码器与残差卷积层结合，展示了在下行通信场景中增强信道估计的有希望的能力。
同时，移动宽带应用的爆发性增长加剧了对支持大规模连接和超低延迟的系统的需求。第五代（5G）移动通信标准被引入以满足这些要求[4]，通过先进的调制和接入技术提供了更高的吞吐量。然而，5G系统主要依赖于射频（RF）通信，这受到有限频谱资源和次优能效的制约。这些限制促使人们寻找能够克服这些瓶颈的替代通信范式[5,6]。
为了解决5G系统中基于RF通信的固有局限性，光学无线通信（OWC）成为第六代（6G）无线网络的一个有希望的候选方案。OWC提供了几个吸引人的优势，包括更高的可实现数据速率、更宽的频谱可用性和更好的能效，使其非常适合未来的高容量通信基础设施[[7], [8], [9]]。为了进一步提高系统性能，已将MIMO技术集成到OWC系统中，通过空间复用实现与多个用户的同时通信[10,11]。先前的研究还证明了经济的MIMO-OWC实现的实际可行性。然而，单个基站的通信能力仍然有限，因此需要部署多个协调的基站来提高服务质量（QoS）并增加总体吞吐量[12,13]。尽管有这些优势，将MIMO与OWC结合起来引入了主要挑战，尤其是在多个发射器同时运行时产生的多用户和多小区干扰。这种干扰会降低信号质量并降低整个系统的可靠性。尽管预编码技术提供了一种减轻这种干扰的潜在手段[14]，但由于信道特性和光调制约束的根本不同，传统的RF导向的预编码策略不能直接应用于OWC。因此，需要定制的信号处理方法来有效减轻MIMO-OWC系统中的干扰[15]。
为了解决光无线信道中固有的非线性和信号失真问题，机器学习技术，特别是自动编码器（AEs），引起了越来越多的兴趣。AEs是一类深度神经网络（DNNs），它们通过将输入编码到紧凑的潜在空间中并尽可能少地丢失信息来学习高效的数据表示。这种结构使它们在复杂的通信环境中非常有效地进行去噪和降维[16]。基于这一概念，先前的研究表明，神经网络可以成功集成到点对点通信系统中，以改善信号重建并自适应地模拟信道行为[17]。一个显著的例子是Turbo AE，这是一种完全端到端的神经编码器-解码器架构，经过协作训练以优化通信性能。Turbo AE在短块长度和标准信道场景中展示了与传统卷积编码方案相当的性能[18]。为了更好地反映光系统的物理约束，后来引入了带有平均功率限制而非峰值强度限制的Turbo AE的扩展版本[19]。这一发展代表了向更兼容光无线信道特性的神经通信框架的重要一步。
最近，模型驱动的深度学习方法在通信系统设计中展示了令人鼓舞的潜力，通过将信号处理和优化的领域知识嵌入到可学习的神经结构中。与纯粹的数据驱动模型相比，这些方法通常提供更好的可解释性、泛化和数据效率。例如，W. Jin等人[20]引入了一种用于毫米波多用户MIMO系统的模型驱动深度学习框架，将传统预编码算法的结构融入到可学习网络中。他们的方法减少了大量重新训练的需要，并在一系列SNR条件下实现了改进的性能，特别是在动态或硬件受限的环境中。在本文中，我们通过一个定制的DAE-DNN框架来解决大规模MIMO-OWC系统中总速率最大化的挑战。所提出方法的核心是一个DAE，它可以抑制信道噪声并从接收信号中提取鲁棒的潜在表示。通过重建更干净的信号表示，DAE提高了有效的信噪比（SNR），从而提高了频谱效率和传输性能。这些精炼的潜在特征随后由DNN处理，形成了一个用于在复杂OWC环境中进行学习辅助优化的统一DAE-DNN架构。
尽管以前基于深度学习的方法在光无线系统中显示出潜力，但许多方法仍受到高计算复杂性和弱可扩展性的限制，特别是因为通常需要对不同的SNR水平重新训练单独的神经网络[20]。为了解决这一限制，所提出的框架建立在并扩展了最近在DAE设计方面的进展[[21], [22], [23], [24]]，开发了一个更具泛化能力的架构，能够在广泛的信道条件下保持强大的性能。所提出框架的新颖之处在于将多解码器DAE、批量归一化（BN）和统一的基于DNN的预测器集成到一个可扩展的架构中，用于大规模MIMO-OWC系统的总速率优化。现有的MIMO通信深度学习方法主要集中在端到端自动编码器基础的收发器设计、毫米波RF系统中的混合预编码、每个SNR训练的DNN预测器以及用于加速优化的模型驱动展开技术上。虽然这些方法产生了有希望的结果，但它们通常受到广泛SNR范围有限泛化能力、高重新训练开销或更适合RF信道而非IM/DD基础的光无线系统的假设的限制，特别是在多小区和多用户干扰存在的情况下。相比之下，所提出的DAE-DNN框架是专门为MIMO-OWC环境的特性量身定制的。DAE执行噪声抑制和从嘈杂的系统级输入中提取鲁棒的潜在特征，而DNN学习从这些潜在特征到可实现总速率的有效预测映射。通过结合基于去噪的表示学习和统一的预测模型，该框架消除了对SNR特定重新训练的需求，并在多样化的操作条件下提供了改进的可扩展性、鲁棒性和部署灵活性。因此，这项工作的贡献不仅仅是将深度学习应用于OWC；相反，它引入了一个专门为IM/DD基础的大规模MIMO光信道的约束设计的统一去噪和预测框架。
尽管MIMO-OWC系统在下一代无线通信中具有巨大的潜力，但其实际部署仍受到几个关键挑战的限制。特别是，多用户和多小区干扰会显著降低信号质量并限制可实现系统容量。此外，许多现有的基于深度学习的方法需要为不同的SNR条件训练单独的神经模型，这增加了计算成本并限制了实际部署中的可扩展性。这些限制构成了开发高效、自适应和高容量光无线通信系统的主要障碍。由于6G、物联网（IoT）和智能环境中的新兴应用驱动的对超高数据速率、低延迟和能效通信的不断增长的需求，需要超越传统RF系统的通信范式。OWC，特别是当与大规模MIMO技术结合时，通过利用未授权的光谱和高空间多样性提供了一个有吸引力的解决方案。然而，要释放MIMO-OWC的全部潜力，需要智能信号处理框架，这些框架能够在噪声条件下稳健运行并适应多样化的网络配置。这激发了开发一种基于学习的架构的开发，该架构能够准确预测并支持在广泛操作场景中的通信性能优化。
本研究的主要目标是设计和评估一个智能深度学习框架，该框架集成DAE和DNN以提高大规模MIMO-OWC系统的总速率性能。具体来说，所提出的框架旨在构建一个可扩展的架构，可以从嘈杂的输入信号中提取鲁棒特征，学习系统参数之间的复杂非线性关系，并在SNR、天线数量和用户数量的变化中有效泛化。此外，该研究旨在减少训练复杂性，提高系统鲁棒性，并通过广泛的基于仿真的分析验证框架的有效性。本文的主要贡献总结如下：
- 提出了一种新颖的DAE-DNN框架，用于大规模MIMO-OWC系统中的学习辅助总速率预测和优化支持，结合了噪声抑制、特征提取和预测建模。
- 引入了一种带有BN的多解码器DAE架构，以提高学习稳定性，减少重建误差，并在不同SNR水平下提高泛化能力。
- 所提出的框架消除了为每个SNR值训练单独神经网络的需求，从而显著提高了可扩展性和计算效率。
- 该模型使用包括SNR、天线数量、用户数量、总接收功率和能效在内的全面系统级变量进行训练。
- 广泛的仿真结果显示，与规则化零强迫（RZF）和最大比率传输（MRT）等基线技术相比，总速率提高了高达34%，从而验证了该框架在高容量光无线系统中的有效性。
- 通过在0 dB、15 dB和30 dB下训练的模型进行性能评估，进一步确认了该框架的泛化能力，这些模型在整个SNR范围内实现了一致的性能，而无需重新训练。
为了评估所提框架的有效性，模拟了一个大规模MIMO-OWC系统架构，其中每个基站都配备了一个发射透镜和多个光发射器，而用户终端则使用接收透镜和专用光电探测器。该配置支持多个用户之间的高吞吐量、空间分离的通信链接，并反映了真实的密集网络部署条件。
本文的其余部分组织如下。第2节介绍了所提出框架下的系统和信道模型。第3节详细介绍了方法论，包括DAE-DNN模型的结构及其训练策略。第4节讨论了实验结果，并在不同仿真场景下提供了全面的性能分析。最后，第5节总结了本文并概述了未来研究的潜在方向。

**系统模型**
所提出的大规模MIMO-OWC系统由多个基站（BS）组成，这些基站同时与多个用户终端（UT）进行通信，如图1所示。每个基站都配备了一组位于发射透镜后面的光学发射器，能够发射多个空间定向的光束。相应地，每个用户终端都配备了一个接收透镜和一组光电探测器，用于收集和区分来自不同基站的光束。

**提出的方法**
该框架将去噪自编码器（DAE）与深度神经网络（DNN）集成在一起，以提高大规模MIMO-OWC系统的传输性能并支持总速率优化。底层系统模型假设每个基站都有多个光学发射器，每个用户终端都有多个光学接收器，从而实现高容量的多用户通信。在该框架中，DAE用于学习压缩后的信号。

**结果与讨论**
本节介绍了所提出的DAE-DNN框架在大规模MIMO-OWC系统中进行总速率预测的仿真结果及其对应分析。仿真是基于第2节描述的系统模型和第3节介绍的方法论设置进行的。表2总结了本研究中使用的主要仿真参数。本节的主要目的是评估所提出框架在提高可实现总速率方面的有效性。

**结论、局限性和未来工作**
本文提出了一个高效且可扩展的DAE-DNN框架，用于提升大规模MIMO-OWC系统的总速率和能效。仿真结果表明，所提出的框架在通信性能、鲁棒性和可扩展性方面始终优于传统的MRT和RZF方法。尽管该模型在较低功率水平下表现出相对较高的能耗，但在较高功率水平下实现了更高的能效。

**作者贡献声明**
Wessam M. Salama：撰写——原始草稿、方法论、调查、形式分析、概念化。
Moustafa H. Aly：撰写——审阅与编辑、验证、监督、资源管理、项目协调、方法论、调查、形式分析。
Eman S. Amer：撰写——原始草稿、可视化、验证、软件开发、形式分析。
Samah Alshathri：撰写——审阅与编辑、验证、监督、资源管理、资金筹集、数据整理。
Walid El-Shafai：撰写——...

**资金支持**
本项工作得到了沙特阿拉伯利雅得Nourah bint Abdulrahman大学研究支持项目（PNURSP2025R197）的资助。

**利益冲突声明**
作者声明没有已知的可能影响本文工作的财务利益或个人关系。

**致谢**
作者感谢沙特阿拉伯利雅得Nourah bint Abdulrahman大学研究支持项目（PNURSP2025R197）的支持。

**作者信息**
Wessam M. Salama | Eman S. Amer | Samah Alshathri | Walid El-Shafai
计算机工程系，工程学院，Pharos大学，Canal El Mahmoudia街，Green Plaza Complex旁边，21648，亚历山大，埃及