在MU-MISO毫米波系统中,用于混合光束成形设计的深度学习方法

科学领域:

• 无线通信系统无线通信系统
• 信号处理 信号处理
• 优化算法优化算法

背景情况:

• 在多用户MISO系统中,混合光束成型提供了性能和硬件复杂性之间的平衡.
• 像交替最小化这样的传统方法面临着计算开销和实时应用可行性的挑战.
• 由于硬件限制,设计混合束形架构是一个复杂的非凸式优化问题.

研究的目的:

• 提出基于深度学习的混合光束成形 (DL-HBF) 方法,以减少MU-MISO系统中的计算延迟.
• 与传统的代方法相比,以减少计算复杂度实现可接受的总和率性能.
• 通过对现实的通道模型的评估和在不完美的通道状态信息 (CSI) 下的性能评估来确保实际意义.

主要方法:

• 开发一种深度学习混合光束成形 (DL-HBF) 方法.
• 实施新的数据集生成程序,以尽量减少培训开销.
• 使用现实的通道模型进行评估,并考虑不完美的通道状态信息 (CSI).

主要成果:

• 拟议的DL-HBF方法实现了可接受的总比率性能,与传统方法相提并论.
• 显著减少计算复杂性,使其适合实时应用.
• 证明了对道估计错误的稳定性和改进的可扩展性.

结论:

• 基于深度学习的混合光束成型为下一代无线系统提供了实用和高效的解决方案.
• DL-HBF有效地解决了传统方法的计算延迟和复杂性问题.
• 拟议的方法为实时混合光束成形提供了一个可扩展和强大的方法,即使是不完美的CSI.