Deep Learning Based Joint Multi-User MISO Power Allocation and Beamforming Design

要約

第 5 世代 (5G) 無線通信ネットワークの進化により、より高いデータ レート、広いカバレッジ、低遅延、電力効率を提供する無線リソース管理ソリューションのニーズが高まっています。
しかし、既存の従来のアプローチの多くは、計算上の制限や、静的なネットワーク条件やアルゴリズムの初期化の依存関係の非現実的な仮定により、依然として実用的ではありません。
これにより、理論的な分析とアルゴリズムのリアルタイム処理の間に重要なギャップが生じます。
このギャップを埋めるために、深層学習ベースの技術は、汎用関数近似の表現機能を備えた有望なソリューションを提供します。
我々は、マルチユーザー多入力単出力（MU-MISO）システム向けの新しい教師なし深層学習ベースの統合電力割り当ておよびビームフォーミング設計を提案します。
目的は、提案された共同設計フレームワークである NNBF-P を使用して合計レートを最大化することでスペクトル効率を向上させると同時に、従来のアプローチとは対照的に計算効率の高いソリューションを提供することです。
私たちは、NNBF-P のパフォーマンスをゼロフォーシング ビームフォーミング (ZFBF)、最小平均二乗誤差 (MMSE) ビームフォーミング、および結合電力割り当てスキームを使用しないディープ ラーニング ベースのビームフォーミング設計でもある NNBF と比較するために、さまざまな設定の実験を実施します。
実験結果は、ZFBF および MMSE と比較した NNBF-P の優位性を示していますが、一部の実験設定では NNBF のパフォーマンスが MMSE および ZFBF よりも低い可能性があります。
また、NNBF に関する共同設計フレームワークの有効性を実証することもできます。

要約(オリジナル)

The evolution of fifth generation (5G) wireless communication networks has led to an increased need for wireless resource management solutions that provide higher data rates, wide coverage, low latency, and power efficiency. Yet, many of existing traditional approaches remain non-practical due to computational limitations, and unrealistic presumptions of static network conditions and algorithm initialization dependencies. This creates an important gap between theoretical analysis and real-time processing of algorithms. To bridge this gap, deep learning based techniques offer promising solutions with their representational capabilities for universal function approximation. We propose a novel unsupervised deep learning based joint power allocation and beamforming design for multi-user multiple-input single-output (MU-MISO) system. The objective is to enhance the spectral efficiency by maximizing the sum-rate with the proposed joint design framework, NNBF-P while also offering computationally efficient solution in contrast to conventional approaches. We conduct experiments for diverse settings to compare the performance of NNBF-P with zero-forcing beamforming (ZFBF), minimum mean square error (MMSE) beamforming, and NNBF, which is also our deep learning based beamforming design without joint power allocation scheme. Experiment results demonstrate the superiority of NNBF-P compared to ZFBF, and MMSE while NNBF can have lower performances than MMSE and ZFBF in some experiment settings. It can also demonstrate the effectiveness of joint design framework with respect to NNBF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google