基于深度学习的多用户Massive MIMO预编码方法

【摘  要】在下行链路传输场景中，发射机处的功率分配和波束赋形设计至关重要。考虑一个多用户Massive MIMO系统中总功率约束下最大化加权和速率问题，经典的WMMSE算法可以获取次优解，但计算复杂度过高。为了降低计算复杂度，提出了一种基于深度学习的快速波束赋形设计方法，该方法可以离线训练深度神经网络，利用训练后的神经网络求解最优波束赋形解，只需要简单的线性和非线性操作即可完成。实验结果显示，该方法可以逼近WMMSE算法精度的90%以上，同时计算复杂度和时延也大大降低。

【关键词】Massive MIMO；预编码；WMMSE；深度学习

0   引言

Massive MIMO是第五代移动通信（5G）的核心技术之一，在提高系统容量和频谱利用率方面起着至关重要的作用[1-2]。在Massive MIMO系统中，设计实时性强、效率高的资源分配算法是一个非常重要的研究方向，特别是在下行传输链路的预编码问题中。传统的基于优化和迭代的预编码算法收敛速度较慢，计算复杂度高[3]，无法满足5G及以上系统实时应用的需求，如自动驾驶车辆和关键任务通信等。即使在毫秒级变化的小范围衰落非实时应用程序中，迭代过程引入的延迟也会使波束赋形解决方案难以满足通信需求。

近年来深度学习（DL, Deep Learning）在无线通信领域的广泛应用，使得在实时学习最优波束赋行时同时考虑性能和计算延迟成为可能[4-5]。国内外学者在这方面都做出了很多研究，文献[6]基于WMMSE算法提出了一种无监督学习的MIMO快速波速赋形方法，该方法相比WMMSE（Weighted Minimum Mean Squared