In diesem Artikel wird ein robustes gemeinsames AP-Clustering und Strahlformungsdesign mit unvollständiger Kanalzustandsinformation (CSI) in zellfreien Systemen betrachtet. Konkret wird ein Optimierungsmodell entwickelt, das darauf abzielt, die schlimmstmögliche Summenrate zu maximieren und die Anzahl der AP-Clustering unter Leistungsbeschränkung und Sparsitätsbeschränkung für AP-Clustering zu minimieren. Durch Transformationen werden die unlösbaren semi-unendlichen Beschränkungen im Optimierungsmodell, die durch die unvollständige CSI verursacht werden, in eine handhabbarere Form überführt, um einen recheneffizienteren unüberwachten Deep-Learning-Algorithmus zu ermöglichen.
Darüber hinaus wird ein recheneffizientes unüberwachtes Deep-Learning-Algorithmus namens RJAPCBN vorgeschlagen, um die Abbildung von CSI auf Strahlformung mit hoher Recheneffizienz zu realisieren. Durch Entwurf eines adaptiven AP-Clustering-Moduls stellt der vorgeschlagene RJAPCBN auch sicher, dass der ausgegebene Strahlformungsvektor die Sparsitätsbeschränkung für AP-Clustering erfüllt. Darüber hinaus schlägt das adaptive AP-Clustering-Modul auch eine differenzierbare Schwellwertfunktion vor, um zwischen jedem AP und jedem Nutzer einen adaptiven AP-Clustering-Schwellwert einzustellen, was die unpraktische Tatsache von zellfreien Systemen, dass Langstrecken-APs, die Nutzer bedienen, wertvolle Strom- und Bandbreiteressourcen verbrauchen, während sie nur wenig nützliche Leistung aufgrund hoher Pfadverluste beitragen, effektiv reduziert.
Numerische Ergebnisse zeigen, dass der vorgeschlagene RJAPCBN eine höhere schlimmstmögliche Summenrate unter einer geringeren Anzahl von AP-Clustering mit Recheneffizienz erreicht.
Egy másik nyelvre
a forrásanyagból
arxiv.org
Mélyebb kérdések