基于深度学习的联合多用户 MISO 功率分配与波束形成设计
内容提要
该研究提出了一种名为NNBF的无监督深度学习框架，用于优化多用户单输入多输出（MU-SIMO）波束成形，提升吞吐量和计算效率。实验结果显示，NNBF在性能上优于传统的零强制波束成形（ZFBF）和最小均方误差（MMSE）方法，且计算负担更轻。
延伸解读
无监督学习的优势
NNBF采用无监督深度学习框架，这意味着它不需要预先标注的最优波束成形矩阵作为训练标签。传统监督学习需要生成大量最优解作为标签，计算成本高。无监督方法直接以吞吐量等性能指标作为损失函数进行优化，避免了标签生成的开销，更适合实时性要求高的通信系统。
可扩展性与计算效率
NNBF能够根据单天线用户设备的数量进行扩展，且无需进行矩阵伪逆运算。传统方法如ZFBF和MMSE需要计算矩阵伪逆，其复杂度随用户数量增加而显著增长。NNBF通过神经网络直接学习映射关系，避免了高复杂度矩阵运算，从而减轻了计算负担，更适合大规模用户场景。
性能对比与适用场景
实验结果表明，NNBF在吞吐量上优于传统的零强制波束成形和最小均方误差方法。这意味着在相同条件下，NNBF能提供更高的数据传输速率。对于多用户MISO系统，尤其是用户数量较多或实时性要求高的场景，NNBF可能是一个有吸引力的替代方案。
Q&A
NNBF框架的主要功能是什么？
NNBF框架旨在优化多用户单输入多输出（MU-SIMO）波束成形，以增强吞吐量和计算效率。
NNBF与传统方法相比有哪些优势？
NNBF在吞吐量和计算效率上优于传统的零强制波束成形（ZFBF）和最小均方误差（MMSE）方法。
NNBF如何减轻计算负担？
NNBF能够根据单天线用户设备（UEs）的数量进行扩展，无需进行矩阵伪逆运算，从而减轻计算负担。
NNBF框架的实验结果如何？
实验结果显示，NNBF在性能上表现优于传统的ZFBF和MMSE方法，且计算负担更轻。
NNBF框架的设计目标是什么？
NNBF框架的设计目标是优化多用户单输入多输出（MU-SIMO）波束成形，以提升系统的吞吐量和计算效率。
NNBF框架的应用场景有哪些？
NNBF框架适用于多用户单输入多输出（MU-SIMO）系统，特别是在需要优化波束成形的无线通信场景中。
