基于图神经网络的MU-MISO系统无线通信资源优化方法技术方案

本发明专利技术提供了一种基于图神经网络的MU‑MISO系统无线通信资源优化方法。该方法包括：将MU‑MISO系统建模为一个完全连接的有向图；利用GNN模型对所述有向图进行特征提取和表示学习，输出MU‑MISO系统的波束赋形矩阵；针对MU‑MISO系统的不同的资源分配任务设计不同的损失函数和激活函数，使得MU‑MISO系统的波束赋形矩阵在满足约束的条件下最大化不同任务的需求。本发明专利技术方法不仅充分利用无线通信系统中的拓扑信息，还展现出对高动态性网络变化的适应性。本发明专利技术实施例方法符合无线通信系统动态和可扩展的特性，可推动实现更高效、低成本的自主可控网络。

【技术实现步骤摘要】

本专利技术涉及无线通信，尤其涉及一种基于图神经网络的mu-miso(multi-user multiple input multiple output，多用户多输入单输出)系统无线通信资源优化方法。

技术介绍

1、智能无线电技术和高频通信的发展使无线网络架构和射频信号传播变得日益复杂。为了满足智能应用的qos(quality of service，服务质量)要求，无线资源分配(包括干扰管理和信号处理)正日益凸显其重要性，并面临着前所未有的挑战。传统的凸优化方法受限于其迭代框架和实例特性，导致计算复杂度高，难以应对时间密集型需求。更棘手的是，在复杂的无线优化问题中，基于数学的方法往往不得不频繁地进行松弛和近似，这很可能造成与原始问题的不等价，从而影响了结果的准确性和可靠性。

2、鉴于ai(artificial intelligence，人工智能)在许多应用领域的巨大成功，ai赋能的无线网络具有催生创新和新型无线优化技术的潜力。最近，一些现有工作通过dl(deeplearning，深度学习)来解决无线通信中的资源分配问题。尽管mlp(multila本文档来自技高网...

【技术保护点】

1.一种基于图神经网络的MU-MISO系统无线通信资源实时优化方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述的将MU-MISO系统建模为一个完全连接的有向图，包括：

3.根据权利要求2所述的方法，其特征在于，所述的利用GNN模型对所述有向图进行特征提取和表示学习，输出所述MU-MISO系统的波束赋形矩阵，包括：

4.根据权利要求3所述的方法，其特征在于，所述的针对所述MU-MISO系统的不同的资源分配任务设计不同的损失函数和激活函数，使得所述MU-MISO系统的波束赋形矩阵在满足约束的条件下最大化不同任务的需求，包括：

...

【技术特征摘要】

1.一种基于图神经网络的mu-miso系统无线通信资源实时优化方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述的将mu-miso系统建模为一个完全连接的有向图，包括：

3.根据权利要求2所述的方法，其特征在于，所述的利用gnn模型对所述有向图进行特征提取和表示学习，输出所述mu-miso系统的波束赋形矩阵，包括：

4.根据权利要求3所述的方法，...

【专利技术属性】
技术研发人员：陆杨，李宇航，王钦玉，陈为，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：