基于同构图神经网络的可扩展MU-MIMO预编码方法技术

本发明专利技术提出基于同构图神经网络的可扩展MU‑MIMO预编码方法，包括：S1：构建通信系统模型；S2：将MU‑MIMO蜂窝网络构建为无线虚拟同构有向图；S3：设计一种适用于蜂窝网络中用户数及用户天线数动态变化的信息携带图神经网络(ICGNN)预编码算法，完成基于同构图神经网络的可扩展MU‑MIMO预编码。本发明专利技术通过在K＝5个用户的基础场景下进行训练，展示了ICGNN方法在不同用户数量下的性能，当外推到更大尺寸的图时，ICGNN性能表现更佳，始终优于WMMSE，相较于WMMSE，本发明专利技术提出ICGNN方法性能提升始终≥95％。

【技术实现步骤摘要】

本专利技术涉及基于同构图神经网络的可扩展mu-mimo预编码方法，属于通信。

技术介绍

1、mu-mimo下行预编码技术能够有效地抑制用户间的干扰，是增强无线通信系统容量的有前景的解决方案。然而，下行链路预编码问题通常需要被建模为非凸np难问题，例如加权和速率(wsr)最大化问题，这使得求解十分困难。加权最小均方误差(wmmse)算法为寻找wsr最大化问题局部最优解提供了封闭的表达式，并获得了优异的性能表现，因此，被人们广泛使用作为一种标准对比方案。尽管如此，该算法的迭代求解过程和高维矩阵求逆运算计算复杂度高，带来了显著的计算延迟，无法满足实际场景需求。

2、现有的深度学习技术(dl)为平衡算法性能与复杂度提供了新的解决方案，其核心思想是利用深度神经网络(dnn)或者卷积神经网络(cnn)来代替wmmse算法的计算过程，实现输入信道矩阵，输出预编码矩阵的映射关系，从而降低复杂度。然而，基于dl的算法普遍存在泛化能力差的缺陷，当蜂窝网络中接入用户数变化或者用户天线数变化时，神经网络需要进行重新设计和训练，依然无法满足实时性需求。因此，设计一种低复本文档来自技高网...

【技术保护点】

1.基于同构图神经网络的可扩展MU-MIMO预编码方法，其特征在于，所述基于同构图神经网络的可扩展MU-MIMO预编码方法的步骤包括：

2.根据权利要求1所述的基于同构图神经网络的可扩展MU-MIMO预编码方法，其特征在于，步骤1中构建无线虚拟同构有向图的步骤包括：

3.根据权利要求1所述的基于同构图神经网络的可扩展MU-MIMO预编码方法，其特征在于，步骤2中利用先验知识分别为无线虚拟同构有向图中的节点和边分配特征具体包括：

4.根据权利要求1所述的基于同构图神经网络的可扩展MU-MIMO预编码方法，其特征在于，步骤3中实数化后的节点vk,i的节点特...

【技术特征摘要】

1.基于同构图神经网络的可扩展mu-mimo预编码方法，其特征在于，所述基于同构图神经网络的可扩展mu-mimo预编码方法的步骤包括：

2.根据权利要求1所述的基于同构图神经网络的可扩展mu-mimo预编码方法，其特征在于，步骤1中构建无线虚拟同构有向图的步骤包括：

3.根据权利要求1所述的基于同构图神经网络的可扩展mu-mimo预编码方法，其特征在于，步骤2中利用先验知识分别为无线虚拟同构有向图中的节点和边分配特征具体包括：

4.根据权利要求1所述的基于同构图神经网络的可扩展mu-mimo预编码方法，其特征在于，步骤3中实数化后的...

【专利技术属性】
技术研发人员：吴少川，孙铭君，姜力僮，李廷非，王豪杰，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：