基于深度学习的传感云sink节点最优能效SWIPT波束成形设计

摘要

为了解决传统基于最优化方法所设计的无线网络资源管理策略通常复杂度较高且实时性差,不利于在线决策制定的问题,针对基于SWIPT的传感云系统,建立汇聚(sink)节点能效最大化问题及其数学模型,然后引入深度学习方法,通过对最优化算法的学习实现更低复杂度与更高实时性的算法设计.为了实现深度学习算法在网络资源分配中的应用,首先将sink节点最优能效模型转化为高维可求解形式,设计具有迭代形式的SWIPT-WMMSE算法实现最优波束成形矢量的求解,同时证明了算法的收敛性.然后基于DNN逼近误差的传递过程推导了DNN设计准则,并通过对DNN的训练实现其对SWIPT-WMMSE算法的逼近.最后通过仿真实验分别验证了SWIPT-WMMSE算法与DNN算法的有效性,及DNN算法的逼近效果和在提升系统性能方面的优势.