学术研究
深度神经网络在解决无线多用户
干扰问题中的应用
苑振涛
摘要：第五代无线系统要求更多的用户拥有更高的总容量。近年来，多用户大规模多输入、多输出（MU-MIMO）
和大规模MIMO被作为解决5G、中增强型移动宽带（eMBB）容量需求的关键技术。而当多个用户同时使用
MIMO系统进行通信时，彼此之间的信号也会产生互相干扰，即为多用户干扰。针对多用户干扰，得出使用人
工智能的方法，在一定条件下抑制多用户干扰问题上有更好的表现，并通过MATLAB仿真和一些传统的方法进
行对比。
关键词：人工智能；深度神经网络；机器学习；加权最小均方误差（WMMSE）；多用户干扰
一、前言（二）信号模型分析
AI方法，尤其是机器学习在多用户干扰问题上对在无线通信中，接收信号通常表示为：
很多不同的问题模型求解都有很高的效率，能得到更精
准的结果。Yk=HkWk+EHkWj+nk(1)
jk
例如，联合优化用户调度和功率控制问题可以使用
深度学习模型，预测在给定信道条件下的最优用户调度Hkのk是第k个用户的有效信号（基站发给该用户
策略。协作干扰管理问题上可以使用联邦学习模型，利的信号，经过信道矩阵H),Hkの;是其他用户信号对
用分布式机器学习优化联合干扰管理策略，实现保护隐第k个用户的干扰项（用户j的信号被Hk信道传递到用
私和跨小区合作等。户k)，nk是噪声项。
本文探讨一种使用深度神经网络优化无线多用户干由式1可知，接收信号减去有效信号即为多用户之
扰消除的方法。间的干扰，所以多用户干扰部分可表示为：
二、模型构建n=yk-HkWk(2)
（一）无线通信中的干扰消除背景
在多用户无线通信场景中，基站向多个用户同时发多用户干扰消除问题即可转变为如下问题：
送信号即会发生多用户干扰（Multi-UserInterference）。
多个用户共享相同的频谱资源时，会产生信号之间的干minZK=1lyk-HWkl2(3)
扰。干扰会降低接收信号的质量，因此需要优化发送信
号的权重以减少干扰。yk是第k个用户实际接收到的信号，Hkのk是理想
128信息系统工程
学术研究
情况下用户k应该接收到的信号。为了方便对性能进行评估，采用CDF经验图的方
式，对于用户i，信干噪比为：
三、问题求解SINR=-H(ii)?·p(i)
由于多个用户的信号权重k相互耦合，导致优化2+2,H(i.j)2-p(i)(6)
空间非凸，即式（3）为一个非凸优化问题，难以直接求
解，所以引入权重参数μk，将目标函数写成加权均方（H（i,i)）2p（i）是用户i的有用信号功率，α2是
误差的形式：