[论文解读] Learning-Assisted User Clustering in Cell-Free Massive MIMO-NOMA Networks

Quang Nhat Le, Van‐Dinh Nguyen+4 more|arXiv (Cornell University)|Nov 15, 2020

Advanced Wireless Communication Technologies参考文献 36被引用 12

一句话总结

本文提出了一种在无蜂窝大规模MIMO-NOMA网络中基于k-means++和改进k-means++算法的学习辅助用户聚类方法，以优化频谱效率（SE）和用户公平性。通过利用无监督机器学习根据信道质量对用户进行分组，该方法相比穷举搜索显著降低了复杂度，同时在全导频零 forcing预编码下实现了接近最优的频谱效率性能，推导并验证了闭式和频谱效率表达式，采用迭代优化方法实现。

ABSTRACT

The superior spectral efficiency (SE) and user fairness feature of non-orthogonal multiple access (NOMA) systems are achieved by exploiting user clustering (UC) more efficiently. However, a random UC certainly results in a suboptimal solution while an exhaustive search method comes at the cost of high complexity, especially for systems of medium-to-large size. To address this problem, we develop two efficient unsupervised machine learning (ML) based UC algorithms, namely k-means++ and improved k-means++, to effectively cluster users into disjoint clusters in cell-free massive multiple-input multiple-output (CFmMIMO) system. Using full-pilot zero-forcing at access points, we derive the sum SE in closed-form expression taking into account the impact of intra-cluster pilot contamination, inter-cluster interference, and imperfect successive interference cancellation. To comprehensively assess the system performance, we formulate the sum SE optimization problem, and then develop a simple yet efficient iterative algorithm for its solution. In addition, the performance of collocated massive MIMO-NOMA (COmMIMO-NOMA) system is also characterized. Numerical results are provided to show the superior performance of the proposed UC algorithms compared to other baseline schemes. The effectiveness of applying NOMA in CFmMIMO and COmMIMO systems is also validated.

研究动机与目标

• 解决无蜂窝大规模MIMO-NOMA系统中用户聚类的高复杂度问题。
• 通过优化用户聚类实现频谱效率和用户公平性的提升，而无需采用穷举搜索。
• 在保持接近最优性能的同时，降低用户聚类的计算开销。
• 推导一个考虑导频污染、用户间干扰和非完美逐次干扰 cancellation（SIC）的闭式和频谱效率表达式。
• 提出一种迭代算法，用于在实际系统约束下优化和频谱效率。

提出的方法

• 使用k-means++和改进k-means++算法，基于信道状态信息（CSI）执行无监督用户聚类。
• 在接入点上应用全导频零 forcing（fpZF）预编码，以抑制同簇内干扰并管理导频污染。
• 推导一个闭式和频谱效率（SE）表达式，综合考虑同簇内导频污染、用户间干扰以及非完美SIC的影响。
• 提出一种迭代算法，用于在功率和硬件约束下求解和频谱效率优化问题。
• 将系统建模为由中心处理单元协调的分布式接入点集合，每个接入点使用本地CSI。
• 采用功率域NOMA框架，同一簇内的用户在功率域上复用，并通过逐次干扰取消（SIC）进行检测。

实验结果

研究问题

• RQ1 基于无监督机器学习的用户聚类能否在无蜂窝大规模MIMO-NOMA系统中实现接近最优的频谱效率，同时显著降低复杂度？
• RQ2 所提出的基于学习的聚类方法在和频谱效率与公平性方面，与随机聚类或穷举聚类相比表现如何？
• RQ3 导频污染和非完美SIC对所提系统模型中和频谱效率有何影响？
• RQ4 该迭代算法在实际功率和硬件约束下优化和频谱效率的效率如何？
• RQ5 NOMA在无蜂窝和共址大规模MIMO-NOMA系统中，对频谱效率和公平性的提升程度如何？

主要发现

• 所提出的k-means++和改进k-means++算法在频谱效率方面优于随机聚类和穷举搜索聚类方法。
• 闭式和频谱效率表达式准确捕捉了同簇内导频污染、用户间干扰以及非完美SIC的影响。
• 和频谱效率优化的迭代算法单调收敛，并满足KKT条件，确保收敛至至少一个局部最优解。
• 数值结果表明，NOMA在无蜂窝和共址大规模MIMO-NOMA系统中均优于OMA，无论在和频谱效率还是公平性方面。
• 改进k-means++算法由于初始化策略的优化，相比标准k-means++实现了更优的聚类性能，降低了聚类误差并提升了频谱效率。
• 采用全导频零 forcing预编码的系统在高用户密度场景下表现出高谱效率和强鲁棒性。