1. 研究目的与意义（文献综述）

根据调查显示，传统无线接入网存在以下三个特征：其一，每一个基本点智能接收到某个区域里的信号，这是因为连线的数量是固定的，只有这个区域内才能搜索到信号；其二，由于受到系统容量的控制，每个工作点在独立工作时，很难将其频率提升；其三，一般情况下，每个站点都是以垂直的办法为基础。这样一来站点的数量就非常多，在建设过程中需要耗费大量的人力物力。此外，有些工作站在很多情况下都没有用到，站点之间没有联通，没有共享的功能。为解决这一系列问题，引出了新的网络的结构--云无线接入网络（cloud radio accessnetworks, c-ran）。

云无线接入网络（cloud radio accessnetworks, c-ran）已成为下一代（5g）无线通信的关键支持技术。与基带处理单元（baseband units, bbu）和无线电台位于一起的传统ran不同，c-ran采用独立的bbu和远程无线电设计。所有dsp（digital signal processing）处理器都被移入云中的中央bbu池，分布式射频拉远头（remote radio heads, rrh）负责通过前端链路将接收到的无线电信号的无线电信号压缩并转发至bbu。在云无线接入网中，rrh只需要维护一些基本的传输功能，大大降低了设计和运营成本，使得大规模的高密度网络部署成为可能。而且，这种集中式体系结构可以轻松收集和分析运行时系统的统计数据。

云无线接入网络（c-ran）可以满足大量增长的无线数据流量的需求。然而，云无线接入网络中的资源分配仍需进一步改善，以达到在长时间运行期间最小化功耗和满足无线用户需求的目标。因此资源管理任务（如发射功率控制，发射/接收波束形成器设计以及用户准入控制）对于未来的无线网络至关重要。

2. 研究的基本内容与方案

基本内容：利用深度学习框架，来解决云无线接入网中的大规模节点管控及传输优化问题，根据节点负载、用户分布以及网络信道状态信息，动态调整节点数目，并优化传输波束赋形，从而提供能耗低、效率高的通信服务，将beamforming波束赋形算法的输入和输出视为未知的非线性映射，并使用深度神经网络（dnn）对其进行逼近。通过中等规模的dnn准确学习非线性映射，实时完成资源分配和节点管控。

目的：对于ic（interfering channel）或imac（interfering multiple-access channel）信道上的功率控制问题，通过对深度神经网络（dnn）进行训练以很好地逼近beamforming算法，从而减少直接使用beamforming算法所带来的高计算成本，利用这种近似大大减少用于无线资源分配的处理时间和功耗。

技术方案：

3. 研究计划与安排

第1~4周：查找参考资料、撰写开题报告；

第5~7周：完成系统整体框架的设计、学习相关算法；

第8~13周：完成dnn逼近算法的设计；

4. 参考文献（12篇以上）

[1] H. Sun, X. Chen, Q. Shi, et al, “Learning to optimize:Training deep neural networks for wireless resource management [C]”, in Signal Processing Advances in Wireless Communications (SPAWC),2017 IEEE 18th International Workshop on. IEEE, 2017, pp.7-14.
[2] M. Hong and Z.-Q. Luo, “Signal processing and optimal resource allocationfor the interference channel [D]”.in Academic Press Library inSignal Processing. Academic Press, 2013.
[3] E. Bjornson and E. Jorswieck, “Optimal resource allocation in coordinatedmulti-cell systems [J]”. Foundations andTrends in Communicationsand Information Theory, vol. 9, 2013, pp.110-126.
[4] W. Yu, G. Ginis, and J. M. Cioffi, “Distributed multiuser power control fordigital subscriber lines [J]”. IEEE Journal on Selected Areas in Communications, vol. 20, no. 5, 2002,pp. 1105–1115.
[5] G. Scutari, D. P. Palomar, and S. Barbarossa, “Optimal linear precodingstrategies for wideband noncooperative systems based on game theory – part I:Nash equilibria [J]”. IEEE Transactions onSignal Processing, vol. 56, no. 3, 2008,pp. 1230–1249.
[6] D. Schmidt, C. Shi, R. Berry, M. Honig, et al, “Distributed resourceallocation schemes [J]”. IEEE Signal Processing Magazine,vol. 26, no. 5, 2009, pp. 53 –63.

[7] J. Papandriopoulos and J. S. Evans, “SCALE: A low-complexitydistributed protocol for spectrum balancing in multiuser DSL networks [J]”. IEEETransactions on Information Theory, vol. 55, no. 8, 2009, pp.3711–3724.
[8] Q. Shi, M. Razaviyayn, Z.-Q. Luo, and C. He, “An iteratively weighted MMSE approachto distributed sum-utility maximization for a MIMO interfering broadcastchannel [J]”. IEEE Transactions on Signal Processing,vol. 59, no. 9, 2011, pp.4331–4340.
[9] S.-J. Kim and G. B. Giannakis, “Optimal resource allocation for MIMO Ad HocCognitive Radio Networks[J]”. IEEE Transactions on Information Theory,vol. 57, no. 5, , 2011, pp. 3117 –3131.
[10] Z.-Q. Luo, W.-K. Ma, A.M.-C. So, et al, “Semidefinite relaxation of quadraticoptimization problems [J]”. IEEE Signal Processing Magazine, vol. 27, no. 3, 2010,pp. 20 –34.
[11] Y.-F Liu, Y.-H. Dai, and Z.-Q. Luo, “Joint power and admission control vialinear programming deflation [J]”. IEEE Transactions on Signal Processing, vol.61, no. 6, 2013, pp. 1327 –1338.
[12] E. Matskani, N. Sidiropoulos, Z.-Q. Luo, et al, “Convex approximationtechniques for joint multiuser downlink beamforming and admission control [J]”. IEEETransactions on Wireless Communications, vol. 7, no. 7, 2008, pp.2682 –2693.
[13] M. Hong, R. Sun, H. Baligh, and Z.-Q. Luo, “Joint base station clusteringand beamformer design for partial coordinated transmission in heterogenousnetworks [J]”. IEEE Journal on Selected Areas in Communications., vol. 31, no.2, 2013, pp. 226–240.
[14] H. Baligh, M. Hong, W.-C. Liao, et al, “Cross-layer provision of future cellularnetworks: A WMMSE-based approach [J]”. IEEE Signal Processing Magazine, vol.31, no. 6, 2014, pp. 56–68.
[15] W. Yu and J. M. Cioffi, “FDMA capacity of Gaussian multiple-access channelwith ISI [J]”. IEEE Transactions on Communications, vol. 50, no. 1, 2002, pp.102–111.
[16] Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning [J]”.Nature, vol. 521, no. 7553, 2015, pp. 436–444.