基于DNN驱动的信道不确定性学习的SAGIN鲁棒资源管理
Robust Resource Management for SAGIN using DNN-Driven Channel Uncertainty Learning
- Shaanxi Normal University（陕西师范大学）
- Xidian University（西安电子科技大学）
- Guangzhou Institute Technology, Xidian University（西安电子科技大学广州研究院）
- University of Macau（澳门大学）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
针对SAGIN中CSI不确定下的鲁棒波束成形与资源分配问题，提出DNN驱动的信道不确定性学习方法，构建非对称不确定性集并采用鲁棒对应方法，实现高能效与高可靠性的联合优化。
AI中文摘要：
本文研究了在信道状态信息（CSI）不确定条件下，空间-空中-地面一体化网络（SAGIN）中的联合鲁棒波束成形与资源分配问题。在SAGIN中，不确定的CSI会削弱波束成形和资源分配的精确调整，对满足异构用户的严格服务质量（QoS）要求构成重大挑战。为应对这一挑战，我们首先构建了一个机会约束优化问题，在预定义的中断概率下，以最小化总发射功率并满足QoS要求为目标。通过利用半定松弛（SDR），目标函数被转化为波束成形矩阵迹的线性函数。随后，我们提出了一种基于深度神经网络（DNN）驱动的信道不确定性学习方法，动态学习并将不确定的CSI建模为非对称不确定性集。在构建的CSI不确定性集下，开发了一种基于预训练网络参数的鲁棒对应方法，该方法将不确定性集表征为有限个凸集的并集，从而为原始机会约束提供了可处理的近似。最后，我们设计了一种自适应迭代算法，以联合优化资源分配和波束成形向量。仿真结果表明，我们提出的DNN驱动方法优于传统的鲁棒和非鲁棒方法，在SAGIN中实现了更高的能量效率和鲁棒可靠性。
英文摘要：
This paper focuses on the joint robust beamforming and resource allocation for space-air-ground integrated networks (SAGIN) under uncertain channel state information (CSI). In SAGIN, uncertain CSI undermines the precise adjustment of beamforming and resource allocation, posing a major challenge to meeting heterogeneous users' strict quality of service (QoS) requirements. To address this challenge, we first formulate a chance-constrained optimization problem to minimize the total transmit power while satisfying QoS requirements under a predefined outage probability. By leveraging semidefinite relaxation (SDR), the objective function is transformed into a linear function of the traces of the beamforming matrices. Then, we propose a deep neural network (DNN)-driven channel uncertainty learning to dynamically learn and model the uncertain CSI as an asymmetric uncertainty set. Under the constructed CSI uncertainty set, a robust counterpart method based on pre-trained network parameters is developed. It characterizes the uncertainty set as a finite union of convex sets, thereby providing a tractable approximation for the original chance constraints. Finally, we design an adaptive iterative algorithm to jointly optimize the resource allocation and beamforming vectors. Simulation results show that our proposed DNN-driven method outperforms traditional robust and non-robust methods, achieving a superior energy efficiency and robust reliability in SAGIN.
