摘要：近几十年来，数值优化在解决诸如功率控制和波束成形器设计等无线资源管理问题中发挥了重要核心作用。然而，传统的优化算法通常需要相当多的迭代来进行收敛，这对实时处理提出了挑战。本文提出了一种新的基于深度学习的无线资源管理的方法。主要思想是将资源分配算法的输入和输出视为未知的非线性映射，并使用DNN近似它。如果可以通过中等大小的DNN准确有效地学习非线性映射，那么这种DNN几乎可以实时用于资源分配，因为通过DNN传递输入只需要少量的简单操作。、
引言：
几十年来，处理各种无线资源管理方面问题的各种基于优化的算法都在各自处理的方面取得非常大的成功，但是这些优化算法的本质都属于迭代算法类。即将一组给定的实时网络参数（如信道实现和信噪比要求）作为输入，进行多次迭代，输出“优化”资源分配策略。因此，这些算法所存在的最大挑战就是高实时地计算成本。
本文提出一种基于机器学习的无线资源管理方法，其关键思想是将给定资源优化算法视为一个“黑匣子”，并尝试通过DNN来学习其输入/输出关系。
DNN相对于经典迭代算法的关键优势是DNN具有高实时计算速率：DNN的运行阶段不涉及数值优化，而只涉及一些简单的操作，如矢量乘法、加法和简单的非线性变换。
主要贡献：
1）提出基于深度学习的方案，该方案弥合了机器学习和无线资源分配这些看似无关的领域（尤其是干扰网络功率控制）。
2）通过广泛的理论分析和数值实验，证明了所提出方案的可行性。初步结果表明：DNN在无线资源的实时管理方面具有很大的潜力；DNN可以近似看作迭代优化算法的工具。
WMMSE：
将加权和速率最大化问题等效为加权MSE最小化问题：
干扰多址信道（IMAC）可以看作是一个特殊的IC信道与共址接收机。
深度学习方法：
DNN以端到端的方式近似WMMSE，本文将WMMSE看作一个未知的非线性映射，然后训练DNN去学习它的输入/输出关系。动机：在测试阶段利用DNN的高计算效率设计快速实时资源管理方案。
WMMSE的每次迭代表示连续映射。
两个不同的信道模型：
高斯IC信道：根据标准的正态分布生成每个信道系数，即具有零均值和单位方差的瑞利衰落分布。
IMAC信道：本文采用具有N个小区和K个用户的多小区IMAC模型。相邻小区的中心之间的距离设定为200米。在每个小区中，一个BS放置在小区的中心，用户随机均匀地分布；网络配置如图：
（这是文献《Base station activation and linear transceiver design for optimal resource management in heterogeneous networks 》中的图 ）
假设这些小区都具有相同数量的用户，根据具有零均值和方差
的瑞利衰落分布随机生成每个用户和每个BS之间的信道，其中d表示BS与用户之间的距离，并且数量L表示在具有零均值和方差64的对数正态分布之后的阴影衰落。