多AP多用户系统联合AP选择与预编码：基于图神经网络的新方案
一项新研究针对多接入点多用户系统中的和速率最大化问题，提出接入点选择与预编码的联合设计方案。研究包含两种方法：一种是基于随机WMMSE与投影梯度下降的迭代交替优化算法；另一种是基于注意力机制Edge-GNN的图神经网络框架，能够仅依靠统计信道状态信息完成联合学习，并在推理时通过单次前向传播求解。仿真结果显示，图神经网络方法在所测试的信噪比范围内优于迭代算法，并对不同用户数量展现出可比的泛化能力。
随着室内无线网络部署日益密集，多个接入点协同服务多用户的场景变得普遍。如何在不同接入点之间为用户分配合适的服务节点，并同时设计发射预编码，是提升系统和速率的核心问题。该研究在仅有统计信道状态信息的条件下，研究接入点选择与预编码的联合优化问题。
第一种方案采用迭代交替优化思路：预编码向量通过随机加权最小均方误差算法更新，用户与接入点之间的分配变量则通过投影梯度下降步长更新，两者在迭代过程中交替优化，逐步逼近局部最优解。
第二种方案将问题建模为图结构数据上的学习任务，对基于注意力的Edge-GNN架构进行扩展，使其适用于多接入点场景。模型仅以统计信道状态信息作为输入，便可联合学习分配变量与预编码向量；在推理阶段无需迭代，仅需一次前向传播即可给出结果，可显著降低计算时延。
仿真结果在多种信噪比条件下与多种基线方法进行了对比，图神经网络方案在所测试的信噪比范围内均优于迭代算法，且在用户数量变化时仍能保持可比性能，体现出对网络规模变化的良好适应能力。
【空音视角】 从WiFi感知与非接触监测的视角看，该研究有两点值得关注。其一，统计信道状态信息在多AP协同感知系统中同样是信道建模与鲁棒性设计的关键，与空音关注的多房间、多区域监测部署在数据层面具有相通性；其二，将CSI建模为图结构并采用注意力Edge-GNN进行学习的方法，与感知任务中时空特征提取的思路相近，对后续非接触生命体征监测算法中的多节点信号融合具有一定借鉴意义。
—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2608.06251
来源：arXiv 信号处理（查看原文）