声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：51-1267/TN
国际刊号：1001-893X
发布日期:
作者：陈发堂,徐霄鹏,王文浩,刘泽
单位：(重庆邮电大学 通信与信息工程学院，重庆 400065)
关键词：D2D：功率分配：异构图神经网络；
基金：重庆市自然科学基金创新发展联合基金（中国星网）（CSTB2023NSCQ-LZX0114）
传统的功率分配算法由于复杂的矩阵运算与迭代所造成的高时延，在实际通信中实时获取信道信息十分困难，当前重要的研究方向是在系统性能和计算复杂度之间找到有效平衡。针对终端直通（Device-to-Device，D2D）用户与蜂窝用户的联合功率分配问题，提出一种异构功率控制图神经网络（Heterogeneous Power Control Graph Neural Network，HPCGNN）算法，旨在最大化所有用户的加权和速率。首先通过构建干扰的异构图，将信道和噪声等信息嵌入到图的节点和边；再由HPCGNN完成消息传递和更新，采用无监督学习方式优化深度神经网络(Deep Neural Network,DNN)参数，最终得到最佳的功率分配。仿真结果表明，相较于其他深度学习算法，所提算法能够有效提高系统性能，且在损失5%性能下相较分式规划（Fractional Programming，FP）能降低82%~98%的时间复杂度。
来源：2025年第5期
《电讯技术》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。