本文研究了一种低复杂度的反射智能表面的相位配置算法，利用监督学习的方法构建多层感知神经网络来快速计算反射表面的相位，并通过模拟实验验证了该算法对网络性能提升的有效性。

Oct, 2020

本文提出了一种用于估计和检测重新可配置智能表面（RIS）信号中符号的深度学习方法，不需要任何驾驶人信号，降低传输开销，优于传统的检测器。

Oct, 2019

该论文介绍了可重构智能表面（RIS）的应用，重点在于解决无覆盖区域的问题，并提出了一种基于深度强化学习的解决方案，名为 D-RISA，通过该方案能够实现最优的 RIS 部署。在法国雷恩火车站的室内场景中验证了该框架，与现有方法相比，该框架展示了更好的覆盖，即最小信噪比提高 10 dB，计算时间更短（高达 25％），并提高了对更密集网络部署的可扩展性。

Oct, 2023

通过利用长短时记忆网络和深度神经网络的方法，本研究提出了一种改进的主动感知设计，旨在解决上行定位问题，其中基站通过可重构智能表面（RISs）帮助定位远程用户。在实验中，我们说明了这种主动感知设计相较于非主动感知方法的优势，同时研究还表明，在具备多个 RISs 的情况下，一个基站的网络性能可以超过使用多个基站的情况。

Dec, 2023

本文研究了利用可重构智能表面 (RIS) 反射阵列所协助的 MIMO 传输，通过深度强化学习 (DRL) 基于试错交互获得基站传输波束和 RIS 相位移位的联合设计。仿真结果表明，该算法学习能力逐渐提高，与两个最新的基准算法相比表现相当。

Feb, 2020

本文从物理和通信的角度出发，综述了可重构智能表面（RISs）在无线网络中的应用。针对多天线辅助 RIS 系统，介绍了 RISs 的基本原理和性能评估。另外，从性能分析、信息论和性能优化的角度，系统地调查了现有的 RIS 增强无线网络的设计。此外，对于动态场景中的随机波道波动和用户移动等挑战，阐述了应用机器学习解决这些问题的现有研究成果。最后，确定了 RISs 和其他新兴技术在下一代网络应用中的主要问题和研究机会。

Jul, 2020

研究了采用可重构智能表面 (RIS) 用于来自多天线基站的下行多用户通信。我们针对移动用户的个体链路预算保证，开发了能源有效的传输功率分配和表面反射元素的相位移位的设计。我们提出了两种算法来解决这些非凸设计优化问题。此外，我们提出了一种逼真的基于 RIS 的系统功耗模型，并在现实的户外环境中分析了所提出方法的性能。

Oct, 2018

本文介绍了一个由 1100 个可控元素组成的 5.8 GHz 带宽的新型可重构智能表面 (RIS) 原型，提出了一个有效的无线配置算法并进行了室内、室外和远距离的测试。结果表明，与使用铜板替换 RIS 的基准情况相比，我们的 RIS 原型在室内测试中提供了 26 dB 的增益，而在短距离室外测试中提供了 27 dB 的增益。在长距离测试中，成功传输了 32 Mbps 数据流，并且当利用 RIS 时才能流畅播放 1080p 视频。RIS 是未来无线通信非常有前途的技术。

Feb, 2021

本文针对可重构智能表面在室内无线通信中的应用进行了研究，并提出了适用于不同场景的自由空间路径损耗模型，通过实验验证和仿真结果，验证了该模型的有效性，同时利用三个基于可重构智能表面（元表面）的实验测量结果，进一步证明了理论研究结果的正确性，这为可重构智能表面的进一步研究和实际应用奠定了基础。

Nov, 2019

本文提出一种基于深度学习技术的反射式无源波束成形方案，以提升无线通信系统的能量和频谱效率，并通过仿真证明其在维持性能的同时相较于半正定松弛方法大大减少了计算复杂度。

Jan, 2020